[發(fā)明專利]基于混沌多項(xiàng)式自適應(yīng)加點(diǎn)策略不確定性優(yōu)化方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011493988.1
• 申請日: 2020-12-17
• 公開（公告）號(hào): CN112749519A
• 公開（公告）日: 2021-05-04
• 發(fā)明（設(shè)計(jì)）人: 劉新強(qiáng);魏鳳美
• 申請（專利權(quán)）人: 北京電子工程總體研究所
• 主分類號(hào): G06F30/28
• 分類號(hào): G06F30/28;G06F30/15;G06F113/08;G06F119/14
• 代理公司: 中國航天科工集團(tuán)公司專利中心 11024
• 代理人: 張國虹

本發(fā)明公開一種基于混沌多項(xiàng)式自適應(yīng)加點(diǎn)策略不確定性優(yōu)化方法及系統(tǒng)，包括：采用拉丁超立方方法獲取一定數(shù)量的初始樣本；在高斯?埃爾米特積分點(diǎn)上構(gòu)建所述初始樣本的目標(biāo)函數(shù)均值和方差的Kriging近似模型，使用加點(diǎn)準(zhǔn)則和全局優(yōu)化算法計(jì)算所述Kriging近似模型的當(dāng)前最優(yōu)點(diǎn)；把得到的當(dāng)前最優(yōu)點(diǎn)作為樣本數(shù)據(jù)點(diǎn)增加到初始樣本中，更新近似模型，并對(duì)新的近似模型進(jìn)行全局優(yōu)化得到后次最優(yōu)點(diǎn)；比較所述當(dāng)前最優(yōu)點(diǎn)與所述后次最優(yōu)點(diǎn)的誤差，以及所述Kriging近似模型在后次最優(yōu)點(diǎn)附近的近似精度，確定目標(biāo)函數(shù)的最優(yōu)值點(diǎn)。本發(fā)明可以提高不確定性問題分析的效率，減少構(gòu)建代理模型樣本點(diǎn)數(shù)量，提高目標(biāo)函數(shù)不確定性優(yōu)化的效率。

技術(shù)領(lǐng)域

本發(fā)明屬于翼型不確定性優(yōu)化技術(shù)領(lǐng)域，特別是一種基于混沌多項(xiàng)式自適應(yīng)加點(diǎn)策略不確定性優(yōu)化方法及系統(tǒng)。

背景技術(shù)

對(duì)于常規(guī)的翼型優(yōu)化設(shè)計(jì)，設(shè)計(jì)變量都是確定性的，但在實(shí)際情況中，有很多不確定性因素，例如幾何參數(shù)加工的不確定性和飛行環(huán)境的不確定性。翼型飛行攻角的不確定性會(huì)影響翼型的升阻比，對(duì)于超臨界翼型來說，馬赫數(shù)的不確定性會(huì)嚴(yán)重影響翼型的阻力系數(shù)變化，導(dǎo)致阻力系數(shù)增大。

傳統(tǒng)的不確定性優(yōu)化主要是基于蒙特卡洛模擬(MCS)，通過大量的隨機(jī)樣本點(diǎn)計(jì)算，得到隨機(jī)變量的均值和方差。為了減少樣本點(diǎn)的數(shù)量，建立隨機(jī)變量與設(shè)計(jì)變量耦合的代理模型，而引入隨機(jī)變量會(huì)導(dǎo)致代理模型的精度降低，為了提高代理模型的預(yù)測精度，必須增加樣本點(diǎn)數(shù)量，所以基于蒙特卡洛模擬的不確定性優(yōu)化需要很大的計(jì)算量。

基于混沌多項(xiàng)式理論(PCE)的不確定性優(yōu)化設(shè)計(jì)，就是結(jié)合混沌多項(xiàng)式理論與近似模型，構(gòu)建高斯-埃爾米特積分點(diǎn)上的近似模型，選取一定數(shù)量的隨機(jī)變量的值，進(jìn)行不確定性分析，計(jì)算目標(biāo)函數(shù)的均值和方差，進(jìn)而對(duì)目標(biāo)函數(shù)進(jìn)行不確定性優(yōu)化設(shè)計(jì)。

基于混沌多項(xiàng)式理論的不確定性優(yōu)化設(shè)計(jì)，近似模型保持不變，這就要求近似模型精度高，這樣樣本點(diǎn)數(shù)量就要增加，我們知道樣本點(diǎn)數(shù)量越多，近似模型精度就越高，樣本點(diǎn)數(shù)目增多會(huì)帶來計(jì)算量的增加。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于混沌多項(xiàng)式自適應(yīng)加點(diǎn)策略不確定性優(yōu)化方法及系統(tǒng)，解決對(duì)不確定性問題進(jìn)行量化減少計(jì)算量的問題。

有鑒于此，本發(fā)明提供一種基于混沌多項(xiàng)式自適應(yīng)加點(diǎn)策略不確定性優(yōu)化方法，其特征在于，包括：

采用拉丁超立方方法獲取一定數(shù)量的初始樣本；

在高斯-埃爾米特積分點(diǎn)上構(gòu)建所述初始樣本的目標(biāo)函數(shù)均值和方差的Kriging近似模型，使用加點(diǎn)準(zhǔn)則和全局優(yōu)化算法計(jì)算所述Kriging近似模型的當(dāng)前最優(yōu)點(diǎn)；

把得到的當(dāng)前最優(yōu)點(diǎn)作為樣本數(shù)據(jù)點(diǎn)增加到初始樣本中，更新近似模型，并對(duì)新的近似模型進(jìn)行全局優(yōu)化得到后次最優(yōu)點(diǎn)；

比較所述當(dāng)前最優(yōu)點(diǎn)與所述后次最優(yōu)點(diǎn)的誤差，以及所述Kriging近似模型在后次最優(yōu)點(diǎn)附近的近似精度，確定目標(biāo)函數(shù)的最優(yōu)值點(diǎn)。

進(jìn)一步地，采用拉丁超立方方法獲取一定數(shù)量的初始樣本，包括：使用計(jì)算流體力學(xué)模型計(jì)算采樣點(diǎn)的升力系數(shù)、阻力系數(shù)、力矩系數(shù)和翼型的面積。

進(jìn)一步地，所述對(duì)新的近似模型進(jìn)行全局優(yōu)化，包括：建立置信下界加點(diǎn)準(zhǔn)則，對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化。

進(jìn)一步地，所述建立置信下界加點(diǎn)準(zhǔn)則，包括：設(shè)定最優(yōu)性收斂準(zhǔn)則和近似精度準(zhǔn)則，采用GlobalSearch優(yōu)化算法對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化。

本發(fā)明的另一目的在于提供一種基于混沌多項(xiàng)式自適應(yīng)加點(diǎn)策略不確定性優(yōu)化系統(tǒng)，其特征在于，包括：

獲取模塊，用于采用拉丁超立方方法獲取一定數(shù)量的初始樣本；