CN105550437A - 一种基于遗传算法的室内环境反向设计方法 - Google Patents

一种基于遗传算法的室内环境反向设计方法 Download PDF

Info

Publication number
CN105550437A
CN105550437A CN201510918848.7A CN201510918848A CN105550437A CN 105550437 A CN105550437 A CN 105550437A CN 201510918848 A CN201510918848 A CN 201510918848A CN 105550437 A CN105550437 A CN 105550437A
Authority
CN
China
Prior art keywords
design
genetic algorithm
reverse
design object
population
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510918848.7A
Other languages
English (en)
Inventor
尤学一
张天虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201510918848.7A priority Critical patent/CN105550437A/zh
Publication of CN105550437A publication Critical patent/CN105550437A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Architecture (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于遗传算法的室内环境反向设计方法，根据设计对象确定设计变量与设计目标；对于单设计目标，确定反向设计的目标函数后，利用遗传算法的交叉变异过程对目标函数进行优化，使用计算流体力学方法计算新个体的适应度，然后进行选择，直至新种群的目标函数符合收敛标准；对于多设计目标，利用遗传算法的交叉变异过程搜索满足设计要求的个体，使用计算流体力学方法计算新个体的适应度，然后进行选择，直至新种群的目标函数符合收敛标准。本发明能够实现室内环境的反向设计：对于单目标设计问题，可利用单目标遗传算法找到最优的设计变量值；对于多目标设计问题，可利用多目标遗传算法同时得到多组符合设计要求的设计变量值。<!-- 2 -->

