[發明專利]基于代理輔助進化算法的翼型優化方法及裝置

有效

• 申請號: 202010041514.7
• 申請日: 2020-01-15
• 公開（公告）號: CN111241751B
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 吳巽鋒;劉群鋒;林秋鎮;陳劍勇
• 申請（專利權）人: 深圳大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/15;G06N3/12
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 李翔宇

1.一種基于代理輔助進化算法的翼型優化方法，其特征在于，包括：

判斷是否接收到客戶端發送的數據點加點請求；

若接收到客戶端發送的數據點加點請求，獲取樣本庫中的初始數據點集合，及根據初始數據點集合中數據點的總個數和預先設置的優化點總個數獲取最大真實評價次數；其中，每一數據點包括機翼幾何形狀控制點對應的決策變量和與決策變量對應的評估值，每一決策變量為n維行向量或n維列向量；

判斷所述初始數據點集合中數據點的總個數是否小于所述最大真實評價次數；

若所述初始數據點集合中數據點的總個數小于所述最大真實評價次數，以所述初始數據點集合中各數據點作為第一待訓練代理模型的訓練樣本，得到對應的第一當前代理模型，根據所述第一當前代理模型及預設的第一個體篩選條件在根據第一類初始種群遺傳進化生成的第一類最終種群中進行搜索，得到第一目標個體和第二目標個體；

將所述第一目標個體對應的數據點和所述第二目標個體對應的數據點均加入所述初始數據點集合，得到當前數據點集合；其中，所述第一目標個體對應的數據點由第一目標個體、及第一目標個體輸入至預先存儲的目標函數進行運算對應得到的第一真實函數值組成；所述第二目標個體對應的數據點由第二目標個體、及第二目標個體輸入至所述目標函數對應得到的第二真實函數值組成；

獲取所述當前數據點集合中各數據點按真實函數值進行升序排序且排序在預設的排名閾值之前的數據點以組成目標數據點集合，以目標數據點集合中各數據點作為第二待訓練代理模型的訓練樣本，得到對應的第二當前代理模型，根據所述第二當前代理模型及預設的第二個體篩選條件在根據第二類初始種群遺傳進化生成的第二類最終種群中進行搜索，得到第三目標個體；

將所述第三目標個體對應的數據點加入所述當前數據點集合，得到最終數據點集合，將最終數據點集合作為初始數據點集合，返回執行判斷所述初始數據點集合中數據點的總個數是否小于所述最大真實評價次數的步驟；其中，所述第三目標個體對應的數據點由第三目標個體、及第三目標個體輸入至所述目標函數對應得到的第三真實函數值組成；以及

若所述初始數據點集合中數據點的總個數大于或等于所述最大真實評價次數，將所述初始數據點集合發送至所述客戶端；

所述第一待訓練代理模型包括第一待訓練克里斯金模型、第一待訓練徑向基函數模型、第一待訓練多項式響應面模型；所述第一當前代理模型包括第一克里斯金模型、第一徑向基函數模型、第一多項式響應面模型；

所述以所述初始數據點集合中各數據點作為第一待訓練代理模型的訓練樣本，得到對應的第一當前代理模型，包括：

將所述初始數據點集合中各數據點的決策變量作為所述第一待訓練克里斯金模型的輸入，將各決策變量對應的評估值作為所述第一待訓練克里斯金模型的輸出，對所述第一待訓練克里斯金模型進行訓練，得到第一克里斯金模型；

將所述初始數據點集合中各數據點的決策變量作為所述第一待訓練徑向基函數模型的輸入，將各決策變量對應的評估值作為所述第一待訓練徑向基函數模型的輸出，對所述第一待訓練徑向基函數模型進行訓練，得到第一徑向基函數模型；

將所述初始數據點集合中各數據點的決策變量作為所述第一待訓練多項式響應面模型的輸入，將各決策變量對應的評估值作為所述第一待訓練多項式響應面模型的輸出，對所述第一待訓練多項式響應面模型進行訓練，得到第一多項式響應面模型；

所述根據所述第一當前代理模型及預設的第一個體篩選條件在根據第一類初始種群遺傳進化生成的第一類最終種群中進行搜索，得到第一目標個體和第二目標個體，包括：

根據所述初始數據點集合中決策變量的向量特征維數，以拉丁超立方體設計隨機生成Ng個變量解，以組成第一類初始種群；其中，每一變量解為第一類初始種群中的一個個體，每一變量解的特征維數與決策變量的特征維數相同；

獲取第一類當前迭代代數，判斷所述第一類當前迭代代數是否達到預設的最大迭代代數；其中，所述第一類當前迭代代數的初始值為1；

若所述第一類當前迭代代數未達到所述最大迭代代數，對所述第一類初始種群進行模擬二進制交叉和多項式變異，得到與所述第一類初始種群有相同個體總個數的第一類子種群；

將所述第一類初始種群與所述第一類子種群進行合并，得到第一類混合種群；

將所述第一類混合種群中的每一個個體均輸入至所述第一當前代理模型，得到與所述第一類混合種群中的每一個個體對應的預測值，根據所述第一類混合種群中的每一個個體對應的預測值獲取每一個個體對應的不確定性值；

將所述第一類混合種群中的每一個個體根據對應的不確定性值進行升序排序，得到第一類排序后混合種群；

根據預設的分組數量Q，將所述第一類排序后混合種群進行平均劃分，得到Q組第一類子混合種群；其中，Q＝Ng；

分別獲取Q組第一類子混合種群中每一組子混合種群中不確定性值為最小值的個體，以組成第一類當前種群，將所述第一類當前種群作為第一類初始種群；

將所述第一類當前迭代代數加一以作為第一類當前迭代代數，返回執行判斷所述第一類當前迭代代數是否達到預設的最大迭代代數的步驟；

若所述第一類當前迭代代數達到所述最大迭代代數，將所述第一類初始種群作為所述第一類最終種群，獲取所述第一類最終種群中預測值最小的個體以作為第一目標個體，并獲取所述第一類最終種群中不確定性值最大的個體以作為第二目標個體。