一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法
【專利摘要】本發(fā)明針對(duì)飛行器氣動(dòng)外形優(yōu)化問題，提出了一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法。該方法首先根據(jù)不同的氣動(dòng)外形參數(shù)構(gòu)建多個(gè)氣動(dòng)外形作為樣本，采用數(shù)值分析方法獲得每個(gè)樣本的目標(biāo)函數(shù)?；跇颖緮?shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)集成方法構(gòu)建目標(biāo)函數(shù)近似模型。與數(shù)值分析方法相比，近似模型精度較低但計(jì)算量小得多。將目標(biāo)函數(shù)近似模型與直接搜索算法結(jié)合進(jìn)行優(yōu)化搜索，在搜索過程中基于一定的策略調(diào)用數(shù)值分析方法或近似模型獲取目標(biāo)函數(shù)，直至獲得最優(yōu)氣動(dòng)外形。該方法能在保證優(yōu)化效果的前提下，有效減少優(yōu)化過程中數(shù)值分析的次數(shù)，提高優(yōu)化設(shè)計(jì)效率和質(zhì)量，非常適用于飛行器氣動(dòng)外形優(yōu)化設(shè)計(jì)及相關(guān)的工程問題。
【專利說明】一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及飛行器氣動(dòng)外形設(shè)計(jì)領(lǐng)域。
【背景技術(shù)】
[0002]傳統(tǒng)的氣動(dòng)設(shè)計(jì)方法依靠設(shè)計(jì)者的經(jīng)驗(yàn)和分析能力來選擇外形，然后使用氣動(dòng)分析或風(fēng)洞實(shí)驗(yàn)對(duì)設(shè)計(jì)方案進(jìn)行評(píng)估并進(jìn)一步修改，如此反復(fù)以求獲得滿意的氣動(dòng)設(shè)計(jì)方案。當(dāng)外形復(fù)雜或約束條件眾多時(shí)，整個(gè)優(yōu)化過程不易掌握，要找到滿足不同約束條件的最優(yōu)外形非常困難。
[0003]數(shù)值優(yōu)化方法的基本思想是將優(yōu)化算法與氣動(dòng)分析軟件相結(jié)合，將氣動(dòng)優(yōu)化設(shè)計(jì)問題轉(zhuǎn)化為一個(gè)數(shù)學(xué)上的尋優(yōu)問題，依靠數(shù)值分析手段，解決氣動(dòng)外形優(yōu)化設(shè)計(jì)問題。與傳統(tǒng)優(yōu)化設(shè)計(jì)方法相比，這種方法采用的優(yōu)化算法有嚴(yán)格理論基礎(chǔ)，在優(yōu)化過程中也不需要人為的干預(yù)，因而比傳統(tǒng)氣動(dòng)外形設(shè)計(jì)方法具有明顯的優(yōu)勢(shì)。
[0004]在數(shù)值優(yōu)化設(shè)計(jì)方法中氣動(dòng)分析方法的精度越高，得到的優(yōu)化結(jié)果的可信度就越高，優(yōu)化結(jié)果就越可用?，F(xiàn)階段在飛行器氣動(dòng)設(shè)計(jì)中多采用求解RANS方程的數(shù)值分析方法進(jìn)行氣動(dòng)特性分析。由于數(shù)值求解RANS方程比較耗時(shí)，而在優(yōu)化中需多次進(jìn)行氣動(dòng)特性分析，因此采用RANS方程數(shù)值解法作為氣動(dòng)分析方法會(huì)帶來計(jì)算量大的問題，難以在工程設(shè)計(jì)中使用。

【發(fā)明內(nèi)容】

