(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110598065.0 (22)申请日 2021.05.31 (65)同一申请的已公布的文献号 申请公布号 CN 113343380 A (43)申请公布日 2021.09.0 3 (73)专利权人 温州大学 地址 325000 浙江省温州市瓯海区东方南 路38号温州市国家大 学科技园孵化器 专利权人 浙江省高低压电器产品质量检验 中心 (72)发明人 朱翔鸥　王玲　周杨　张正江　 闫正兵　赵升　章纯　王守冬　 戴瑜兴　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 杨媛媛 (51)Int.Cl. G06F 30/17(2020.01)G06F 30/25(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06F 111/06(2020.01) G06F 111/10(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 111814251 A,2020.10.23 CN 111124762 A,2020.0 5.08 CN 10871748 8 A,2018.10.3 0 Lin Wang等.Thermal Sturcutre Design of Air-Cooled Heat Si nks for Po wer Electronic Equipments by Co nstrained Populati on Extremal Optimizati on. 《IEEE》 .2017,2467-2472. 审查员 王艳丽 (54)发明名称 基于多目标粒子群算法的强迫风冷散热器 优化方法及系统 (57)摘要 本发明涉及一种基于多目标粒子群算法的 强迫风冷散热器优化方法及系统， 包括： 根据强 迫风冷散热器的等效热路图确定所述散热器的 基本参数， 参数约束条件和多个目标函数； 根据 所述基本参数， 所述目标函数和所述参数约束条 件建立散 热器多目标优化模型； 利用多目标粒子 群算法求解所述散热器多目标优化模 型， 得到优 化后的基本参数； 根据所述优化后的基本参数得 到所述强迫风冷散热器的优化方案。 通过多目标 粒子群算法对散热器多目标优化模 型进行求解， 得到了散 热器最优的基本参数 组合， 即得到了散 热器综合最优的设计方案， 基于最优的基本参数 组合既能够提升散热性能， 同时还能降低散热器 的压降以及质量。 权利要求书3页 说明书7页 附图3页 CN 113343380 B 2022.09.09 CN 113343380 B 1.一种基于多目标 粒子群算法的强迫风冷散热器优化方法， 其特 征在于， 包括： 根据强迫风冷散热器的等效热路图确定所述散热器的基本参数， 参数约束条件和多个 目标函数； 所述基本参数包括： 散热器基板长， 散热器基板宽， 散热器的高度， 散热器基板厚 度， 散热器冷却通道数， 散热器的翅片间距和冷却通道空气平均流速； 所述目标函数包括散 热器热阻目标函数， 散热器的质量目标函数和散热器的压降目标函数； 根据所述基本参数， 所述目标函数和所述 参数约束条件建立散热器多目标优化模型； 利用多目标粒子群算法求解所述散热器多目标优化模型， 得到优化后的基本参数， 具 体包括： 根据所述散热器的所述基本参数随机产生一个满足所述参数约束条件的初始粒子种 群； 所述初始粒子种群中的每 个粒子的位置向量表示 一种所述散热器的优化方案； 设置所述初始粒子种群中每 个所述粒子的当前位置为每 个所述粒子个 体最优位置； 计算所述初始粒子种群中各个所述粒子的目标函数值， 并结合粒子间的支配关系计算 所述初始粒子种群的非支配解集， 所述非支配解集即为所述初始粒子种群的帕累托解集； 令所述初始粒子种群为当前 粒子群； 计算所述当前粒子群的所述帕累托解集中每个所述粒子的拥挤距离， 并结合轮盘赌选 择算法得到全局最优粒子， 即得到全局最优位置， 具体包括： 将所述当前粒子群的所述帕累托解集中所有粒子分别带入不同的所述目标函数中， 得 到多组目标函数值； 依据每一组所述目标函数值对所述当前粒子群的所述帕累托解集中所有粒子进行升 序排列， 得到多组升序排列后的粒子集； 对每组升序排列后的粒子集的每个所述粒子， 计算与所述粒子距离最近的粒子， 得到 距离选取粒子； 基于所述距离 选取粒子的不同目标函数值计算所述拥挤距离； 根据所述拥挤距离结合所述轮 盘赌选择算法得到全局最优粒子； 根据所述粒子个体最优位置和所述全局最优位置更新每个所述粒子的位置和速度， 得 到更新后的粒子群， 即下一代粒子群； 判断所述更新后的粒子群中的每个所述粒子对应的优化方案是否满足所述参数约束 条件， 得到第一判断结果； 根据所述第一判断结果更新所述粒子个 体最优位置； 计算所述更新后的粒子群中各个粒子对应的目标函数值， 并结合所述粒子间的支配关 系计算所述更新后的粒子群的非支配解 集， 即得到所述更新后的粒子群的帕累托 解集； 判断当前迭代次数 是否等于最大迭代次数， 得到第二判断结果； 若第二判断结果为否， 则 令所述更新后的粒子群为所述当前粒子群， 返回步骤 “计算所 述当前粒子群的所述帕累托解集中每个所述粒子的拥挤距离， 并结合轮盘赌选择算法得到 全局最优粒子 ”； 若第二判断结果为是， 则将所述更新后的粒子群的帕累托解集作为最优的帕累托解 集， 从所述 最优的帕累托 解集中随机 选取一个解作为所述优化后的基本参数； 根据所述优化后的基本参数 得到所述强迫风冷散热器的优化方案 。 2.根据权利要求1所述的方法， 其特 征在于， 所述散热器热阻目标函数为：权　利　要　求　书 1/3 页 2 CN 113343380 B 2其中， x1—散热器基板长； x2—散热器基板宽； x3—散热器高； x4—散热器基板厚度； x5— 散热器冷却通道数； x6—散热器翅片间距； x7—冷却通道空气平均流速； k—散热器材料的导 热系数； δ—翅片厚度； —散热器基板传导热阻； —散热器翅片传导热阻； —散热器翅片间的对流热阻； 所述散热器的质量目标函数为： min f2(x)＝[x1x2x3‑x5·(x3‑x4)·x1x6]·ρm； ρm为散热器材 料密度； 所述散热器的压降目标函数为： λ表示冷却通道的摩擦阻力系数， ρ 表示空气密度。 3.根据权利要求2所述的方法， 其特 征在于， 所述 参数约束条件为： 其中， lc—散热器长的上限； lk—散热器宽的上限； h—散热器高的上限； n—散热器通道 数目上限； d—散热器翅片间距上限。 4.根据权利要求1所述的方法， 其特 征在于， 所述拥挤距离的公式为： 其中， —距离粒子 最近的两个距离选取粒子； i表 示粒子编号； t表示迭代的 次数， t＝0， 1， 2， . ..， Tmax,Tmax表示最大迭代次数； —粒子 的第m个目标函数的值； m＝1,2,3 。 5.根据权利要求1所述的方法， 其特征在于， 所述根据所述第 一判断结果更新所述粒子 个体最优位置， 具体包括： 当所述第一判断结果为否时， 则调整所述更新后的粒子群中的每个所述粒子对应的优 化方案直至满足所述 参数约束条件； 当所述第一判断结果为是时， 则判断所述更新后的粒子群中的每个所述粒子的当前位 置是否支配更新前的粒子群中的所述粒子个 体最优位置， 得到第三判断结果； 当所述第三判断结果为是时， 所述粒子个体最优位置更新为所述更新后的粒子群 中的权　利　要　求　书 2/3 页 3 CN 113343380 B 3