基于粒子群算法的一鍵數據中心智能布局

廖霄 許文民 李光泰 鄧振華 張少峰

摘 要：為了實現數據中心的工藝布局優化設計，提出了一種基于粒子群算法的智能布局優化方案。本文主要闡述粒子群算法的概念、原理及在數據中心工藝布局應用中的優勢，分析了智能布局的定義及其基本工作原理，深度剖析智能布局在數據中心的應用現狀及發展趨勢。

關鍵詞：粒子群算法;智能布局;一鍵布局;

1前言

隨著計算機應用技術的迅速發展，人們對高效優化技術和智能計算技術提出了更高更新的要求。鑒于數據中心實際工程問題的多專業性、復雜性、約束性、非線性、多局部極小和建模困難等特點，尋找適合于工程實踐需求的新型智能優化方法是重要研究方向之一，粒子群優化算法為復雜優化問題的解決提供了一條十分有效的新途徑。

傳統數據中心規劃設計中，工藝布局是耗時最長、最復雜的任務之一，通常分為IT機房布局、支持輔助及其他區域布局、管線路由規劃、物流運輸規劃、人員流動規劃、建筑結構設計等幾個環節。隨著數據中心朝著大型、超大型發展，設計復雜程度不斷增加，目前主流設計平臺軟件（ AutoDesk、Bentley、Dassault）和繪圖軟件開發公司缺乏高效便捷的數據中心專業工藝布局設計輔助工具，采用傳統的手動二維繪圖無法快速求出布局最優解，需依靠設計師經驗不斷繪圖嘗試找出最優解，尋找途徑將設計師的豐富經驗轉化為人工智能算法，研發符合數據中心專業設計習慣和設計流程的輔助設計軟件，融入算法以快速求得數據中心工藝布局的最優解，對提高設計效率和設計決策意義重大。

本文提出了一種基于粒子群算法的數據中心智能布局解決方案，能有效提高設計效率，為設計提供決策依據，使數據中心布局設計更加標準化、數字化、參數化、智能化。

2粒子群優化算法

2.1算法概述

粒子群優化算法（Particle Swarm Optimization，PSO）是一種進化計算技術（evolutionarycomputation），1995年由Eberhart博士和kennedy博士提出，又翻譯為粒子群算法、微粒群算法、或微粒群優化算法，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。源于對鳥群捕食的行為研究。區域內有大大小小不同的食物源，鳥群的任務是找到最大的食物源（全局最優解）。鳥群在捕食過程中，通過相互傳遞各自位置信息，讓其他的鳥知道食物源的位置，逐步收斂，最終整個鳥群都能聚集在食物源周圍，即我們所說的找到了最優解。粒子群算法在對動物集群活動行為觀察基礎上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解。

2.2智能布局設計相關概念

智能布局是人工智能在設計領域的一個重要研究領域，其主要思想是：對現有資源（空間參數）進行認識與分析，根據預定實現的目標，對若干所提供的資源限制和相關約束進行推理，綜合制定出實現目標的動作序列。該動作序列即稱為一個布局。智能布局可應用于完善數據中心IT機柜、配電柜、精密空調等相關族的空間參數，通過設計目標數字化輸入、IT機柜設計目標的輸入、空間計算、布局評估、BIM模型創建，實現智能布局的三維展示、IT機柜數量統計、配電和制冷設施布置、布局多方案對比及機電管線連接功能。

2.3智能布局的粒子群優化算法

數據中心智能布局的粒子群優化算法（Particle Swarm Optimization，PSO）將數據中心的每個工藝布局方案定義為一個粒子，最優的方案是粒子飛行的方向，方案的性能參數與所輸入設計參數的差異度作為粒子飛行的距離，方案的性能參數與所輸入設計參數的匹配度作為粒子飛行的速度。通過對粒子飛行的方向、距離和速度的比對，從而得到智能布局的最優方案。

