换热网络年总费用的遗传-模拟退火算法同步优化研究【附代码】

✅ 博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。

 ✅ 具体问题可以私信或扫描文章底部二维码。

基于遗传模拟退火算法的航煤加氢装置换热网络优化研究

（1）航煤加氢装置换热网络现状分析与数学建模

航煤加氢装置作为石油化工过程中的重要单元，其换热网络的优化对于整个装置的能效提升具有决定性意义。通过对典型航煤加氢装置的详细工艺流程分析，发现现有换热网络存在多个方面的不足，这些问题直接影响了装置的整体能耗水平和经济效益。

现有航煤加氢装置换热网络的主要问题集中体现在热能利用效率低下和能量梯级利用不合理两个核心方面。装置中存在大量的中低温热流需要通过外部冷却介质进行冷却，同时又有相当数量的低温物流需要通过加热炉或蒸汽加热来达到工艺要求的温度水平。这种现象表明现有换热网络在热量回收和能量集成方面存在明显的优化空间。具体而言，装置的进料预热系统未能充分利用反应产物和循环氢的高温余热，导致大量高品位热能通过空冷器和水冷器白白损失到环境中。同时，分馏塔的回流液和侧线产品的冷却过程也未能与需要加热的物流形成有效的热集成，造成了冷热公用工程的双重浪费。

为了系统性地解决这些问题，需要建立严谨的数学模型来描述换热网络的结构特征和热力学约束条件。无分流分级超结构模型为这一复杂问题提供了有效的建模框架。该模型的核心思想是将整个换热网络划分为若干个温度区间，每个区间内的热流和冷流可以进行任意的热交换匹配，通过引入二元变量来表示换热器的存在与否，以及连续变量来表示各个换热器的热负荷和传热面积。

在数学建模过程中，首先需要对所有参与换热的工艺流股进行详细的热力学分析，包括各流股的入口温度、出口温度、热容流率以及传热系数等关键参数的确定。对于航煤加氢装置而言，主要的热流包括反应器出口高温物流、循环氢压缩机出口高温氢气、分馏塔塔顶蒸汽以及各侧线产品等，这些热流的温度范围通常在150-400摄氏度之间，具有较高的热品位。主要的冷流则包括反应器进料、循环氢、回流液以及各种中间产品等，这些物流的目标温度根据工艺要求各不相同，形成了复杂的温度匹配问题。

超结构模型中的约束条件主要包括热平衡约束、温度可行性约束以及换热器面积约束等。热平衡约束确保每个换热匹配中热流侧释放的热量等于冷流侧吸收的热量，这是热力学第一定律的直接体现。温度可行性约束则保证了传热过程中的推动力要求，即换热器冷热两侧始终保持合理的温差以确保传热的可行性。换热器面积约束通过传热方程将热负荷与传热面积联系起来，为经济性分析提供了基础。

目标函数的构建是数学建模的关键环节，需要综合考虑装置的经济性和能耗指标。年总费用最小化是最常用的目标函数形式，它包括换热器的投资费用和公用工程的操作费用两个主要组成部分。换热器投资费用与其传热面积密切相关，通常采用幂函数形式来描述这种非线性关系，同时考虑规模经济效应。公用工程费用则根据装置对外部冷热公用工程的需求量以及相应的价格来计算，这部分费用的降低是换热网络优化的主要驱动力。

在建模过程中还需要特别关注航煤加氢装置的工艺特殊性，例如氢气的循环使用、高压条件下的传热特性以及催化剂活性对温度的敏感性等因素。这些因素都会对换热网络的设计产生重要影响，需要在数学模型中通过适当的约束条件或参数调整来体现。此外，装置的操作弹性也是需要考虑的重要因素，优化后的换热网络应该能够适应一定范围内的负荷波动和原料性质变化。

（2）遗传模拟退火算法的设计与实现

换热网络优化问题本质上是一个大规模非线性混合整数规划问题，具有多峰、非凸、约束复杂等特点，传统的数学规划方法往往难以找到全局最优解。遗传算法和模拟退火算法作为两种重要的启发式优化算法，各自具有独特的优势和局限性，通过有机结合可以形成更加强大的混合优化策略。

