基于粒子群算法的一键数据中心智能布局

廖霄 许文民 李光泰 邓振华 张少峰

摘 要：为了实现数据中心的工艺布局优化设计，提出了一种基于粒子群算法的智能布局优化方案。本文主要阐述粒子群算法的概念、原理及在数据中心工艺布局应用中的优势，分析了智能布局的定义及其基本工作原理，深度剖析智能布局在数据中心的应用现状及发展趋势。

关键词：粒子群算法;智能布局;一键布局;

1前言

随着计算机应用技术的迅速发展，人们对高效优化技术和智能计算技术提出了更高更新的要求。鉴于数据中心实际工程问题的多专业性、复杂性、约束性、非线性、多局部极小和建模困难等特点，寻找适合于工程实践需求的新型智能优化方法是重要研究方向之一，粒子群优化算法为复杂优化问题的解决提供了一条十分有效的新途径。

传统数据中心规划设计中，工艺布局是耗时最长、最复杂的任务之一，通常分为IT机房布局、支持辅助及其他区域布局、管线路由规划、物流运输规划、人员流动规划、建筑结构设计等几个环节。随着数据中心朝着大型、超大型发展，设计复杂程度不断增加，目前主流设计平台软件（ AutoDesk、Bentley、Dassault）和绘图软件开发公司缺乏高效便捷的数据中心专业工艺布局设计辅助工具，采用传统的手动二维绘图无法快速求出布局最优解，需依靠设计师经验不断绘图尝试找出最优解，寻找途径将设计师的丰富经验转化为人工智能算法，研发符合数据中心专业设计习惯和设计流程的辅助设计软件，融入算法以快速求得数据中心工艺布局的最优解，对提高设计效率和设计决策意义重大。

本文提出了一种基于粒子群算法的数据中心智能布局解决方案，能有效提高设计效率，为设计提供决策依据，使数据中心布局设计更加标准化、数字化、参数化、智能化。

2粒子群优化算法

2.1算法概述

粒子群优化算法（Particle Swarm Optimization，PSO）是一种进化计算技术（evolutionarycomputation），1995年由Eberhart博士和kennedy博士提出，又翻译为粒子群算法、微粒群算法、或微粒群优化算法，是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。源于对鸟群捕食的行为研究。区域内有大大小小不同的食物源，鸟群的任务是找到最大的食物源（全局最优解）。鸟群在捕食过程中，通过相互传递各自位置信息，让其他的鸟知道食物源的位置，逐步收敛，最终整个鸟群都能聚集在食物源周围，即我们所说的找到了最优解。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。

2.2智能布局设计相关概念

智能布局是人工智能在设计领域的一个重要研究领域，其主要思想是：对现有资源（空间参数）进行认识与分析，根据预定实现的目标，对若干所提供的资源限制和相关约束进行推理，综合制定出实现目标的动作序列。该动作序列即称为一个布局。智能布局可應用于完善数据中心IT机柜、配电柜、精密空调等相关族的空间参数，通过设计目标数字化输入、IT机柜设计目标的输入、空间计算、布局评估、BIM模型创建，实现智能布局的三维展示、IT机柜数量统计、配电和制冷设施布置、布局多方案对比及机电管线连接功能。

2.3智能布局的粒子群优化算法

数据中心智能布局的粒子群优化算法（Particle Swarm Optimization，PSO）将数据中心的每个工艺布局方案定义为一个粒子，最优的方案是粒子飞行的方向，方案的性能参数与所输入设计参数的差异度作为粒子飞行的距离，方案的性能参数与所输入设计参数的匹配度作为粒子飞行的速度。通过对粒子飞行的方向、距离和速度的比对，从而得到智能布局的最优方案。

