遗传算法在高通量工程试验堆燃料管理优化中的应用.pdfVIP

核动力工程 、，01．24N0．4．2(X)3 可以初步认为需要参加优化的位置在120左右。 由于适应值大的方案对应质量比较高的解， 图2给出了内8圈有128个位置参加优化时因此．可以用群体的历代最大适应值反映算法的 的适应值收敛曲线。由图2可见，增加了优化位 执行效果。比较图l、图2可知，当群体最大适 置个数后，算法执行初期群体适应值的平均值和 应值达到570左右时．连续多代群体适应值变化 最大值很小大约经过50代，其平均适应值达到 很小，可以用群体适应值接近历代最大值时计算 只有燃料组件参加优化时的第一代群体平均适应 的方案数衡量算法的执行效率。显然．只允许燃 28 值(图1)。这是因为前文选取的80个位置经过了料参加优化时算法的效率要高，而内8圈有1 优选。增加优化的位置数使得搜索空间急剧增大， 个位置参加优化时解的质量要更高。 这样算法的前期性能势必会比较差；但另一方面， 如前所述．只允许燃料参加优化时，燃料组 搜索空间增大意味着有找到质量更高的解的可能 件的位置实际上预先经过了优选，这是和方案设 性。这一点可以从表3中得到证实：增加优化组 计人员的经验分不开的。受此启发，可以部分限 件位置后．群体历代适应值增加．同时，在满足 定燃料组件出现的位置。以便充分利用专家经验． 其它约束条件的情况下，同位素产量显著增加。 减少算法的搜索规模。 由表3还可以看出，寿期末kⅡ更靠近1．0。这是 这里仍以HFETR56．1炉为例，在实际方案 由于为了追求同位素产量最大，燃耗深度浅的燃 的基础上，将80个燃料组件限定在内8圈中的 料组件将朝着靠近外圈同位素靶件的方向移动， 85个位置上，同时允许内8圈中的同位素靶和同 这样寿期末kⅡ必然会相应减小。 位素靶参加优化。此时共有99个组件参加优化， 群体规模仍取300，最大执行代数取为280。算法 在第14代最大适应值达到了567．4，已经比较靠 近历代最大值5s4．4，达到历代最大值时共计算 了79800个方案。可见适当的加入专家经验可以 提高搜索效率。 6自适应遗传算法 遗传算法中，群体能够进化的一个关键因素 就是保持一定的多样性，相似个体越多则多样性 图2内8圈128个组件参加优化的适应值 越小，群体进化速度相应减慢，甚至停止。参考 收敛曲线 文献【8】的做法，本文用信息熵来衡量群体的多样 curve 128 Fig．2Con”ergenceofopd嘶ziⅡg 性。定义信息熵如下： As辩mbliesCasw (2) 表3 128个组件参加优化时前10个备选方案 E(n)=一∑p．()ln(p。(n)) 各项指标 1曲le3 Topl0C锄didatesin山e128