一種耦合遺傳算法、神經(jīng)網(wǎng)絡(luò)與數(shù)值模擬的反向設(shè)計(jì)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及建筑的室內(nèi)環(huán)境設(shè)計(jì)領(lǐng)域，特別是一種耦合遺傳算法、神經(jīng)網(wǎng)絡(luò)與數(shù) 值模擬的室內(nèi)環(huán)境反向設(shè)計(jì)方法。
【背景技術(shù)】
[0002] 遺傳算法是一種典型的最優(yōu)化方法，它把優(yōu)化過程看成是生物種群的進(jìn)化過程， 每個(gè)變量可能的解表示成一個(gè)染色體的片段，所有變量可能的解按順序排列成一條完整的 染色體，每條染色體代表進(jìn)化過程中的一個(gè)個(gè)體。與其它優(yōu)化算法相比，遺傳算法更易探索 整個(gè)設(shè)計(jì)空間，并找到全局最優(yōu)解。數(shù)值模擬技術(shù)能夠獲得詳細(xì)的室內(nèi)環(huán)境數(shù)據(jù)，與實(shí)驗(yàn)測 量方法相比，操作簡單，成本低廉，計(jì)算流體力學(xué)（CFD)模型是在室內(nèi)環(huán)境領(lǐng)域中應(yīng)用最為 廣泛的計(jì)算模型。
[0003] 使用遺傳算法與CFD相結(jié)合，對室內(nèi)環(huán)境進(jìn)行反向設(shè)計(jì)時(shí)，通過遺傳算法的交叉、 變異過程產(chǎn)生新個(gè)體，利用CFD獲得新個(gè)體的設(shè)計(jì)目標(biāo)值。但設(shè)計(jì)過程中可能產(chǎn)生較多新 個(gè)體，因此會(huì)產(chǎn)生較多CFD計(jì)算過程，導(dǎo)致此反向設(shè)計(jì)方法的計(jì)算量大。
[0004] 為減少反向設(shè)計(jì)計(jì)算量，可使用人工神經(jīng)網(wǎng)絡(luò)作為CFD模型的替代模型，應(yīng)用于 室內(nèi)環(huán)境反向設(shè)計(jì)。當(dāng)使用遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行反向設(shè)計(jì)時(shí)，利用遺傳算法的 交叉、變異過程產(chǎn)生新個(gè)體，利用神經(jīng)網(wǎng)絡(luò)計(jì)算新個(gè)體的設(shè)計(jì)目標(biāo)值。由于神經(jīng)網(wǎng)絡(luò)計(jì)算時(shí) 間遠(yuǎn)小于CFD計(jì)算時(shí)間，此方法可達(dá)到降低反向設(shè)計(jì)計(jì)算量的目的。但此方法受神經(jīng)網(wǎng)絡(luò) 預(yù)測誤差的影響，可能導(dǎo)致設(shè)計(jì)過程不收斂。因此，有必要研究新的反向設(shè)計(jì)方法，在保證 設(shè)計(jì)方法收斂性的同時(shí)，降低反向設(shè)計(jì)計(jì)算量。

【發(fā)明內(nèi)容】

[0005] 針對上述的現(xiàn)有技術(shù)及存在的問題，本發(fā)明提出了一種耦合遺傳算法、神經(jīng)網(wǎng)絡(luò) 與數(shù)值模擬的反向設(shè)計(jì)方法，在保證反向設(shè)計(jì)過程收斂的基礎(chǔ)上，通過耦合遺傳算法、神經(jīng) 網(wǎng)絡(luò)與數(shù)值模擬方法，降低反向設(shè)計(jì)方法的計(jì)算量。
[0006] 本發(fā)明提出了一種耦合遺傳算法、神經(jīng)網(wǎng)絡(luò)與數(shù)值模擬的反向設(shè)計(jì)方法，該方法 包括以下步驟：
[0007] 步驟1、根據(jù)設(shè)計(jì)對象確定設(shè)計(jì)變量與設(shè)計(jì)目標(biāo)；
[0008] 步驟2、使用抽樣方法，產(chǎn)生神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
