基于改進粒子群算法的紅外燈陣自動優化設計

張筱嫻，林士峰，張 旭，林寶軍,2,3,4，蔣桂忠

（1. 中國科學院 微小衛星創新研究院； 2. 上海科技大學 信息學院：上海 201210；3. 中國科學院 空天信息創新研究院； 4. 中國科學院大學 計算機科學與技術學院：北京 100094）

0 引言

紅外燈是常用的航天器外熱流模擬裝置，因其使用靈活，對航天器表面遮擋較小，且能夠重復使用，被廣泛應用于航天器真空熱試驗中。對于紅外燈陣的優化設計，國外航天機構的相關研究工作較早就有報道：1986 年，Sanger研究了一種新型的紅外燈，并計算得到其較精確的熱流分布；1994 年，Turner 等采用蒙特卡羅方法計算紅外燈的熱流分布，并以此作為紅外燈陣優化的基礎；2004 年，Ziemke使用有限元法分析了紅外燈的熱流分布并優化燈陣設計。

國內這方面的研究起步較晚：2010 年之前，主要采用試驗方法測試紅外燈陣熱流的不均勻度；2010 年，張坤等對帶拋物面型反射器的紅外燈泡進行了輻射仿真分析；2010 年—2011 年，北京衛星環境工程研究所對管狀紅外燈進行了單燈熱流仿真，并使用遺傳算法優化了燈陣設計，此后又提出曲面紅外燈陣熱流仿真方法，結合遺傳算法和復合形算法進行燈陣優化設計，并在單燈熱流仿真的基礎上分析影響燈陣熱流均勻度的參數，以指導燈陣的優化設計；2012 年之后，國內對提高紅外燈陣熱流均勻度的研究較少，鮮有的研究僅基于實驗和數據擬合，誤差較大，通用性也有限。

單純使用數學計算方法對已有的紅外燈陣進行優化設計，需要輸入初始的陣列參數，且遺傳算法雖然擅長找到全局最優解，但收斂較慢、運行時間長，在實際工程應用上不具優勢。目前國內各大科研院所在進行航天器熱試驗時，仍以傳統的燈陣設計手段為主，即先根據經驗設計燈陣的間距和高度，再根據測得的熱流均勻度來調整燈陣布局，不僅費時費力，且熱流均勻度較差，影響真空熱試驗結果的準確性，進而影響航天器的熱設計效率。

為能快速地針對不同尺寸的衛星散熱面設計出適用的燈陣布局，本文提出一種基于改進粒子群算法的紅外燈陣自動優化設計方法，結合工程經驗對優化參數進行約束，以求在提高收斂速度的同時能較準確地獲得全局最優解，更加適用于紅外燈陣優化設計的工程應用。

紅外燈陣自動優化設計的基礎是較為準確地計算掌握紅外燈陣的熱流分布，由于各類商業熱分析軟件難以分析燈管對燈絲不同波段能量的折射、反射等情況，所以當前設計中普遍采用蒙特卡羅法計算紅外燈的輻射熱流。蒙特卡羅法通過追蹤光線軌跡來獲得熱流分布，能夠有效解決復雜的熱流計算問題，但獲得精確結果的代價是較長的計算時間。為了簡化計算，通常先計算不同安裝高度的單燈熱流分布，獲得紅外單燈熱流分布數據庫，然后忽略各個紅外燈之間的互相影響，通過坐標變換、疊加網格熱流來計算紅外燈陣的熱流分布。

以國內常用的飛利浦13169X/98 型號紅外燈為例，燈絲為鎢絲，發射率接近1，繞制成單螺旋圓柱體樣式，可等效為一個圓柱體。由于紅外燈的燈管是封閉體，燈絲發出的能量一部分被燈管吸收，一部分由燈管透射出去，其余經反射等過程最終被燈管吸收或透射。

燈管的材質為石英玻璃，對波長0.2～4.0 μm的粒子只透射或反射，對此波段外的粒子只吸收或反射，即有3.8 μm 寬的透射譜帶。代表能量的粒子在燈管上的反射/透射/吸收與粒子的波長和入射方向均有關。光譜反射率的計算方法可表示為

1 紅外燈陣熱流分布計算

1.1 單燈熱流分布

式(1)和式(2)中：()和()分別為反射率的法向分量和平行分量；為粒子的入射角；和分別為石英玻璃的折射率和吸收系數，可查表得到。

燈管吸收部分燈絲的能量后溫度升高，成為不可忽略的二次輻射源，可視其為灰體，發射率取0.94。疊加由燈絲和燈管發出的輻射熱流，可以計算出被照平面上的熱流分布，求解流程如圖1 所示。

