【技术实现步骤摘要】
本专利技术涉及人工智能，更具体地，涉及一种机器学习优化设计方法及系统。
技术介绍
1、翼形结构刚度性能提升问题是飞机机翼性能设计的关键需求之一，设计目的在于在满足翼形结构轻量化设计的前提下尽可能提高机翼的刚度。其中，现有研究均基于简单实验设计方法如正交实验设计或均匀实验设计方法确定翼形结构的关键结构参数取值，导致现有针对翼形结构刚度性能提升问题的研究方法的优化性能难以达到实际运行工况下严苛的设计需求。
2、随着人工智能技术的蓬勃发展，机器学习模型由于可以针对复杂模型或者耗时模型提供快速且准确的预测使得机器学习模型被广泛用于复杂结构性能提升问题中。为此，可通过针对翼形结构的刚度仿真模型与复杂的几何模型构建机器学习模型来指导整个结构优化设计的过程。更重要的是，相较于目前研究所采用的实验设计方法，在机器学习模型的辅助下可以完全发挥进化算法针对复杂优化问题的寻优能力，获得满意的优化结果。
3、进一步地，考虑到现有进化算法均基于种群进化迭代方式进行寻优，虽然在一方面可以保证算法优化的鲁棒性，但也将增加刚度仿真模型的调用次数，从而增加优化周期，对应降低了工作效率。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种机器学习优化设计方法及系统，以解决现有技术在优化设计的过程中会增加刚度仿真模型的调用次数，导致增加了优化周期，对应降低了工作效率的问题。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种机器学习优化设计方法，该方法包括以下步骤：p>
3、根据载荷受力分析与边界条件构建翼形结构刚度仿真模型，并基于实际工况确定刚度与重量分别作为优化目标与优化约束来构造对应的数学优化模型，其中，在满足翼形结构轻量化要求的前提下最大化翼形结构刚度；
4、以关键结构的优化参数为设计变量，基于拉丁超立方采样确定初始优化种群，并采用所述翼形结构刚度仿真模型与所述数学优化模型获得所述初始优化种群的刚度目标值与重量约束值；
5、获取与所述初始优化种群对应的种群信息，并根据所述种群信息分别推导出空间导向与维度导向的搜索中心重构函数，并对应获得两个搜索重心，以定位出对应的高潜力进化节点；
6、分别以两个搜索重心为基准向量，采用正态分布随机数分别对两个所述搜索重心中的重心维度参数值进行扰动，以对应产生两个候选子代种群；
7、根据历史翼形结构仿真刚度数据以及重量数据构建出对应的径向基函数机器学习预测模型，并通过所述径向基函数机器学习预测模型对应预测出两个所述候选子代种群对应的刚度目标值与重量约束值；
8、基于可行性规则从两个所述候选子代种群中分别筛选出对应的最优个体，通过所述翼形结构刚度仿真模型根据所述刚度目标值以及所述重量约束值对应评估两个所述最优个体，并更新优化种群与对应的关键迭代信息，通过所述翼形结构刚度仿真模型输出对应的优化结构，并实时判断所述优化结构是否满足刚度与重量要求，若判断到所述优化结构满足所述刚度与重量要求，则对应输出所述优化结构。
9、进一步地，所述基于实际工况确定刚度与重量分别作为优化目标与优化约束来构造对应的数学优化模型的算法为：
10、
11、上式中，为翼形结构刚度；为翼形结构重量；为翼形结构刚度优化问题中的关键结构优化参数向量；f和t分别为诺依曼边界γt上的体积力密度和预设的表面牵引力；为赫维赛德函数；为翼形结构拓扑描述函数；u为位移场； uad为虚拟位移向量v的可允许集合；是翼形结构重量上界值；v是翼形结构体积随机变量；s是翼形结构位移随机变量；为关键结构优化参数的上下界；为结构材料密度；为结构优化参数的数目。
12、进一步地，所述以关键结构的优化参数为设计变量，基于拉丁超立方采样确定初始优化种群的步骤包括：
13、第一步，根据结构优化参数上下界，将关键结构优化参数向量中每个结构优化参数上下界区间划分为个子区间；
14、第二步，针对每个结构的优化参数，随机选择出1个对应的子区间，并基于均匀分布规则在所述子区间内产生对应的随机数；
15、第三步，将所有子区间分别对应产生的随机数按照所述优化参数的顺序组合成一个对应的初始种群个体；
16、循环执行第一步、第二步与第三步次，直至获得由个个体组成的初始优化种群。
17、进一步地，所述获取与所述初始优化种群对应的种群信息，并根据所述种群信息分别推导出空间导向与维度导向的搜索中心重构函数，并对应获得两个搜索重心的步骤包括：
18、以所述种群信息为参考，基于预设算法实时计算出当前每个所述初始优化种群在整个空间中的密度概率，具体表达式如下：
19、
20、上式中，表示针对当前种群第个个体在整个空间中计算得到的密度概率；表示当前种群个体数目；和分别为当前种群所有个体在第个结构优化参数的上界与下界；为结构优化参数的数目；为当前种群第个个体；为当前种群第个个体；为核函数；
21、推导空间导向的搜索重心重构函数，具体表达式如下：
22、
23、上式中，为基于当前中心所计算的空间导向的搜索重心；表示针对当前种群第个个体计算得到的密度概率；
24、以所述种群信息为参考，基于parzen窗法计算每个当前种群个体在每个维度上的密度概率，具体表达式如下：
