《Annals of Nuclear Energy》：Core optimization method using improved HHO with MLP-based screening for minor actinide transmutation in fast reactors
编辑推荐：
•用于MA转化快堆的核心优化方法。•对HHO搜索机制的改进。•基于MLP的有效增殖因子与MA转化筛选方法。•改进方法与其他搜索算法的比较。引言高放射性废物中的次级锕系元素可通过快堆转化为半衰期更短、辐射毒性更低的核素（Takeda, 2016）。此外，快堆还被期望具备在预期瞬态无
- •
用于MA转化快堆的核心优化方法。
- •
对HHO搜索机制的改进。
- •
基于MLP的有效增殖因子与MA转化筛选方法。
- •
改进方法与其他搜索算法的比较。
引言
高放射性废物中的次级锕系元素可通过快堆转化为半衰期更短、辐射毒性更低的核素（Takeda, 2016）。此外，快堆还被期望具备在预期瞬态无停堆情况下保持核心完整性的安全特性，即当反应堆的停堆功能失效时仍能维持稳定状态（Ninokata, 2011）。在各类预期瞬态场景中，由于控制棒意外抽出导致反应堆功率迅速上升的无保护瞬态过功率状况，极有可能引发严重的核心损伤，甚至燃料熔化（Fukui University, 2021）。同时，核心设计参数的变化，如钚的富集程度以及次级锕系元素的含量，会共同影响无保护瞬态过功率条件下与核心完整性相关的多项核特性，包括反应性系数和功率分布情况（Japan Atomic Energy Agency, 2009）。
因此，人们开展了大量快堆设计研究，旨在在包括无保护瞬态过功率在内的各种预期瞬态条件下，提升MA的转化效率的同时保证核心完整性（Fujimura et al., 2023, Fuchita et al., 2020, Fujimura et al., 2025）。为实现这一目标，通常会考虑高维度的设计参数来进行反应堆核心的设计与分析。然而，这些设计参数的组合数量极为庞大，要逐一进行详尽分析几乎是不可能的。为此，为了找到快堆设计参数的最优值及最优组合，采用搜索算法进行核心优化被证明是一种有效方法，这类算法能够高效地筛选出最优的设计参数。目前已有不少关于快堆核心优化的研究。华沙理工大学的某项研究中（?urkowski et al., 2021），用于优化的设计参数仅限于三到五个维度，比如钚的同位素组成。该研究还将与快堆安全性相关的钠空洞反应性作为评估指标，但并未针对预期瞬态场景开展专门的优化分析。另一项基于日本原子能机构开发的ARKADIA框架的研究中（Hamase et al., 2024），虽然设计参数的数量也较为有限，但确实考虑了预期瞬态条件下的安全性优化。此外，北卡罗来纳州立大学开发的优化框架也被应用于包含七维设计参数的核心优化任务。不过，这类核心优化所面临的约束条件主要局限于保持钠空洞反应性在指定阈值以下，且并未直接考虑预期瞬态场景的影响（Zeng et al., 2020）。西屋电气公司和阿贡国家实验室开展的一项研究则对大量核心设计参数进行了大规模的多目标核心优化（Stauff et al., 2021）。该研究引入了一种能够同时兼顾安全相关约束条件和瞬态分析的集成分析框架，但并未将预期瞬态条件下的核心完整性直接作为目标函数或约束条件。因此，目前尚未有足够多的研究能够同时考虑预期瞬态场景，并对高维度的核心设计参数进行优化。
目前有多种搜索算法被用于优化任务。有研究表明，遗传算法、粒子群优化算法、模拟退火算法、差分进化算法以及蚁群优化算法这五种算法的引用次数较多，是被广泛应用的常用搜索算法（Rajwar et al., 2023）。不过，这些算法诞生于大约20到40年前，近十年来又出现了许多新的搜索算法。
