CN105425588B - 一种提高室内环境反向设计效率的模糊控制方法 - Google Patents

Abstract

本发明公开了一种提高室内环境反向设计效率的模糊控制方法，将模糊控制方法应用于遗传算法与神经网络相结合的反向设计方法，分别实现对反向设计过程中的计算概率和进化区间进行控制。与现有技术中相比，本发明在反向设计方法中加入模糊控制技术，提高反向设计方法的计算效率。

Description

一种提高室内环境反向设计效率的模糊控制方法

技术领域

本发明涉及神经网络与室内环境的设计，特别是涉及一种提高室内环境反向设计效率的模糊控制方法。

背景技术

遗传算法与神经网络相结合的反向设计方法可应用于室内环境领域。反向设计过程同时受遗传算法搜索能力和神经网络预测能力的影响。模糊控制技术能够分别与遗传算法和神经网络相结合，提高这两者的计算效率，进而提高反向设计的效率。

模糊控制技术是一种常用的控制方法，它不需要被控对象的精确数学模型，推理过程模仿人的思维过程，能够解决许多复杂而无法建立精确数学模型系统的控制问题。模糊控制方法中有以下几个重要概念：

(1)论域：包含控制变量或控制目标所有可选数值的集合，一般以字母U表示。

(2)确切量：真实的输入与输出值。

(3)模糊量：使用模糊语言变量表达的输入与输出值。一般包括“负大”(NB)、“负中”(NM)、“负小”(NS)、“零”(ZO)、“正小”(PS)、“正中”(PM)、“正大”(PB)等。语言变量的数量一般根据模糊控制的精度要求确定，语言变量越多，控制的精度越高。

(4)隶属度：若对论域U中的任一元素x，都有一个数μ(x)∈[0，1]与之对应，则称μ为U上的模糊集，μ(x)称为x对μ的隶属度。经典集合对事物只用“1”、“0”简单地表示“属于”或“不属于”的分类，而模糊集合中隶属度是0到1之间连续变化的值，隶属度μ(x)越接近于1，表示x属于μ的程度越高，μ(x)越接近于0表示x属于μ的程度越低。

(5)隶属函数：当x在U中变动时，μ(x)就是一个函数，称为μ的隶属函数。用取值于区间[0，1]的隶属函数μ(x)表征x属于μ的程度高低。使用模糊控制的过程中，常用的隶属函数按形状可分为矩形、梯形三角形及曲线分布等隶属函数。

模糊控制主要包括模糊化、模糊推理与反模糊化三个过程。模糊化是将输入的确切量以适当的比例转换为模糊量，并利用语言变量来描述物理量。首先，求出输入量相对于语言变量各定性值的隶属度，然后将输入量进行尺度变换，使其变换到各自论域范围，并进行模糊处理，再用相应的模糊集合表示。模糊推理是模糊控制器的关键，它利用模糊控制规则，根据输入的模糊量得出相应的输出模糊量。模糊规则以模糊条件句的形式，建立了状态变量与控制变量之间的联系。模糊条件句一般表示为“若A则B”的形式，所有模糊条件句的集合可用模糊规则表的形式表示。反模糊化是将模糊推理中产生的模糊量转化为精确量的过程，常见的反模糊化方法包括最大隶属度值法、加权平均法、中位数法等

发明内容

基于上述的现有技术，本发明提出了一种提高室内环境反向设计效率的模糊控制方法，将模糊控制方法应用于遗传算法与神经网络相结合的反向设计方法，分别实现对反向设计过程中的计算概率和进化区间进行控制。

本发明提出了一种提高室内环境反向设计效率的模糊控制方法，该方法将模糊控制方法应用于遗传算法与神经网络相结合的反向设计方法，分别实现对反向设计过程中的计算概率和进化区间进行控制，其中：

所述计算概率控制的具体流程包括：

确定模糊控制的输入、模糊变量词集、模糊控制规则以及隶属函数；

使用神经网络预测个体的设计目标值，设计目标值包括|PMV_C|<0.5、V_feet<0.2m/s、0.1m/s<V_head<0.2m/s、ΔT<2.8℃；其中，V_head、V_feet与ΔT分别代表飞行时飞机客舱室内作用于头部的速度、飞行时作用于脚部的速度与垂向温差；PMV_c为修正的预测平均投票数PMV，其计算公式如下：

PMV_c＝-0.0758PMV²+0.6757PMV-0.1262

若设计目标值满足设计要求，计算模糊控制的输入值，即神经网络的预测成功率和目标距离；

预测成功率SR计算公式如下：

SR＝100％×n(E_CFD)/n(E_ANN)