[0009] 步驟3、利用遺傳算法的交叉、變異過程同時(shí)得到多組符合設(shè)計(jì)要求的設(shè)計(jì)變量 值，從中搜索滿足設(shè)計(jì)要求的個(gè)體；使用神經(jīng)網(wǎng)絡(luò)與CFD方法計(jì)算新個(gè)體的適應(yīng)度，即設(shè)計(jì) 目標(biāo)值，具體計(jì)算過程如下：首先使用神經(jīng)網(wǎng)絡(luò)預(yù)測新個(gè)體的設(shè)計(jì)目標(biāo)值，神經(jīng)網(wǎng)絡(luò)的輸入 為設(shè)計(jì)變量值，輸出為設(shè)計(jì)目標(biāo)值；若設(shè)計(jì)目標(biāo)值達(dá)到設(shè)定的閾值，使用計(jì)算流體力學(xué)方法 計(jì)算新個(gè)體的真實(shí)設(shè)計(jì)目標(biāo)值，根據(jù)設(shè)計(jì)變量值確定設(shè)計(jì)對象的邊界條件，使用流體力學(xué) 方法計(jì)算得到設(shè)計(jì)對象內(nèi)部的速度、溫度等的分布，進(jìn)而可以得到設(shè)計(jì)目標(biāo)值，即為個(gè)體的 適應(yīng)度。
[0010] 步驟4、通過非支配排序方法對種群中的個(gè)體進(jìn)行排序，并使用錦標(biāo)賽算法進(jìn)行選 擇，利用選擇操作產(chǎn)生新種群：若新種群符合收斂標(biāo)準(zhǔn)，設(shè)計(jì)過程結(jié)束，否則繼續(xù)進(jìn)行交叉 變異過程，產(chǎn)生新種群。
[0011] 與只使用遺傳算法與數(shù)值模擬相結(jié)合的方法相比，耦合遺傳算法、神經(jīng)網(wǎng)絡(luò)與數(shù) 值模擬方法在保證反向設(shè)計(jì)收斂性的同時(shí)，減少反向設(shè)計(jì)計(jì)算量42. 1 %。
【附圖說明】
[0012] 圖1為本發(fā)明的一種耦合遺傳算法、神經(jīng)網(wǎng)絡(luò)與數(shù)值模擬的反向設(shè)計(jì)方法的算法 模型圖；
[0013]圖2為本發(fā)明具體實(shí)施例的Blay模型示意圖；（a)Blay模型的幾何結(jié)構(gòu)，（b)網(wǎng)格 劃分；
[0014]圖3為目標(biāo)函數(shù)值隨遺傳代數(shù)的變化曲線圖；
[0015]圖4為反向設(shè)計(jì)過程中的計(jì)算量增長曲線圖；
[0016]圖5為使用遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合時(shí)，目標(biāo)函數(shù)隨遺傳代數(shù)變化曲線圖；
[0017] 圖6為使用遺傳算法與神經(jīng)網(wǎng)絡(luò)、CFD相結(jié)合時(shí)，目標(biāo)函數(shù)變化曲線圖；
[0018]圖7為使用遺傳算法與神經(jīng)網(wǎng)絡(luò)、CFD相結(jié)合時(shí)，計(jì)算量隨遺傳代數(shù)變化曲線圖。
【具體實(shí)施方式】
[0019] 以下結(jié)合附圖及【具體實(shí)施方式】，進(jìn)一步詳述本發(fā)明的技術(shù)方案。
[0020] 反向設(shè)計(jì)的對象分別為Blay模型以及客機(jī)座艙模型。如圖2所示，為Blay模型 的幾何結(jié)構(gòu)及網(wǎng)格劃分。Blay模型的外部結(jié)構(gòu)為正方形，尺寸為1.04X1. 04m，包含一個(gè)入 口和一個(gè)出口，入口尺寸為0. 018m，出口尺寸為0. 022m。入口速度為0. 57m/s，入口溫度為 15°C，送風(fēng)角度為水平方向，四周使用無滑移的壁面邊界條件，壁面溫度均設(shè)為恒溫條件， 監(jiān)測點(diǎn)位于出口附近。
[0021] 本發(fā)明【具體實(shí)施方式】描述如下：
[0022] 1、遺傳算法與CFD相結(jié)合的反向設(shè)計(jì)
[0023] 使用遺傳算法與CFD相結(jié)合對Blay模型進(jìn)行反向設(shè)計(jì)。設(shè)計(jì)變量為入口速度與 溫度，設(shè)計(jì)目標(biāo)為監(jiān)測點(diǎn)處速度與溫度。根據(jù)數(shù)值計(jì)算結(jié)果，得到監(jiān)測點(diǎn)處的速度大小為 0. 1325m/s，溫度大小為17.67Γ，進(jìn)而得到了Blay模型反向設(shè)計(jì)的目標(biāo)函數(shù)：