Description

一种基于遗传算法的室内环境反向设计方法
技术领域
本发明涉及建筑的室内环境设计领域，特别是基于遗传算法的室内环境反向设计方法。
背景技术
建筑室内环境设计包含三个主要内容：设计变量、设计目标以及设计方法。设计方法是室内环境设计的核心内容，可按设计方向分为两大类：正向设计与反向设计。正向设计根据设计变量值确定相应的设计目标值，通过不断的尝试或利用设计者本身的经验，对设计变量值进行修正，逐步使设计目标值达到设计要求，进而完成室内环境的设计过程。但由于室内环境设计问题的复杂性和设计参数的非线性等因素，正向设计过程往往很难得到理想的结果。反向设计基于结果求原因的顺序，根据设计目标值确定相应的设计变量值，设计过程存在明确的方向性，且不需要设计者有丰富的经验。因此，反向设计方法在室内环境设计中的适用性更强。
优化方法是最常用的反向设计方法，其适用性强，应用范围广。遗传算法是一种经典的优化算法，与其它优化算法相比，遗传算法更容易探索整个设计空间，并找到全局最优解。它把优化过程看成是生物种群的进化过程，每个变量可能的解表示成一个染色体的片段，所有变量可能的解按顺序排列成一条完整的染色体，每条染色体代表进化过程中的一个个体，处于同一代的所有个体称为一个种群。在执行遗传算法之前，首先给出初始种群，也就是一些假设的解。然后，把这些假设解置于问题的环境中，并按照适者生存的原则，通过交叉、变异、选择等过程产生更适应环境的新一代种群。这样一代一代地进化，最后就会收敛得到问题的最优解。
使用遗传算法时，经常会遇到多目标问题，可以使用非支配排序的方法解决此问题。这里以最大化问题为例，表述非支配关系，对于两个任意个体A、B：
对于任意目标函数f，均满足f(A)>f(B)，称A占优B或A支配B；
(2)若A不占优于B，且B不占优于A时，称A与B无差别。
非支配个体是指不被其它任何个体所支配的个体，它们的特点是如果对其中一个目标进行提高，必将损害其它至少一个目标。所有非支配个体构成帕累托前沿，在帕累托前沿上的个体不受任何其它个体支配。
通过非支配排序方法，对个体数为n的种群进行排序的具体步骤如下：
(1)设i＝1；
(2)对于所有的j＝1，2…，n，且j≠i，按照支配关系的定义比较个体i和个体j之间的支配与非支配关系；
(3)如果不存在任何一个个体j优于i，则i标记为非支配个体；
(4)令i＝i+1，转到步骤(2)，直到找到所有的非支配个体。
(5)通过上述步骤得到的非支配个体集是种群的第一级非支配层，然后，忽略这些已经标记的非支配个体，再遵循步骤(1)～(4)，就会得到第二级非支配层。依此类推，直到整个种群被分层。
(6)种群分层结束后，对每个支配层内的个体，使用拥挤度进行排序，得到所有个体的排序。拥挤度计算公式如下：
t k = &Sigma; i = 1 n ( | f i ( k + 1 ) - f i ( k - 1 ) | ) - - - ( 1 )
tk为第k个点的拥挤度，fi(k+1)为第k+1个点第i个目标的目标函数值，fi(k-1)为第k-1个点的第i个目标的目标函数值。
将遗传算法应用于室内环境反向设计，能够解决单目标与多目标设计问题，获得最优的设计参数，提高室内环境质量。
发明内容
针对上述的现有技术及存在的问题，本发明提出了一种基于遗传算法的室内环境反向设计方法，根据室内环境控制区域的要求，对室内环境进行反向设计，提出保障控制区室内环境质量的控制方法。
本发明提出了一种基于遗传算法的室内环境反向设计方法该方法包括以下步骤：
步骤1、根据设计对象确定设计变量与设计目标；
步骤2、对于单设计目标，确定反向设计的目标函数后，利用遗传算法的交叉变异过程对目标函数进行优化，找到最优的设计变量值；使用计算流体力学方法计算新个体的适应度，即根据设计变量值确定设计对象的边界条件，使用流体力学方法计算得到设计对象内部的速度、温度等的分布，进而可以得到设计目标值，即为个体的适应度，即设计目标值，然后通过非支配排序方法对种群中的个体进行排序，并使用锦标赛算法进行选择，产生新种群，若新种群的目标函数符合收敛标准，设计过程结束，否则继续进行交叉变异过程，产生新种群；
步骤3、对于多设计目标，确定反向设计的设计要求后，利用遗传算法的交叉变异过程同时得到多组符合设计要求的设计变量值，从中搜索满足设计要求的个体，使用计算流体力学方法计算新个体的适应度，即根据设计变量值确定设计对象的边界条件，使用流体力学方法计算得到设计对象内部的速度、温度等的分布，进而可以得到设计目标值，即为个体的适应度)，即设计目标值，然后通过非支配排序方法对种群中的个体进行排序，并使用锦标赛算法进行选择，产生新种群，若新种群符合收敛标准，设计过程结束，否则继续进行交叉变异过程，产生新种群。
与现有技术相比，本发明能够实现室内环境的反向设计：对于单目标设计问题，可利用单目标遗传算法找到最优的设计变量值；对于多目标设计问题，可利用多目标遗传算法同时得到多组符合设计要求的设计变量值。
附图说明
图1为本发明的基于遗传算法的室内环境反向设计方法流程图；
图2为本发明具体实施例的Blay模型示意图；a)Blay模型的几何结构，(b)网格划分；
图3为本发明具体实施例的座舱模型示意图；(a)座舱模型，(b)网格划分；
图4为本发明具体实施例的Blay模型反向设计目标函数随遗传代数变化曲线图；
图5为本发明具体实施例的Blay模型反向设计计算量增长曲线；
图6为本发明具体实施例的座舱模型反向设计解数量随遗传代数变化曲线；
图7为座舱模型反向设计计算量随遗传代数变化曲线。
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。
使用遗传算法进行反向设计的对象分别为Blay模型以及客机座舱模型。如图2所示，为Blay模型的几何结构及网格划分。Blay模型的外部结构为正方形，尺寸为1.04×1.04m，包含一个入口和一个出口，入口尺寸为0.018m，出口尺寸为0.022m。入口速度为0.57m/s，入口温度为15℃，送风角度为水平方向，四周使用无滑移的壁面边界条件，壁面温度均设为恒温条件，监测点位于出口附近，。
如图3所示，为座舱模型及网格划分。座舱模型内包含两名乘客，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。入口及出口都简化成长方形条缝。乘客身体表面及座椅、窗户、地板等均是无滑移的壁面，入口边界类型为速度入口，出口边界类型为outflow，左侧壁面使用对称边界。座舱内各壁面的温度均使用恒温边界条件，各边界的温度数值见表1。
表1、座舱模型各边界温度设置
本发明具体实施方式描述如下：
1、Blay模型单目标反向设计
对Blay模型进行反向设计时，设计变量为入口速度与温度。根据正向数值计算结果，得到监测点处的速度大小为0.1325m/s，温度大小为17.67℃。如假定监测点处的速度和温度为控制目标，可以得到Blay模型反向设计的目标函数：
F B l a y = ( V - 0.1325 0.1325 ) 2 + ( T - 17.67 17.67 ) 2 - - - ( 2 )
个体的交叉概率为0.8，变异概率为0.1。选择方法使用父子混合模式下的锦标赛算法，每次参加比赛的个体数为5，最大遗传代数为100代。反向设计的收敛条件为FBlay＝0，当且仅当监测点处的速度、温度计算值与目标值(0.1325m/s，17.67℃)完全一致时，才能达到此收敛条件。
反向设计过程中，目标函数值随遗传代数的变化曲线如图4所示。当遗传算法计算到第33代时，反向设计过程结束，得到的解为(0.57，15)，即入口速度为0.57m/s，入口温度为15℃。
在遗传算法计算过程中，为节省计算量，建立了CFD计算结果的数据库，存储了计算过程中所有的CFD计算结果。若新个体的入口参数与之前出现过的某个个体的入口参数相同，则直接调用之前的计算结果，避免重复计算。计算量增长曲线如图5所示。当得到最优解时，共计算了235个case，即执行了235次CFD计算(计算量)。
2、座舱模型多目标反向设计
对客机座舱模型进行设计时，设计变量为入口速度Vin，入口温度Tin，入口角度Ain、入口位置Lin以及出口位置Lout。入口和出口的尺寸相同，位于窗户的两侧，共有40个可选位置，使用编号No.01～No.40表示。使用送风方向与水平反向的夹角表示送风角度，当送风方向在水平方向以下时，送风角度为负值，设计变量参数见表2。
表2、座舱模型反向设计变量参数
使用PMV(predictedmeanvote)，DR(draughtrate)和AirAge作为座舱模型反向设计的设计目标。PMV用于评价人体整体的热舒适，因此设计区域包含整个人体。DR用于评价人体局部的热舒适，取人头部、肩部和脚部位置作为设计区域，因为这些部位经常暴露于外界环境中。AirAge用于评价呼吸区的空气质量，因此设计区域只包含人体的呼吸区。提出以下三个设计标准，满足任意一条即认为达到设计要求：
a.|PMV|<0.3，DR<20％，AirAge<150s
b.|PMV|<0.5，DR<5％，AirAge<150s
c.|PMV|<0.5，DR<20％，AirAge<130s
座舱环境反向设计过程存在多个设计目标，因此需使用多目标遗传算法。使用非支配排序方法对所有个体进行排序，并使用锦标赛算法进行选择，每次参加比赛个个体数为8。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，反向设计的收敛条件是得到24个满足设计要求的个体。
如图6所示，为座舱模型反向设计解数量随遗传代数变化的曲线。可以看出，遗传算法计算到28代时，已经找到了24个符合设计要求的个体，反向设计过程收敛。在24个解中，并不存在某一个解，使其所有设计目标均优于其他解，因此并不存在唯一的最优解。表3给出了不同设计目标下得到的最优解。其中，最优的|PMV|、DR和AirAge值分别为0.1644、4.063％和117.4s。反向设计计算量随遗传代数变化的曲线如图7所示，遗传算法收敛时，共执行了372个次CFD计算(计算量)。
表3、不同设计目标下得到的最优解