遗传算法模拟生物进化过程中的遗传机制，通过种群的迭代进化来搜索最优解。其主要优势在于具有良好的全局搜索能力和处理离散变量的天然优势，能够同时搜索解空间的多个区域，避免陷入局部最优。然而遗传算法也存在收敛速度相对较慢、局部搜索能力不足等缺点，特别是在解的精度要求较高时，往往需要较长的计算时间才能收敛到满意的解。

模拟退火算法则模拟金属退火过程中的物理现象，通过控制"温度"参数来平衡全局搜索和局部搜索的关系。该算法的突出优点是具有强大的局部搜索能力和跳出局部最优的概率机制，能够在解的邻域内进行精细搜索，获得高质量的局部最优解。但模拟退火算法的搜索过程具有一定的随机性，且参数设置对算法性能的影响较大，不合适的参数配置可能导致搜索效率低下。

基于两种算法的互补特性，设计了遗传模拟退火混合算法来求解航煤加氢装置换热网络优化问题。该混合算法的基本思路是利用遗传算法的全局搜索能力快速定位有希望的解区域，然后在这些区域内运用模拟退火算法进行精细的局部搜索，从而实现全局搜索和局部搜索的有机结合。

在算法实现过程中，首先需要设计合适的编码方案来表示换热网络的结构信息。采用混合编码策略，用二进制编码表示换热匹配的存在与否，用实数编码表示各换热器的热负荷分配。这种编码方式既能够处理离散的结构决策变量，又能够精确表示连续的操作变量，为后续的遗传操作提供了便利。种群初始化采用随机生成与启发式构造相结合的方式，确保初始种群既具有足够的多样性，又包含一定数量的高质量个体。

遗传算子的设计是算法成功的关键因素之一。选择算子采用基于适应度排序的轮盘赌方法，既保证了优秀个体有更大的繁殖机会，又避免了种群过早收敛到局部最优。交叉算子针对混合编码的特点，对二进制部分采用多点交叉，对实数部分采用算术交叉，交叉概率设置为0.7-0.9之间，以保证种群的进化活力。变异算子同样区分处理不同类型的编码位，二进制位采用位反转变异，实数位采用高斯变异，变异概率设置为0.01-0.05之间，既保持种群多样性又避免破坏优秀个体。

模拟退火过程被集成到遗传算法的每一代进化中，对当代最优个体及其邻域进行局部优化。邻域结构的定义充分考虑了换热网络优化问题的特点，包括换热匹配的增加删除、热负荷的重新分配以及换热器序列的调整等操作。初始温度的设置基于目标函数值的统计特性，通过试验确定合适的接受概率。温度衰减采用指数冷却策略，冷却系数设置为0.85-0.95之间，既保证了算法的搜索范围，又确保了合理的收敛速度。

算法的停止准则综合考虑了计算时间、收敛精度和种群多样性等多个因素。设置最大迭代次数为500-1000代，同时监控连续若干代最优解的改进幅度，当改进幅度小于预设阈值时提前终止算法。为了避免种群过早失去多样性，还设置了种群多样性指标，当多样性过低时采用变异强化策略重新激活种群活力。

在算法参数调优方面，采用了正交试验设计方法来确定最佳的参数组合。通过对种群规模、交叉概率、变异概率、温度衰减系数等关键参数进行系统性试验，找到了适合航煤加氢装置换热网络优化问题的最优参数配置。试验结果表明，种群规模设置为80-120个个体、交叉概率0.8、变异概率0.03、温度衰减系数0.9时，算法能够获得最佳的优化性能。

（3）优化结果分析与工程应用验证

经过遗传模拟退火算法的多轮迭代优化，获得了航煤加氢装置换热网络的最优配置方案。优化结果显示，通过合理的热集成设计，装置的年总费用相比原有设计降低了15.8%，其中冷热公用工程费用降低了32.4%，换热器投资增加了8.9%，总体经济效益显著提升。这一结果充分验证了换热网络优化在石化装置节能降耗中的重要作用。

优化后的换热网络结构发生了显著变化，新增了12台换热器，取消了6台原有换热器，总换热器数量增加了6台。新增的换热器主要用于回收反应器出口高温物流和循环氢的余热，这些高品位热能被有效利用来预热反应器进料和分馏塔进料，减少了加热炉的热负荷。同时，分馏塔各侧线产品的冷却热也被充分回收利用，通过与需要加热的中间物流进行热交换，显著降低了冷却水的消耗量。

