設計ウィンドウ評価・表示システムの開発(II); 遺伝的アルゴリズムの基本性能の確認

Development of design window evaluation and display system (II); confermations of the basic performance of genetic algorism

村上 諭*; 村松 壽晴

Murakami, Satoshi*; Muramatsu, Toshiharu

実用化戦略調査研究の一環として、徹底したシステムの簡素化・コンパクト化を採用した高速炉が検討されている。しかしながら、こうした革新的設計の採用により原子炉容器上部プレナム内では、冷却材流速の高速化や流況の非対称化(偏流)が顕在化するため、熱流動設計においては自由液面からのガス巻込みや炉内構造物の流力振動、さらには熱過渡による構造物の健全性について十分な注意を払う必要がある。このように原子炉設計では、多くの熱流動課題が複雑に関速しあうことから、効率的な設計を行うためには、熱流動課題相互の関連性を認識した上での多目的意思決定を行うことが不可欠となる。本報では、多目的意思決定処理を行わせるための1手法である遺伝的アルゴリズム(Genetic Algorithm)を典型的な単一目的問題に適用し、その基本性能を確認した。得られた結果は次の通りである。(1)単峯性最適化問題においてGAが十分な解探索精度を有することが分かった。(2)GAは連続性や微分可能性が保証されない関数に対しても適用可能である。(3)GAを組合せ最適化問題に適用する場合には、最大世代数を大きく設定するよりも、初期値を変更してGAの実行回数を増やす方が効率的に解の探索が進められる。(4)GAを多峯性連続量分布の最適化問題に適用する場合には、1)突然変異を積極的に活用することで大域探索能力の促進を図ること、2)優良個体の存命策としてエリート戦略を採用すること、の2点を同時に利用することで解探索精度が向上する。

A large-scale sodium-cooled fast breeder reactor in feasibility studies on commercialized fast reactors which has a tendency of cosideration of thorough simplified and compacted system is being investigated, however special attention should be paid to thermohydraulic designs for a gas entrainment behavior from free surfaces, a flow-induced vibration of in-vessel components, a thermal shock for various structures due to to high-speed coolant flows, nonsymmetrical coolant flows, etc. in the reactor vessel. As thus a lot of thermal-hydraulic issues relate to each other complicatedly on the reactor designs, multiple-criteria decision-making on the understanding of relationship among thermal-hydraulic issues is indispensable to design the reactor efficiently. Genetic Algorithm (GA),which is one of the methods, for multjple-criteria decision-making, was applied to the typical simPle objective optimization problems and then was confirmed its basic performance. From the Analyses, the following results have been obtained: (1)In the unimodal optimization problem, it was confirmed that GA is capable of sufficient searching ability. (2)It was confirmed that GA can be also applied to the discrete optimization problems. (3)In the case of applying GA to the combinational optimization problem, the searching efficiency is improved better by increasing the number of experiment times than the maximum of generation. (4)In the case of applying GA to the multimodal optimization problem, the searching ability is improved by using the two genetic operators (i.e., the mutation, and the elite strategy)at the same time.