圖1 單燈熱流分布求解流程Fig. 1 Solution process for calculating heat flux distributions for a single lamp

根據工程經驗，紅外燈的安裝高度通常在0.3～0.6 m 之間，故本文計算此安裝高度區間內的紅外單燈的熱流分布，計算間隔為0.1 m，和方向分別垂直和平行于紅外燈的軸線方向，為燈的安裝高度，圖2 給出部分安裝高度的單燈熱流分布。

圖2 不同安裝高度的單燈熱流分布Fig. 2 Heat flux distributions for a single lamp at different installation heights

圖3 為某衛星熱試驗用紅外燈陣。燈陣平行于衛星散熱面排布，同一平面的紅外燈可安裝在相同或不同高度，為了提高熱流均勻性，一般在燈陣的周圍加設反光板。計算燈陣熱流時需考慮多個紅外燈直射熱流與四周反光板反射熱流的疊加。

圖3 某衛星熱試驗用紅外燈陣Fig. 3 The infrared lamp array for a satellite’s thermal test

如圖4 所示，被照面上的每一個網格點，不僅接收來自每只紅外燈的直接輻射熱流，還接收來自每塊反射板對每只燈的反射熱流。因此，被照面上任一網格點的熱流計算式為

1.2 燈陣熱流分布

式中：為網格點的總熱流；和分別為紅外燈的直接熱流和反射熱流；為紅外燈的總數量；為反光板的總數量。為簡化示意，圖4 只展示了1 塊反光板的反射熱流和4 只紅外燈的直接熱流，其中反光板對紅外燈的反射可視為鏡面反射。

圖4 被照面熱流示意Fig. 4 The heat flux on the illuminated surface

工程上通常使用熱流不均勻度來衡量被照面紅外燈陣的熱流分布均勻性，其計算公式為

其中，和分別為紅外燈陣在被照面的最大和最小熱流密度。

1.3 計算結果驗證

1）單燈熱流計算驗證

計算輸入功率為71 W、紅外燈高度為0.3 m 條件下的單燈熱流分布，計算結果由燈絲熱流和燈管熱流疊加而得。由于燈管的熱流計算不涉及石英玻璃的光譜特性，使用商業軟件同樣能夠得到較為精確的結果，所以將本文程序計算得到的燈管輻射熱流與商業軟件仿真得到的結果進行比對驗證，如圖5 所示，可以看出兩者一致性良好，證明本文計算方法基本無誤。

圖5 單燈燈管熱流的本文計算結果與商業軟件仿真結果對比Fig. 5 Comparison of the heat flux for a single lamp tube between the calculation results obtained with this paper’s method and the simulation results obtained with commercial software

以本文程序計算方法，采用文獻[2]中的紅外燈參數，計算輸入功率1032 W、安裝高度0.152 4 m條件下的單燈熱流分布；并與文獻[2]的計算和實測結果進行比對驗證，如圖6 所示，可以看出，本文方法與文獻[2]的數據在中心區域一致性良好，證明本文計算方法基本無誤。

圖6 單燈熱流的本文計算結果與文獻數據對比Fig. 6 Comparison of the heat flux for a single lamp between the calculation results obtained with this paper’s method and the reference data

2）燈陣計算驗證

為了驗證本文燈陣熱流分布計算的正確性，借用文獻[7]中的燈陣尺寸進行計算，并與文獻[7]的燈陣熱流數據進行比對驗證。燈陣為7 行×6 列均勻分布，每只燈安裝高度均為0.45 m，本文計算所得燈陣熱流分布如圖7 所示，不均勻度為23.68%，與文獻[7]中的24.61%高度符合，且數值范圍基本一致，證明了本文采用簡化方法計算燈陣熱流分布是可行的。

圖7 本文的紅外燈陣熱流分布計算結果Fig. 7 Calculated heat flux for lamp array on the work-plane

2 紅外燈陣自動優化設計

紅外燈陣的優化是個多參數優化問題，參數均連續變化且為實數，本文針對此特點引入粒子群算法進行優化計算。相比于遺傳算法，粒子群算法具有記憶性，在搜索過程中僅跟隨當前最優解，計算不需要編碼，也沒有交叉和變異操作，只通過內部速度進行更新，因此原理更簡單、參數更少，多數情況下收斂速度更快，適用于實數問題求解。