[0005]本發(fā)明解決的技術(shù)問題是:克服現(xiàn)有技術(shù)的不足，提供了一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法，提高優(yōu)化設(shè)計(jì)效率和質(zhì)量，在滿足總體裝載及其他專業(yè)約束的情況下，提升飛行器的飛行性能和操控品質(zhì)，減輕飛行器結(jié)構(gòu)重量，降低對(duì)伺服系統(tǒng)功率需求。
[0006]本發(fā)明的技術(shù)方案是:一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法，步驟如下:
[0007]I)選取氣動(dòng)外形參數(shù)作為設(shè)計(jì)變量；根據(jù)不同的氣動(dòng)外形參數(shù)構(gòu)建多個(gè)氣動(dòng)外形作為樣本，采用數(shù)值分析方法獲得每個(gè)樣本的目標(biāo)函數(shù)；
[0008]2)根據(jù)步驟I)獲得的每個(gè)樣本的目標(biāo)函數(shù)，采用神經(jīng)網(wǎng)絡(luò)集成方法構(gòu)建目標(biāo)函數(shù)近似模型；檢驗(yàn)?zāi)繕?biāo)函數(shù)近似模型對(duì)目標(biāo)函數(shù)的近似精度，如果近似精度小于預(yù)設(shè)值，則轉(zhuǎn)到步驟3);如果近似精度大于等于預(yù)設(shè)值，則重新構(gòu)建目標(biāo)函數(shù)近似模型；
[0009]3)將所有設(shè)計(jì)變量變化范圍均勻分成多個(gè)區(qū)域，形成網(wǎng)格；基于近似模型從所有網(wǎng)格點(diǎn)中獲取目標(biāo)函數(shù)大于閾值的網(wǎng)格點(diǎn)形成試探點(diǎn)集合G[Mk ;采用數(shù)值分析方法獲得試探點(diǎn)集合Tk中所有試探點(diǎn)的目標(biāo)函數(shù)f(x)，如果有Xs使得f (Xs) >f (Xk)，則設(shè)置Δ； ,=Δ; 6 = 6 + 1，并轉(zhuǎn)到步驟4)，其中Δ, =4 1L，Δ】為第m個(gè)設(shè)計(jì)變量在第k次迭代
搜索時(shí)的網(wǎng)格尺寸，I為非負(fù)整數(shù)，Lm為第m個(gè)設(shè)計(jì)變量變化范圍，Mk為第k次迭代搜索時(shí)的網(wǎng)格點(diǎn)集合，xk為第k次迭代搜索時(shí)的最優(yōu)解；如果所有試探點(diǎn)的目標(biāo)函數(shù)都小于等于f (Xk)，則將經(jīng)數(shù)值分析方法獲得的網(wǎng)格點(diǎn)加入到樣本中并跳回至步驟2)重新構(gòu)建目標(biāo)函數(shù)近似模型；[0010]4)在當(dāng)前最優(yōu)解附近閾值范圍內(nèi)選取網(wǎng)格點(diǎn)形成架構(gòu)點(diǎn)集合Xk，基于近似模型獲得架構(gòu)點(diǎn)集合Xk中所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)f (X)，根據(jù)獲得的每個(gè)構(gòu)架點(diǎn)的目標(biāo)函數(shù)值，按照從小到大的順序依次排列架構(gòu)點(diǎn)；用數(shù)值分析方法依次獲取架構(gòu)點(diǎn)目標(biāo)函數(shù)；如果有xp (Xp e Xk)使得f(Xp)>f(Xk)，則4+1=4，并轉(zhuǎn)到步驟3);如果所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)都小于等于f (Xk)，則轉(zhuǎn)到步驟5)；
[0011]5)判斷是否滿足預(yù)設(shè)的收斂條件；如果不滿足收斂條件，將網(wǎng)格尺寸變?yōu)樵鹊?/4，即，將經(jīng)數(shù)值分析方法獲得的架構(gòu)點(diǎn)加入到樣本中，并跳回步驟2)重新構(gòu)
建目標(biāo)函數(shù)近似模型；如果滿足收斂條件，則得到最優(yōu)解，停止迭代。
