摘 "要： 針對新風系統(tǒng)運行優(yōu)化以降低室內甲醛濃度和減少能耗損失的問題，提出一種基于改進非支配排序遺傳算法（NSGA?Ⅱ）的新風系統(tǒng)多目標優(yōu)化控制策略。首先，采用計算流體力學（CFD）技術構建室內模型并仿真，分析室內甲醛濃度隨新風系統(tǒng)送風速度及送風時間的變化趨勢，并得到優(yōu)化模型；然后，引入佳點集方法和正態(tài)分布交叉算子對NSGA?Ⅱ算法進行改進，并通過測試函數(shù)驗證改進算法的有效性；最后，使用改進NSGA?Ⅱ算法求解新風系統(tǒng)控制策略優(yōu)化問題的帕累托前沿，并從中選取4種方案進行分析驗證。實驗結果表明：改進算法可以有效地求解帕累托前沿，且其求解效率和速度優(yōu)于原算法，該研究能夠幫助決策者選擇更多的優(yōu)化策略，對新風系統(tǒng)的運行控制具有一定的參考價值。

關鍵詞： CFD； 甲醛濃度； 新風系統(tǒng)； 改進NSGA?Ⅱ； 帕累托前沿； 多目標優(yōu)化

中圖分類號： TN876.3?34； TP18 " " " " " " " " " " "文獻標識碼： A " " " " " " " " "文章編號： 1004?373X（2024）15?0169?09

Research on fresh air system multi?objective optimal control strategy

based on improved NSGA?Ⅱ

LIU Wei1， ZHENG Huanqi2， 3， ZHOU Yucheng2

（1. School of Information and Electrical Engineering， Shandong Jianzhu University， Jinan 250101， China;

2. School of Architecture and Urban Planning， Shandong Jianzhu University， Jinan 250101， China;

3. National Center of Quality Inspection and Test for Decoration Materials， Jinan 250102， China）

Abstract： In order to optimize the operation of fresh air system to reduce indoor formaldehyde concentration and energy consumption loss， a fresh air system multi?objective optimal control strategy based on improved non?dominated sorting genetic algorithm （NSGA?Ⅱ） is proposed. The computational fluid dynamics （CFD） technology is used to build an indoor model and simulate it. The indoor formaldehyde concentration′ changing trend with the air supply speed and time of fresh air system is analyzed to obtain the optimized model. And then， the good?point set method and normal distribution crossover （NDX） operator are introduced to improve the NSGA?Ⅱ algorithm， and the effectiveness of the improved algorithm is verified by test functions. The improved NSGA?Ⅱ algorithm is used to solve the Pareto frontier of the control strategy optimization of the fresh air system， and four schemes are selected for analysis and verification. The experimental results show that the improved algorithm can solve Pareto frontier effectively， and its solving efficiency and speed are better than those of the original algorithm. This research can help decision makers choose more optimization strategies， so it has a certain reference value for the operation control of fresh air system.

Keyword： CFD; formaldehyde concentration; fresh air system; improved NSGA?Ⅱ; Pareto frontier; multi?objective optimization

0 "引 "言

人造板及其制品的使用是建筑物室內甲醛污染的重要來源之一[1]。甲醛作為一種具有刺激性氣味且較高毒性的物質，己經(jīng)被世界衛(wèi)生組織確定為Ⅰ類致癌物質[2]，并且甲醛釋放的周期較長，一般長達3～15年，長時間影響室內空氣質量[3]。因此，降低室內甲醛濃度成為保護人體健康和改善室內空氣質量的關鍵。新風系統(tǒng)在綠色建筑中扮演著至關重要的角色，因為它不僅可以實現(xiàn)室內空氣的清新和流通，還能降低室內有害物質甲醛的濃度[4]。在此背景下，如何優(yōu)化新風系統(tǒng)的控制，使其在保證室內環(huán)境質量的同時，盡可能地降低能耗和減少排放，成為了一個值得探究的問題。

