生長競爭蟻群算法求解導(dǎo)熱反問題

管屏，朱剛，馬良

生長競爭蟻群算法求解導(dǎo)熱反問題

管屏1，朱剛1，馬良2

（1.上海第二工業(yè)大學(xué)電子與電氣工程學(xué)院，上海 201209； 2.上海理工大學(xué)管理學(xué)院，上海 200093）

導(dǎo)熱反問題的非適定性、非線性等特點，使得求解比較困難。蟻群算法是來自大自然的一種進化算法，已在很多優(yōu)化問題中得到了應(yīng)用。提出了一種基于生長競爭蟻群算法的導(dǎo)熱反問題求解方法，并在MATLAB環(huán)境下實現(xiàn)算法，然后用實例進行驗證。結(jié)果表明，該方法擁有較強的可行性和實用性。

導(dǎo)熱；反問題；生長競爭；蟻群算法

0 引言

導(dǎo)熱反問題在工業(yè)研究領(lǐng)域中有著廣泛的應(yīng)用背景[1]，但其非適定性、非線性、計算量大等特點，使得求解比較困難。導(dǎo)熱反問題作為一個優(yōu)化問題，已有一些求解方法，如基于梯度的優(yōu)化方法（高斯牛頓法[2]、共扼梯度法[3]）等，但都存在一定的局限性。它們不能收斂到全局最優(yōu)解，并且收斂情況與初始值有關(guān)。

近年來，一些學(xué)者把遺傳算法[4]、人工神經(jīng)網(wǎng)絡(luò)[5]和蟻群算法[6-7]等人工智能算法引入導(dǎo)熱反問題領(lǐng)域，取得了一些進展。本文在此基礎(chǔ)上進一步研究利用函數(shù)優(yōu)化的生長競爭蟻群算法[8]解決導(dǎo)熱反問題，并用一實例進行驗證，從而豐富了導(dǎo)熱反問題的求解方法。

1 導(dǎo)熱反問題

導(dǎo)熱正問題是根據(jù)物體的熱物性參數(shù)和邊界條件，推出物體的溫度分布。如一維穩(wěn)態(tài)非線性導(dǎo)熱問題，其溫度場分布的微分方程可描述為

邊界條件為y=0,T=t1；y=δ,T=t2。式中，T為溫度，λ為導(dǎo)熱系數(shù)（溫度的函數(shù)）。

對于導(dǎo)熱系數(shù)未知的導(dǎo)熱反問題，其導(dǎo)熱系數(shù)必須通過物體內(nèi)部的一點或多點溫度值的測量來確定。熱傳導(dǎo)參數(shù)識別問題可歸結(jié)為調(diào)整被識別的參數(shù)矢量，直到觀測數(shù)據(jù)和相應(yīng)的根據(jù)被識別參數(shù)計算出來的數(shù)據(jù)在最小二乘法意義上相匹配，其目標函數(shù)可定義為[9]

式中，Tm為溫度向量的觀測值；Tc( x)為溫度向量的計算值，它依賴于待識別的參數(shù)向量x。

目標函數(shù)與觀測數(shù)據(jù)及模型中的參數(shù)有關(guān)，因而目標函數(shù)可能是很復(fù)雜的。在這種情況下如果采用經(jīng)典的優(yōu)化算法，可能獲得是局部的優(yōu)化解，甚至是發(fā)散的，這就需要一種具有良好的魯棒性的方法來獲得全局的優(yōu)化解。

2 基于生長競爭蟻群算法的導(dǎo)熱反問題求解

螞蟻在尋找食物時，能在其走過的路徑上留下分泌物——信息素。這種信息素可被一定范圍內(nèi)的其他螞蟻覺察到。隨著越來越多的螞蟻通過該路線，信息素的強度也越來越大，從而表現(xiàn)出強大的尋優(yōu)能力。意大利學(xué)者Colorni等人于20世紀90年代初期通過模擬自然界中蟻群的尋徑行為，提出一種基于種群的啟發(fā)式仿生進化算法——蟻群算法[10]。生長競爭蟻群算法是一種基于植物生長向光性和競爭性機理的改進蟻群算法。該算法將生長競爭機制和蟻群尋優(yōu)相結(jié)合，解決連續(xù)空間的優(yōu)化問題[8]。