[0024]
[0025] 遺傳算法的交叉概率為0.8,變異概率為0. 1，最大遺傳代數(shù)為100代，反向設(shè)計(jì) 的收斂條件為FBlay= 0。如圖3所示，為目標(biāo)函數(shù)值隨遺傳代數(shù)的變化曲線，當(dāng)計(jì)算到第 33代時(shí)，反向設(shè)計(jì)過程收斂，得到的解為（0. 57,15)，即入口速度為0. 57m/s，入口溫度為 15。。。
[0026] 如圖4所示的反向設(shè)計(jì)過程中的計(jì)算量增長曲線，是使用遺傳算法進(jìn)行反向設(shè)計(jì) 時(shí)的計(jì)算量增長曲線，使用CFD的case數(shù)量表示計(jì)算量大小。當(dāng)?shù)玫阶顑?yōu)解時(shí)，共計(jì)算了 235個(gè)case，即執(zhí)行了 235次CFD計(jì)算。
[0027] 2、遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的反向設(shè)計(jì)
[0028] 使用遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對Blay模型進(jìn)行反向設(shè)計(jì)，使用人工神 經(jīng)網(wǎng)絡(luò)對Blay模型監(jiān)測點(diǎn)處的數(shù)據(jù)進(jìn)行預(yù)測，神經(jīng)網(wǎng)絡(luò)的輸入為入口的速度及溫度值，輸 出為監(jiān)測點(diǎn)處的速度及溫度值。使用拉丁超立方體抽樣方法，產(chǎn)生80組入口速度與溫度的 組合作為輸入?yún)?shù)，使用這些輸入?yún)?shù)作為邊界條件對Blay模型進(jìn)行CFD計(jì)算，得到每組 輸入?yún)?shù)對應(yīng)的輸出參數(shù)，即監(jiān)測點(diǎn)處的速度及溫度值，每組輸入?yún)?shù)及其對應(yīng)的輸出參 數(shù)構(gòu)成一個(gè)完整的訓(xùn)練樣本，使用所有訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練好的神經(jīng)網(wǎng) 絡(luò)與遺傳算法相結(jié)合，應(yīng)用于Blay模型的反向設(shè)計(jì)。
[0029] 如圖5所示，反向設(shè)計(jì)過程中，使用遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合時(shí)，目標(biāo)函數(shù)隨遺 傳代數(shù)變化曲線；計(jì)算開始階段，目標(biāo)函數(shù)曲線下降較快，但計(jì)算到第20代之后保持不變。 當(dāng)遺傳算法計(jì)算到1〇〇代時(shí)，目標(biāo)函數(shù)值未達(dá)到〇。因此，使用此方法時(shí)，反向設(shè)計(jì)未收斂。
[0030] 3、遺傳算法與神經(jīng)網(wǎng)絡(luò)、CFD相結(jié)合的反向設(shè)計(jì)
[0031] 使用與遺傳算法與神經(jīng)網(wǎng)絡(luò)、CFD相結(jié)合的方法對Blay模型的進(jìn)行反向設(shè)計(jì)。首 先使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對新個(gè)體的目標(biāo)值進(jìn)行預(yù)測，并根據(jù)設(shè)計(jì)目標(biāo)的預(yù)測值計(jì)算Fblay 值，若此值低于〇. 1，使用CFD對該個(gè)體進(jìn)行計(jì)算，獲得該個(gè)體的真實(shí)的Fblay值。
[0032] 圖6為目標(biāo)函數(shù)值隨遺傳代數(shù)變化曲線，當(dāng)計(jì)算到第34代時(shí)，反向設(shè)計(jì)過程收斂， 得到的解為（0.57,15)。