[0012]本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于:
[0013](I)采用近似模型進(jìn)行目標(biāo)函數(shù)分析比采用數(shù)值分析方法計(jì)算量小得多，因此可以極大提高優(yōu)化設(shè)計(jì)效率。
[0014](2)與單個(gè)神經(jīng)網(wǎng)絡(luò)相比，神經(jīng)網(wǎng)絡(luò)集成能提高近似模型對(duì)目標(biāo)函數(shù)的近似精度。
[0015](3)本發(fā)明能解決完全采用精度較低的近似模型獲取目標(biāo)函數(shù)可能帶來的優(yōu)化質(zhì)量問題。
[0016](4)采用本發(fā)明進(jìn)行氣動(dòng)外形優(yōu)化設(shè)計(jì)，計(jì)算量比不采用近似模型的優(yōu)化方法能減少90%。
[0017](5)本發(fā)明算法簡(jiǎn)單，容易實(shí)現(xiàn)，且可以推廣到其他專業(yè)優(yōu)化設(shè)計(jì)問題。
【專利附圖】

【附圖說明】
[0018]圖1本發(fā)明優(yōu)化設(shè)計(jì)方法流程圖；
[0019]圖2神經(jīng)網(wǎng)絡(luò)集成方法；
[0020]圖3本發(fā)明優(yōu)化收斂過程；
[0021 ] 圖4遺傳算法優(yōu)化收斂過程；
[0022]圖5本發(fā)明優(yōu)化前后翼型；
[0023]圖6本發(fā)明優(yōu)化前后翼型表面壓力分布。
【具體實(shí)施方式】
[0024]如圖1所示，本發(fā)明提出的氣動(dòng)外形優(yōu)化設(shè)計(jì)方法主要包括以下步驟:
[0025](I)選取氣動(dòng)外形參數(shù)作為設(shè)計(jì)變量。根據(jù)不同的氣動(dòng)外形參數(shù)構(gòu)建多個(gè)氣動(dòng)外形作為樣本，采用數(shù)值分析方法獲得每個(gè)樣本的目標(biāo)函數(shù)；
[0026](2)根據(jù)步驟(I)獲得的每個(gè)樣本的目標(biāo)函數(shù)，采用神經(jīng)網(wǎng)絡(luò)集成方法構(gòu)建目標(biāo)函數(shù)近似模型；檢驗(yàn)?zāi)繕?biāo)函數(shù)近似模型對(duì)目標(biāo)函數(shù)的近似精度；如果近似精度小于預(yù)設(shè)值，則轉(zhuǎn)到步驟(3);如果近似精度大于等于預(yù)設(shè)值，則重新構(gòu)建目標(biāo)函數(shù)近似模型；
[0027]圖2為神經(jīng)網(wǎng)絡(luò)集成方法:從樣本中隨機(jī)選擇樣本作為訓(xùn)練樣本構(gòu)建個(gè)體神經(jīng)網(wǎng)絡(luò)，剩余其他樣本用來檢測(cè)該個(gè)體神經(jīng)網(wǎng)絡(luò)的近似精度，依次方法構(gòu)建多個(gè)個(gè)體神經(jīng)網(wǎng)絡(luò)；在進(jìn)行目標(biāo)函數(shù)分析時(shí)，將所有個(gè)體神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)近似值進(jìn)行加權(quán)平均，作為神經(jīng)網(wǎng)絡(luò)集成的目標(biāo)函數(shù)近似值，其中個(gè)體神經(jīng)網(wǎng)絡(luò)權(quán)值根據(jù)近似精度確定，近似精度越高，權(quán)值越大。[0028](3)將所有設(shè)計(jì)變量變化范圍均勻分成多個(gè)區(qū)域，形成網(wǎng)格；基于近似模型從所有網(wǎng)格點(diǎn)中獲取目標(biāo)函數(shù)大于閾值的網(wǎng)格點(diǎn)形成試探點(diǎn)集合L CMk ;采用數(shù)值分析方法獲得試探點(diǎn)集合Tk中所有試探點(diǎn)的目標(biāo)函數(shù)f(x)，如果有Xs使得f (Xs) >f (Xk)，則設(shè)置K是=& + 1，并轉(zhuǎn)到步驟4)，其中Δα =4—為第m個(gè)設(shè)計(jì)變量在第k次迭代
