本發(fā)明涉及適配器設(shè)計(jì)，尤其涉及一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法。

背景技術(shù)：

1、箱式發(fā)射是導(dǎo)彈發(fā)射的一種常見方式，其中適配器是連接導(dǎo)彈和發(fā)射箱的關(guān)鍵部件，對(duì)導(dǎo)彈起到固定、減震和徑向支撐作用還起到對(duì)導(dǎo)彈發(fā)射的導(dǎo)引作用。為提高導(dǎo)彈儲(chǔ)存安全和發(fā)射性能，需要對(duì)適配器的結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)。

2、在現(xiàn)有技術(shù)中，基于深度學(xué)習(xí)的超材料優(yōu)化設(shè)計(jì)方法通常采用神經(jīng)網(wǎng)絡(luò)模型(dnn)作為目標(biāo)函數(shù)評(píng)估器，并結(jié)合遺傳算法等智能優(yōu)化算法對(duì)設(shè)計(jì)變量進(jìn)行優(yōu)化。這種方法需要在初始化階段評(píng)估多個(gè)不同個(gè)體的目標(biāo)函數(shù)值，以保持種群的多樣性，并在每次迭代中進(jìn)行大量的目標(biāo)函數(shù)計(jì)算。由于評(píng)估支撐性能需進(jìn)行幾何建模和坐標(biāo)離散化，仍然需要一定的計(jì)算時(shí)間，因此整體優(yōu)化流程較為耗時(shí)。

3、因此，尋找一種既能夠降低計(jì)算開銷，提高適配器設(shè)計(jì)建模效率，又能夠提高評(píng)估支撐性能的方法，是本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提出了一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，其能夠利用訓(xùn)練好的不確定性量化模型對(duì)參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行性能評(píng)估和參數(shù)優(yōu)化，并確定最優(yōu)權(quán)重參數(shù)，進(jìn)而確定適配器的最優(yōu)設(shè)計(jì)參數(shù)，提高適配器優(yōu)化設(shè)計(jì)效率及準(zhǔn)確率。

2、本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：本發(fā)明提供了一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，包括以下步驟：

3、s1、采用拉丁超立方采樣法生成適配器構(gòu)型樣本，通過有限元模型獲取應(yīng)變場(chǎng)數(shù)據(jù)，將適配器構(gòu)型樣本輸入?yún)?shù)和應(yīng)變場(chǎng)分布作為訓(xùn)練集訓(xùn)練不確定性量化模型；

4、s2、將訓(xùn)練后的不確定性量化模型作為近似代理模型，用于計(jì)算目標(biāo)函數(shù)；

5、s3、構(gòu)建參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)，并使用訓(xùn)練集和訓(xùn)練后的不確定性量化模型對(duì)參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)，所述訓(xùn)練后的參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸出為適配器的最優(yōu)設(shè)計(jì)參數(shù)。

6、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，所述參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程具體包括：

7、將訓(xùn)練集輸入至參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)，初始化參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)；

8、計(jì)算訓(xùn)練集中每個(gè)適配器構(gòu)型樣本點(diǎn)的支撐性能，并形成支撐性能序列，確定支撐性能序列中的最大值，將最大值作為適配器的當(dāng)前設(shè)計(jì)參數(shù)；

9、采用反向傳播對(duì)隨機(jī)初始化的參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸出值接近支撐性能最大的設(shè)計(jì)變量，從而得到先驗(yàn)參數(shù)初始化參數(shù)；

10、使用訓(xùn)練后的不確定性量化模型和先驗(yàn)參數(shù)初始化參數(shù)對(duì)參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代優(yōu)化，得到最優(yōu)的模型參數(shù)；

11、根據(jù)最優(yōu)的模型參數(shù)參數(shù)確定適配器的最優(yōu)設(shè)計(jì)參數(shù)，所述不確定性量化模型的輸出為適配器的最優(yōu)設(shè)計(jì)參數(shù)。

12、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，所述對(duì)參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練具體包括：

13、使用adamw優(yōu)化器根據(jù)參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的損失函數(shù)和當(dāng)前參數(shù)優(yōu)化神經(jīng)模型的權(quán)重參數(shù)進(jìn)行參數(shù)優(yōu)化，得到先驗(yàn)參數(shù)初始化參數(shù)。

14、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，所述迭代優(yōu)化的過程具體包括：

15、步驟一、根據(jù)先驗(yàn)參數(shù)初始化參數(shù)確定適配器的當(dāng)前設(shè)計(jì)參數(shù)；

16、步驟二、根據(jù)適配器的當(dāng)前設(shè)計(jì)參數(shù)進(jìn)行幾何變形和網(wǎng)格生成，得到采樣點(diǎn)；

17、步驟三、使用訓(xùn)練后的不確定性量化模型根據(jù)采樣點(diǎn)和適配器的當(dāng)前設(shè)計(jì)參數(shù)進(jìn)行支撐性能評(píng)估，得到當(dāng)前采樣點(diǎn)損失函數(shù)與目標(biāo)函數(shù)；

18、步驟四、對(duì)比子代目標(biāo)函數(shù)與最優(yōu)目標(biāo)函數(shù)，并更新，利用adams優(yōu)化器對(duì)參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行更新，得到新一代參數(shù)；

19、步驟五、重復(fù)步驟一到步驟四，直至達(dá)到迭代停止條件，保存迭代優(yōu)化后參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的優(yōu)化權(quán)重參數(shù)。

20、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，使用訓(xùn)練后的不確定性量化模型根據(jù)采樣點(diǎn)和適配器的當(dāng)前設(shè)計(jì)參數(shù)進(jìn)行支撐性能評(píng)估，具體包括：