改进的PSO算法求解过程

数据中心智能布局的粒子算法中会通过两个数学公式来进行求解：

其中，v[ ]是粒子的速度;

present[ ]是当前粒子的位置;

pbest[ ]表示个体最优解，即粒子本身的最优解;

gbest[ ]表示全局最优解，即种群的最优解;

rand（ ）是介于（0，1）之间的随机数;

c1、c2是学习因子;通常c1=c2=2。

伪代码实现如下：

在计算开始之初，每一维的粒子的速度都会被限制一个Vmax的最大速度，当发生某一维更新后的新速度超过了起初设定的Vmax，得到Vmax’，则这一维的速度将被设定在Vmax’，以此类推往下进行计算，直至得到最终结果。

基于PSO的数据中心智能布局实例

设计师在仅知道数据中心建筑空间的情况下，通过输入“设计方案”信息以及主要功能用房（包括IT机房、配电室、电池室、空调机房等）设计要求参数，即可自动输出计算结果和生成数据中心布局方案，提供数据中心包括IT机房、IT机房、配电室、电池室、空调机房等主要功能用房区域的自动化智能布局，具有一键布局、机房布局、配电室布局、电池室布局等功能。生成的布局方案可进行列示并自动保存至布局库中，包含展示布局图、功能空间综合占比、空调机房占比、配电室占比、电池室占比等。

以数据中心IT机房为例，根据GB50174《数据中心设计规范》里的相关规范条文，输入设计参数，如机柜族、机柜排列方式、机柜面对面距离、机柜背对背距离、前过道宽、后过道宽、左过道宽、右过道宽、障碍物距离等，具体参数除必选外均提供默认参数选择。

根据输入的设计参数，调用粒子算法得出机房占比方案，并以三维效果进行布局展示供设计人员参考决策：

以一键布局模式为例，数据中心智能布局设计流程如下：

（1）给定一个建筑平面图，系统自动实现房间的建模。

（2）一键布局，程序根据数据中心的设计规范，并且根据粒子群算法计算出电池室、配电室、空调房、机柜放入的房间及房间里的功能布局。

（3）如不需要一键布局，可以在（1）的基础上手工进行功能房间的指定，并根据指定结果按照各类型的布局规范及粒子群算法进行单功能房的布局，例如如果房间类型为IT机房，用户可选择输入机房布局参数或读取历史机房布局参数生成IT机房布局;如果房间类型为配电室，用户可选择输入配电室布局参数或读取历史配电室布局参数生成配电室布局;如果房间类型为电池室，用户可选择输入电池室布局参数或读取历史电池室布局参数生成电池室布局。

（4）所有房间布局生成完成后进行相关的电量计算、暖通冷热负荷计算，最后输出计算结果和布局方案。

（5）根据多目标智能优化原则，对输出的十六种布局方案进行优化选择，输出3-5种最优方案。

（6）将选定的布局方案保存至设计库供选择使用。

（7）在Revit或者其他三维建模工具，导入设计库的布局方案，在建模工具上根据设计库的布局方案自动生成三维的布局方案并导出工程量图或者施工图。

根据以上步骤，可以实现给定建筑物的数据中心的一键布局，并能够输出各种布局的比较方案，从而输出最优解。

结语

本文针对数据中心工艺布局模型，通过对数据中心工艺的分析，总结出数据中心工艺各专业关联数据，建立一种基于粒子群算法的智能优化算法的数据中心智能布局设计解决方案。该方案有效解决了BIM数据中心正向设计实施前期困难的问题，满足数据中心设计中的优化布局和建模需求，该方法后续还可扩展至于数据中心其他系统模型的自动布局，如自动布线、线缆识别及三维展示功能等。

参考文献

[1]徐浩天.基于粒子群算法的多维优化改进与应用研究[D].哈尔滨师范大学，2021.

[2]杨鹏，孙瑞.数据中心功能布局设计研究[A]. 中冶建筑研究总院有限公司.2021年工业建筑学术交流会论文集（上册）[C].中冶建筑研究总院有限公司：工业建筑杂志社，2021：5.

[3]张樊，廖列法.智能优化算法背景下的设备布局设计分析[J].电子技术与软件工程，2021（08）：170-171.

[4]李凌杰.基于资源分配策略的多目标智能优化算法研究[D].深圳大学，2020.