[發(fā)明專利]一種基于動態(tài)多模型融合的飛行器系統(tǒng)優(yōu)化方法

有效

• 申請?zhí)枺?/td>: 201810340892.8
• 申請日: 2018-04-17
• 公開（公告）號: CN108491668B
• 公開（公告）日: 2021-06-08
• 發(fā)明（設(shè)計）人: 劉莉;史人赫;龍騰;武宇飛;唐亦帆
• 申請（專利權(quán)）人: 北京理工大學(xué)
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/27;G06F111/10;G06F111/06;G06F111/04
• 代理公司: 北京正陽理工知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11639
• 代理人: 毛燕

本發(fā)明公開的一種基于動態(tài)多模型融合的飛行器系統(tǒng)優(yōu)化方法，屬于飛行器設(shè)計中的多學(xué)科優(yōu)化技術(shù)領(lǐng)域。本發(fā)明實現(xiàn)方法如下：采用Co?Kriging方法對飛行器系統(tǒng)設(shè)計中存在的高低精度分析模型進行融合，并代替原始模型進行優(yōu)化設(shè)計；優(yōu)化過程中，采用雙采樣方法實現(xiàn)Co?Kriging代理模型的更新與管理；通過信賴域采樣提高優(yōu)化搜索的局部收斂能力，通過預(yù)測方差采樣提高優(yōu)化過程的全局探索能力，從而引導(dǎo)優(yōu)化過程快速收斂到最優(yōu)解。本發(fā)明能夠克服傳統(tǒng)優(yōu)化方法只能處理單一精度分析模型、優(yōu)化成本高、多源響應(yīng)信息無法得到充分利用等缺陷，能夠?qū)崿F(xiàn)飛行器系統(tǒng)設(shè)計中不同精度仿真模型的高效融合與優(yōu)化，對降低飛行器系統(tǒng)設(shè)計優(yōu)化成本，提高系統(tǒng)設(shè)計性能等方面具有重要意義。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于動態(tài)多模型融合的復(fù)雜飛行器系統(tǒng)高效優(yōu)化設(shè)計方法，屬于飛行器設(shè)計中的多學(xué)科優(yōu)化技術(shù)領(lǐng)域。

背景技術(shù)

隨著計算機技術(shù)的發(fā)展，高精度仿真模型在飛行器系統(tǒng)設(shè)計中得到了廣泛應(yīng)用，如有限元分析FEA模型、計算流體力學(xué)CFD模型等。高精度仿真模型在有效提高分析精度與設(shè)計可信度的同時，也顯著增加了計算成本，例如，采用CFD模型完成一次氣動仿真分析往往需要數(shù)小時甚至數(shù)十小時。由于傳統(tǒng)優(yōu)化方法(如遺傳算法等)往往需要調(diào)用上千次分析模型實現(xiàn)對設(shè)計空間的探索，直接使用高精度仿真模型進行優(yōu)化設(shè)計會導(dǎo)致計算成本不可接受，從而極大地限制了優(yōu)化技術(shù)在飛行器系統(tǒng)工程設(shè)計中的應(yīng)用。為了降低飛行器系統(tǒng)設(shè)計優(yōu)化問題的計算成本，常用的方法是通過數(shù)學(xué)手段構(gòu)造代理模型對原始優(yōu)化問題進行近似，并代替高精度仿真模型進行優(yōu)化。然而，為了保證近似精度和優(yōu)化全局收斂性，傳統(tǒng)代理模型優(yōu)化方法仍需要大量調(diào)用高精度仿真模型以獲取足夠的樣本點信息。考慮到飛行器系統(tǒng)設(shè)計中存在的多源響應(yīng)信息(如低精度工程估算數(shù)據(jù)、實驗數(shù)據(jù)等)，通過多模型融合方法以少量高精度高成本仿真模型數(shù)據(jù)為引導(dǎo)，結(jié)合多數(shù)低精度模型信息構(gòu)建代理模型，并在優(yōu)化過程中對代理模型進行管理與更新，能夠進一步提高優(yōu)化效率。因此，十分有必要發(fā)展一種計算效率高、全局收斂性強的新型多模型融合飛行器系統(tǒng)優(yōu)化方法，從而緩解飛行器系統(tǒng)設(shè)計優(yōu)化面臨的計算復(fù)雜性問題。

為了更好的說明本發(fā)明的技術(shù)方案，下面對所涉及到的Co-Kriging方法的相關(guān)數(shù)學(xué)基礎(chǔ)進行簡要介紹：

Co-Kriging方法是Kriging方法在多模型融合領(lǐng)域的拓展。Co-Kriging通過對高精度模型和低精度模型進行融合，實現(xiàn)近似建模精度與計算復(fù)雜度之間的有效折中。假設(shè)高精度模型樣本點和對應(yīng)的響應(yīng)值分別為X_e和y_e，低精度模型的樣本點和對應(yīng)的響應(yīng)值分別為X_c和y_c，其中上述樣本點構(gòu)成了Co-Kriging的樣本點集合，如式(1)所示。

令Z_c(·)和Z_e(·)分別代表高精度模型與低精度模型的高斯過程，并假設(shè)兩組高斯過程滿足式(2)所示的關(guān)系

Z_e(x)＝ρZ_c(x)+Z_d(x) (2)

其中ρ為縮放比例因子，Z_d(·)代表了偏差項的高斯過程。對于Co-Kriging而言，其協(xié)方差矩陣為：

其中ψ_c(X,X),ψ_e(X,X)分別為高低精度模型的相關(guān)函數(shù)矩陣，分別為高低精度模型的方差。在此基礎(chǔ)上，得到Co-Kriging的預(yù)測方程如式(4)所示

其中，超參數(shù)均通過極大似然估計得到。此外，通過式(5)可以計算Co-Kriging在任意樣本點處的預(yù)測均方根誤差。

發(fā)明內(nèi)容