[發(fā)明專利]一種基于仿真模型的系統(tǒng)設(shè)計參數(shù)多目標(biāo)優(yōu)化方法

在審

• 申請?zhí)枺?/td>: 202110312987.0
• 申請日: 2021-03-24
• 公開（公告）號: CN113033093A
• 公開（公告）日: 2021-06-25
• 發(fā)明（設(shè)計）人: 蔡景;黃艷;康婷瑋;代定強;楊天策
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/12;G06F111/06
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 賀翔

1.一種基于仿真模型的系統(tǒng)設(shè)計參數(shù)多目標(biāo)優(yōu)化方法，其特征在于：具體步驟如下：

1).確定系統(tǒng)的多個優(yōu)化目標(biāo)和重要設(shè)計參數(shù)，建立設(shè)計參數(shù)的優(yōu)化數(shù)學(xué)模型；

2).根據(jù)系統(tǒng)結(jié)構(gòu)和工作原理，利用Mworks仿真平臺搭建系統(tǒng)的仿真模型；

3).基于最優(yōu)拉丁超立方抽樣技術(shù)，在設(shè)計參數(shù)的取值范圍內(nèi)進行抽樣，模擬系統(tǒng)不同工況條件，將抽樣樣本輸入仿真模型中，計算出每組抽樣所對應(yīng)的系統(tǒng)設(shè)計目標(biāo)值；

4).采用徑向基神經(jīng)網(wǎng)絡(luò)代理模型技術(shù)，以抽樣的樣本點和仿真結(jié)果作為代理模型的初始點，構(gòu)建關(guān)于設(shè)計參數(shù)的代理模型，并檢驗?zāi)Ｐ途龋?/p>

5).采用帶有精英保留策略的快速非支配排序遺傳算法(Non-dominated SortingGenetic Algorithm-Ⅱ，NSGA-Ⅱ)，將代理模型的表達式作為該算法的適應(yīng)度函數(shù)，確定最優(yōu)設(shè)計參數(shù)方案集。

6)根據(jù)實際情況，從最優(yōu)設(shè)計參數(shù)方案集中選取最符合實際需求的系統(tǒng)最優(yōu)設(shè)計參數(shù)方案。

2.如權(quán)利要求1所述的基于仿真模型的系統(tǒng)設(shè)計參數(shù)多目標(biāo)優(yōu)化方法，其特征在于：步驟1)的具體步驟如下：

步驟1.1，根據(jù)實際情況，反映作動裝置釋放性能的參數(shù)為釋放時間和末端速度，即優(yōu)化目標(biāo)為釋放時間和末端速度，記t為作動裝置釋放時間，v_end為作動裝置釋放末端速度，選取影響作動裝置釋放性能的重要設(shè)計參數(shù)，記為{c₁,c₂,r,d}，其中，c₁為釋放大彈簧勁度系數(shù)，c₂為釋放小彈簧勁度系數(shù)，r為阻尼孔半徑，d為阻尼孔間距；

步驟1.2，根據(jù)實際調(diào)研，確定設(shè)計參數(shù)的取值范圍，其中，c₁∈[10000,33000]，c₂∈[21000,23000]，r∈[10000,33000]，d∈[0.01,0.03]；

步驟1.3，建立作動裝置的多目標(biāo)優(yōu)化數(shù)學(xué)模型，為：

3.如權(quán)利要求2所述的基于仿真模型的系統(tǒng)設(shè)計參數(shù)多目標(biāo)優(yōu)化方法，其特征在于：步驟2)的具體步驟如下：

步驟2.1，按照作用的時間先后關(guān)系將作動裝置劃分為鎖定機構(gòu)和執(zhí)行機構(gòu)；

步驟2.2，建立作動裝置的數(shù)學(xué)模型，以反映該裝置各部件輸入輸出關(guān)系；

步驟2.3，基于作動裝置的結(jié)構(gòu)和數(shù)學(xué)模型，搭建作動裝置的仿真模型。

4.如權(quán)利要求3所述的基于仿真模型的系統(tǒng)設(shè)計參數(shù)多目標(biāo)優(yōu)化方法，其特征在于：步驟3)的具體步驟如下：

步驟3.1，根據(jù)重要設(shè)計參數(shù)及對應(yīng)的參數(shù)取值范圍，利用最優(yōu)拉丁超立方抽樣選取100組設(shè)計參數(shù)的樣本點；

步驟3.2，將樣本點輸入至仿真模型中得出相對應(yīng)的作動裝置釋放時間和末端速度，部分樣本點及其所對應(yīng)的仿真結(jié)果。

5.如權(quán)利要求4所述的基于仿真模型的系統(tǒng)設(shè)計參數(shù)多目標(biāo)優(yōu)化方法，其特征在于：步驟4)的具體步驟如下：

步驟4.1，對重要設(shè)計參數(shù)進行歸一化處理，減少數(shù)據(jù)的離散性；

步驟4.2，將最優(yōu)拉丁超立方抽樣技術(shù)所得的設(shè)計參數(shù)作為輸入向量，相對應(yīng)的釋放時間和末端速度作為目標(biāo)向量，分別對兩個目標(biāo)向量建立徑向基神經(jīng)網(wǎng)絡(luò)代理模型，為：

net1＝newrb((c₁,c₂,r,d),t,GOAL_net,SPREAD_net,MN_net,DF_net) (2)

net2＝newrb((c₁,c₂,r,d),v_end,GOAL_net,SPREAD_net,MN_net,DF_net) (3)

步驟4.3，將樣本的前80組作為訓(xùn)練樣本集，后20組作為測試樣本集，對測試樣本集進行精度判斷。

6.如權(quán)利要求5所述的基于仿真模型的系統(tǒng)設(shè)計參數(shù)多目標(biāo)優(yōu)化方法，其特征在于：步驟5)

步驟5.1，設(shè)置種群規(guī)模為50、最大迭代次數(shù)為200，隨機產(chǎn)生初始種群作為第一代父種群，并將代理模型函數(shù)表達式作為適應(yīng)度函數(shù)；

步驟5.2，對第一代父種群進行非支配排序，得到個體排序，并進行選擇、交叉、變異得到第一代子種群；

步驟5.3，合并父子代種群；

步驟5.4，對合并種群進行快速非支配排序、擁擠度計算，并選擇優(yōu)越個體保留下來形成與初始種群規(guī)模一致的新父種群；

步驟5.5，對新父種群進行選擇、交叉、變異，重復(fù)以上操作，直至達到最大迭代代數(shù)，輸出當(dāng)前最優(yōu)的Perato最優(yōu)解集。

步驟5.6，從Perato最優(yōu)解集中選取釋放時間更短、末端速度更小的設(shè)計參數(shù)組合。