《表1 应用于换热网络优化中的启发式算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《换热网络多目标优化研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

近年来，换热网络多目标优化领域的发展得益于启发式算法与元启发式算法的广泛研究和应用，如模拟退火算法[9]（SA）、遗传算法（GA）、粒子群算法（PSO）等在换热网络优化中均有研究与应用。启发式算法与元启发式算法等随机算法由于其对问题的解析性质要求低，适用于混合整数非线性优化的换热网络多目标优化问题[10]。无论是从自然界动物群体行为学习的遗传算法、布谷鸟算法，还是从物理过程学习的模拟退火算法、粒子群算法，各种启发式算法本质上均为一个领域搜索过程，从初始解出发，在关键参数的控制下通过邻域函数产生若干邻域解，按接受准则（确定性、概率性或混沌方式）更新当前状态，而后按关键参数修改准则调整参数。其中的接受准则十分关键，与收敛速度和全局搜索性能相关。前者表征收敛效率而后者表征算法跳出局部最优的能力，一般而言，二者为负相关，参数调整实际是在进行两者的博弈。换热网络优化中应用的启发式算法如表1所示，其中对比了算法机理和关键参数。