【技术实现步骤摘要】
本专利技术涉及电子信息中人工智能通用，更具体地，涉及一种基于禁忌空间划定的机器学习协助的差分进化方法。
技术介绍
1、全回转推进器驱动轴的服役时间问题需通过调用计算耗时的疲劳仿真来获得驱动轴在交变应力作用下的服役时间，针对全回转推进器驱动轴的一次疲劳耗时仿真评估时间在半小时至一小时之间，使得传统针对目标响应获取不耗时且需大量调用目标响应函数的进化方法无法在合理的设计周期内给出满意的驱动轴结构设计参数，无法满足服役时间要求。为此，如何针对全回转推进器驱动轴的服役时间问题设计有效的智能优化方法是目前所面临的关键技术难题之一。
2、近年来，基于机器学习的设计优化方法应运而生，这类方法通过利用机器学习的自主学习能力来近似替代耗时较高的目标仿真，较大程度上减少不必要的耗时仿真的调用次数，从而显著提高方法的优化效率，缩短设计周期。
3、本专利专利技术人在实现本专利技术实施例技术方法的过程中，至少发现现有技术中存在如下技术问题：
4、目前，研究人员均只通过实验设计方法来最大化提高全回转推进器驱动轴的服役时间，导致性能较差，并且现有基于机器学习的设计优化技术关注于如何探索优化问题的高潜力搜索方向，而忽视在优化过程中如何避开或利用历史低潜力区域的位置信息，同样导致方法容易陷入历史局部最优，优化效率低下。
5、综上，如何结合全回转推进器驱动轴服役时间仿真模型特性与关键结构参数特点来划定机器学习优化过程中的低潜力区域，避开低潜力关键结构参数的误导，以及如何利用禁忌空间的反向引导信息与高潜力区域的正向引导
技术实现思路
1、针对现有技术中基于全回转推进器驱动轴的服役时间最大化问题涉及耗时仿真与现有技术忽视低潜力区域的特点，研究及设计了一种基于禁忌空间划定的机器学习协助的差分进化方法。所述方法对优化过程中的禁忌空间与高潜力空间进行了有效地划定，并基于两者位置信息的差异性设计了协同进化操作来产生高潜力的候选子代个体，从而极大程度上降低机器学习模型的筛选压力，显著提高方法的优化效率。
2、为实现上述目的，本专利技术实施例提供了一种基于禁忌空间划定的机器学习协助的差分进化方法，所述方法适用于全回转推进器驱动轴的服役时间最大化问题，所述方法包括：
3、步骤一：将全回转推进器驱动轴的服役时间最大化问题转化为服役时间负值最小化问题，基于驱动轴关键结构参数数量及取值范围进行种群与关键迭代参数初始化，根据交变载荷谱与受力分析构造全回转推进器几何模型与疲劳寿命仿真模型并获得初始种群的疲劳仿真响应值，构造机器学习模型并执行机器学习驱动的优化策略确定关键结构参数取值的禁忌空间，给出方法收敛条件；
4、步骤二：设计机器学习驱动的潜力空间确定策略来构造潜力空间，并根据潜力个体更新机器学习模型，以期针对全回转推进器驱动轴服役时间对应的疲劳寿命仿真模型构建精确的机器学习预测模型；
5、步骤三：基于潜力空间贪婪信息与禁忌空间反向位置信息构造可继承贪婪信息并远离反向位置信息的贪婪协同进化操作，为每个潜力个体产生候选变异子代个体池，以期望获得具备优异服役时间性能的关键结构参数向量集合；
6、步骤四：针对每个候选变异子代个体，采用二项交叉策略获得对应的候选子代个体池；
7、步骤五：基于机器学习构建特性推导候选子代个体不确定性评估法，从候选子代个体池中分别筛选高潜力与高不确定性的个体作为真实子代个体；
8、步骤六：评估真实子代个体，更新种群与关键迭代参数信息，基于机器学习驱动的优化重构禁忌空间与潜力空间，判断优化结构是否满足服役时间指标，若满足则输出方法所得最优的关键结构参数向量，否则转至步骤二，直至方法所得优化结构满足服役时间指标。
9、进一步地，所述步骤一中的构造机器学习模型并执行机器学习驱动的优化策略确定关键结构参数取值的禁忌空间，具体包括如下子步骤：
10、以初始种群个体为建模样本输入集，以初始种群个体的目标真实响应值为建模样本输出集，构建径向基函数机器学习模型，具体表达式如下：
11、；
12、上式中，为径向基函数机器学习模型表达式取值，表示第个基函数的权重系数取值，表示建模样本的个数，表示第个建模样本点，表示基函数， x表示需要采用径向基函数进行预测的新样本点；
