[發明專利]基于改進位置向量期望改善度的變體飛行器氣動優化方法

有效

• 申請號: 202011200643.2
• 申請日: 2020-10-30
• 公開（公告）號: CN112329140B
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 龍騰;劉震宇;武宇飛
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/17;G06F30/28;G06F111/04;G06F111/06;G06F113/08;G06F119/14
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 張利萍

1.改進位置向量期望改善度的變翼型飛行器氣動優化方法，其特征在于：包括如下步驟，

步驟1：根據變翼型飛行器氣動設計要求，選擇初始參考翼型及翼型內部的結構參數，確定變翼型飛行器飛行工況；

所述的變翼型飛行器飛行工況包括馬赫數與攻角；

步驟2：建立考慮結構一致性約束的翼型幾何參數化方法描述機翼內部支撐結構及驅動裝置對變翼型飛行器變形能力的限制，通過線積分求解蒙皮長度、通過余弦定理求解夾角、通過形狀系數定義求解前緣半徑，得到結構一致性約束的解析表達方式；基于變翼型飛行器的參數模型，使用高精度計算流體力學計算方法求解變翼型飛行器的氣動參數，從而描述變翼型飛行器在不同飛行工況下的飛行性能；

步驟3：使用試驗設計方法在設計空間內生成樣本點集Y，樣本點集Y中樣本點的數量與優化設計變量維度n_v相關；使用單純形格點設計方法在目標空間中生成一系列均勻分布的參考向量，參考向量的個數與目標函數的個數相關；

步驟4：調用步驟2中的翼型的高精度氣動分析模型，獲得步驟3中的樣本點處的模型響應值，用目標函數f(x)表示樣本點x處的模型響應值，并儲存樣本點信息；

步驟5：基于步驟4的樣本點信息，在設計空間中構造或更新Kriging代理模型；用Kriging代理模型的預測目標函數值表示樣本點x處的Kriging代理模型響應值，用s²(x)表示樣本點x處的預測方差；

步驟6：使用多目標優化方法探索當前代理模型的偽非支配解；根據偽非支配解計算理想點，理想點為步驟3中參考向量的起點；根據樣本點集Y的模型響應值的支配關系篩選出非支配解集；

步驟7：檢查終止條件；當迭代次數k達到最大迭代次數，終止迭代，得到并輸出變翼型飛行器氣動優化方案；否則執行步驟8；

步驟8：判斷Kriging代理模型的預測方差s²(x)，當任一Kriging代理模型的預測方差s²(x)不小于預先設定的閾值時，執行步驟9；否則執行步驟10；

步驟9：使用位置向量期望改善度準則篩選樣本點用以更新代理模型，然后執行步驟4；

步驟9的具體實現方法如下，

步驟9.1：計算步驟6所得各非支配解的角度約束長度(Angle-Penalized Length,APL)值，表達式如下：

式中Z^*是參考向量起始點；α是罰系數；θ表示位置向量和參考向量V之間的夾角；γ_v是角度θ歸一化參數；||f(x)||是位置向量的長度；若非支配解x的目標向量f(x)與參考向量V_j之間的夾角在所有參考向量中最小，則可稱非支配解x與參考向量V_j相關聯，由此，將每個參考向量的關聯的非支配解對應的APL值的最小值作為APL_ref值，參考向量V的考慮角度約束的位置向量長度改善度(Angle-PenalizedLengthImprovement,APLI)的表達式如下：

APLI(F,f,V,Z^*,γ_v)＝max(APL_ref(F,V,Z^*,γ_v)-APL(F,V,Z^*,γ_v),0) (3)

式中，表示與參考向量相關聯的非支配解的目標函數值；計算樣本點的考慮角度約束的位置向量長度期望改善度，表達式如下：

采用粒子群算法(Particle Swarm optimization,PSO)最大化各參考向量的EAPLI值篩選出N個候選點；

步驟9.2：計算各候選點的利基數(niche count,nc)，從而計算各個候選點的適應度(fitness)，適應度計算公式如下：

式中是參考向量V_i關聯的非支配解的數量，θ_i,j表示參考向量V_i與參考向量V_j之間的夾角，θ_j,min表示所有非零θ_i,j中的最小值；使用k-means方法將N個候選點分為n_add類，并從每類候選點中選取適應度最大的候選點作為新增的樣本點，并基于新增的樣本點執行步驟4中的更新代理模型；

步驟10：從偽非支配解中篩選樣本點用以更新Kriging代理模型，平衡非支配解的分布性和最優性，以改善位置向量期望改善度準則的尋優能力；執行步驟4；

步驟10的實現方法如下，

根據式(2) 計算步驟6所得各非支配解的APL值，并根據非支配解與參考向量的關聯關系，計算各參考向量的APL_ref值；根據式(3) 計算各偽非支配解的APLI值，最大化各參考向量的APLI值，并從偽非支配解中篩選出N個候選點；根據式(5) 計算各候選點的利基數，從而計算候選點的偽適應度，如式所示；

根據k-means方法將N個候選點分為n_add類，從每類候選點中篩選出偽適應度最大的候選點作為新增的樣本點，并基于新增的樣本點執行步驟4中的更新代理模型。