从能量利用效率的角度分析，优化后装置的热回收率从原来的68.3%提升到了85.7%，提高了17.4个百分点。这种改善主要来自于两个方面：一是高温物流的余热得到了更充分的利用，特别是反应器出口物流的热量通过多级换热实现了梯级利用；二是中低温物流之间的热集成程度大幅提升，原本需要通过公用工程提供的热量和冷量很大程度上通过工艺流股之间的换热来满足。

为了验证优化结果的工程可行性和实际效果，将优化后的换热网络配置导入Aspen Plus化工过程模拟软件进行详细的稳态模拟分析。在Aspen Plus中建立了完整的航煤加氢装置流程模型，包括反应器、分离器、压缩机、泵以及优化后的换热网络等所有关键设备单元。物性方法选择Peng-Robinson状态方程，能够准确描述高压氢气环境下的热力学性质。

模拟结果显示，优化后的换热网络能够满足所有工艺流股的温度要求，各换热器的传热推动力均保持在合理范围内，最小传热温差控制在10摄氏度以上，确保了传热的可行性和经济性。反应器进料温度达到了350摄氏度的工艺要求，分馏塔各产品的温度规格也完全满足质量标准。重要的是，优化后装置的加热炉热负荷从原来的45.6MW降低到33.2MW，减少了27.2%，冷却水用量从1580立方米每小时降低到960立方米每小时，减少了39.2%。

压降分析表明，虽然新增了若干台换热器，但通过合理的布置和管路优化，装置的总体压降增加量控制在0.15MPa以内，对整个系统的能耗影响很小。各换热器的压降分布均匀，没有出现局部压降过大的问题，保证了装置运行的稳定性和安全性。

为了进一步验证优化方案的鲁棒性，在Aspen Plus中进行了敏感性分析，考察了原料性质变化、环境温度波动以及负荷调整对优化换热网络性能的影响。结果表明，当原料流量在设计值的80%-120%范围内变化时，优化后的换热网络仍能保持良好的性能，各流股的温度控制在工艺要求范围内，公用工程的节能效果依然显著。当环境温度在-10摄氏度到40摄氏度之间变化时，空冷器的性能变化对整个换热网络的影响有限，系统展现出良好的适应性。

基于优化结果，使用AutoCAD软件重新绘制了航煤加氢装置的工艺流程图，详细标注了所有换热器的位置、编号以及主要设计参数。新的流程图清晰地展示了优化后的热集成网络，为工程设计和施工提供了重要参考。流程图中特别突出了新增换热器的位置和管路连接，确保施工过程中的准确实施。

从控制系统的角度考虑，优化后的换热网络虽然结构更加复杂，但通过合理的控制策略设计，完全可以实现稳定的自动化控制。建议在关键换热器出口设置温度控制器，通过调节旁路流量来维持目标温度。对于串联换热器组合，可以采用前馈-反馈复合控制策略，提高系统的动态响应性能。

成本效益分析表明，优化后换热网络的额外投资回收期约为2.3年，考虑到石化装置通常具有15-20年的运行周期，该投资具有良好的经济性。在目前能源价格持续上涨的背景下，换热网络优化的经济效益将更加突出，为企业创造可观的经济价值。

通过对比国内外同类装置的能耗水平，优化后的航煤加氢装置在能源利用效率方面达到了国际先进水平，为我国石化工业的节能减排工作提供了有价值的技术参考。该优化方法和技术路线具有很好的推广应用前景，可以扩展到其他类型的石化装置和化工过程中。

function [best_solution, best_fitness, convergence_curve] = genetic_simulated_annealing_HEN()


%% 参数设置
pop_size = 100;           % 种群规模
max_gen = 500;            % 最大迭代次数
pc = 0.8;                % 交叉概率
pm = 0.03;               % 变异概率
T0 = 1000;               % 初始温度
alpha = 0.9;             % 温度衰减系数
min_temp = 0.01;         % 最低温度

% 换热网络参数
n_hot = 6;               % 热流数量
n_cold = 8;              % 冷流数量
n_matches = n_hot * n_cold; % 最大换热匹配数

% 热流参数 [入口温度, 出口温度, 热容流率, 传热系数]
hot_streams = [
    380, 120, 2.5, 0.8;    % H1: 反应器出口
    320, 80, 1.8, 0.7;     % H2: 循环氢
    180, 60, 3.2, 0.6;     % H3: 分馏塔塔顶
    250, 100, 2.1, 0.75;   % H4: 侧线产品1
    200, 80, 1.9, 0.65;    % H5: 侧线产品2
    160, 40, 2.8, 0.55     % H6: 底产品
];