在針對建筑新風系統(tǒng)能耗優(yōu)化控制問題的研究中，國內外學者提出了不同的優(yōu)化策略。文獻[5]從多個角度探索新風系統(tǒng)創(chuàng)造的氣流組織的優(yōu)缺點，并對新風系統(tǒng)的能耗進行了模擬分析，在綜合考慮空氣質量和能耗的情況下給出了新風系統(tǒng)運行策略。文獻[6]通過對室內污染物濃度和新風系統(tǒng)能耗之間的動態(tài)優(yōu)化問題進行研究后，發(fā)現(xiàn)計算每個時刻的最佳通風率，可以最大限度地降低總能耗，同時確保室內污染物濃度在可接受范圍內。文獻[7]采用GenOpt優(yōu)化工具進行多目標研究，在室內空氣品質和新風系統(tǒng)能耗之間尋求平衡，研究了住宅建筑的最佳新風量，為住宅建筑新風系統(tǒng)的設計提供了有益的指導。而在現(xiàn)有學者提出的控制策略研究中，大多是依靠主觀分析或GenOpt優(yōu)化等工具，這類方法缺乏靈活性和適應性。針對此問題，遺傳算法常用于解決多目標優(yōu)化問題，文獻[8]采用多目標遺傳算法（MOGA）對建筑能耗和熱舒適性進行模型優(yōu)化，來尋找建筑圍欄結構的最優(yōu)設計方案。文獻[9]采用非支配排序遺傳算法（NSGA?Ⅱ）對某典型高層住宅建筑的經(jīng)濟成本和能耗進行優(yōu)化研究，通過對建筑圍護結構性能等指標優(yōu)化，得到目標函數(shù)下的帕累托解集，并運用加權和決策方法從解集中找到兼顧經(jīng)濟成本和能耗的最優(yōu)解。

綜上所述，多目標遺傳算法已應用于建筑能耗多目標優(yōu)化中。而對于降低室內甲醛濃度和減少能耗這類雙目標優(yōu)化問題，很難找到唯一最優(yōu)解使得兩個目標都達到最優(yōu)，所以應盡可能找到所有的最優(yōu)解，并從最優(yōu)解集中選出一個解，能夠使得這兩個目標都盡可能達到最優(yōu)。

因此，本文基于改進NSGA?Ⅱ算法，針對新風系統(tǒng)降低甲醛和減少能耗的優(yōu)化問題，以新風系統(tǒng)送風速度和送風時間為控制變量，提出了一種多目標優(yōu)化控制策略。本文的意義在于優(yōu)化新風系統(tǒng)的控制，以提高室內環(huán)境質量和減少能源消耗。該研究方法可為其他多目標問題提供借鑒，并且該策略也可以用于其他系統(tǒng)的優(yōu)化。

1 "模型建立

1.1 "幾何模型

選取某裝配新風系統(tǒng)的臥室作為研究對象，采用Geometry建立幾何模型，房間內各部分尺寸如表1所示。桌和衣柜表面區(qū)域設置為房間內主要的甲醛釋放源，通風方式采用異側上送下回式通風。物理模型建立完成后，采用Mesh進行網(wǎng)格劃分。由于網(wǎng)格劃分的質量會大大地影響計算的準確性，因此應充分考慮并優(yōu)化網(wǎng)格的質量，以保證精確性和可靠性[10]。本文網(wǎng)格類型采用六面體結構，并將家具的接觸面等甲醛釋放區(qū)域進行局部加密操作，以提高后期運算結果的精確度。模型中每一個實體都會進行網(wǎng)格劃分，為減少模型運算時間，提升運算速度，將床、桌和衣柜等不參與計算的區(qū)域進行實體抑制處理。房間通風幾何模型如圖1所示。

1.2 "模型條件設置

1.2.1 "氣體流動模型

室內空氣和甲醛的擴散行為均視為不可壓縮理想氣體流動，并且其流動受質量守恒、動量守恒和能量守恒三個定律控制[11]。室內通風流場的混合氣體主要包括空氣和甲醛，且氣體的流動狀態(tài)屬于湍流運動，因此選用組分傳輸模型和標準[K?e]紊流模型對室內的甲醛濃度進行三維模擬。一般流體通用的控制方程如式（1）所示：

[?ρc?t+divρvc=divΓgradc+S] （1）

式中：[ρ]為流體密度；[c]為待求物理量，如溫度、濃度等；[v]為流體速度；[Γ]為[c]的擴散系數(shù)；[S]為源項。

1.2.2 "條件假設

1） 混合氣體材料為空氣和甲醛，滿足Boussinesq假設。

2） 考慮重力對結果的影響，重力加速度的大小為9.81 m/s2。

3） 忽略房間所受的熱輻射和熱傳導影響，房間墻壁設置為絕熱區(qū)域。

4） 忽略房間墻壁、門和窗對甲醛的吸附。

5） 設定房間內門和窗處于關閉狀態(tài)，忽略門窗的空氣滲透，僅考慮新風系統(tǒng)送風口和排風口進行通風。

6） 送風口設置為速度入口，速度大小分別是0.5 m/s、1 m/s、1.5 m/s、2 m/s，送風溫度考慮新風系統(tǒng)的熱交換和電輔熱效率，設置為295 K。

