مجدد در LP تلقی شود. جریانهای گرم را  ریاضی در برنامه نویسی می توان به عنوان منابع و جریانهای سرد را مقصد در نظر گرفت. گرما را می توان از منابع به مقاصد از طریق برخی از مکانهای مبادله واسطه منتقل کرد ، جایی که نیروی محرک ΔTmin باید تضمین شود. این برابر است با فواصل دما در الگوریتم جدول مشکل ، همانطور که در بخش 13.2 فرموله شده است. جریان انرژی از منبع آب گرم شروع می شود. انرژی مازاد قابل انتقال به جریانهای سرد را می توان در فواصل دمایی پایین تر ، و سرانجام ، به ابزار سرد منتقل کرد. نتیجه یک هدف گیری کامل از مشکل بازیابی است ، همانطور که در بخش 13.3 توسعه داده شده است ، جایی که ریاضی در برنامه نویسی  می توان یک خرج کردن را به وضوح تعریف کرد. علاوه بر این ، می توان مشکل را با در نظر گرفتن مطابقت فیزیکی با استفاده از الگوریتم MILP بسط داد. لازم به ذکر است که راه حل ممکن است منحصر به فرد نباشد. ممکن است چندین شبکه با هزینه یکسان ابزار و سخت افزار وجود داشته باشد. برعکس ، در صورت وجود حلقه ها ، یک شبکه مشابه ممکن است بارهای حرارتی توزیع متفاوتی داشته باشد. شایان ذکر است که این روش می تواند مستقیماً کبریت های ممنوعه یا تحمیلی را درمان کند.

در روش همزمان ، یک روبنای موجود به طور دقیق توسط برنامه نویسی غیر خطی صحیح مختلط (MINLP) بهینه می شود. مدل سازی بر اساس ساخت مرحله ای روبنا برای هر فاصله دما است. در هر مرحله بالقوه ، تبادل حرارت بین هر جفت جریان گرم و سرد ممکن است انجام شود. بر این اساس ، هر جریان گرم تقسیم شده و جهت مطابقت با تمام جریانهای سرد و متقابل هدایت می شود. در یک تقریب اول ، خروجی مبدل ها به  ریاضی در برنامه نویسی خوبی مخلوط شده اند. اینها همچنین متغیرهای بهینه سازی هستند. تعداد مراحل را می توان برابر با فواصل دما تنظیم کرد. یافتن تعداد کبریت ها شبیه به مدل ترانشیپشن گسترده است. با این حال ، محدودیت Pinch را می توان به راحتی حذف کرد ، در نتیجه منجر به شبکه هایی می شود که واحدها ، سرمایه و انرژی را به طور همزمان به حداقل می رساند. سایر  iranian cyber ویژگی های ساختاری مانند تقسیم بخار و دور زدن را می توان در نظر گرفت.

Pinch Analysis و MPR بسیار مکمل یکدیگر هستند. تجزیه و تحلیل خرج کردن یک روش تحقیق ریاضی در برنامه نویسی  سیستماتیک ارزشمند است که کاملاً در ترمودینامیک و بر اساس ابزارهای ساده گرافیکی بصری متصل شده است. این یک تصویر جهانی گام به گام از مشکل حل شده ارائه می دهد ، راه حل های متوسط ​​را پیشنهاد می کند ، و بنابراین خلاقیت را به شدت تحریک می کند. از سوی دیگر ، هنگامی که محاسبات ریاضی در برنامه نویسی  خسته کننده یا بیش از حد می شوند ، استفاده از یک ابزار الگوریتمی خودکار بسیار مطلوب است. امروزه ، MPR در بسته های مبتنی بر PPA جاسازی شده است و به شما این امکان را می دهد تا از مشکلات صرفه جویی در انرژی ، راه حلی مطمئن داشته باشید.

1. معرفی

برنامه نویسی ریاضی به طور گسترده ای برای حل مدلهای بهینه سازی مرتبط با مشکلات تصمیم گیری در سطوح مختلف تصمیم گیری سلسله مراتبی استفاده شده است. به طور کلی ، این مدل های بهینه سازی برای استفاده در چارچوب های تصمیم گیری جامع توسعه یافته اند و به اندازه کافی قابل تنظیم هستند تا مشکلات مشابه را با محتوا یا ساختار داده ورودی یکسان حل کنند. با این حال ، اگر ویژگی های مشکل تغییر کند ، مدل بهینه سازی ریاضی در برنامه نویسی باید با اصلاح عناصر داده ورودی (مجموعه ها ، پارامترها ، متغیرها) یا اضافه کردن/اصلاح محدودیت های آن به روز شود. همچنین ، روشهای مدل سازی مورد استفاده در هر یک از سطوح سلسله مراتبی فوق ممکن است متفاوت باشد. با این وجود ، استفاده از استانداردها برای ساختاربندی مشکلات برای پشتیبانی از مدل سازی سیستماتیک بدون تغییر هسته الگوریتمی روشهای راه حل پیشنهاد شده است (Harjunkoski et al. 2014). به عنوان یک گام دیگر ، مدل سازی هستی شناسی را می توان حتی برای ادغام سیستم های تحلیلی و معاملاتی در مدیریت زنجیره تامین (SC) مورد استفاده قرار داد (Laínez and Puigjaner 2012).

در این خط ، هستی شناسی حوزه محدودیت مفهومی (CC) برای تعمیم ریاضی در برنامه نویسی  استفاده از محدودیت های خاص (Dombayci و Espuña 2017) و نحوه مدل سازی محدودیت ها در حوزه ریاضی پیشنهاد می شود (Muñoz et al.، 2014). بر اساس دامنه CC ، یک روش سیستماتیک برای ایجاد و حل مشکلات تصمیم گیری عمومی در طیف وسیعی از سناریوها پیشنهاد شده است. این بر اساس تجزیه و تحلیل اطلاعات موجود و الگوهای قبلاً شناسایی شده از مدل های بهینه سازی است ، به طوری که زمان و تلاش مورد نیاز برای انجام کارهای مدل سازی مکرر به میزان قابل توجهی کاهش می یابد