[论文解读] MOF: A Modular Framework for Rapid Application of Optimization Methodologies to General Engineering Design Problems

Brian M. Andersen, Gregory Delipei+2 more|arXiv (Cornell University)|Apr 1, 2022

Nuclear reactor physics and engineering被引用 6

一句话总结

本文提出MOF，一个基于Python的模块化框架，可快速将优化算法——特别是遗传算法（GA）和模拟退火（SA）——应用于通用工程设计问题。MOF的面向对象架构使得新算法和设计问题的无缝集成成为可能，基准结果表明其在核反应堆堆芯装载模式和燃料晶格优化方面具有良好的优化效果。

ABSTRACT

A variety of optimization algorithms have been developed to solve engineering design problems in which the solution space is too large to manually determine the optimal solution. The Modular Optimization Framework (MOF) was developed to facilitate the development and application of these optimization algorithms. MOF is written in Python 3, and it used object-oriented programming to create a modular design that allows users to easily incorporate new optimization algorithms, methods, or engineering design problems into the framework. Additionally, a common input file allows users to easily specify design problems, update the optimization parameters, and perform comparisons between various optimization methods and algorithms. In the current MOF version, genetic algorithm (GA) and simulated annealing (SA) approaches are implemented. Applications in different nuclear engineering optimization problems are included as examples. The effectiveness of the GA and SA optimization algorithms within MOF are demonstrated through an unconstrained nuclear fuel assembly pin lattice optimization, a first cycle fuel loading constrained optimization of a three-loop pressurized water reactor (PWR), and a third cycle constrained optimization of a four-loop PWR. In all cases, the algorithms efficiently searched the solution spaces and found optimized solutions to the given problems that satisfied the imposed constraints. These results demonstrate the capabilities of the existing optimization tools within MOF, and they also provide a set of benchmark cases that can be used to evaluate the progress of future optimization methodologies with MOF.

研究动机与目标

• 开发一个灵活且可扩展的框架，以将优化方法应用于复杂的工程设计问题。
• 解决如反应堆堆芯装载和换热器设计等工程问题中大规模非线性解空间的挑战。
• 使研究人员和工程师能够快速原型设计并比较优化算法，而无需重写核心基础设施。
• 为评估核工程领域新型优化方法提供标准化的基准案例。
• 支持未来集成先进算法（如深度强化学习（DRL））用于组合优化。

提出的方法

• MOF使用Python 3实现，采用面向对象编程以支持模块化设计和可扩展性。
• 该框架使用统一的输入文件定义设计问题、优化参数和约束，实现轻松配置和比较。
• 优化算法（如GA和SA）作为插件模块实现，通过标准化接口与核心框架交互。
• 该框架将决策变量映射到解空间，并应用平移映射函数（TMF）以评估多个目标。
• 目标函数通过加权或约束公式聚合为单一标量值以供优化。
• 该框架支持有约束和无约束的优化问题，并内置了对物理和运行限制（如可溶硼、FΔH）的约束处理机制。

实验结果

研究问题

• RQ1 一个模块化、可扩展的框架是否能显著减少将新优化算法应用于工程设计问题所需的时间和精力？
• RQ2 GA和SA在解决具有复杂物理约束的大规模有约束核反应堆堆芯装载优化问题时表现如何？
• RQ3 MOF在不同工程应用中能否有效支持优化方法的一致性、可重复性基准测试？
• RQ4 MOF的架构能否有效支持新兴优化技术（如深度强化学习）的集成？
• RQ5 在复杂设计空间中，SA在解的质量和多轮运行的一致性方面与GA相比如何？

主要发现

• MOF成功实现了GA和SA在三个不同核工程优化问题中的应用，包括无约束燃料晶格和有约束堆芯装载模式的优化。
• 在首次循环三环压水堆优化中，GA和SA均生成了与工程经验一致的设计，满足所有约束条件，且在最大化循环长度方面表现相近。
• 在第三次循环四环压水堆优化中，GA持续产生可行解且目标值较高，而SA表现波动更大，其最佳结果比GA高出近20 EFPD。
• SA最差结果比GA最差结果低近30 EFPD，表明其对冷却参数选择（α）敏感，可能由于温度步长过小。
• 两种算法优化得到的装载模式均表现出预期的物理布局——烧结燃料位于堆芯中心和边缘——表明设计在物理上合理且可行。
• MOF的模块化设计实现了优化任务的快速配置与执行，展示了其作为未来算法开发和基准测试可重用平台的潜力。