7） 門設置為自由出口，流速加權為1。

8） 桌和衣柜作為甲醛釋放源，設置為質量入口，質量速率為7.2×10-11 kg/s，摩爾組分參數(shù)為1.57×10-7。

9） 房間內初始溫度為295 K，初始甲醛濃度設置為0.12 mg/m3。

1.3 "模擬結果分析

通過設置不同的新風系統(tǒng)送風速度，模擬分析室內速度場和甲醛濃度的分布情況。由于房間內床的高度為0.6 m，則推斷人躺在床上休息時呼吸的高度約為0.85 m，因此，取[Z]=0.85 m截面進行結果分析。在送風時間[T]=500 s時，對不同送風速度下模擬計算的截面處速度場和甲醛濃度分布如圖2所示。

由圖2可知，隨著新風系統(tǒng)送風速度的增加，截面處大部分區(qū)域的風速也增大，進而使得房間內氣流分層的現(xiàn)象更明顯。通過對甲醛質量分數(shù)顏色表和分布云圖分析可知，在截面處風速較大的區(qū)域甲醛濃度會更低，其中左下方和右上方分別是桌和衣柜等甲醛釋放源的放置區(qū)，因此該處的甲醛濃度更高并分層更明顯。送風速度[v=0.5] m/s時，經(jīng)過500 s，甲醛的整體濃度較高。隨著送風速度的增加，甲醛的整體濃度逐漸降低，當[v=]2 m/s時，甲醛的整體濃度值明顯減小。為更直觀地分析甲醛濃度隨送風速度的變化趨勢，計算不同送風速度下截面處的甲醛質量分數(shù)平均值，計算結果如表2和圖3所示。

由計算結果可知，隨著送風速度的增加，室內甲醛的凈化效果越好，同一送風速度下送風時間越長甲醛凈化效果也越好。但隨著送風時間的增加，甲醛的凈化能力會逐漸變弱，最終會趨于穩(wěn)定。雖然送風速度越大，送風時間越長，室內的甲醛凈化效果更好，但長時間運行也會造成新風系統(tǒng)能耗增大。因此，如何選擇適當?shù)乃惋L速度和時間，以滿足室內甲醛凈化要求的同時盡可能減少能源消耗，是一個重要的研究方向。

1.4 "優(yōu)化模型建立

由1.3節(jié)分析可知，甲醛濃度受室內新風系統(tǒng)送風速度和送風時間的影響，為直觀地描述兩者之間的關系，通過仿真數(shù)據(jù)進行模型構建，其中甲醛濃度以房間整體的平均濃度為指標。

首先，對數(shù)據(jù)進行初步處理，去除異常值和無效數(shù)據(jù)；其次，根據(jù)數(shù)據(jù)構建甲醛濃度對送風速度和送風時間的多項式回歸模型。

[Fv，t=a1+a2v+a3t+a4v2+a5vt+a6t2+…+akvn-2t2+…+an+1tn] （2）

然后，通過已知數(shù)據(jù)選取不同的變量或特征工程改變其階數(shù)和擬合效果，在保證模型高準確性的情況下得出回歸模型的參數(shù)[a]。

最后，采用所構建的多項式回歸模型進行預測，并對比模型預測結果和仿真實驗數(shù)據(jù)，以驗證模型的有效性和可靠性。經(jīng)過多次實驗分析，最終得出甲醛濃度[F（v，t）]對送風速度[v]和送風時間[t]的回歸方程為四次多項式模型。

新風系統(tǒng)能耗主要考慮兩個方面，分別是通風能耗和加熱能耗。通風能耗是指在新風系統(tǒng)開啟過程中，由于送風速度和送風時間的增加會加大空氣的動能，進而需要消耗更多的能量驅動風機運行；加熱能耗是指送風過程中新風系統(tǒng)加熱設備對空氣進行加熱到指定溫度所消耗的能量。綜合考慮可得新風系統(tǒng)能耗[P（v，t）]對送風速度[v]和送風時間[t]的關系如式（3）所示：

