1、课题研究目的、意义及国内外的研究现状

1.1课题研究目的及意义

换热器是将热流体的部分热量传递给冷流体的设备，同时也是提高能源利用效率的设备，即可作为加热器，又可作为冷却器、蒸发器冷凝器等。换热器作为一种十分常见的换热设备，种类十分多样，应用十分广泛。在众多换热器类型中，板翅式换热器作为一种紧凑型换热器，具有体积小、结构简单、换热效率高等优点，因此其被广泛应用于船舶行业中，有利于节省船上换热器所占空间，从而提高空间利用率。在众多船舶设备中，换热器起着十分重要的作用，甚至会影响整个发电机组的效率；同时无人船因为体积较小，需要船上使用的设备在满足功率、散热需求等前提下体积尽量小。因此，优化换热器设计以提高换热器的换热效率是十分重要的。

本课题计划以最小熵产作为目标函数，由于熵生成单元数(Ns)表示由于系统不可逆性而不可用的有用功率的损失量。对于换热器，由于流体流动中存在有限温差传热和沿流向的压降，因此换热存在不可逆性。在此基础上优化换热器或其他系统，即考虑实际设备的有限尺寸约束和实际过程的有限时间约束，使损失或不可用功率最小化^[11]。

换热器的设计过程是一项基于试错过程的复杂过程，需要不断进行计算直至所有参数满足设计条件，这个过程往往需要根据经验选择合适的参数并多次验算。而对于换热器的优化设计则是在化热器设计的基础上不断进行优化，在特定参数固定的情况下，对余下的参数在允许范围内进行优化，从而不断提升换热器的效率。由于换热器设计涉及的参数变量较多，因此在优化设计过程中应当以寻找一组最优参数使得换热器设计最优作为目标。

但由于在多个参数被设为变量的情况下多个参数变量的不同值可以进行组合，因此需要对每组参数组合进行计算才能得到最优的参数组合。涉及到多个连续变量和离散变量时，对所有变量值组合进行计算并比较的计算量十分庞大，因而试图计算全部变量值组合并进行比较的方法是不现实的。对于这样的情况我们只能计算一定数量的变量值组合并进行比较，从而得到近似最优解。此外，许多相关变量造成的变化并不是线性的或单一对应的，例如：以往的层状锯齿曲线与理想层状曲线的经典偏差与MPFHE性能之间的关系，并不是人们认为的严格的单调递减关系，而是一种多重对多重关系^[1]。因此我们在换热器优化设计的过程中引入进化计算技术以提升优化效率。同时，当定义目标函数并不是单一目标函数，且多个目标函数相互冲突时时，为了很好的满足多个目标函数，采用进化算法在各目标间进行权衡并求最优解。

综上所述，我们选择采用PSO算法来提升优化设计的效率，寻求近似最优解。在初代计算时采用随机生成的解（变量值组合）计算每个解的适应度并比较，根据PSO算法的进化机制对解进行优化并得到新一代的解，不断迭代计算并比较，从而得到适应度相对更高的近似最优解。采用PSO算法可以通过进化机制减少需要计算的解的数量，极大程度上减少优化设计使用的时间，降低求近似最优解时陷入局部最优解的概率。在优化过程中引入PSO算法使得换热器优化设计更为高效、优化结果更加理想。同时，采用PSO算法对板翅式换热器的优化设计可以推广到其他换热器的优化设计中。因此，引入PSO算法对于换热器优化设计具有重要意义。

1.2国内外研究现状

换热器设计涉及到大量参数，在换热器的优化设计过程往往以几个变量为优化变量，其他变量设置为定值。对于板翅式换热器，目前的研究大多将7个参数设置为优化变量，分别是：热流程长度（La）、冷流程长度（Lb）、热端层数（Na）、翅片密度（n）、翅片厚度（t）、翅片高度（H）和翅片长度（lf）。板翅式换热器优化的目标函数通常设置为最小熵产、最小体积、最小每年运行费用、最小换热面积等。在换热器优化的算法使用上，国内外研究中用到了包括遗传算法（GA）、粒子群算法（PSO）、蜂群算法（BA）、帝国竞争算法（ICA）以及混合进化算法在内的多种进化算法。

在使用简单进化算法对换热器进行优化方面，国内外研究使用了多种进化算法进行换热器优化，并对比分析了各优化结果。国内的韩武涛等人，使用粒子群算法（PSO）进行翅片管换热器的几何尺寸优化，其结果与利用遗传算法（GA）进行优化的文献结果对比：在相同的设计参数和相同的优化变量搜索范围条件下，体积减小9.5％，重量减轻16％，优化计算时间减小一个量级，从而判断粒子群算法（PSO）应用于换热器优化设计优于遗传算法（GA）^[15]。

具体针对板翅式换热器优化问题。国内有研究使用粒子群算法（PSO）优化板翅式换热器，并通过实例证明了使用PSO优化设计板翅式换热器，达到了换热器质量降低、体积减少的效果，同时又满足性能要求^[16]。同样是与传统遗传算法（GA）进行比较，帝国竞争算法（ICA）在相同的种群大小和迭代次数下，能够在更短的计算时间内找到最优设计^[2]。还有国外研究将多种进化算法的优化结果进行比较后发现：与遗传算法(GA)、粒子群优化算法(PSO)、帝国主义竞争算法(ICA)和初步设计相比，蜂群算法（BA）能以更高的精度找到最优配置^[8]。

在使用改进粒子群算法算法进行研究方面。对于单一目标函数，与传统遗传算法（GA）和粒子群算法（PSO）的优化计算结果相比，在相同的设计参数和优化变量下，具有计算时间更短、收敛速度更快、计算精度更高、全局收敛性更佳、稳定性好的特点^{[4][13][14][17]}。通过对紧凑换热器优化的研究，Moslem Yousefi等人得出结论：采用改进型粒子群算法相比基础的粒子群算法和遗传算法计算时间更短，结果更好^[5]，且这种优化算法可以推广到其他换热器的优化。此外，Moslem Yousefi等人还提出了一种改进和声搜索算法在板翅式换热器设计优化中的应用，研究的数值结果表明：与遗传算法(GAs)、粒子群优化算法(PSO)和混合遗传算法(GAHPSO)相比，改进和声搜索算法同样能获得更高的求解精度^[10]。

在双目标函数的换热器优化研究方面。对于双目标函数的翅片式换热器优化，Hamidreza Najafi等人利用遗传算法进行多目标优化，得到一组最优解，使每一个最优解都是目标之间的权衡，都能在适当的水平上满足两个目标函数^[3]。同样是对于双目标函数的板翅式换热器优化，Sepehr Sanaye等人利用人工神经网络，在可接受的精度范围内，提出了两个最优目标函数与六个决策变量之间的相关性，并设计估算了换热器成本^[12]。