改進的PSO算法求解過程

數據中心智能布局的粒子算法中會通過兩個數學公式來進行求解：

其中，v[ ]是粒子的速度;

present[ ]是當前粒子的位置;

pbest[ ]表示個體最優解，即粒子本身的最優解;

gbest[ ]表示全局最優解，即種群的最優解;

rand（ ）是介于（0，1）之間的隨機數;

c1、c2是學習因子;通常c1=c2=2。

偽代碼實現如下：

在計算開始之初，每一維的粒子的速度都會被限制一個Vmax的最大速度，當發生某一維更新后的新速度超過了起初設定的Vmax，得到Vmax’，則這一維的速度將被設定在Vmax’，以此類推往下進行計算，直至得到最終結果。

基于PSO的數據中心智能布局實例

設計師在僅知道數據中心建筑空間的情況下，通過輸入“設計方案”信息以及主要功能用房（包括IT機房、配電室、電池室、空調機房等）設計要求參數，即可自動輸出計算結果和生成數據中心布局方案，提供數據中心包括IT機房、IT機房、配電室、電池室、空調機房等主要功能用房區域的自動化智能布局，具有一鍵布局、機房布局、配電室布局、電池室布局等功能。生成的布局方案可進行列示并自動保存至布局庫中，包含展示布局圖、功能空間綜合占比、空調機房占比、配電室占比、電池室占比等。

以數據中心IT機房為例，根據GB50174《數據中心設計規范》里的相關規范條文，輸入設計參數，如機柜族、機柜排列方式、機柜面對面距離、機柜背對背距離、前過道寬、后過道寬、左過道寬、右過道寬、障礙物距離等，具體參數除必選外均提供默認參數選擇。

根據輸入的設計參數，調用粒子算法得出機房占比方案，并以三維效果進行布局展示供設計人員參考決策：

以一鍵布局模式為例，數據中心智能布局設計流程如下：

（1）給定一個建筑平面圖，系統自動實現房間的建模。

（2）一鍵布局，程序根據數據中心的設計規范，并且根據粒子群算法計算出電池室、配電室、空調房、機柜放入的房間及房間里的功能布局。

（3）如不需要一鍵布局，可以在（1）的基礎上手工進行功能房間的指定，并根據指定結果按照各類型的布局規范及粒子群算法進行單功能房的布局，例如如果房間類型為IT機房，用戶可選擇輸入機房布局參數或讀取歷史機房布局參數生成IT機房布局;如果房間類型為配電室，用戶可選擇輸入配電室布局參數或讀取歷史配電室布局參數生成配電室布局;如果房間類型為電池室，用戶可選擇輸入電池室布局參數或讀取歷史電池室布局參數生成電池室布局。

（4）所有房間布局生成完成后進行相關的電量計算、暖通冷熱負荷計算，最后輸出計算結果和布局方案。

（5）根據多目標智能優化原則，對輸出的十六種布局方案進行優化選擇，輸出3-5種最優方案。

（6）將選定的布局方案保存至設計庫供選擇使用。

（7）在Revit或者其他三維建模工具，導入設計庫的布局方案，在建模工具上根據設計庫的布局方案自動生成三維的布局方案并導出工程量圖或者施工圖。

根據以上步驟，可以實現給定建筑物的數據中心的一鍵布局，并能夠輸出各種布局的比較方案，從而輸出最優解。

結語

本文針對數據中心工藝布局模型，通過對數據中心工藝的分析，總結出數據中心工藝各專業關聯數據，建立一種基于粒子群算法的智能優化算法的數據中心智能布局設計解決方案。該方案有效解決了BIM數據中心正向設計實施前期困難的問題，滿足數據中心設計中的優化布局和建模需求，該方法后續還可擴展至于數據中心其他系統模型的自動布局，如自動布線、線纜識別及三維展示功能等。

參考文獻

[1]徐浩天.基于粒子群算法的多維優化改進與應用研究[D].哈爾濱師范大學，2021.

[2]楊鵬，孫瑞.數據中心功能布局設計研究[A]. 中冶建筑研究總院有限公司.2021年工業建筑學術交流會論文集（上冊）[C].中冶建筑研究總院有限公司：工業建筑雜志社，2021：5.

[3]張樊，廖列法.智能優化算法背景下的設備布局設計分析[J].電子技術與軟件工程，2021（08）：170-171.

[4]李凌杰.基于資源分配策略的多目標智能優化算法研究[D].深圳大學，2020.