[Pv，t=12m1v2η+1 000Cm2T1-T2m1=ρ1Atvm2=ρ2Atv] （3）

式（3）中新風系統(tǒng)能耗的參數(shù)設置如表3所示。

2 "改進NSGA?Ⅱ算法

單目標優(yōu)化的情況下，可以通過目標函數(shù)比較任意兩解的優(yōu)劣，不存在具有爭議的最優(yōu)解。在多目標優(yōu)化的情形下，需要同時達到多個目標，而這多個目標間可能存在矛盾，即一個目標的優(yōu)化會引起其他目標出現(xiàn)劣化。因此在多目標優(yōu)化問題中，不存在一個單獨解能夠同時優(yōu)化多個目標函數(shù)，其最優(yōu)解通常是一個解集。針對多目標優(yōu)化的問題，通常采用帕累托（Pareto）最優(yōu)解進行處理[12]。

2.1 "Pareto最優(yōu)解

對于求多目標最小值的優(yōu)化問題，一般可以寫成以下公式：

[fx=minf1x，f2x，…，fnx] （4）

式中：[n]為所求目標函數(shù)的數(shù)目；[x]為[n]維決策變量；[fnx]為連續(xù)可導的目標函數(shù)。

在可行域中給定解[X1]和[X2]，對于任意的[N∈1，2，…，n]，[fNX1≤fNX2]成立，則稱[X1]支配[X2]。設[Xa]是可行域范圍內的一個解，若在可行域范圍內不存在解[X]，對于任意的[N∈1，2，…，n]，均滿足[fNX≤fNXa]，即至少存在一個[i∈1，2，…，n]，使得[fiX≥fiXa]，則[Xa]為該多目標優(yōu)化問題的非支配解，也稱為Pareto最優(yōu)解。圖4是雙目標優(yōu)化問題下的解集示意圖。在圖4中，Pareto等級1的解就是該優(yōu)化問題下的Pareto最優(yōu)解集，其最優(yōu)解集對應的目標函數(shù)值的集合稱為Pareto最優(yōu)前沿。

2.2 "NSGA?Ⅱ算法改進

NSGA?Ⅱ（Non?dominated Sorting Genetic Algorithm Ⅱ）算法是基于遺傳進化思想和Pareto最優(yōu)的多目標優(yōu)化算法，由文獻[13]對原有的NSGA算法進行改進得出，提高了NSGA算法的運算效率和精度。NSGA?Ⅱ算法采用快速非支配排序法對種群個體的優(yōu)劣性進行評估，有效地減少了計算的復雜度。使用擁擠度距離評價同一非支配等級下個體的優(yōu)劣，提高了種群個體分布的均勻性，進而保障了種群的多樣性。增加精英保留策略以擴充采樣空間，提高了優(yōu)秀個體的存在率和計算結果的準確率。NSGA?Ⅱ算法在近些年來應用在不同領域的多目標優(yōu)化問題上，取得了較好的效果，現(xiàn)已成為解決多目標優(yōu)化問題的一大經(jīng)典算法[14]。但NSGA?Ⅱ算法在初始化種群時采取隨機生成的方式，會造成種群分布不均衡，不僅降低了算法的收斂速度，還會影響最優(yōu)解的準確性。且NSGA?Ⅱ算法在生成新子代種群時選用模擬二進制交叉（Simulated Binary Crossover， SBX）算子，傳統(tǒng)的SBX交叉算子受限于其搜索范圍，易陷入局部最優(yōu)，導致算法全局搜索效率下降。因此，本研究引入佳點集方法和正態(tài)分布交叉（Normal Distribution Crossover， NDX）算子對算法進行改進，增強算法的全局搜索能力。

2.2.1 "佳點集初始化種群

佳點集方法是由數(shù)學家華羅庚首次提出[15]，它的基本含義為：設[Gz]為[z]維歐氏空間的單位立方體，[x]是屬于[Gz]內的點，[x=（x1，x2，…，xz）]，則有：