其中，哈里斯鹰优化算法受到了较多关注（Heidari et al., 2019）。该算法诞生于2019年，其灵感来源于鹰捕猎兔子的群体协作行为。它已被应用于工程、医学、图像处理等多个领域的优化问题，并且其有效性已经得到了验证。此外，还有研究认为该算法是效果最佳的搜索算法之一（Shehab et al., 2022）。哈里斯鹰优化算法具有多项显著优势，既能够有效平衡全局搜索和局部搜索，算法结构也十分简单，便于进一步扩展应用（Alabool et al., 2021, Wang and Wei, 2025）。实际上，该算法的多目标优化以及离散变量优化版本早已被实现（Akku? and Yüzge?, 2020, Houssein, 2023）。大多数传统优化算法除了需要设定搜索个体的种群规模和迭代次数外，还需要设置两到四个超参数，这不仅增加了参数选择的难度，还可能大幅降低优化效果（Rajwar et al., 2023, Talbi, 2009, Ismail and Halim, 2017）。相比之下，哈里斯鹰优化算法基本上无需设置超参数（Shehab et al., 2022）。另有研究显示，在多个基准测试问题中，该算法的搜索性能优于遗传算法、粒子群优化算法和差分进化算法。随着优化参数维度的增加，前三种算法的搜索性能往往会出现明显下降，而哈里斯鹰优化算法的搜索性能则能保持相对稳定（Heidari et al., 2019）。正因如此，该算法被认为具有极大的应用潜力。从各搜索算法代表性论文发表后的年度引用趋势来看，哈里斯鹰优化算法的引用增长速度明显快于其他主流搜索算法，这一趋势表明该算法的应用正在快速拓展。目前也有研究将该算法应用于考虑钠空洞反应性的快堆简化核心优化任务中，用于MA的转化处理（Kawasaki, 2024）。不过，当需要在考虑预期瞬态条件下的核心完整性的同时优化高维度的核心设计参数时，搜索空间会变得更大，约束条件也会更加严格。在这样的条件下，现有的搜索算法在搜索性能方面可能会遇到限制。
因此，提升核心优化算法的搜索性能，对于解决面临严格约束条件的快堆核心优化问题而言至关重要。此外，通过对哈里斯鹰优化算法进行改进，或是将其与其他优化方法相结合，有望开发出性能更优异的核心优化方法。基于此，本研究以哈里斯鹰优化算法为基础，对快堆设计参数的核心优化方法进行了改进，旨在同时提升MA的转化效率，并保证在预期瞬态条件下的核心完整性。第2节将介绍该核心优化方法的改进内容。第3节会说明计算条件，并详细分析应用改进后的方法解决核心优化问题所获得的结果。第4节则将把改进后的方法与粒子群优化算法、遗传算法这两种典型的搜索算法一起应用于多个核心优化问题并进行对比。最后，第5节会总结本研究的结论。
章节要点
核心优化方法的改进
本节介绍了本研究中对核心优化方法所做的改进，即改进型哈里斯鹰多层感知器优化算法，该算法在原有哈里斯鹰优化算法的基础上，加入了基于多层感知器的筛选机制，并对搜索机制进行了优化。
计算条件
在本研究中，预期瞬态无停堆条件下的核心完整性指标被定义为避免在无保护瞬态过功率情况下发生燃料颗粒熔化。通常要对无保护瞬态过功率情况进行评估，就需要进行瞬态分析，但这类分析的计算成本极高。因此，本研究采用了更为简化的评估标准，仅需利用稳态核心计算得到的信息，即可判断燃料是否会在无保护瞬态过功率情况下发生熔化（Takeda et al., 2025, Takeda et al., 2026）。要应用这一无保护瞬态过功率评估标准，需要相关数据……
改进型哈里斯鹰多层感知器优化算法与其他搜索算法的比较
改进型哈里斯鹰优化算法、改进型哈里斯鹰多层感知器优化算法以及其他几种搜索算法被应用于两类具有不同优化参数组合的核心优化问题（案例1和案例2），通过对比这几种算法的优化结果，可以评估改进型哈里斯鹰多层感知器优化算法的实际效果。案例1对应的是本研究之前所使用的问题，案例2的优化参数则列在表5中。作为与改进型哈里斯鹰多层感知器优化算法进行对比的基准算法，选择了粒子群优化算法和遗传算法，因为……
结论
本研究以哈里斯鹰优化算法为基础，对需要满足严格约束条件的快堆核心优化方法进行了改进，形成了改进型哈里斯鹰多层感知器优化算法。具体而言，首先对哈里斯鹰优化算法的搜索机制进行了优化，同时还将其与基于多层感知器的筛选机制结合到了核心优化方法中。
通过对哈里斯鹰优化算法搜索机制的改进，可以针对每个优化参数分别确定搜索方向和变化幅度，从而在探索过程中减少方向偏差。此外……
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
Chikara Kawasaki|Takanori Kitada|Satoshi Takeda