搜索時(shí)的網(wǎng)格尺寸，I為非負(fù)整數(shù)，Lm為第m個(gè)設(shè)計(jì)變量變化范圍，Mk為第k次迭代搜索時(shí)的網(wǎng)格點(diǎn)集合，xk為第k次迭代搜索時(shí)的最優(yōu)解；如果所有試探點(diǎn)的目標(biāo)函數(shù)都小于等于f (Xk)，將數(shù)值分析方法獲得的網(wǎng)格點(diǎn)加入到樣本中并跳回至步驟⑵重新構(gòu)建目標(biāo)函數(shù)近似模型；
[0029](4)在當(dāng)前最優(yōu)解附近閾值范圍內(nèi)選取網(wǎng)格點(diǎn)形成架構(gòu)點(diǎn)集合Xk，基于近似模型獲得架構(gòu)點(diǎn)集合Xk中所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)f (X)，根據(jù)獲得的每個(gè)構(gòu)架點(diǎn)的目標(biāo)函數(shù)值，按照從小到大的順序依次排列架構(gòu)點(diǎn)；用數(shù)值分析方法依次獲取架構(gòu)點(diǎn)目標(biāo)函數(shù)；如果有Xp (Xp e Xk)使得f(Xp)>f(Xk)，則= 并轉(zhuǎn)到步驟3);如果所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)都小于等于f (Xk)，則轉(zhuǎn)到步驟(5)；
[0030](5)判斷是否滿足預(yù)設(shè)的收斂條件；如果不滿足收斂條件，將網(wǎng)格尺寸變?yōu)樵鹊?/4，即Δ, I /4，將經(jīng)數(shù)值分析方法獲得的架構(gòu)點(diǎn)加入到樣本中，重新構(gòu)建目標(biāo)函數(shù)
近似模型，令k=k+l，轉(zhuǎn)到步驟(3);如果滿足收斂條件，則得到最優(yōu)解，停止迭代。
[0031]采用本發(fā)明對(duì)RAE2822翼型進(jìn)行升阻比最大化優(yōu)化設(shè)計(jì)，設(shè)計(jì)狀態(tài)在跨音速小迎角范圍內(nèi)，馬赫數(shù)為0.73，攻角為2.79°，雷諾數(shù)為6.5 X 106，約束條件為最大厚度和升力系數(shù)均不減小。近似模型構(gòu)建時(shí)樣本個(gè)數(shù)取為90個(gè)，神經(jīng)網(wǎng)絡(luò)集成個(gè)體網(wǎng)絡(luò)個(gè)數(shù)為70個(gè)。優(yōu)化搜索過程迭代了 20步，共調(diào)用93次原始模型，加上樣本分析調(diào)用的90次，整個(gè)優(yōu)化過程共調(diào)用了 183次原始模型。圖3給出優(yōu)化收斂過程。為了對(duì)比，圖4給出了遺傳算法優(yōu)化收斂過程，其中目標(biāo)函數(shù)完全采用原始模型計(jì)算，進(jìn)化代數(shù)為60，群體規(guī)模為30，共調(diào)用了 1800次原始模型。可見，兩種方法得到了幾乎相同的優(yōu)化效果。然而，本發(fā)明調(diào)用原始模型的次數(shù)要少得多，因此，計(jì)算量也少得多，比采用遺傳算法減少了約90%。
[0032]圖5和圖6分別給出了采用優(yōu)化后翼型的形狀以及相應(yīng)的翼型表面壓力分布。從圖中可以看出，翼型下表面形狀變化很小，上表面最大厚度位置后移，使得翼型前半部分變得相對(duì)平坦，最終基本消除了激波。經(jīng)本方法優(yōu)化后翼型的升力增加了 5.2%，阻力減小了24.5%，最終升阻比提高了 39.4%，優(yōu)化效果明顯。
[0033]本發(fā)明說明書中未作詳細(xì)描述的內(nèi)容屬本領(lǐng)域?qū)I(yè)技術(shù)人員的公知技術(shù)。