[Pnk=x1k，x2k，…，xzk，k=1，2，…，nφn=Cx，an-1+a] （5）

式中：[x]為佳點；[Pnk]為佳點集；[xzk]表示取其余數(shù)；[n]為點的數(shù)量；[φn]為[Pnk]的偏差；[a]為無窮小的正數(shù)；[C（x，a）]為僅與[x]和[a]相關的常數(shù)。在實際應用中，常取[x=2cos 2πvq，1≤v≤z]，式中[q]應是滿足[（q-3）2≥z]的最小素數(shù)。

將其映射到種群空間上：

[xnj=lj+uj-lj×Pnk] （6）

式中：[lj]為[j]維空間的下界限；[uj]為[j]維空間的上界限。為驗證佳點集法初始化種群的可行性，設置佳點集取值范圍在[[0，1]]區(qū)間，空間維數(shù)為二維，分別選取種群規(guī)模為100、300和500進行實驗驗證。佳點集法和隨機法初始化種群分布圖如圖5所示。

通過對圖5結果分析可知，佳點集法初始化種群的分布效果較隨機初始化更為均勻，使得初始種群的適應度較高，并增加了種群的多樣性，會在一定程度上避免陷入局部最優(yōu)。

2.2.2 "NDX交叉算子

NSGA?Ⅱ算法采用SBX交叉算子，它的特性之一就是父代和子代的平均值相同。子代產(chǎn)生的公式如下：

[S1k=121+βkP1k+1-βkP2kS2k=121-βkP1k+1+βkP2k] （7）

式中：[P1k]和[P2k]分別是兩個父代個體的第[k]個決策變量；[S1k]和[S2k]分別是兩個子代個體的第[k]個決策變量；[βk]為第[k]個決策變量的隨機變量。

但由于SBX交叉算子選取的是確定的交叉概率值，會使得算法的搜索能力受限，最終陷入局部最優(yōu)解，影響算法的優(yōu)化效果[16]。因此，本研究在SBX基礎上引入NDX交叉算子，即將正態(tài)分布隨機變量[QN0，1]替換SBX中的[βk]，其中[Q]是取值為1.481的常數(shù)。加入NDX交叉算子對父代進行離散重組后，子代每一維的生成過程中會出現(xiàn)兩種等概率的取值，這使得子代個體的取值范圍擴大，在一定程度上增加了算法的搜索空間，避免了局部最優(yōu)情況的發(fā)生，進而提升了算法的優(yōu)化能力。NDX交叉產(chǎn)生子代的計算式如下。

如果[ult;0.5]：

[S1k=12P1k+P2k+1.481N0，1P1k-P2kS2k=12P1k+P2k-1.481N0，1P1k-P2k] （8）

如果[u≥0.5]：

[S1k=12P1k+P2k-1.481N0，1P1k-P2kS2k=12P1k+P2k+1.481N0，1P1k-P2k] （9）

式中：[N0，1]是正態(tài)分布隨機變量；[u]是區(qū)間[[0，1]]范圍內均勻分布的隨機數(shù)。

2.3 "改進NSGA?Ⅱ算法測試

通過引入佳點集方法和NDX算子對NSGA?Ⅱ算法進行改進，改進后的算法流程主要步驟如圖6所示。

為進一步驗證本文改進NSGA算法的有效性，分別選用四種不同的經(jīng)典ZDT測試函數(shù)進行Pareto前沿結果分析。在測試過程中，保持改進NSGA算法和原NSGA算法的參數(shù)設置相同，其中種群規(guī)模為250，迭代次數(shù)為500，交叉率為90%，變異率為10%，其他參數(shù)如目標函數(shù)個數(shù)、決策變量維數(shù)及區(qū)間大小的設置隨不同的ZDT函數(shù)進行更改。

改進NSGA算法驗證結果如圖7所示。

通過對圖7的結果分析可知，改進NSGA?Ⅱ算法得到的Pareto前沿面顯然要優(yōu)于原NSGA?Ⅱ算法，更符合測試函數(shù)實際的Pareto前沿面，并且其解集的分布也更均勻，收斂效果更佳。因此，通過引入佳點集方法和NDX算子對原NSGA?Ⅱ算法進行改進，能夠使得該算法在多目標優(yōu)化問題中可以更快、更準確地得到全局最優(yōu)解集，并具有更好的搜索性能，進一步驗證了改進NSGA?Ⅱ算法的可靠性和有效性。

3 "新風系統(tǒng)多目標優(yōu)化結果分析

3.1 "算法有效性檢驗

本研究以甲醛濃度值[F]最低和新風系統(tǒng)能耗[P]最小為優(yōu)化目標，以送風速度[v]和送風時間[t]為決策變量，使用改進后的NSGA?Ⅱ得到[min F（v，t），P（v，t）]的Pareto最優(yōu)解集。