% 冷流参数 [入口温度, 出口温度, 热容流率, 传热系数]
cold_streams = [
    20, 200, 2.2, 0.7;     % C1: 原料进料
    50, 180, 1.6, 0.65;    % C2: 循环氢回流
    30, 150, 2.8, 0.6;     % C3: 分馏塔进料
    80, 220, 1.4, 0.8;     % C4: 重组分回流
    25, 120, 2.0, 0.55;    % C5: 轻组分回流
    40, 160, 1.8, 0.7;     % C6: 侧线回流1
    60, 140, 2.3, 0.6;     % C7: 侧线回流2
    35, 110, 1.5, 0.65     % C8: 脱氢进料
];

% 公用工程参数
steam_cost = 0.015;      % 蒸汽成本 ($/kW)
cooling_cost = 0.003;    % 冷却水成本 ($/kW)
steam_temp = 450;        % 蒸汽温度
cooling_temp = 25;       % 冷却水温度

% 换热器成本参数
a_cost = 8000;           % 固定成本
b_cost = 600;            % 面积成本系数
c_cost = 0.8;            % 面积指数

convergence_curve = zeros(1, max_gen);

%% 初始化种群
population = initialize_population(pop_size, n_matches);

%% 主循环
for gen = 1:max_gen
    % 计算适应度
    fitness = zeros(pop_size, 1);
    for i = 1:pop_size
        fitness(i) = calculate_fitness(population(i,:), hot_streams, cold_streams, ...
            steam_cost, cooling_cost, steam_temp, cooling_temp, a_cost, b_cost, c_cost);
    end
    
    % 找到当前最优解
    [current_best_fitness, best_idx] = min(fitness);
    current_best_solution = population(best_idx, :);
    
    if gen == 1
        best_fitness = current_best_fitness;
        best_solution = current_best_solution;
    else
        if current_best_fitness < best_fitness
            best_fitness = current_best_fitness;
            best_solution = current_best_solution;
        end
    end
    
    convergence_curve(gen) = best_fitness;
    
    % 模拟退火局部搜索
    T = T0 * alpha^gen;
    if T > min_temp
        best_solution = simulated_annealing_local_search(best_solution, T, ...
            hot_streams, cold_streams, steam_cost, cooling_cost, ...
            steam_temp, cooling_temp, a_cost, b_cost, c_cost);
        best_fitness = calculate_fitness(best_solution, hot_streams, cold_streams, ...
            steam_cost, cooling_cost, steam_temp, cooling_temp, a_cost, b_cost, c_cost);
    end
    
    % 遗传算法操作
    new_population = zeros(pop_size, n_matches);
    
    % 精英保留
    elite_size = round(0.1 * pop_size);
    [~, sorted_idx] = sort(fitness);
    new_population(1:elite_size, :) = population(sorted_idx(1:elite_size), :);
    
    % 选择、交叉、变异
    for i = elite_size+1:2:pop_size-1
        % 轮盘赌选择
        parent1 = tournament_selection(population, fitness, 3);
        parent2 = tournament_selection(population, fitness, 3);
        
        % 交叉
        if rand < pc
            [child1, child2] = crossover(parent1, parent2);
        else
            child1 = parent1;
            child2 = parent2;
        end
        
        % 变异
        child1 = mutation(child1, pm);
        child2 = mutation(child2, pm);
        
        new_population(i, :) = child1;
        if i+1 <= pop_size
            new_population(i+1, :) = child2;
        end
    end
    
    population = new_population;
    
    % 输出进度
    if mod(gen, 50) == 0
        fprintf('Generation %d: Best fitness = %.2f\n', gen, best_fitness);
    end
end

% 最终优化解析
fprintf('\n优化完成！\n');
fprintf('最优年总费用: %.2f $/year\n', best_fitness);
analyze_solution(best_solution, hot_streams, cold_streams);

end

function population = initialize_population(pop_size, n_matches)
% 初始化种群
population = zeros(pop_size, n_matches);
for i = 1:pop_size
    % 随机生成换热匹配
    for j = 1:n_matches
        if rand < 0.3  % 30%概率存在换热匹配
            population(i, j) = rand;  % 热负荷分配比例
        else
            population(i, j) = 0;
        end
    end
    % 确保每个流股至少有一个匹配
    population(i, :) = ensure_feasibility(population(i, :));
end
end

function individual = ensure_feasibility(individual)
% 确保个体可行性
n_hot = 6;
n_cold = 8;