13、设置粒子群法收敛条件为种群在连续十代均未得到更新，采用经典粒子群优化法搜索由径向基函数机器学习模型构造的优化问题，具体表达式如下：
14、；
15、上式中，与分别表示优化问题设计空间的下界与上界；
16、设置禁忌空间半径为，则可通过粒子群法收敛的最终种群确定多个禁忌空间，若最终种群大小为，则得到个禁忌空间，即最终种群中第个个体对应的禁忌空间为。
17、进一步地，所述步骤二，具体包括如下子步骤：
18、设置差分进化法收敛条件为种群在连续十代均未得到更新，采用经典差分进化法搜索由径向基函数机器学习模型构造的优化问题，具体表达式如下：
19、；
20、若差分进化法所得最终种群为，则潜力空间由最终种群所围成的超矩形区域构成，即；其中， xxx1表示差分进化所得种群的第1个个体， xxxnde表示差分进化所得种群的第nde个个体，nde表示差分进化所得种群的个体数目。
21、进一步地，所述步骤三，具体包括如下子步骤：
22、针对潜力空间中每个个体，构造贪婪协同进化操作来产生1000个候选变异子代个体，从而形成候选变异子代个体池，其中，贪婪协同进化操作的表达式如下：
23、；
24、上式中，表示第个候选变异子代个体，表示潜力空间中每个个体，表示随机从潜力空间中选择的个体，其中，为 xxxr1对应的索引，表示随机从禁忌空间中选择的个体，其中，为 xxr2对应的索引，表示0至1之间的随机数。
25、进一步地，所述步骤四中的交叉公式如下：
26、；
27、上式中，表示第个候选子代个体，表示交叉概率，表示随机索引，表示执行二项交叉的当前维度索引。
28、进一步地，所述步骤五中不确定性评估法的不确定性评估函数公式如下：
29、；
30、上式中，表示针对第个候选子代个体的不确定性信息值，表示靠近的100个已评估真实个体中的第个个体，表示径向基函数机器学习模型针对的预测值， y(tti )表示对应的真实目标函数值。
31、进一步地，所述步骤五中的从候选子代个体池中分别筛选高潜力本文档来自技高网...
【技术保护点】
1.一种基于禁忌空间划定的机器学习协助的差分进化方法，其特征在于，所述方法适用于全回转推进器驱动轴的服役时间最大化问题，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述步骤一中的构造机器学习模型并执行机器学习驱动的优化策略确定关键结构参数取值的禁忌空间，具体包括如下子步骤：
3.如权利要求1所述的方法，其特征在于，所述步骤二，具体包括如下子步骤：
4.如权利要求1所述的方法，其特征在于，所述步骤三，具体包括如下子步骤：
5.如权利要求1所述的方法，其特征在于，所述步骤四中的交叉公式如下：
6.如权利要求1所述的方法，其特征在于，所述步骤五中不确定性评估法的不确定性评估函数公式如下：
7.如权利要求1所述的方法，其特征在于，所述步骤五中的从候选子代个体池中分别筛选高潜力与高不确定性的个体作为真实子代个体，具体包括如下子步骤：
8.如权利要求1所述的方法，其特征在于，所述步骤六，具体步骤如下：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于禁忌空间划定的机器学习协助的差分进化方法，其特征在于，所述方法适用于全回转推进器驱动轴的服役时间最大化问题，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述步骤一中的构造机器学习模型并执行机器学习驱动的优化策略确定关键结构参数取值的禁忌空间，具体包括如下子步骤：
3.如权利要求1所述的方法，其特征在于，所述步骤二，具体包括如下子步骤：
4.如权利要求1所述的方法，其特征在于，所述步骤三，具体包括如下子步骤：
5.如权利要求1所述的方法，其特征在于，所述步骤四中的交叉公式如下：
6.如权利要求1所述的方法，其特征在于，所...
【专利技术属性】
技术研发人员：杨赞，欧阳宏超，杜兴，刘建胜，鲁翠媛，黄纪绘，李西安，曹达辉，胡浩然，
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。