浅析优化设计燃气管网的布局.doc

《浅析优化设计燃气管网的布局.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、浅析优化设计燃气管网的布局摘要：本文旨在应用GA建立燃气管网的布局设计模型，实现以应用软件平台为基础的计算机优化设计。主耍工作包括：首先，在阅读了人量文献的基础上，本文指出了燃气管网布局优化在现实工作屮的重要意义，论述了遗传算法在燃气管网优化上的现状和研究工作。其次，基于优化燃气管网布局的数学建模，将遗传算法应用于燃气管网布局的优化问题中，采用PrUfer数的编码方式及相应的遗传操作，设计了遗传算法。并在MAPTNFO平台上实现了燃气管网连接布局系统。最后给出进一步的研究方向。关键词：燃气管网；遗传算法；优化设计在燃气工程项目的投资和燃气管

2、网管理系统运行中燃气管网的工程造价所用的费用是很人的，如采用优化组合设计可节省大量能源。要选择最优的燃气管网优化设计方案，必须要保证燃气供给所满足的流量、压力、压差、温度等安全因素，同时要考虑工程投资的经济性，以及系统运行•的管理费用的经济性。如何能保证整个过程最大程度地安全输配，并且具有科学性、合理性，是现实中的一个难点。所以城市燃气管网优化设计具有极其重耍的意义。随着计算机技术及丿应用软件的发展，智能科学的研究儿乎渗透于各个学科领域，智能优化算法理论的不断发展丰富、应用研究的不断广泛深入，已经有越來越多的新方法应用于各个工程领域，使其业

3、已成为解决诸多大规模复杂工程实际问题的有利工具和有效方法。燃气管网的设计过程已从手算过渡到电算，从凭经验设计过渡到智能优化设计。若只依赖于大量表格的经验设计，会受一些条件的约朿，使得计算不太准确而且繁琐。采用遗传算法(GeneticAlgorithm,GA),模拟退火算法、蚁群算法、粒子群算法及其混合优化算法等智能优化方法来研究可靠性综合问题。特别是大型复朵管网的可靠性优化、冗余的最优分配以及管网的最优设计，是十分有效的，可以获得较传统方法和启发式方法更好的优化方案。这些智能优化算法已不再采用传统的设计思想，由于鲁棒性强，冃前已解决了各种各

4、样的组合优化问题。当城市气源和用户地理给定后，在各用户和其它相邻的用户之间根据地理条件和市政耍求，存在多个管道布置方案，从屮选择最佳的布局形式是后续进行参数优化的基础。因此，需要选择一种高效、科学、合理的算法是系统设计优化的关键。将遗传算法应用于优化设计燃气管网的布局中具有很强的适应性，它是与传统技术有着截然的不同。通常在求解一个具体的问题时，在确定个体编码、适应度函数及遗传算子后，遗传算法将在进化过程中利用所获得的信息自动进行搜索，这种自然选择消除了算法设计过程中的一个最大的障碍，即“需要事先描述问题的全部特点”，所以遗传算法能以较少的计

5、算来获得较大的收益，是优化燃气管网布局的一种理想化的选择方法。因此，采用新的方法研究适用性更强的燃气管道优化设计方案及应用软件是十分必要的。以燃气管网铺设线路总长度最短为日标，建立燃气管网布局数学模型,并将遗传算法应用到燃气管网的布局设计屮，同时解决算法屮所设计到的一系列技术，其主要的工作步骤包括个体编码方式、适应度函数的确定、群体规模大小、选择算子、交叉算子和变异算子等，求解出最佳的燃气管网布局优化设计的形式。遗传算法在燃气管网优化的研究分析众所周知，自然界有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准最优解，TSP问题和规划问题等

6、组合优化问题就是典型的例子。在求解此类问题时，若不能利用问题的固有知识来缩小搜索空间，则会产生搜索的“组合爆炸”。因此，遗传算法研究能在搜索过程屮自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程，从而得到最优解或准最优解的通用搜索算法一直是令人嘱目的研究课题。虽然遗传算法是随机化方法，但它不是简单的随机搜索，而是有效的利用历史信息來推测新搜索点，并口不用事先知道目标函数，人大减轻了工作量，同时也提高了工作效率，是优化燃气管网布局的理想方法。随着城市现代化建设的发展，对优化燃气管网布局应用的重视程度也与口俱增，应用了许多方法对它进行评

7、估，取得了显著的效果。遗传算法(GeneticAlgorithm,GA)启发于自然现象或过程，是近年来迅速发展起来的一种全新的随机搜索与优化算法，其基本思想是基于Darwin的进化论和Mendel的遗传学说。20世纪40年代，生物学家们就试图用计算机模拟自然遗传系统。20世纪50年代，澳大利亚的A.S.Fraser用一个15位的串表示具有三个基因的染色体来研究异位显性现象，美国芝加哥大学的J.Holland及其学生于1965年首次提出了人工遗传操作的重要性，并且提出了遗传算法的基本理论一一模式定理。此后，遗传算法的研究引起了国内外学者的关注

8、。1975年，Holkmd出版了专著《自然系统和人工系统的自适应》，比较系统地阐述了GA的基本理论和方法，为遗传算法奠定了理论基础。他的学生J.D.Bagley在论文中首次使用“