2.1 粒子群算法

粒子群算法，又稱粒子群優化算法（PSO），是通過模擬鳥群覓食行為而發展起來的一種基于群體協作的隨機搜索算法。假設搜索空間是維，群體中有個粒子，則群體中第個粒子在維搜索空間的位置為X，X=(x,x,…,x)，=1, 2,…,。X經過的最佳位置為=(P, P,…,P)，=1, 2,…,。粒子的每個位置代表要求的一個潛在解，代入目標函數即可得到它的適應度值，用于評價粒子的“優”“劣”。整個群體的最佳位置為=(P,P,…,P)，是最優粒子位置的索引。粒子飛行速度與位置的關系可表示為

從式(5)和式(6)可以看出，粒子群算法是一種非常簡便的優化算法，單次計算需要調整的參數個數少，各粒子“自我學習”的同時“相互學習”，計算速度非常快。

2.2 改進的粒子群算法

1）優化參數的確定

紅外燈陣的熱流分布其實是每只燈輻射熱流在空間上的疊加結果，因此，實質上影響紅外燈陣熱流分布均勻度的是各燈在、方向的間距以及向的高度。傳統方法直接使用各紅外燈的位置而不是間距作為優化參數，算法每次更新迭代時，一旦燈的位置改變，燈陣間距參數也會發生改變，而且這種改變的影響因素有2 個，因此產生了很多計算冗余。

本文直接使用兩燈間距作為優化參數，能夠減少這種計算冗余，加速優化。相鄰兩只燈向的間距為（、、…），向的間距為（、、…），每只燈距被照面的高度為（、、…）。為簡化計算，將燈陣分為4 個象限，不同象限的燈陣位置對軸、軸對稱，以減少待優化的參數總數。

選取右上角1/4 燈陣的高度參數為優化參數。當燈陣的行數或列數為偶數時，選取的1/4 燈陣的行數為/2、列數為/2；當燈陣的行數或列數為奇數時，選取的1/4 燈陣的行數為(+1)/2、列數為(+1)/2。以4 行×4 列的燈陣和3 行×3 列的燈陣為例，如圖8 和圖9 所示。

圖8 4 行×4 列燈陣的1/4 燈陣選取示意Fig. 8 A quarter selection of the 4×4 lamp array

圖9 3 行×3 列燈陣的1/4 燈陣選取示意Fig. 9 A quarter selection of the 3×3 lamp array

對于燈陣的間距參數，采取同樣的方法選取右上角1/4 的燈陣間距參數作為優化參數。當燈陣的行數為、列數為時，有-1 個行間距參數、-1 個列間距參數，因此，當燈陣的行數或列數為偶數時，則選取的1/4 燈陣間距參數矩陣的行數為/2、列數為/2；當燈陣的行數或列數為奇數時，則選取的1/4 燈陣間距參數矩陣的行數為(-1)/2、列數為(-1)/2。

2）優化參數間的約束

優化計算時，根據工程經驗，遵從燈陣間距由中心至外圍逐漸減小、燈陣安裝高度由中心至外圍逐漸降低的原則約束優化參數，以加快收斂速度。以6 行×6 列的燈陣為例，選取的間距參數矩陣為3×3，選取的高度參數矩陣為3×3，向的間距由左至右分別為Δ、Δ、Δ，向的間距由下至上分別為Δ、Δ、Δ，高度參數矩陣如圖10 所示。

圖10 6 行×6 列燈陣優化計算時選取的高度參數矩陣Fig. 10 Altitude parameter matrix selected for the optimization of 6×6 lamp array

則有

由于隨機迭代過程中各參數之間存在約束關系，能夠很大程度上減少計算量，提高迭代速度，且能減弱陷入局部最優的傾向。

2.3 方法步驟

為縮短計算收斂時間，做以下處理：

1）由工程經驗，、向間距一般在0.3～0.5 m之間，高度一般在0.3～0.6 m 之間；

2）每行燈的坐標相同、每列燈的坐標相同；

3）、向的優化步長為5 mm，向的優化步長為10 mm；

4）對于迭代過程中出現越界的參數，使用圖11所示的方式處理。

圖11 優化參數的越界處理Fig. 11 Handling of overrange parameters in the optimization process

