冷却器网络最优综合方法到目前为止，冷却器网络HEN综合的方法基本上可归纳为3类启发探试法数学规划法和人工智能法。
1.1启发探试法在用启发试探法进行换热网络的最优合成中，用得最多的就是20世纪70年代末加，1提出算法。有关这些方法本文不再赘述。
1.2数学规划法应用得最多的是数学规划法。由于许多化工过程综合问可以归结为混合整数非线性规划问MLNLP，所以如何有效地对其进行求解是近年来过程综合领域非常活跃的研究方向。
目前MlNLP问传统的算法主要有分枝定界法广义6以分解法外逼近等24.尹洪超等5又提出了些改进箅法61.这些确定性方法对目标函数有定的要求，不易得到函数的全局极值解。
而艮求解效率较低，不适合大规模问的求解。近年来人们逐渐将随机寻优法引人到过程系统综合中，取得了些卓有成效的结果。随机寻优法最常的有遗传算法模拟退火算法。近年来，遗传算法越来越多地应用到工程技术领域处理复杂的非线性系统。这种方法对不同的系统综合问具有通用性75，而且可进行各子系统之间的多目标同步联合优化和能量集成，得到最优的系统流程结构和操作参数。
方海鹛等8将遗传算法用于求解大规模换热网络综合问，但所求结果不定为全局最优解。
为更好的解决这问，近些年来对传统遗传算法做了些改进。王克峰等9提出了种混合遗传算法。该算法针对遗传算法中常的提前收敛或局部最小现象提出几种算子，实例明本算法具有较强的全局优化能力。在随后的研究中，他又将种改进的遗传算法1应用于大规模无分流换热网络最优综合问流股数超过50股的严格的混合整数非线性规划MINLP超结构模型，成功地解决了组合爆炸问。刘洪谦等有效地防止了搜索过程陷入局部极值陷阱，实现了全局搜索。王豪12等提出种基于遗传算法和受控随机搜索的系统优化策略。该方法可用于解决较大规模的系统优化问统遗传算法的计算精度和速度，文献13将叩1只0出0，3，6，16加0算法引人遗传算法中，得到遗传找混合算法。不仅提了传统遗传算法的计算精度和速度并且有利于遗传算法跳出局部最优值达到全局最优值。
尽管遗传算法以其，棒性可并行处理性及高效率得到广泛的应用，但由于实际工程中变量规模庞大，使遗传算法的优势不能得到充分发挥。为此，0，41采用了模拟退火算法来求解离散和连续问种改进的自适应模拟退火算法，用于求解大规模非凸MINLP问。
遗传算法和模拟退火算法有很好的实用性，如对目标函数的要求不高算法简单易于实现。同时者又有不同的优点模拟退火算法关于收敛性有严格的理论证明，怛是从单点进行搜索，不具有隐含隐含的并行性。为充分发，两者的优越性，文献16；将改进的遗传算法和模拟退火算法有效地结合，增强了遗传算法的搜索能力，预防了传统遗传算法提前收敛的缺陷。同时又可处理热冷流股数超过100的大规模过程系统的用能优化问。方海鹏17等也是将两者有效地结合，提出了种新的处理方法。他首次将化工换热网络综合问化为双层规划。其层规划是关于排序的优化问，下层规划是关于冷却器出人口温度的约束规划。又将下层规划转化为关于各冷却器的换热量的混合整数规划。避免了传统遗传算法应用惩罚函数的方法处理约束条件时产生的大量不可行解的缺陷，而且新模型的优化变量数成倍减少，增强了遗传算法获得全局最优解的能力。
随着计算机技术的逐步发展，数学规划法的些优点得到了充分的发挥，如它可以得到统计意义上的最优解。怛它仍然存在些缺陷计算工作量较大，即使求解非常简单的问，也需要花费大量机时；只适合于凸函数；对于多峰问易于出现局部最优解。因此近年来提出了些新的优于数学规划法辑与启发性知识的MINLP过程优化综合方法。还有方海鹏等19将论和群论的方法应用于换热网络综合问。
1.3人工智能法有关人工智能法的研究不是很多。主要的有专家系统和神经网络。
1.3.1专家系统近些年来用专家系统来解决换热网络综合十分普遍。这是因为实际的换热网络综合问十分复杂，匹配过程中要考虑许多约束条件，而且这些约束往往是描述性规则，根本无法用数学方程而应用专家系统则很好的解决了这问。
华南理工大学的李志红等人在1998年就指出，各种工程因素如设备材质冷却器类型等因素是定性的而非量化因素，很难用般的数学方法直接出来。因此，提出用专家系统方法处理上述各种，程因素即把上述工程因素通过专家系统方法归纳到成本方程中。随后的研究中又将专家系统应用于大规模换热网络超结构模型及，步最优综合设计。利用专家系统确定的物流的分流及匹配禁止作为约束条件建立了数学模型。通过模型能自动地获得换热网络的最优结构。这不仅简化了网络超结构模型的形式，降低了模型的规模，而且结构更全面，更接近工程实际的需求；同年她又利用相同的原理提出了同时考虑控制性能的有分流网络的合成方法22该方法适用于大规模换热网络的合成和控制的集成，具有很高的应用价值。清华大学的张平等23人设计了个正向推理的专家系统解决初始网络中的换热不均问。利用专家知识和经验，建立了调优规则的知识库，并应用回溯控制策略搜索调优规则随着调优规则的丰富，该系统可以进步解决初始网络调优中的压降不均和物流工艺温度不满足等问，因此具有良好的扩充性。
1.3.2神经网络张雯等24在多层神经网络基础上结合遗传算法提出种冷却器网络优化新算法。该算法能够以随机方式搜索网络拓朴结构和运行参数，有效地克服了传统冷却器优化方法的不足。6神经网络HNN是个动力学系统。它的求解，对模型参数的依赖性很强。模型参数选择不当，很容易使结果陷入局部极小值。为此，北京化工大学的毕立群25等将HNN与专家系统相结合进行换热网络设计。这种混合方法不仅可以发挥叩神经网络模型寻优速度快的优势，而且在专家系统的作用下，减小了叩神经网络对模型参数的依赖性，保证了全局最优解。对于较复杂的实际问，也能在合理的时间内得到结果，不会受到问规模的限制。
2换热网络的应用前景对于换热网络综合，大多数工作都是兼顾了这些目标公用工程负荷最少；冷却器换热面积最小；换热设备数最少。近些年来考虑些具体工程因素不同冷却器具有不同的适宜传热温差冷却器的材质及类型不同各冷却器的传热系数相差很大以及设备法更具有实用性。但对于些非定量目标，如换热。676.
网络的弹性却没有引起足够的重视。
换热网络的弹性是指在稳态或动态下的可操作性。在石油化工等现代过程工业中，生产条件经常在某范围内波动。为了保证正常高效的运转，换热网络的弹性要求是很重要的。目前，有人引人弹性指数作为换热网络柔性的测量126，用以找出现有网络的瓶颈即哪些冷却器的负荷或传热温差限制了网络的弹性指数或新网络的设计；1也有采用混合整数线性规划和非线性规划模型同网络柔性分析相结合的方法来处理流股流量人口温度有变化因此涉及个适合于大规模的弹性换热网络综合就显得很重要。
3结语由上可以看出，换热网络最优综合的方法已经相当成熟。近些年来出现的新方法都是越来越兼顾了定量和非定量目标，然后对其进行权衡，得到最优件即对于弹性换热网络综合的理论却不是很成熟。
因此更好的开发弹性换热网络综合方法对于化学工程以及石油化工具有很重要的意义。

更多详情请咨询：http://www.jslxyy.com/