21、將采樣點(diǎn)和適配器的當(dāng)前設(shè)計(jì)參數(shù)輸入至訓(xùn)練后的不確定性量化模型，計(jì)算采樣點(diǎn)的置信區(qū)間；

22、根據(jù)置信區(qū)間確定目標(biāo)函數(shù)，并確定目標(biāo)函數(shù)的最小值。

23、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，置信區(qū)間的計(jì)算公式為：

24、

25、其中，x表示采樣點(diǎn)，gcnfa-uq表示訓(xùn)練后的不確定性量化模型，m表示置信區(qū)間的索引，lk表示第k次迭代時(shí)適配器的設(shè)計(jì)參數(shù)，表示適配器的當(dāng)前設(shè)計(jì)參數(shù)。

26、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，所述目標(biāo)函數(shù)的計(jì)算公式為：

27、

28、其中，jk表示支撐性能，sup(ci)表示求置信區(qū)間ci的上界，nk表示第k次迭代時(shí)采樣點(diǎn)的個(gè)數(shù)。

29、更進(jìn)一步優(yōu)選的，所述訓(xùn)練集包括適配器構(gòu)型樣本點(diǎn)的設(shè)計(jì)變量、載荷和應(yīng)變場(chǎng)數(shù)據(jù)。

30、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，所述適配器由蜂窩狀單胞結(jié)構(gòu)排列組成，適配器的設(shè)計(jì)變量個(gè)數(shù)為6。

31、本發(fā)明的適配器優(yōu)化設(shè)計(jì)方法相對(duì)于現(xiàn)有技術(shù)具有以下有益效果：

32、(1)通過拉丁超立方采樣法有效地生成了適配器構(gòu)型樣本，并利用有限元模型獲得了相應(yīng)的應(yīng)變場(chǎng)數(shù)據(jù)，將適配器構(gòu)型樣本和應(yīng)變場(chǎng)數(shù)據(jù)作為訓(xùn)練集訓(xùn)練不確定性量化模型，利用訓(xùn)練好的不確定性量化模型對(duì)參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行性能評(píng)估和參數(shù)優(yōu)化，并確定最優(yōu)權(quán)重參數(shù)，進(jìn)而確定適配器的最優(yōu)設(shè)計(jì)參數(shù)，提高適配器優(yōu)化設(shè)計(jì)效率及準(zhǔn)確率；

33、(2)通過將訓(xùn)練集中的適配器構(gòu)型樣本點(diǎn)及支撐信息作為參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，在每次迭代優(yōu)化中都使用訓(xùn)練好的不確定性量化模型對(duì)適配器的當(dāng)前設(shè)計(jì)參數(shù)進(jìn)行性能評(píng)估，使參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)逐步逼近最優(yōu)權(quán)重參數(shù)，有效規(guī)避由于不確定性導(dǎo)致的優(yōu)化失真，提高適配器設(shè)計(jì)優(yōu)化的可靠性和魯棒性。

技術(shù)特征：

1.一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，其特征在于，所述參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程具體包括：

3.如權(quán)利要求2所述的一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，其特征在于，所述對(duì)參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練具體包括：

4.如權(quán)利要求3所述的一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，其特征在于，所述迭代優(yōu)化的過程具體包括：

5.如權(quán)利要求4所述的一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，其特征在于，使用訓(xùn)練后的不確定性量化模型根據(jù)采樣點(diǎn)和適配器的當(dāng)前設(shè)計(jì)參數(shù)進(jìn)行支撐性能評(píng)估，具體包括：

6.如權(quán)利要求5所述的一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，其特征在于，置信區(qū)間的計(jì)算公式為：

7.如權(quán)利要求6所述的一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，其特征在于，所述目標(biāo)函數(shù)的計(jì)算公式為：

8.如權(quán)利要求1所述的一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，其特征在于，所述訓(xùn)練集包括適配器構(gòu)型樣本點(diǎn)的設(shè)計(jì)變量、載荷和應(yīng)變場(chǎng)數(shù)據(jù)。

9.如權(quán)利要求1所述的一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，其特征在于，所述適配器由蜂窩狀單胞結(jié)構(gòu)排列組成，適配器的設(shè)計(jì)變量個(gè)數(shù)為6。

技術(shù)總結(jié)
本發(fā)明提出了一種基于參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的適配器優(yōu)化設(shè)計(jì)方法，屬于適配器設(shè)計(jì)領(lǐng)域，包括：S1、采用拉丁超立方采樣法生成適配器構(gòu)型樣本，通過有限元模型獲取應(yīng)變場(chǎng)數(shù)據(jù)，將適配器構(gòu)型樣本輸入?yún)?shù)和應(yīng)變場(chǎng)分布作為訓(xùn)練集訓(xùn)練不確定性量化模型；S2、將訓(xùn)練后的不確定性量化模型作為近似代理模型，用于計(jì)算目標(biāo)函數(shù)；S3、構(gòu)建參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)，并使用訓(xùn)練集和訓(xùn)練后的不確定性量化模型對(duì)參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)，所述訓(xùn)練后的參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸出為適配器的最優(yōu)設(shè)計(jì)參數(shù)。本申請(qǐng)利用訓(xùn)練好的不確定性量化模型對(duì)參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行性能評(píng)估和參數(shù)優(yōu)化，并確定最優(yōu)權(quán)重參數(shù)，進(jìn)而確定適配器的最優(yōu)設(shè)計(jì)參數(shù)，提高適配器優(yōu)化設(shè)計(jì)效率及準(zhǔn)確率。

技術(shù)研發(fā)人員：謝婷麗,權(quán)德森威,周奇,胡杰翔,羅舒楊,黃旭豐,吳金紅,龍?zhí)?金正龍,李保平
受保護(hù)的技術(shù)使用者：華中科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/14