[發明專利]一種基于深度學習的多精度優化算法實現氣動優化設計的方法

有效

• 申請號: 202010382040.2
• 申請日: 2020-05-08
• 公開（公告）號: CN111597698B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 張鑫帥;季廷煒;謝芳芳;朱灶旭;鄭耀
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F30/15;G06N3/04;G06N3/08;G06F111/10
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種基于深度學習的多精度優化算法實現氣動優化設計的方法，其特征在于，該方法具體包括：

步驟S1：采用拉丁超立方取樣(LHS)從機翼設計空間中生成樣本點并進行歸一化處理，歸一化后分別組成高精度訓練數據集X_hi和低精度訓練數據集X_lo；其中，所述機翼設計空間包括機翼剖面形狀的幾何參數和機翼平面形狀的幾何參數，每個參數的邊界值為該參數對應的待優化機翼基準模型的基準值±擾動值，所述擾動值不大于基準值的百分之10；生成的每個樣本點包括機翼剖面形狀的幾何參數和機翼平面形狀的幾何參數，共同表示一個飛行器機翼的幾何外形；

步驟S2，并行計算高精度數據集和低精度數據集的氣動力系數，其中，和分別表示計算得到的高精度數據集和低精度數據集的所需優化的一個或多個氣動力系數；

步驟S3，構建初始的多精度深度神經網絡代理模型并訓練；所述多精度深度神經網絡代理模型由三個全連接神經網絡組成；其中第一個神經網絡NN_L(x,θ)用于擬合低精度數據，輸入為低精度數據集X_lo的樣本，輸出為y_lo，第二個和第三個神經網絡分別用于擬合低精度氣動力系數和高精度氣動力系數之間的線性F_l和非線性F_nl關系，它們均以第一個神經網絡NN_L(x,θ)的輸出y_lo作為第一個輸入，輔以高精度數據集X_hi的樣本作為第二個輸入，最后通過α擬合得到高精度氣動力系數，該多精度深度神經網絡代理模型由下式表示：

y_hi＝αF_l(x,y_lo)+(1-α)F_nl(x,y_lo),α∈[0,1]

其中，α為該模型的超參數，x為表示樣本點，θ,β_i,i＝1,2分別為三個神經網絡的超參數，y_lo和y_hi分別表示模型輸出的高精度數據集和低精度數據集的所需優化的一個或多個氣動力系數；

步驟S4，通過粒子群優化算法(PSO)對當前的多精度深度神經網絡代理模型進行全局優化；尋找當前代理模型的最優解，其中，優化時待預測的輸入變量x同時輸入于訓練好的三個神經網絡；

步驟S5，將當前代理模型的最優解作為高精度數據集的更新樣本點加入到高精度數據集中；

步驟S6，通過低精度的加點準則得到低精度更新樣本點X_lo,update，將更新的低精度樣本點添加到低精度數據集中；

步驟S7，并行計算高精度更新的樣本點和低精度更新的樣本點X_lo,update的氣動力系數；

步驟S8，使用更新后的高低精度數據集重新訓練多精度深度神經網絡代理模型；

步驟S9，使用粒子群優化算法對新的多精度深度神經網絡進行全局優化，尋找當前代理模型的最優解；

步驟S10，將高精度數據集中的最優解作為本次迭代的最優解；檢查本次迭代的最優解是否滿足算法的收斂準則，若滿足，則以該最優解作為優化結果輸出，終止迭代；若不滿足，則回到步驟S5繼續迭代優化。

2.如權利要求1所述的方法，其特征在于，所述步驟S6，低精度加點準則具體為：

通過使加入的新樣本點與其余樣本點之間的最小歐氏距離(Euclidean Distance)最大化，使得加入后的樣本點均勻分布在整個樣本空間中；則低精度樣本點數據集的加點方法可以轉化為下述優化問題：

max min d(x^new,x)x^new∈X,x is[X_lo,X_hi]

其中，其中x^new、x表示兩個不同的樣本點；d(.,.)表示歐氏距離，X表示機翼設計空間；采用粒子群優化算法(PSO)對上述優化問題進行優化；將優化得到的最優解用于更新低精度數據集。