首先將函數(shù)定義域分成若干等分區(qū)域，每個等分區(qū)域作為植物的生長環(huán)境，將區(qū)域最優(yōu)解當(dāng)作光源，模擬植物的向光性機理，使用競爭機制進行局部優(yōu)化，然后利用蟻群算法信息素的更新、螞蟻的轉(zhuǎn)移獲得全局最優(yōu)解。

定義螞蟻的轉(zhuǎn)移概率

Zi定義為每個螞蟻i相應(yīng)的目標函數(shù)值，τj為螞蟻j鄰域內(nèi)的信息素數(shù)量，α為鄰域吸引強度的相對重要性(α≥0)，β為目標函數(shù)差異的相對重要性(β≥0)。信息素強度更新方程為這里，Δ的值每次鄰域移動增加Q（正常數(shù)），ρ體現(xiàn)強度的持久性。這樣，導(dǎo)熱反問題求解的主要步驟可敘述如下:

1)初始化參數(shù)（區(qū)域分割參數(shù)、迭代次數(shù)、螞蟻個數(shù)等）；

2) 在區(qū)域范圍內(nèi)隨機生成一個導(dǎo)熱系數(shù)矢量x，根據(jù)生長競爭規(guī)律[8]獲取當(dāng)前區(qū)域的較好的目標函數(shù)J( x)，保存當(dāng)前最好的目標函數(shù)和導(dǎo)熱系數(shù)矢量；

3) 按轉(zhuǎn)移概率Pij在區(qū)域間移動螞蟻，替換導(dǎo)熱系數(shù)矢量，計算Δτj=Δτj+Q ，根據(jù)生長競爭規(guī)律進行局部搜索，更新目標函數(shù)J( x)和導(dǎo)熱系數(shù)矢量；

4) 根據(jù)信息素強度更新方程更新區(qū)域信息素強度；

5) 迭代次數(shù)增1，若未達到規(guī)定的迭代次數(shù)則轉(zhuǎn)2)；

6) 輸出最好的目標函數(shù)和導(dǎo)熱系數(shù)矢量 。

3 實例驗證

為驗證算法的有效性，在此考慮一個一維穩(wěn)態(tài)非線性的熱傳導(dǎo)問題。如圖1所示。

圖1 驗證實例Fig.1Validation test example

導(dǎo)熱系數(shù)λ=λ0(1+bT )為溫度的函數(shù)，其微分方程為

邊界條件為：y=0時, T=t1；y=0.6時 T=t2。

對于所考慮的熱傳導(dǎo)問題，為模擬實際測試數(shù)據(jù)，可在求解熱傳導(dǎo)正問題得到的精確值上施加一定的隨機噪聲后獲得。如表1所示：

表1 模擬測量數(shù)據(jù)Tab.1 Simulated test data

在使用算法前，需按經(jīng)驗估算的導(dǎo)熱系數(shù)λ0和b 取值范圍。本文選擇如下：0 < λ0< 0.1;0 < b < 0.01，算法中α =β = 1, ρ= 0. 7, Q = 1。區(qū)域分割數(shù)為10，則每個實例為100個區(qū)域。算法在MATLAB環(huán)境下實現(xiàn)，兩個實例（No.1和No.2）的運算過程如圖2至圖5所示。

圖2 No.1的運算收斂過程Fig.2 Operation convergence process of No.1

圖3 No.1的溫度分布和實測數(shù)據(jù)的關(guān)系Fig.3 Relationship between the temperature distribution and the test data of No.1

