CN119066983B 一種機器學習引導的動態種群優化設計方法 （南昌大學）

一種機器學習引導的動態種群優化設計方法本發明公開了一種機器學習引導的動態種個候選子代個體鄰域范圍內確定機器學習模型標非支配排序法篩選真實子代個體，并更新種針對全回轉推進器驅動軸輕量化設計問題的全2步驟一：將全回轉推進器驅動軸輕量化設計問題轉化為束優化問題的設計空間，將在ANSYSWorkbench中獲得的驅動軸重量目標值作為昂貴約束驅動軸導入ANSYSWorkbench中進行靜力學分析并獲得驅動軸的重量目標值，并將靜力學分析結果與驅動軸的周期性交變載荷導入ANSYSnCodeDesignLife中進行疲勞壽命分析，束值用于構建數據庫，根據驅動軸輕量化設計指標對種群進化的迭代參數包括總迭代次步驟二：基于當前迭代次數與數據庫中驅動軸疲勞壽命束違反值為三個目標，基于多目標非支配排序法從當前數據庫中篩選個體來構成動態種算截斷參數，根據截斷參數篩選包含所有驅動軸信息的數據庫中個體來組成當前數據庫，,,,3全回轉推進器的第j個邊界條件約束在個體的約束值，rr表示邊界條件約束的個數；s()表示迭代次數為時的約束松弛因子；按照綜合約束違反值從小到大對數據庫中所有個體進行排序，選擇前Ln-N」個個體步驟三：以動態種群中個體的重量目標值與疲勞壽命及邊界條件約束違反值為指標，及邊界條件約束可行性以及多樣性從鄰域內篩選用于構建高斯過程機器學習模型的建模步驟六：基于迭代信息與初始約束松弛因子更新當前約,ec()表示迭代次數為時的約束松弛因子，Mat表示方法允許迭代的最大法在當前迭代中所得到的最優結構參數對應的驅動軸是否達到全回轉推進器驅動軸輕量,43.如權利要求1所述的方法，其特征在于，所述步驟二中的以當前數據庫中個體多樣,j在可行性規則中，約束違反值為零的所有個體均排在約束違反,j從當前數據庫中根據歐氏距離從小到大排序選擇前200的個體形成候選子代個體的5,值，it,)表示高斯過程機器學習模型針對的預測值，D()表示均值為0且方差為1的正將真實子代個體對應的驅動軸導入ANSYSWorkbench中進行靜力學分析并獲得驅動軸的重量目標值，并將靜力學分析結果與驅動軸的周期性交變載荷導入ANSYSnCode根據可行性規則對比動態種群中個體與其對應的評估后的真實子,表示針對全回轉推進器疲勞壽命約束所構建的高斯過程回轉推進器第j6斯過程機器學習模型進行最小化，s.t.為需滿足的約束；s()表示迭代次數為t時的約束采用粒子群優化法求解上述已構造的優化問題，并獲得局部個體驅動軸導入ANSYSWorkbench中進行靜力學分析并獲得驅動軸的重量目標值，并將靜力學分析結果與驅動軸的周期性交變載荷導入ANSYSnCodeDesignLife中進行疲勞壽命分析，7[0002]全回轉推進器驅動軸的輕量化設計問題需在滿足疲勞壽命約束條件下最小化驅上無法跳出全回轉推進器驅動軸的輕量化設計問題所對應的昂貴約束優化問題的復雜可行域以及目標函數呈現高度非線性所帶來的[0003]機器學習模型由于可以通過學習數據之間的內在聯系來構建從輸入空間到輸出[0005]研究人員均只通過實驗設計方法來在滿足服役要求的前提下最小化全回轉推進仿真約束與復雜目標的特點，研究及設計了一種機器學習引導的動態種群優化設計方法。所述方法設計了適應方法實時優化狀態的動態種群重構以及適應性進化操作來提高方法8貴約束優化問題的設計空間，將在ANSYSWorkbench中獲得的驅動軸重量目標值作為昂貴應的驅動軸導入ANSYSWorkbench中進行靜力學分析并獲得驅動軸的重量目標值，并將靜力學分析結果與驅動軸的周期性交變載荷導入ANSYSnCodeDesignLife中進行疲勞壽命壽命及邊界條件約束可行性以及多樣性從鄰域內篩選用于構建高斯過程機器學習模型的實子代個體對應的重量目標值與疲勞壽命約束值更斷方法在當前迭代中所得到的最優結構參數對應的驅動軸是否達到全回轉推進器驅動軸9照疲勞壽命約束違反值降序排序后第α個個體，也對應于當前種群第α個個體對應的驅動軸各個軸段直徑及長度結構參數取值組合所形成的驅動軸，cA為兩個常數；及長度結構參數取值組合所形成的驅動軸，cv(x,)表示針對個體的疲勞壽命與邊界條件約束的綜合約束違反值，F(x)表示針對個體的全回轉推進器疲勞壽命約束值，h,(-x)表示全回轉推進器的第j個邊界條件約束在個體的約束值[0032]按照綜合約束違反值從小到大對數據庫中所有個體進行排序，選擇前Ln-N」個據庫中第j個個體；j表示動態種群中所有個體的最大排序值，rand(0,1)表示0至1之間的隨機數，與分[0045]從當前數據庫根據歐氏距離從小到大排序選擇前200的個體形成候選子代個體v,目標值，it,)表示高斯過程機器學習模型針對v,的預測值，()表示均值為0且方差為1示高斯過程機器學習模型針對v,的預測方差。