其中，n(E_CFD)为CFD计算值满足设计要求的个体数量，n(E_ANN)为神经网络预测值满足设计要求的个体数量；

目标距离D计算公式如下：

其中，n为设计目标个数，F_i为第i个设计目标的预测值，S_i为第i个设计目标的设计标准；

使用模糊控制获得计算概率，输入为目标距离和预测精度，将计算概率定义为对当前个体进行CFD计算的概率；

若计算概率大于0.5，使用CFD计算当前个体的设计目标值；

否则，所述计算概率流程结束；

所述进化区间控制的具体流程包括：

确定模糊控制的输入、模糊变量词集、模糊控制规则以及隶属函数；

模糊控制的输入为个体的虚拟适应度，输出为各模糊变量的进化区间；输入和输出的模糊变量词集均为目标距离集合{NB，NS，ZO，PS，PB}；

同时使用神经网络和CFD计算预测个体的设计目标值，确定模糊控制的输入值，即获得个体设计目标值后，使用非支配排序方法，对所有个体进行排序，然后按照个体的排序结果，赋给每个个体一个0～1之间的值，此值即为虚拟适应度值：个体越优，虚拟适应值越高，个体的虚拟适应度即为模糊控制器的输入值；

使用模糊控制计算各变量的进化区间，进化区间定义为新个体的模糊变量区间，即变量的可选范围，当个体距离目标值越近，其进化区间越小，距离目标值越远，进化区间越大；

利用遗传算法的交叉变异过程，根据进化区间确定每个新预测个体的模糊变量区间：首先利用交叉变异过程确定新个体的编码，然后根据进化区间确定每个新个体的变化范围，根据个体编码和变化范围间的对应关系，确定新个体的模糊变量区间。

与现有技术中相比，本发明在反向设计方法中加入模糊控制技术，提高反向设计方法的计算效率。

附图说明

图1为反向设计方法流程图。

图2为本发明的反向设计实施例的模型示意图；

图3为计算量随遗传代数变化曲线。遗传算法计算到28代时，反向设计过程收敛，总计算量为139，即计算了139个CFD算例；

图4控制计算概率时，输入变量的隶属度分布曲线图；

图5控制计算概率时，输出变量的隶属度分布曲线图；

图6控制进化区间时，输入变量的隶属度分布曲线图；

图7控制进化区间时，输出变量的隶属度分布曲线图；

图8对计算概率和进化区间进行模糊后，反向设计计算量变化曲线图。

具体实施方式

以下结合附图及具体实施方式，进一步详述本发明的技术方案。

本发明技术方案的具体实施方式，举例描述如下：

如图2所示的模型示意图，建立了二维座舱模型作为反向设计对象，座舱内包含三名乘客，右侧壁面的中部为窗户所在位置，窗户上下两侧分别为入口及出口可选的位置。座舱模型反向设计的设计变量包括入口速度(V_in)、入口温度(T_in)、入口角度(A_in)、入口位置(L_in)以及出口位置(L_out)。入口和出口的尺寸相同，在窗户的上侧设置了14个可选的出入口，下侧设置了16个可选出入口，表1为各设计变量的变化范围及间隔。

表1、座舱模型反向设计变量参数

座舱模型反向设计的设计目标如下：

(1)|PMV_C|<0.5；(2)0.1m/s<V_head<0.2m/s；(3)V_feet<0.2m/s；(4)ΔT<2.8℃。

V_head、V_feet与ΔT代表飞行时作用于头部的速度、飞行时作用于脚部的速度与垂向温差。PMVc为修正的PMV(预测平均投票数)(predictedmeanvote)公式，其计算公式如下：

PMV_c＝-0.0758PMV²+0.6757PMV-0.1262\*MERGEFORMAT (1)

本实施例的反向设计流程为：

1、无模糊控制计算结果

使用遗传算法与神经网络相结合的方法，对座舱模型进行反向设计。遗传算法交叉概率为0.8，变异概率为0.1，每代个体数为24，同时使用CFD与人工神经网络计算个体的设计目标值，收敛条件是得到8个满足设计要求的解；