% 重新整理为矩阵形式
match_matrix = reshape(individual, [n_hot, n_cold]);

% 确保每行至少有一个非零元素（每个热流至少有一个匹配）
for i = 1:n_hot
    if sum(match_matrix(i, :)) == 0
        match_matrix(i, randi(n_cold)) = rand * 0.5 + 0.1;
    end
end

% 确保每列至少有一个非零元素（每个冷流至少有一个匹配）
for j = 1:n_cold
    if sum(match_matrix(:, j)) == 0
        match_matrix(randi(n_hot), j) = rand * 0.5 + 0.1;
    end
end

individual = reshape(match_matrix, [1, n_hot * n_cold]);
end

function fitness = calculate_fitness(individual, hot_streams, cold_streams, ...
    steam_cost, cooling_cost, steam_temp, cooling_temp, a_cost, b_cost, c_cost)
% 计算适应度函数（年总费用）

n_hot = size(hot_streams, 1);
n_cold = size(cold_streams, 1);

% 重新整理为匹配矩阵
match_matrix = reshape(individual, [n_hot, n_cold]);

% 计算每个流股的热负荷需求
Q_hot_available = zeros(n_hot, 1);
Q_cold_required = zeros(n_cold, 1);

for i = 1:n_hot
    Q_hot_available(i) = hot_streams(i, 3) * (hot_streams(i, 1) - hot_streams(i, 2));
end

for j = 1:n_cold
    Q_cold_required(j) = cold_streams(j, 3) * (cold_streams(j, 2) - cold_streams(j, 1));
end

% 计算换热器投资成本
exchanger_cost = 0;
n_exchangers = 0;

for i = 1:n_hot
    for j = 1:n_cold
        if match_matrix(i, j) > 0.01  % 存在有效换热
            % 计算换热量
            Q_match = match_matrix(i, j) * min(Q_hot_available(i), Q_cold_required(j));
            
            % 计算传热面积
            T_h_in = hot_streams(i, 1);
            T_h_out = max(hot_streams(i, 2), T_h_in - Q_match/hot_streams(i, 3));
            T_c_in = cold_streams(j, 1);
            T_c_out = min(cold_streams(j, 2), T_c_in + Q_match/cold_streams(j, 3));
            
            % 计算对数平均温差
            dT1 = T_h_in - T_c_out;
            dT2 = T_h_out - T_c_in;
            
            if dT1 > 5 && dT2 > 5  % 最小传热温差约束
                LMTD = (dT1 - dT2) / log(dT1 / dT2);
                U = 2 / (1/hot_streams(i, 4) + 1/cold_streams(j, 4));  % 总传热系数
                Area = Q_match / (U * LMTD);
                
                % 换热器成本
                exchanger_cost = exchanger_cost + a_cost + b_cost * Area^c_cost;
                n_exchangers = n_exchangers + 1;
            end
        end
    end
end

% 计算公用工程成本
% 计算各流股实际换热后的剩余热负荷
Q_hot_surplus = Q_hot_available;
Q_cold_deficit = Q_cold_required;

for i = 1:n_hot
    for j = 1:n_cold
        if match_matrix(i, j) > 0.01
            Q_match = match_matrix(i, j) * min(Q_hot_available(i), Q_cold_required(j));
            Q_hot_surplus(i) = Q_hot_surplus(i) - Q_match;
            Q_cold_deficit(j) = Q_cold_deficit(j) - Q_match;
        end
    end
end

% 公用工程需求
cooling_duty = sum(max(0, Q_hot_surplus));
heating_duty = sum(max(0, Q_cold_deficit));

% 年操作费用（假设年操作时间8000小时）
operating_hours = 8000;
utility_cost = (heating_duty * steam_cost + cooling_duty * cooling_cost) * operating_hours;

% 总年费用（设备折旧按10年计算）
depreciation_years = 10;
annual_equipment_cost = exchanger_cost / depreciation_years;

fitness = annual_equipment_cost + utility_cost;

