[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

本發明公開了基于代理輔助進化算法的翼型優化方法、裝置、計算機設備及存儲介質，通過對樣本庫中的初始數據點集合中進行多次全局搜索和局部搜索，以將樣本庫中的初始數據點集合中的數據點個數增加至大于或等于最大真實評價次數，實現了由代理輔助和進化算法相結合并同時考慮代理模型的預測值和不確定性的方式，對有限的數據樣本中快速增加數據點，而且所增加的樣本點對代理模型的精度有提高。

技術領域

本發明涉及數據處理技術領域，尤其涉及一種基于代理輔助進化算法的翼型優化方法、裝置、計算機設備及存儲介質。

背景技術

進化算法又稱元啟發式算法，目前已被廣泛應用于各種工程優化。然而，如果這些進化算法被應用于涉及計算昂貴模擬的昂貴優化問題時，計算成本將十分巨大。昂貴優化問題和普通的優化問題有很大區別，昂貴優化問題的響應函數通常是一個仿真模型，例如有限元分析(簡記為FEA)和計算流體動力學(簡記為CFD)。

目前，將代理輔助和進化算法相結合的代理輔助進化算法在處理昂貴的優化問題上得到越來越多的關注，也就是對昂貴問題中所缺乏的樣本數據點進行加點以提升樣本數據點的總個數是需要重點考慮的。

常用的加點準則有PoI加點準則(即基于改進概率的加點準則)，ExI加點準則(即基于期望改進的加點準則)和LCB加點準則(即基于下置信界的加點準則)，這三種加點準則都在代理輔助和進化算法的應用中有效地加強代理模型的精度，從而加速算法的最終收斂。但是上述三種加點準則只是簡單地使用一個單一的準則或者將多個準則組合成一個標量準則，導致在有限的數據樣本中增加樣本點的效果較差，而且所增加的樣本點對代理模型的精度的提高較少。

發明內容

本發明實施例提供了一種基于代理輔助進化算法的翼型優化方法、裝置、計算機設備及存儲介質，旨在解決現有技術中采用基于改進概率的加點準則、基于期望改進的加點準則或基于下置信界的加點準則在處理昂貴優化問題中的加點時，只是簡單地使用一個單一的準則或者將多個準則組合成一個標量準則，導致在有限的數據樣本中增加樣本點的效果較差，而且所增加的樣本點對代理模型的精度的提高較少的問題。

第一方面，本發明實施例提供了一種基于代理輔助進化算法的翼型優化方法，其包括：

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；