本文采取的算法在配置為Intel[?] CoreTM i5?7200U處理器，12 GB內存的環(huán)境下，依托Matlab R2016b軟件進行編程及求解。改進的NSGA?Ⅱ參數(shù)設置為：種群規(guī)模為100、迭代次數(shù)為100、交叉率為90%、變異率為10%。經(jīng)測試，算法得出的Pareto解集以及每一代種群中最優(yōu)的甲醛濃度和能耗如圖8～圖10所示。

由圖8可知，在此雙目標優(yōu)化問題下，改進NSGA?Ⅱ和原NSGA?Ⅱ算法都能收斂到較好的Pareto前沿上，并且隨著能耗[P]的增加，甲醛濃度[F]會逐漸降低，這表明室內甲醛濃度凈化效果與新風系統(tǒng)能耗成正比。

由圖9和圖10最優(yōu)的甲醛濃度和能耗隨迭代次數(shù)的關系可知，原NSGA?Ⅱ算法在求解過程中不僅初始種群質量差，而且收斂速度較慢。改進NSGA?Ⅱ算法通過引入佳點集初始化種群和NDX交叉算子后，初代種群的個體質量有所提高，并且甲醛濃度和能耗分別在16代和5代后達到穩(wěn)定，穩(wěn)定效果和原NSGA?Ⅱ算法一樣好，這表明改進后的NSGA?Ⅱ算法在保障最優(yōu)解質量的前提下，提高了收斂速度，幫助優(yōu)化算法更快地搜索最優(yōu)解。

為驗證算法在運算時間上的性能效果，將兩種算法在相同參數(shù)設置的情況下分別運行20次后進行結果分析。算法運行時間的結果對比如表4所示。

由表4可知，改進NSGA?Ⅱ算法平均運行時間為3.120 s，相較于原NSGA?Ⅱ算法平均運行時間3.246 s，運行時間縮短了3.9%，且改進NSGA?Ⅱ的最差運算時間為3.146 s，優(yōu)于原算法的最優(yōu)運行時間3.180 s。因此，改進NSGA?Ⅱ算法在運行時間上有一定程度的提升，進一步驗證了算法的有效性。

3.2 "優(yōu)化方案分析

通過改進NSGA?Ⅱ算法得到分布較均勻的Pareto解集后，對解集進行分析，以選取滿足需求的解。由圖8可知，Pareto解集中的甲醛濃度大多處于0.02～0.12 mg/m3之間，而GB/T 18883—2022《室內空氣質量標準》限定室內空氣中的甲醛含量的安全標準是每立方米中含量[17]0.08 mg，因此優(yōu)化方案應選取室內甲醛濃度低于0.08 mg/m3的解集。在100個Pareto解集中存在25個不符合甲醛濃度的解，所以在剩余75個解集中按照甲醛濃度大小每隔25個解進行選取并分析，最終得到的4個方案如表5所示。

在上述4個方案中，方案1的新風系統(tǒng)能耗低，但是室內甲醛濃度高，在關閉新風系統(tǒng)一段時間后甲醛濃度便會超過標準限定值。方案4的甲醛凈化效果好，但會造成能耗損失過多，與方案1相比，甲醛濃度降低了76.8%，而能耗提高了7.26倍。相對于方案1和方案4，決策者更希望尋找一個折中的方案，如方案2和方案3，皆滿足甲醛濃度的安全標準，并且兩種方案的能耗損失較小。追求室內甲醛濃度的降低必然會導致能耗的增加，在實際決策中，要求決策者按照需求和偏好做出取舍，若決策者偏向于經(jīng)濟成本，則選擇方案2的概率較大；若決策者更偏向于健康安全，則選擇方案4的概率更大。

總之，選擇最優(yōu)解的過程應該與具體問題的需求和實際情況密切相關，而改進NSGA?Ⅱ算法可以幫助決策者獲得更多樣化、更優(yōu)質的選擇。

4 "結 "論

本文研究了新風系統(tǒng)優(yōu)化控制策略問題，以新風系統(tǒng)送風速度和送風時間為決策變量，分析室內甲醛濃度和新風系統(tǒng)能耗在不同送風速度和送風時間下的變化，利用改進NSGA?Ⅱ算法尋求甲醛濃度和新風系統(tǒng)能耗的帕累托前沿。結果表明，通過改進NSGA?Ⅱ算法求解問題能夠以更快的收斂速度和運算速度得到最優(yōu)Pareto解集，幫助決策者獲得更多的選擇策略，并從中選出符合決策者要求的最優(yōu)解。