【權(quán)利要求】
1.一種基于神經(jīng)網(wǎng)絡(luò)集成的氣動(dòng)外形優(yōu)化方法，其特征在于步驟如下: 1)選取氣動(dòng)外形參數(shù)作為設(shè)計(jì)變量；根據(jù)不同的氣動(dòng)外形參數(shù)構(gòu)建多個(gè)氣動(dòng)外形作為樣本，采用數(shù)值分析方法獲得每個(gè)樣本的目標(biāo)函數(shù)； 2)根據(jù)步驟I)獲得的每個(gè)樣本的目標(biāo)函數(shù)，采用神經(jīng)網(wǎng)絡(luò)集成方法構(gòu)建目標(biāo)函數(shù)近似模型；檢驗(yàn)?zāi)繕?biāo)函數(shù)近似模型對(duì)目標(biāo)函數(shù)的近似精度，如果近似精度小于預(yù)設(shè)值，則轉(zhuǎn)到步驟3);如果近似精度大于等于預(yù)設(shè)值，則重新構(gòu)建目標(biāo)函數(shù)近似模型； 3)將所有設(shè)計(jì)變量變化范圍均勻分成多個(gè)區(qū)域，形成網(wǎng)格；基于近似模型從所有網(wǎng)格點(diǎn)中獲取目標(biāo)函數(shù)大于閾值的網(wǎng)格點(diǎn)形成試探點(diǎn)集合[Mk ;采用數(shù)值分析方法獲得試探點(diǎn)集合Tk中所有試探點(diǎn)的目標(biāo)函數(shù)f(x)，如果有Xs使得f (Xs) >f (Xk)，則設(shè)置K，& = & + 1，并轉(zhuǎn)到步驟4)，其中Δ!M為第m個(gè)設(shè)計(jì)變量在第k次迭代搜索時(shí)的網(wǎng)格尺寸，I為非負(fù)整數(shù)，Lm為第m個(gè)設(shè)計(jì)變量變化范圍，Mk為第k次迭代搜索時(shí)的網(wǎng)格點(diǎn)集合，xk為第k次迭代搜索時(shí)的最優(yōu)解；如果所有試探點(diǎn)的目標(biāo)函數(shù)都小于等于f (Xk)，則將經(jīng)數(shù)值分析方法獲得的網(wǎng)格點(diǎn)加入到樣本中并跳回至步驟2)重新構(gòu)建目標(biāo)函數(shù)近似模型； 4)在當(dāng)前最優(yōu)解附近閾值范圍內(nèi)選取網(wǎng)格點(diǎn)形成架構(gòu)點(diǎn)集合Xk，基于近似模型獲得架構(gòu)點(diǎn)集合Xk中所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)f (X)，根據(jù)獲得的每個(gè)構(gòu)架點(diǎn)的目標(biāo)函數(shù)值，按照從小到大的順序依次排列架構(gòu)點(diǎn)；用數(shù)值分析方法依次獲取架構(gòu)點(diǎn)目標(biāo)函數(shù)；如果有Xp (Xp e Xk)使得f (Xp) >f (Xk)，則Δmk+1+1 - Δ?，并轉(zhuǎn)到步驟3);如果所有架構(gòu)點(diǎn)的目標(biāo)函數(shù)都小于等于f (xk)，則轉(zhuǎn)到步驟5)； 5)判斷是否滿足預(yù)設(shè)的收斂條件；如果不滿足收斂條件，將網(wǎng)格尺寸變?yōu)樵鹊?/4，即Δ:+1 =△:/4，將經(jīng)數(shù)值分析方法獲得的架構(gòu)點(diǎn)加入到樣本中，并跳回步驟2)重新構(gòu)建目標(biāo)函數(shù)近似模型；如果滿足收斂條件，則得到最優(yōu)解，停止迭代。
【文檔編號(hào)】G06F17/50GK103488847SQ201310464213
【公開日】2014年1月1日 申請(qǐng)日期:2013年10月8日 優(yōu)先權(quán)日:2013年10月8日
【發(fā)明者】蘇偉, 張立坤, 陳剛, 李曉軒 申請(qǐng)人:北京航天長(zhǎng)征飛行器研究所, 中國(guó)運(yùn)載火箭技術(shù)研究院