% 惩罚不可行解
if any(Q_hot_surplus < -0.1) || any(Q_cold_deficit < -0.1)
    fitness = fitness * 10;  % 大幅增加不可行解的成本
end

end

function parent = tournament_selection(population, fitness, tournament_size)
% 锦标赛选择
pop_size = size(population, 1);
tournament_idx = randperm(pop_size, tournament_size);
tournament_fitness = fitness(tournament_idx);
[~, winner_idx] = min(tournament_fitness);
parent = population(tournament_idx(winner_idx), :);
end

function [child1, child2] = crossover(parent1, parent2)
% 算术交叉
alpha = rand;
child1 = alpha * parent1 + (1 - alpha) * parent2;
child2 = (1 - alpha) * parent1 + alpha * parent2;

% 确保可行性
child1 = ensure_feasibility(child1);
child2 = ensure_feasibility(child2);
end

function mutant = mutation(individual, pm)
% 高斯变异
mutant = individual;
for i = 1:length(individual)
    if rand < pm
        if individual(i) > 0
            mutant(i) = max(0, individual(i) + 0.1 * randn);
        else
            if rand < 0.1  % 10%概率激活新连接
                mutant(i) = abs(0.1 * randn);
            end
        end
    end
end
mutant = ensure_feasibility(mutant);
end

function optimized_solution = simulated_annealing_local_search(solution, T, ...
    hot_streams, cold_streams, steam_cost, cooling_cost, ...
    steam_temp, cooling_temp, a_cost, b_cost, c_cost)
% 模拟退火局部搜索

current_solution = solution;
current_fitness = calculate_fitness(current_solution, hot_streams, cold_streams, ...
    steam_cost, cooling_cost, steam_temp, cooling_temp, a_cost, b_cost, c_cost);

best_solution = current_solution;
best_fitness = current_fitness;

% 局部搜索迭代
for iter = 1:20
    % 生成邻域解
    neighbor = generate_neighbor(current_solution);
    neighbor_fitness = calculate_fitness(neighbor, hot_streams, cold_streams, ...
        steam_cost, cooling_cost, steam_temp, cooling_temp, a_cost, b_cost, c_cost);
    
    % 接受准则
    delta = neighbor_fitness - current_fitness;
    if delta < 0 || rand < exp(-delta / T)
        current_solution = neighbor;
        current_fitness = neighbor_fitness;
        
        if neighbor_fitness < best_fitness
            best_solution = neighbor;
            best_fitness = neighbor_fitness;
        end
    end
end

optimized_solution = best_solution;
end

function neighbor = generate_neighbor(solution)
% 生成邻域解
neighbor = solution;
n_changes = randi(3);  % 随机改变1-3个位置

for i = 1:n_changes
    pos = randi(length(solution));
    if solution(pos) > 0
        % 调整现有连接
        neighbor(pos) = max(0, solution(pos) + 0.2 * (rand - 0.5));
    else
        % 可能添加新连接
        if rand < 0.2
            neighbor(pos) = rand * 0.3;
        end
    end
end

neighbor = ensure_feasibility(neighbor);
end

function analyze_solution(solution, hot_streams, cold_streams)
% 分析优化解
n_hot = size(hot_streams, 1);
n_cold = size(cold_streams, 1);
match_matrix = reshape(solution, [n_hot, n_cold]);

fprintf('\n=== 换热网络结构分析 ===\n');
fprintf('热流\t冷流\t热负荷(kW)\t存在换热器\n');

n_exchangers = 0;
total_heat_recovery = 0;

for i = 1:n_hot
    Q_hot_max = hot_streams(i, 3) * (hot_streams(i, 1) - hot_streams(i, 2));
    for j = 1:n_cold
        if match_matrix(i, j) > 0.01
            Q_cold_max = cold_streams(j, 3) * (cold_streams(j, 2) - cold_streams(j, 1));
            Q_match = match_matrix(i, j) * min(Q_hot_max, Q_cold_max);
            fprintf('H%d\tC%d\t%.1f\t\t是\n', i, j, Q_match);
            n_exchangers = n_exchangers + 1;
            total_heat_recovery = total_heat_recovery + Q_match;
        end
    end
end

fprintf('\n换热器总数: %d\n', n_exchangers);
fprintf('总热回收量: %.1f kW\n', total_heat_recovery);

% 计算热回收率
total_hot_duty = sum(hot_streams(:, 3) .* (hot_streams(:, 1) - hot_streams(:, 2)));
heat_recovery_rate = total_heat_recovery / total_hot_duty * 100;
fprintf('热回收率: %.1f%%\n', heat_recovery_rate);
end

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