如图3所示，为无模糊控制时，计算量随遗传代数变化曲线图。遗传算法计算到28代时，反向设计过程收敛，总计算量为139，即计算了139个CFD算例。

2、添加模糊控制后计算结果

使用模糊控制对计算概率进行控制时，模糊控制器的输入为目标距离和预测精度。计算概率定义为对当前个体进行CFD计算的概率，如计算概率为0.5，则有50％的概率对当前个体使用CFD方法计算。目标距离表示预测值与设计标准之间的距离，预测精度为神经网络的预测成功率。模糊控制的输出为计算概率，其变化范围为0～1。输入和输出的模糊变量词集均为{NB，NS，ZO，PS，PB}，表2为模糊控制器的输入与输出的模糊控制规则。图4和图5分别为模糊控制输入变量与输出变量的隶属函数分布曲线图。若对论域U中的任一元素x，都有一个数μ(x)∈[0，1]与之对应，则称μ为U上的模糊集，μ(x)称为x对μ的隶属度。模糊集合中隶属度是0到1之间连续变化的值，隶属度μ(x)越接近于1，表示x属于μ的程度越高，μ(x)越接近于0表示x属于μ的程度越低。当x在U中变动时，μ(x)就是一个函数，称为μ的隶属函数。

表2、神经网络预测成功率、目标距离和计算概率的模糊控制规则表

使用模糊控制对进化区间进行控制时，模糊控制器的输入为个体的虚拟适应度，输出为各变量的进化区间。输入和输出的模糊变量词集均为{NB，NS，ZO，PS，PB}。表3为虚拟适应度与进化区间的模糊控制规则，虚拟适应度越高，进化区间越小。图6、图7分别为虚拟适应度和各变量进化区间的隶属度分布曲线图。

表3、虚拟适应度和进化区间的模糊控制规则

反向设计过程中，遗传算法的计算参数和收敛条件与无模糊控制时相同。图8为计算概率和进化区间进行模糊后，反向设计计算量变化曲线图。遗传算法计算到24代时，反向设计过程收敛，共计算了102个CFD算例，与单独控制计算概率相比，计算量降低了26.6％。

Claims (1)

1.一种提高室内环境反向设计效率的模糊控制方法，其特征在于，该方法将模糊控制方法应用于遗传算法与神经网络相结合的反向设计方法，分别实现对反向设计过程中的计算概率和进化区间进行控制，其中：

所述计算概率控制的具体流程包括：

确定模糊控制的输入、模糊变量词集、模糊控制规则以及隶属函数；

使用神经网络预测个体的设计目标值，设计目标值包括|PMV_C|<0.5、V_feet<0.2m/s、0.1m/s<V_head<0.2m/s、ΔT<2.8℃；其中，V_head、V_feet与ΔT分别代表飞行时飞机客舱室内作用于头部的速度、飞行时作用于脚部的速度与垂向温差；PMV_c为修正的预测平均投票数PMV，其计算公式如下：

PMV_c＝-0.0758PMV²+0.6757PMV-0.1262

若设计目标值满足设计要求，计算模糊控制的输入值，即神经网络的预测成功率和目标距离；

预测成功率SR计算公式如下：

SR＝100％×n(E_CFD)/n(E_ANN)

其中，n(E_CFD)为CFD计算值满足设计要求的个体数量，n(E_ANN)为神经网络预测值满足设计要求的个体数量；

目标距离D计算公式如下：

其中，n为设计目标个数，F_i为第i个设计目标的预测值，S_i为第i个设计目标的设计标准；

使用模糊控制获得计算概率，输入为目标距离和预测精度，将计算概率定义为对当前个体进行CFD计算的概率；

若计算概率大于0.5，使用CFD计算当前个体的设计目标值；

否则，所述计算概率流程结束；

所述进化区间控制的具体流程包括：

确定模糊控制的输入、模糊变量词集、模糊控制规则以及隶属函数；

模糊控制的输入为个体的虚拟适应度，输出为各模糊变量的进化区间；输入和输出的模糊变量词集均为目标距离集合{NB，NS，ZO，PS，PB}；

同时使用神经网络和CFD计算预测个体的设计目标值，确定模糊控制的输入值，即获得个体设计目标值后，使用非支配排序方法，对所有个体进行排序，然后按照个体的排序结果，赋给每个个体一个0～1之间的值，此值即为虚拟适应度值：个体越优，虚拟适应值越高，个体的虚拟适应度即为模糊控制器的输入值；

使用模糊控制计算各变量的进化区间，进化区间定义为新个体的模糊变量区间，即变量的可选范围，当个体距离目标值越近，其进化区间越小，距离目标值越远，进化区间越大；

利用遗传算法的交叉变异过程，根据进化区间确定每个新预测个体的模糊变量区间：首先利用交叉变异过程确定新个体的编码，然后根据进化区间确定每个新个体的变化范围，根据个体编码和变化范围间的对应关系，确定新个体的模糊变量区间。