圖4 No.2的運算收斂過程Fig.4 Operation convergence process of No.2

圖5 No.2的溫度分布和實測數(shù)據(jù)的關(guān)系Fig.5 Relationship between the temperature distribution and the test data of No.2

計算求得的導(dǎo)熱系數(shù)λ0和b值分別為0.062 6和0.004 9，以此獲得的溫度分布如圖3和圖5所示，表明與實測溫度相當(dāng)吻合。

4 結(jié)論

本文給出基于生長競爭蟻群算法的導(dǎo)熱反問題求解，并通過實例驗證，效果良好，為求解導(dǎo)熱反問題提供了一種新的智能方法。

參考文獻：

[1] 周靜偉, 毛謙敏. 淬火測試探頭表面冷卻特性的反問題辨識[J]. 中國計量學(xué)報, 1998(2):85-89.

[2] 楊海天, 薛齊文. 兩級敏度分析求解非線性穩(wěn)態(tài)多宗量熱傳導(dǎo)反問題[J]. 工程熱物理學(xué)報, 2003, 24(3):463-465.

[3] 楊海天, 胡國俊. 共扼梯度法求解多宗量穩(wěn)態(tài)傳熱反問題[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報, 2002, 10(2):174-182.

[4] 李守巨, 劉迎曦. 改進遺傳算法在非線性熱傳導(dǎo)參數(shù)識別中的應(yīng)用[J]. 工程力學(xué), 2005, 22(3):72-75, 87.

[5] 寇蔚, 孫豐瑞, 楊立. 神經(jīng)網(wǎng)絡(luò)求解傳熱反問題的可行性研究[J]. 激光與紅外, 2004, 34(5):347-349.

[6] 王壬曉,王來貴. 蟻群算法求解穩(wěn)態(tài)傳熱反問題[J]. 遼寧工程技術(shù)大學(xué)學(xué)報, 2007, 26(s2):80-82.

[7] 薛齊文, 魏偉. 熱傳導(dǎo)反問題智能化識別[J]. 科學(xué)技術(shù)與工程, 2009, 9(24):7315-7318.

[8] 朱剛, 馬良. 生長競爭型函數(shù)優(yōu)化的蟻群算法[J]. 數(shù)學(xué)的實踐與認識, 2009, 40(2):108-112.

[9] FURUKAWA T.An automated system for simulation and parameter identification of inelastic constitute models [J].Computer Methods in Applied Mechanics and Engineering,2002,191(6):2235-2260.

[10] COLORNI A,DORIGO M,MANIEZZO V, et al.Distributed optimization by ant colonies[C]//Proceedings of the 1st European Conference on Artificial Life,Paris,France: Elsevier Publishing, 1991:134-142.

Solving Inverse Heat Conduction Problem by Growing Competitive Ant Algorithm

GUAN Ping1，ZHU Gang1，MA Liang2
(1,School of Electronic and Electric Engineering,Shanghai Second Polytechnic University,Shanghai 201209,P.R. China; 2,School of Management,University of Shanghai for Science and Technology,Shanghai 200093,P.R.China)

It is difficult to solve the inverse heat conduction problem which has some characteristics of the ill-posedness and nonlinearity.Ant algorithm is a new bionic algorithm that based on the idea of the ant colony.The algorithm has successfully solved many optimization problems.The method of solving inverse heat conduction problem base on growing competitive ant algorithm is presented.The algorithm is coded in MATLAB,and is tested through a typical instances.The simulation results show that the algorithm is efficient and practical.

heat conduction; inverse problem ; growing competitive; ant colony algorithm

O482.2

A

1001-4543(2010)03-0184-04

2010-06-10

2010-06-29

管屏(1958－)，男，江蘇無錫人，講師，碩士，主要研究方向為熱工和計算機應(yīng)用，電子郵件：guanping@ee.sspu.cn

國家自然科學(xué)基金資助項目(No.70871081), 上海市重點學(xué)科建設(shè)資助項目(No.S30504), 上海市教育委員會重點學(xué)科建設(shè)項目(No.J51801)