引言
在核工程领域,核反应堆的堆内燃料管理 (ICFM) 构成一项复杂的多目标优化任务,其核心在于确定最佳装载模式 (LPs)。该任务在核反应堆的每个运行循环中执行,涉及新鲜燃料组件和辐照燃料组件的战略排列,以最大化燃料利用效率,同时改善运行安全裕度。自 20 世纪 70 年代初以来,启发式和元启发式优化技术已应用于燃料重载问题 (Hoshino, 1972)。在随后的几十年中,开发了越来越先进的元启发式算法,以解决各种反应堆配置下复杂的 ICFM 问题 (Kropaczek and Turinsky, 1991, Poon and Parks, 1993, Parks, 1996, De Chaine and Feltus, 1996, Do et al., 2006, Sacco et al., 2009, Mahmoudi et al., 2016, Tran et al., 2021, Li et al., 2022, Tran et al., 2022)。这些方法可分为基于邻域和基于种群的启发式方法。后者通常受生物启发,包括群体智能和进化算法 (Eiben and Smith, 2015a, Eiben and Smith, 2015b)。在进化算法中,遗传算法 (GA) 和差分进化 (DE) 是常用的元启发式算法,利用通过交叉、变异和选择算子模拟的自然进化过程 (Holland, 1975, Storn and Price, 1997)。
遗传算法 (GA) 最初由 Holland 于 1975 年提出,已成为解决复杂非线性优化挑战的基石。通过将后代视为独立智能体,GA 促进了搜索空间的多方向探索,而选择算子确保适者生存。GA 在 ICFM 问题上的应用由 Poon 和 Parks (1993) 以及 De Chaine 和 Feltus (1996) 开创,此后为反应堆堆芯设计进行了持续改进。与此同时,由 Storn 和 Price (1997) 引入的差分进化 (DE) 已成为工程优化的稳健替代方案,其特点是在无需大量控制参数的情况下,无论初始条件如何都能收敛到全局最优。这两种算法之间的根本分歧在于它们的进化序列:在 DE 中,变异是作用于整个种群的主要算子。与 GA 相比,这种机制促进了更优越的种群多样性和更广泛的空间探索。尽管具有这些内在优势,DE 在核工程领域仍相对未被充分利用,仅在 ICFM 中有少数最近的应用。涉及大叻核研究堆 (DNRR) 的初步研究实施了一种离散 DE 变体,并与 GA 进行了简要比较。在这些先前的评估中,利用轮盘选择、单点交叉和精英策略的 GA 配置,其收敛到全局最优的可能性低于 DE。然而,从适应度值来看,GA 在 50 次独立运行后获得的最佳解决方案优于 DE 获得的结果。因此,需要更严谨和全面的调查,以对这些元启发式提供最终评估。
由 K. De Jong (1975) 在遗传算法框架内开创的精英主义原则,构成了提高算法效率和加速收敛的基石机制。该策略涉及跨代保存顶级个体,确保高适应度解免受交叉和变异等随机算子的破坏性影响。通过这样做,精英主义促进了开发(精炼现有优越候选者)与探索(探测搜索空间中未探索的区域以识别全局最优)之间的重要平衡。虽然这在防止因随机性意外丢失最佳遗传特征方面至关重要,但该方法的效力与种群动态和问题景观的具体拓扑结构深深交织一起。精英压力的不平衡可能导致次优结果:例如,有限的种群规模可能因精英个体的过度影响而导致早熟收敛。相反,在过大的种群中,维持精英存档的战略优势可能会被稀释,从而阻碍整体搜索性能 (Eiben and Smith, 2015a, Eiben and Smith, 2015b)。
虽然 GA 依赖精英策略来抵消随机选择造成的最优候选者丢失,但 DE 通过其贪婪选择机制天然促进优越解决方案 (Costa and Oliveira, 2004, Do et al., 2014)。在 GA 中,精英策略对于稳定解质量和加速收敛是不可或缺的;相反,标准 DE 通过其独特的变异和选择过程维持非恶化适应度和种群多样性,而不需要显式的精英策略。尽管如此,将精英存档集成到 DE 中已成为提高专业优化任务收敛性的可行方法 (Subrat et al., 2018, Do, 2023)。然而,这种集成引入了权衡:增强的选择压力可能会无意中降低遗传多样性, potentially 使算法陷入局部最优或在多模态景观中导致过早停滞 (Gong and Cai, 2013, Noman and Iba, 2008)。因此,在 DE 框架中采用精英策略需要精确校准,以维持探索与开发之间的有效平衡。
最近,人工智能技术在反应堆堆芯优化中的应用迅速扩展。基于强化学习的方法已开发用于单目标和多目标压水堆堆芯重载优化,证明了在实用时间内发现高质量装载模式的能力,在某些情况下甚至超过了传统随机优化方法 (Seurin and Shirvan, 2026)。与此同时,代理模型辅助优化已应用于降低堆芯装载模式搜索的计算成本;例如,最近提出了一种混合遗传算法 - 粒子群优化框架,并结合机器学习代理模型,用于 ABR-1000 钠冷快堆的燃料装载模式优化 (Niloy, 2026)。这些进展将本项集成精英的 GA/DE 研究置于基于人工智能的堆内燃料管理优化的更广泛且快速演变的格局中。
在本工作中,将精英策略整合到 GA 和 DE 框架中,以解决 DNRR 的 ICFM 问题。优化涉及 100 个具有不同燃耗水平的燃料束的战略排列,旨在最大化燃料利用效率,同时严格遵守安全约束。通过 ICFM 提高燃料利用效率将为解决 DNRR 最近的燃料短缺问题提供一种视角解决方案。这些增强精英的元启发式性能与其标准对应版本(无精英)进行了评估,并相互比较。部署了全面的统计分析,以提供从每种方法获得的结果的稳健比较。此外,本研究报告了所提出算法识别出的最佳 LPs 与参考堆芯配置的评估对比。
Giang T.T. Phan|Minh Duy Nguyen|Hoai-Nam Tran|Quang Binh Do