[發(fā)明專利]一種適用于大變量數(shù)的多級(jí)葉輪優(yōu)化方法及相關(guān)裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202310071744.1
• 申請(qǐng)日: 2023-01-31
• 公開(kāi)（公告）號(hào): CN116090344A
• 公開(kāi)（公告）日: 2023-05-09
• 發(fā)明（設(shè)計(jì)）人: 張子峻;宋立明;郭振東;李軍
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06F30/17;G06F30/28;G06N3/006
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 房鑫

1.一種適用于大變量數(shù)的多級(jí)葉輪優(yōu)化方法，其特征在于，包括：

采集多級(jí)葉輪機(jī)械部件的各三維葉片造型的控制參數(shù)，建立設(shè)計(jì)空間；

在設(shè)計(jì)空間中選取分布均勻的設(shè)計(jì)樣本作為初始種群，并對(duì)其進(jìn)行性能評(píng)估獲得選取的設(shè)計(jì)樣本的優(yōu)化目標(biāo)評(píng)估值；

對(duì)初始種群中的樣本依次執(zhí)行差分操作、RBF代理模型指導(dǎo)的交叉操作和基于偽優(yōu)化目標(biāo)評(píng)估值的選擇操作，生成若干個(gè)子代樣本；

對(duì)初始種群中的最優(yōu)樣本使用基于RBF代理模型的局部搜索策略，生成一個(gè)子代樣本；

將上述生成的所有子代樣本合并在一起，進(jìn)行性能評(píng)估，并更新當(dāng)前種群，重復(fù)生成子代樣本及對(duì)子代樣本進(jìn)行性能評(píng)估，并更新當(dāng)前種群，直到樣本評(píng)估次數(shù)達(dá)到設(shè)置的上限，從樣本數(shù)據(jù)庫(kù)中選擇優(yōu)化目標(biāo)評(píng)估值最優(yōu)的樣本作為優(yōu)化的結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種適用于大變量數(shù)的多級(jí)葉輪優(yōu)化方法，其特征在于，在建立的設(shè)計(jì)空間中，一組確定的設(shè)計(jì)參數(shù)對(duì)應(yīng)一個(gè)唯一的幾何設(shè)計(jì)；在設(shè)計(jì)空間中使用拉丁超立方抽樣LHS的方法選取分布均勻的設(shè)計(jì)樣本。

3.根據(jù)權(quán)利要求1所述的一種適用于大變量數(shù)的多級(jí)葉輪優(yōu)化方法，其特征在于，對(duì)種群中的樣本依次執(zhí)行差分操作具體如下：

首先，對(duì)于種群中的每一個(gè)樣本x_i，采用best/1的差分變異策略生成一個(gè)對(duì)應(yīng)的差分變異樣本：

其中：N為種群樣本數(shù)量，x_best為最優(yōu)種群樣本，r₁ⁱ和為種群中兩個(gè)隨機(jī)樣本的序號(hào)且F為變異算子，默認(rèn)取F＝0.3。

4.根據(jù)權(quán)利要求3所述的一種適用于大變量數(shù)的多級(jí)葉輪優(yōu)化方法，其特征在于，RBF代理模型指導(dǎo)的交叉操作：

在每一個(gè)種群樣本x_i附近選取至多5倍維度數(shù)量的已有樣本和優(yōu)化目標(biāo)評(píng)估值建立局部RBF代理模型，使用粒子群優(yōu)化算法PSO在代理模型上進(jìn)行局部搜索，搜索半徑設(shè)置為：

其中：D_i,max表示種群樣本x_i與其他種群樣本之間的最大距離，D為設(shè)計(jì)空間的維度，N為種群樣本數(shù)量，α為控制相鄰區(qū)域大小的參數(shù)，默認(rèn)取α＝0.5；

使用搜索得到的樣本代替種群中的原始樣本x_i與對(duì)應(yīng)的差分變異樣本v_i進(jìn)行指數(shù)交叉操作：

其中：表示搜索得到的樣本中的第j個(gè)設(shè)計(jì)變量，v_i,j表示差分變異樣本v_i中的第j個(gè)設(shè)計(jì)變量，CR為交叉算子，默認(rèn)取CR＝0.9。

5.根據(jù)權(quán)利要求3所述的一種適用于大變量數(shù)的多級(jí)葉輪優(yōu)化方法，其特征在于，基于偽優(yōu)化目標(biāo)評(píng)估值的選擇操作：

根據(jù)每一個(gè)交叉所得到的樣本u_i對(duì)應(yīng)的種群樣本x_i的優(yōu)化目標(biāo)評(píng)估值將其進(jìn)行排序，選擇其中排序最靠前的若干個(gè)樣本作為新的子代樣本。

6.根據(jù)權(quán)利要求1所述的一種適用于大變量數(shù)的多級(jí)葉輪優(yōu)化方法，其特征在于，對(duì)初始種群中的最優(yōu)樣本使用基于RBF代理模型的局部搜索策略：

首先，比較種群中所有樣本的優(yōu)化目標(biāo)評(píng)估值，查找出其中優(yōu)化目標(biāo)評(píng)估值最優(yōu)的個(gè)體x_best；

其次，在種群最優(yōu)樣本x_best附近選取至多5倍維度數(shù)量的已有樣本和優(yōu)化目標(biāo)評(píng)估值建立局部RBF代理模型；

最后，使用粒子群優(yōu)化算法PSO在代理模型上進(jìn)行局部搜索，搜索半徑設(shè)置為用于訓(xùn)練RBF代理模型的樣本中最優(yōu)樣本和最差樣本之間距離的一半，從而得到一個(gè)新的子代樣本。