,[0053]進一步地，所述步驟六中的采用約束支配準則從候選子代池中篩選真實子代個[0057]將真實子代個體對應的驅動軸導入ANSYSWorkbench中進行靜力學分析并獲得驅動軸的重量目標值，并將靜力學分析結果與驅動軸的周期性交變載荷導入ANSYSnCode[0058]根據可行性規則對比動態種群中個體與其對應的評估后[0059]進一步地，所述步驟七中的構造基于高斯過程的局部搜索定位局部區域子代個,[0062]上式中，表示針對全回轉推進器重量目標構建的高斯過程機器學習模型，F(x)表示針對全回轉推進器疲勞壽命約束所構建的高斯過程機器學習模型，表示針對全回轉推進器第j個邊界條件約束函數所構建的高斯過程機器學習模型，lb與ub分應的驅動軸導入ANSYSWorkbench中進行靜力學分析并獲得驅動軸的重量目標值，并將靜力學分析結果與驅動軸的周期性交變載荷導入ANSYSnCodeDesignLife中進行疲勞壽命種機器學習引導的動態種群優化設計方法主要具有[0066]1.考慮疲勞壽命約束復雜特[0068]3.在候選子代個體鄰域范圍而非整個設計空間內構造高斯過程機器學習模型，效地避免在局部區域收斂速度不足所可能導[0070]5.本發明可以對全回轉推進器驅動軸的輕量化設計問題進行準確的預測與搜[0071]圖1為本發明實施例提供的一種機器學習引導的動態種群優化設計方法的簡化流貴約束優化問題的設計空間，將在ANSYSWorkbench中獲得的驅動軸重量目標值作為昂貴應的驅動軸導入ANSYSWorkbench中進行靜力學分析并獲得驅動軸的重量目標值，并將靜力學分析結果與驅動軸的周期性交變載荷導入ANSYSnCodeDesignLife中進行疲勞壽命照疲勞壽命約束違反值降序排序后第α個個體，也對應于當前種群第α個個體對應的驅動軸各個軸段直徑及長度結構參數取值組合所形成的驅動軸，cA為兩個常數；及長度結構參數取值組合所形成的驅動軸，cv(x,)表示針對個體的疲勞壽命與邊界條件約束的綜合約束違反值，F(x)表示針對個體的全回轉推進器疲勞壽命約束值，h,(-x)表示全回轉推進器的第j個邊界條件約束在個體的約束值[0089]按照綜合約束違反值從小到大對數據庫中所有個體進行排序，選擇前Ln-N」個據庫中第j個個體；j表示動態種群中所有個體的最大排序值，rand(0,1)表示0至1之間的隨機數，與分壽命及邊界條件約束可行性以及多樣性從鄰域內篩選用于構建高斯過程機器學習模型的[0107]從當前數據庫中根據歐氏距離從小到大排序選擇前200的個體形成候選子代個體目標值，it,)表示高斯過程機器學習模型針對v,的預測值，a()表示均值為0且方差為1示高斯過程機器學習模型針對v,的預測方差。實子代個體對應的重量目標值與疲勞壽命約束值更,[0121]將真實子代個體對應的驅動軸導入ANSYSWorkbench中進行靜力學分析并獲得驅動軸的重量目標值，并將靜力學分析結果與驅動軸的周期性交變載荷導入ANSYSnCode[0122]根據可行性規則對比動態種群中個體與其對應的評估后斷方法在當前迭代中所得到的最優結構參數對應的驅動軸是否達到全回轉推進器驅動軸,[0127]上式中，表示針對全回轉推進器重量目標構建的高斯過程機器學習模型，F(x)表示針對全回轉推進器疲勞壽命約束所構建的高斯過程機器學習模型，表示針對全回轉推進器第j個邊界條件約束函數所構建的高斯過程機器學習模型，lb與ub分應的驅動軸導入ANSYSWorkbench中進行靜力學分析并獲得驅動軸的重量目標值，并將靜力學分析結果與驅動軸的周期性交變載荷導入ANSYSnCodeDesignLife中進