針對典型的矩形航天器散熱面，紅外燈陣自動優化設計的基本思路為：

1）使用蒙特卡羅法計算高度在0.3～0.6 m之間、固定輸入電流下的單燈輻射熱流分布，計算步長為0.1 m，得到紅外燈單燈熱流分布數據庫。

2）基于工程經驗設定燈陣向、向的初始間距和向的初始高度，根據散熱面的長與寬計算燈陣的初始行數與列數，并計算燈陣的初始熱流不均勻度。

3）劃分象限，選取待優化的參數。

4）采用粒子群算法對行×列紅外燈陣進行優化，目標函數為燈陣的熱流不均勻度(Δ,…,Δ,…,,…)。

5）在設定的最大循環次數之內，當小于目標值（通常為10%）時停止迭代；當循環次數超出且仍未達到目標值時，將燈陣的行數或列數增加1，重復步驟2）～5），直至小于目標值。

6）輸出紅外燈陣設計參數。

3 結果分析

3.1 改進效果

為了顯示本文的改進策略對紅外燈陣優化速度的促進，以2.1 m×2.0 m 的衛星散熱面為例，指定燈陣為7 行×6 列，分別使用遺傳算法、粒子群算法和改進的粒子群算法進行燈陣的優化設計，圖12為各算法的計算速度對比。

圖12 各算法的計算速度對比Fig. 12 Comparison of calculation speed among different methods

從圖12 中可以看出：使用遺傳算法優化燈陣，熱流不均勻度降至10%以下耗時75.8 min，計算305.4 min 后的最終熱流不均勻度為6.75%；使用粒子群算法進行優化，熱流不均勻度降至10%以下耗時56 min，比遺傳算法用時縮減26.1%，但計算100 min 后的最終熱流不均勻度穩定在9.88%，無法繼續下降；使用改進的粒子群算法進行優化，計算僅8 min 后熱流不均勻度即降至9.25%，比遺傳算法用時縮減89.4%，且計算55 min 后的最終熱流不均勻度為7.52%。可見與遺傳算法相比，改進的粒子群算法的優化總時長可縮減82%，雖然最終優化結果相對差了0.77%，但加速效果顯著，更貼合實際工程應用的要求。

為更全面評估改進的粒子群算法的優勢，將其優化結果與傳統粒子群算法的優化結果進行對比，并將二者坐標范圍設為一致以便于比較，如圖13所示。圖中可明顯看出算法改進后的優化燈陣熱流分布更加均勻，而算法改進前優化結果中燈陣的邊緣熱流密度往往較大。

圖13 粒子群算法改進前后的計算結果對比Fig. 13 Comparison of calculation results before and after improvement of PSO

3.2 矩形散熱面紅外燈陣優化實例

對2.1 m×2.0 m 的矩形散熱面進行紅外燈陣自動優化設計，將熱流不均勻度的目標值設為8%。自動計算的初始燈陣為6 行×6 列，迭代計算150 次后的熱流不均勻度為12.05%；因其未達到目標值，程序自動將燈陣行數增加1 行，再對7 行×6 列的紅外燈陣進行優化，熱流不均勻度為7.52%時計算完成。同理，對1 m×1 m 的散熱面進行燈陣優化設計，設計所得的燈陣為4 行×4 列，熱流不均勻度為6.8%。上述燈陣的位置參數和熱流分布如圖14～圖17 所示。

圖14 7 行×6 列燈陣位置參數Fig. 14 Optimized result of position parameters of 7×6 lamp array

圖15 7 行×6 列燈陣熱流分布Fig. 15 Optimized result of heat flux distributions for 7×6 lamp array

圖17 4 行×4 列燈陣熱流分布Fig. 17 Optimized result of heat flux distributions for 4×4 lamp array

4 結束語

本文基于粒子群算法建立了紅外燈陣自動優化設計的方法，不需要預設燈陣的初始參數，即可自動為不同尺寸的矩形散熱面設計出符合熱流均勻度要求的紅外燈陣，直接供工程使用。為提高優化設計效率，對粒子群算法做了針對性的改進：使用兩燈間距作為優化參數，減少計算冗余；遵從燈陣間距由中心至外圍逐漸減小、燈陣安裝高度由中心至外圍逐漸降低的原則約束優化參數，以加快收斂速度，減弱陷入局部最優的傾向。

改進的粒子群算法與傳統遺傳算法的計算對比結果證明本文改進策略能有效加快優化速度，且方法簡便，可降低采用紅外燈陣進行熱真空試驗的時間成本，對衛星批量化生產具有一定實用價值。