[0033] 如圖7所示，為使用遺傳算法與神經(jīng)網(wǎng)絡(luò)、CFD相結(jié)合時(shí)，計(jì)算量隨遺傳代數(shù)變化 曲線，反向設(shè)計(jì)過程需計(jì)算136個(gè)case，與使用遺傳算法和CFD相結(jié)合的方法相比，計(jì)算量 減少了 42. 1%。
【主權(quán)項(xiàng)】
1. 一種耦合遺傳算法、神經(jīng)網(wǎng)絡(luò)與數(shù)值模擬的反向設(shè)計(jì)方法，其特征在于，該方法包括 以下步驟： 步驟1、根據(jù)設(shè)計(jì)對象確定設(shè)計(jì)變量與設(shè)計(jì)目標(biāo)； 步驟2、使用抽樣方法，產(chǎn)生神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 步驟3、利用遺傳算法的交叉、變異過程同時(shí)得到多組符合設(shè)計(jì)要求的設(shè)計(jì)變量值，從 中搜索滿足設(shè)計(jì)要求的個(gè)體；使用神經(jīng)網(wǎng)絡(luò)與CFD方法計(jì)算新個(gè)體的適應(yīng)度，即設(shè)計(jì)目標(biāo) 值；具體計(jì)算過程如下：首先使用神經(jīng)網(wǎng)絡(luò)預(yù)測新個(gè)體的設(shè)計(jì)目標(biāo)值，神經(jīng)網(wǎng)絡(luò)的輸入為 設(shè)計(jì)變量值，輸出為設(shè)計(jì)目標(biāo)值；若設(shè)計(jì)目標(biāo)值達(dá)到設(shè)定的閾值，使用計(jì)算流體力學(xué)方法計(jì) 算新個(gè)體的真實(shí)設(shè)計(jì)目標(biāo)值，根據(jù)設(shè)計(jì)變量值確定設(shè)計(jì)對象的邊界條件，使用流體力學(xué)方 法計(jì)算得到設(shè)計(jì)對象內(nèi)部的速度、溫度等的分布，進(jìn)而可以得到設(shè)計(jì)目標(biāo)值，即為個(gè)體的適 應(yīng)度； 步驟4、通過非支配排序方法對種群中的個(gè)體進(jìn)行排序，并使用錦標(biāo)賽算法進(jìn)行選擇， 利用選擇操作產(chǎn)生新種群：若新種群符合收斂標(biāo)準(zhǔn)，設(shè)計(jì)過程結(jié)束，否則繼續(xù)進(jìn)行交叉變異 過程，產(chǎn)生新種群。
【專利摘要】本發(fā)明公開了一種耦合遺傳算法、神經(jīng)網(wǎng)絡(luò)與數(shù)值模擬的反向設(shè)計(jì)方法，根據(jù)設(shè)計(jì)對象確定設(shè)計(jì)變量與設(shè)計(jì)目標(biāo)；使用抽樣方法，產(chǎn)生神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；利用遺傳算法的交叉、變異過程同時(shí)得到多組符合設(shè)計(jì)要求的設(shè)計(jì)變量值，從中搜索滿足設(shè)計(jì)要求的個(gè)體；使用神經(jīng)網(wǎng)絡(luò)與CFD方法計(jì)算新個(gè)體的適應(yīng)度；使用神經(jīng)網(wǎng)絡(luò)預(yù)測新個(gè)體的設(shè)計(jì)目標(biāo)值，若設(shè)計(jì)目標(biāo)值達(dá)到設(shè)定的閾值，使用計(jì)算流體力學(xué)方法計(jì)算新個(gè)體的真實(shí)設(shè)計(jì)目標(biāo)值；利用選擇操作產(chǎn)生新種群：若新種群符合收斂標(biāo)準(zhǔn)，設(shè)計(jì)過程結(jié)束，否則繼續(xù)進(jìn)行交叉變異過程，產(chǎn)生新種群。與只使用遺傳算法與數(shù)值模擬相結(jié)合的方法相比，本發(fā)明在保證反向設(shè)計(jì)收斂性的同時(shí)，減少反向設(shè)計(jì)計(jì)算量42.1％。<!-- 2 -->
【IPC分類】G06F17/50
【公開號(hào)】CN105389442
【申請?zhí)枴緾N201510915452
【發(fā)明人】尤學(xué)一, 張?zhí)旎?
【申請人】天津大學(xué)
【公開日】2016年3月9日
【申請日】2015年12月9日