本文研究為新風系統(tǒng)優(yōu)化控制策略問題的解決提供了有力的理論支持和實踐指南，在未來的研究和實踐中具有廣泛的應用前景和重要的實際意義。

注：本文通訊作者為鄭煥祺。

參考文獻

[1] 鄭煥祺.人造板制品甲醛釋放量檢測用氣候室高精度控制方法研究[D].濟南：山東建筑大學，2020.

[2] CHEN H X， ZHANG R D， BAO W J， et al. Effective catalytic abatement of indoor formaldehyde at room temperature over TS?1 supported platinum with relatively low content [J]. Catalysis today， 2020， 355： 547?554.

[3] ZHANG J J， SONG F F， TAO J， et al. Research progress on formaldehyde emission of wood?based panel [J]. International journal of polymer science， 2018（2）： 1?8.

[4] 牛潤萍，范瑩瑩，孟富強，等.新風系統(tǒng)在北京地區(qū)的運行控制策略分析[J].建筑科學，2021，37（6）：36?41.

[5] 宋玉雪.住宅類綠色建筑室內空氣品質與效能優(yōu)化研究[D].蘇州：蘇州科技大學，2022.

[6] GANESH H S， FRITZ H E， EDGAR T F， et al. A model?based dynamic optimization strategy for control of indoor air pollutants [J]. Energy and buildings， 2019， 195： 168?179.

[7] 田中杰.住宅新風系統(tǒng)新風量及氣流組織優(yōu)化設計研究[D].西安：長安大學，2022.

[8] LIN Y L， ZHOU S Q， YANG W， et al. Design optimization considering variable thermal mass， insulation， absorptance of solar radiation， and glazing ratio using a prediction model and genetic algorithm [J]. Sustainability， 2018， 10（2）： 336.

[9] 余鎮(zhèn)雨，路菲，鄒瑜，等.基于模擬的多目標優(yōu)化方法在近零能耗建筑性能優(yōu)化設計中的應用[J].建筑科學，2019，35（10）：8?15.

[10] 陳亞洲，焦陽，李哲，等.基于CFD的靶機外掛曳光管氣動特性研究[J].計算機仿真，2023，40（2）：15?18.

[11] 王芳，王鵬浩，徐洪祥.冬季東北地區(qū)室內甲醛擴散的數(shù)值模擬[J].哈爾濱理工大學學報，2018，23（6）：29?34.

[12] YU B， PENG Z X， TIAN Z H， et al. Sailing speed optimization for tramp ships with fuzzy time window [J]. Flexible services and manufacturing journal， 2019， 31（2）： 308?330.

[13] DEB K， AGRAWAL S， PRATAP A， et al. A fast and elitist multiobjective genetic algorithm： NSGA?Ⅱ [J]. IEEE transactions on evolutionary computation， 2002， 6（2）： 182?197.

[14] 張延安，杜岳峰，毛恩榮，等.基于改進NSGA?Ⅱ的大功率拖拉機變速箱箱體多目標優(yōu)化[J].農(nóng)業(yè)機械學報，2022，53（z2）：310?319.

[15] 印雷，顧德，劉飛.基于改進麻雀搜索算法優(yōu)化的DV?Hop定位算法[J].傳感技術學報，2021，34（5）：670?675.

[16] 李進，李二超.基于正態(tài)分布和自適應變異算子的[ε]截斷算法[J].山東大學學報（工學版），2019，49（2）：47?53.

[17] 國家市場監(jiān)督管理總局.室內空氣質量標準：GB/T 18883—2022[S].北京：中國標準出版社，2022.

作者簡介：劉 "威（2000—），男，山東菏澤人，碩士研究生，研究方向為智能環(huán)境與網(wǎng)絡化控制。

鄭煥祺（1987—），男，山東濟寧人，博士，講師，研究方向為綠色建筑能源與環(huán)境系統(tǒng)研究智能化。

周玉成（1958—），男，北京人，博士，博士生導師，研究員，研究方向為控制科學與工程。