25、
26、上式中，表示针对当前种群第个个体在第个维度中计算得到的密度概率；为当前种群第个个体在第个维度的结构优化参数值；
27、推导维度导向的搜索重心重构函数，具体表达式如下：
28、
29、上式中，为基于当前种群所计算的维度导向搜索重心的第个维度值；表示针对当前种群第个个体在第个维度中计算得到的密度概率。
30、进一步地，所述分别以两个所述搜索重心为基准向量，采用正态分布随机数分别对两个所述搜索重心中的重心维度参数值进行扰动，以对应产生两个候选子代种群的步骤包括：
31、第一步，针对所述空间导向中的搜索中心所包含的维度值，基于正态分布产生正态分布随机数，将每个维度值加上随机数得到对应维度的扰动值，将所有扰动值组合形成由搜索重心扰动得到的候选子代个体；
32、第二步，针对所述维度导向中的搜索中心所包含的维度值，基于正态分布产生正态分布随机数，将每个维度值加上随机数得到对应维度的扰动值；将所有扰动值组合形成由搜索重心扰动得到的候选子代个体；
33、循环执行第一步、第二步次，分别获取与所述空间导向以及所述维度导向对应的候选子代种群。
34、进一步地，所述根据历史翼形结构仿真刚度数据以及重量数据构建出对应的径向基函数机器学习预测模型，并通过所述径向基函数机器学习预测模型对应预测出两个所述候选子代种群对应的刚度目标值与重量约束值的步骤包括：
35、针对所述刚度数据，构造带一阶多项式的径向本文档来自技高网...
【技术保护点】
1.一种机器学习优化设计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述基于实际工况确定刚度与重量分别作为优化目标与优化约束来构造对应的数学优化模型的算法为：
3.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述以关键结构的优化参数为设计变量，基于拉丁超立方采样确定初始优化种群的步骤包括：
4.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述获取与所述初始优化种群对应的种群信息，并根据所述种群信息分别推导出空间导向与维度导向的搜索中心重构函数，并对应获得两个搜索重心的步骤包括：
5.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述分别以两个所述搜索重心为基准向量，采用正态分布随机数分别对两个所述搜索重心中的重心维度参数值进行扰动，以对应产生两个候选子代种群的步骤包括：
6.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述根据历史翼形结构仿真刚度数据以及重量数据构建出对应的径向基函数机器学习预测模型，并通过所述径向基函数机器学习预测模型
7.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述基于可行性规则从两个所述候选子代种群中分别筛选出对应的最优个体，通过所述翼形结构刚度仿真模型根据所述刚度目标值以及所述重量约束值对应评估两个所述最优个体，并更新优化种群与对应的关键迭代信息的步骤包括：
8.一种机器学习优化设计系统，其特征在于，所述系统包括：
9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的机器学习优化设计方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任意一项所述的机器学习优化设计方法。
...【技术特征摘要】
1.一种机器学习优化设计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述基于实际工况确定刚度与重量分别作为优化目标与优化约束来构造对应的数学优化模型的算法为：
3.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述以关键结构的优化参数为设计变量，基于拉丁超立方采样确定初始优化种群的步骤包括：
4.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述获取与所述初始优化种群对应的种群信息，并根据所述种群信息分别推导出空间导向与维度导向的搜索中心重构函数，并对应获得两个搜索重心的步骤包括：
5.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述分别以两个所述搜索重心为基准向量，采用正态分布随机数分别对两个所述搜索重心中的重心维度参数值进行扰动，以对应产生两个候选子代种群的步骤包括：
6.根据权利要求1所述的机器学习优化设计方法，其特征在于，所述根据...
【专利技术属性】
技术研发人员：杨赞，陈宇航，陈艳慧，张坤，王运平，陶洪康，鲁翠媛，
申请(专利权)人：南昌大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。