热管约束组件布局的混合优化方法

本发明涉及组件布局优化的，尤其是指一种热管约束组件布局的混合优化方法。

背景技术：

1、随着电子元器件发热功率的提高，尖端电子设备的散热要求越来越高。为了保证设备正常运行，通过优化组件布局来提高设备散热性能，在印刷电路板(printed circuitboard，pcb)、卫星、电动汽车、机械系统等工程领域得到了广泛应用。为满足组件布局优化(clo)的工程应用需求，研究学者提出了以优化热性能为目标、考虑组件布局约束的形式化问题模型，旨在求解满足组件不重叠、布局稳定性等相关约束条件下，使电子设备散热性能最优的组件布局方案。

2、在各类散热材料中，热管散热由于具备导热系数高，热流密度高等优点，在工程领域得到了越来越多的应用。随着热管散热技术的推广，有研究提出了考虑热管约束的组件布局优化(hclo)问题。该问题主要针对依赖热管进行组件散热的应用场景。与其他clo问题模型不同，hclo问题不仅考虑了组件不重叠、静态稳定性等常规clo问题的约束，还考虑了由热管导致的特定布局目标和约束，如热管散热能力约束、组件的热管重叠约束等。上述目标及约束使hclo问题具有高维度、多约束和可行域稀疏等特点，求解更为困难。

3、在组件布局优化(clo)问题求解方面，元启发式算法，如遗传算法(ga)、粒子群优化(pso)和差分进化(de)等，由于具有求解高效、可扩展性强等优点，近年来被广泛应用于求解clo问题。组件布局优化(clo)问题通常形式化为约束优化问题，clo根据不同的应用场景在模型目标、模型约束等方面各异。针对clo问题的不同，当前的研究在不同的元启发式算法框架基础上，融入了跟问题相关的求解策略，设计各种不同的求解策略。但是，hclo是一类新型clo问题。由于需专门考虑由热管导致的特定布局目标和约束，hclo问题具有高维度、多约束和可行域稀疏等特点，较其他clo问题更为困难。为了求解hclo问题，yao提出了一种改进的遗传算法，它实现了模拟交叉(sbx)、多项式突变(plm)和锦标赛选择。但该方法仍存在早熟收敛的问题(yao et al,2022)，且不能在高维hclo问题上获得令人满意的解。为了应对hclo带来的挑战，ye提出了一种基于双种群部族的遗传算法(bcga)，该算法由双种群策略、基于的框架和重新设计的遗传算子组成(ye et al,2023)。然而，bcga算法容易陷入局部最优，局部搜索能力不佳。

4、综上，现有技术中少有针对依赖热管进行组件散热的应用场景，所设计的特定求解策略不能直接应用于hclo问题，并且由于没有考虑热管带来的问题特殊性，现有方法也无法有效地处理hclo问题。虽然部分研究针对hclo问题设计了特定求解策略，但是在复杂的hclo问题上求解成功率低、无法给出令人满意的布局解。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中的不足，提供一种热管约束组件布局的混合优化方法，可以有效处理hclo问题、获得更优的布局解，提升搜索能力，提高求解精度。

2、为解决上述技术问题，本发明提供了一种热管约束组件布局的混合优化方法，包括：

3、s1：在沿着与热管朝向垂直和平行的两个方向上分别建立x轴和y轴，根据热管约束组件结构在x轴上建立种群x、在y轴上建立种群y，所述种群x表示热管约束组件在x轴方向上的一组布局解，所述种群y表示热管约束组件在y轴方向上的一组布局解；

4、s2：结合遗传算法、烟花算法和锦标赛选择算子寻找种群x在x轴上的最优布局解，根据种群x在x轴上的最优布局解寻找种群y在y轴上的最优布局解，结合种群x在x轴上的最优布局解和种群y在y轴上的最优布局解得到热管约束组件布局的最优可行解。

5、在本发明的一个实施例中，所述结合遗传算法、烟花算法和锦标赛选择算子寻找种群x在x轴上的最优布局解，根据种群x在x轴上的最优布局解寻找种群y在y轴上的最优布局解，结合种群x在x轴上的最优布局解和种群y在y轴上的最优布局解得到热管约束组件布局的最优可行解，具体为：

