温度重建-遗传算法.docVIP

遗传算法求解温度场 系统图： 图1 系统图 根据程序计算出来的系数矩阵和常数项向量，计算各个网格内的温度。为了把计算出来的温度结果与假设的温度结果进行比较，这里对网格进行编号，如图所示， k=1：1~49，温度范围：752.18659~857.14286； k=2：50~98，温度范围：756.55977~1071.42858K； k=3：99~147，温度范围：760.93295 99~1285.71429K； k=4：148~196，温度范围：765.30612~1500K； k=5：197~245，温度范围：760.93295~1285.71429K； k=6：246~294，温度范围：756.55977~1071.42858K； k=7：295~343，温度范围：752.18659~857.14286K。 这样可以把343个体元假设的温度值分布，表示如下图所示： 图2 原始假设温度信息 可以看出，有七个峰值，而且有对称性。从1~343个体元的排序是在对象中按照从下到上，一层一层排列的。 在600~1800K范围内搜索 图3 遗传算法性能跟踪 图4 遗传算法结果与原始假设温度对比 上图中，GATemperature是遗传算法计算出来的温度分布，origintemp是原始的假设温度。 由于搜索区域较大，重建温度分布与原始的假设温度相差的比较大。 在750~1500K范围内搜索 图5 遗传算法性能跟踪 图6 遗传算法结果与原始假设温度对比 根据原始温度信息，缩小了搜索范围，结果仍不理想。 分温度区域搜索 图7 遗传算法性能跟踪 图8 遗传算法结果与原始假设温度对比 分区域搜索就是把每层的温度范围信息加入到遗传算法程序中，这样可以更为准确的进行求解。求解结果比上两种方法有所改进，但仍旧不太理想。 直接用matlab左除求得的温度分布： 图8 Matlab重建结果与原始假设温度对比 这里使用Matlab中的左除直接计算温度场，在Matlab中，如果A是方阵，则A\B大体上等于inv(A)*B，如果A是一个n*n的矩阵，B是一个n维列向量，则表示采用高斯消去法求解方程的解。如果A是个m*n的矩阵，则是不定或者超定方程组的最小二乘解。（Matlab7 基础与提高，电子工业出版社，飞思科技产品研发中心编著，北京，2005）。 可见结果与准确解相差很大，出现负的温度值，主要是由于此线性方程组为严重的病态方程组，常数项向量B的微小变化都会带来解得巨大变化，在由准确解和系数矩阵求解常数项向量B时，由于舍入误差已经带来常数项有所变化，造成了最后解与准确解相差悬殊。