6、s2-1：设置最大函数评估次数、氏族规模；

7、s2-2：对种群x进行评估，如果评估次数没有达到最大函数评估次数，则执行s2-3；如果评估次数达到最大函数评估次数，则执行s2-10；

8、s2-3：结合遗传算法、烟花算法和锦标赛选择算子更新种群x在x轴上的最优布局解；

9、s2-4：如果此时种群x在x轴上的布局解满足组件-热管重叠约束，则激活种群y，执行s2-5；否则，执行s2-2；

10、s2-5：判断是否是首次激活种群x或得到了种群x在x轴上的更优布局解，若是则执行s2-6，若否则执行s2-7；

11、s2-6：使用此时种群x在x轴上的布局解评估种群y，执行s2-7；

12、s2-7：判断是否已经根据当前种群x在x轴上的布局解得到完整的热管约束组件布局的最优可行解，若否则执行s2-8，若是则执行s2-2；

13、s2-8：结合遗传算法和锦标赛选择算子更新种群y在y轴上的最优布局解，执行s2-9；

14、s2-9：判断当前种群y是否在y轴上得到了可行解，若是则存储该可行解，种群y进入休眠，执行s2-2；若否，则直接执行s2-2；

15、s2-10：从已存储的可行解集合中输出目标值最小的解，从而得到热管约束组件布局的最优可行解。

16、在本发明的一个实施例中，所述结合遗传算法、烟花算法和锦标赛选择算子更新种群x在x轴上的最优布局解，具体为：

17、s2-3-1：获取此时种群x的规模，构造种群x中的所有氏族，通过模拟二进制交叉算子得到所有氏族的后代；

18、s2-3-2：基于多项式突变和/或交换变异更新后代，将根据氏族中所有个体的更新结果得到可行解，将所有可行解中的最优解作为烟花解；

19、s2-3-3：计算每个烟花解的火花解数量和爆炸幅度，所述火花解数量用于决定烟花算法中每个烟花解生成多少个邻居解，所述爆炸幅度用于确定组件x轴坐标的位移半径，根据火花解数量和爆炸幅度生成火花解集；

20、s2-3-4：结合生成的氏族的后代和火花解集合，从中选择目标值最小的解作为当前代种群x中的精英解，将当前代种群x中的精英解作为当前代种群x在x轴上的最优布局解；

21、s2-3-5：执行锦标赛选择算子得到下一代种群x。

22、在本发明的一个实施例中，所述判断当前种群y是否在y轴上得到了可行解，具体为：

23、如果此时种群y在y轴上的布局解满足非重叠约束、系统质心约束和散热能力约束，则视为当前种群y在y轴上得到了可行解。

24、在本发明的一个实施例中，所述基于多项式突变和/或交换变异更新后代，具体为：

25、组合多项式突变和交换变异得到混合变异算子，根据所有氏族的后代计算执行混合变异算子所需要的参数，个体根据混合变异算子在每一代中按概率p执行plm突变操作、按概率1-p执行交换突变操作。

26、在本发明的一个实施例中，所述火花解数量的计算方法为：

27、

28、其中，nf是待生成的火花解数量；ne是用于控制火花解数量的常数；c1(xf)为烟花解的目标值其中xf表示种群中目标值最小的布局解；n为种群规模；为种群内目标值最大的布局解对应的目标值；c1(xi)是第i个布局解的目标值；ε为用于避免除数为零的小常数；为了防止火花解的数量过多或过少，边界被设置为nf∈[ane,bne]，其中a和b是常量，且a<b<1；

29、所述爆炸振幅的计算方法为：

30、

31、其中，rf表示x轴的最大调整量，与相邻两个热管的间隔有关；re为控制爆炸范围的常数，为种群内目标值最小的布局解的目标值。

32、在本发明的一个实施例中，为了避免火花解密度过高和提高探索性能，设置对爆炸振幅的调整量，具体为：

33、对爆炸振幅进行一次调整为：

34、

35、其中，为一次调整后的爆炸振幅，dhp代表两根相邻热管的间隔，round(rf)表示rf向下取整；

36、接着，对爆炸振幅进行二次调整为：

37、

38、其中，为二次调整后的爆炸振幅；αcf，βcf，αf和βf是调整动态爆炸振幅的常量；fes表示已使用的目标值计算次数；maxfes是目标值的总计算次数。

39、在本发明的一个实施例中，所述根据火花解数量和爆炸幅度生成火花解集，具体为：

40、将生成的nf个火花解中的每个火花解代表一个由最佳布局解生成的邻居布局解，对每个火花解xsk(k＝1，…，nf)来说，通过复制烟花解进行初始化，从所有候选组件中随机选择需要调整的组件集合del；

41、对于属于del集合的组件，根据爆炸幅度对该组件的x轴坐标进行位移调整：

42、

43、其中，xskj表示第k个火花解中j组件的x轴坐标，是一个在和之间的随机数，xfj表示烟花解xf中第jth个组件的x轴坐标，dsel是一组随机选择的维度；

44、将组件布局调整到合理范围内得到最终的火花解集，将组件布局调整到合理范围内具体为：

45、xskj＝max(min(xskj，uj)，lj)，

46、其中，xskj表示第k个火花解中第j个组件的x轴坐标；uj和lj是第j个组件的x轴取值的上限和下限。

47、在本发明的一个实施例中，所述执行锦标赛选择算子得到下一代种群x，具体为：

48、假设候选解集的规模为ncandidate，需要选择出个解用于指导下一轮迭代；为获得该个解，构建个锦标赛；

49、每个锦标赛中被随机选配了个候选解，剩余的个候选解将平均分配到前个锦标赛中，依次选择每个锦标赛中目标值最小的解放入下一代种群clt+1。

50、在本发明的一个实施例中，所述更新种群x在x轴上的最优布局解和更新种群y在y轴上的最优布局解时，每一次迭代更新结束后，计算当前最优布局解与上次迭代的最优布局解的距离向量：

51、

52、其中，δfbt为距离向量，表示当前最佳布局解，表示前一代的最佳布局解，fest表示截止到当前时已使用的目标值计算次数，fest-1表示截止到前一代时已使用的目标值计算次数；

53、将距离向量作用于当前迭代中的最优布局解得到新的布局解xnew：

54、

55、将新的布局解xnew替代种群x中最差的解。

56、本发明的上述技术方案相比现有技术具有以下优点：

57、本发明通过将热管约束组件布局的问题转化成双种群的求解问题，在此基础上通过遗传算子实现了全局搜索、通过烟花算子增加局部搜索的优势，实现了hclo问题的有效处理，并且提升了热管约束组件最优布局解求解的有效性、速度和精度。