Claims (1)

1.一种基于遗传算法的室内环境反向设计方法，其特征在于，该方法包括以下步骤：
步骤(1)、根据设计对象确定设计变量与设计目标；
步骤(2)、对于单设计目标，确定反向设计的目标函数后，利用遗传算法的交叉变异过程对目标函数进行优化，找到最优的设计变量值；使用计算流体力学方法计算新个体的适应度，即根据设计变量值确定设计对象的边界条件，使用流体力学方法计算得到设计对象内部的速度、温度等的分布，进而可以得到设计目标值，即为个体的适应度，即设计目标值，然后通过非支配排序方法对种群中的个体进行排序，并使用锦标赛算法进行选择，产生新种群，若新种群的目标函数符合收敛标准，设计过程结束，否则继续进行交叉变异过程，产生新种群；
步骤(3)、对于多设计目标，确定反向设计的设计要求后，利用遗传算法的交叉变异过程同时得到多组符合设计要求的设计变量值，从中搜索满足设计要求的个体，使用计算流体力学方法计算新个体的适应度，即根据设计变量值确定设计对象的边界条件，使用流体力学方法计算得到设计对象内部的速度、温度等的分布，进而可以得到设计目标值，即为个体的适应度)，即设计目标值，然后通过非支配排序方法对种群中的个体进行排序，并使用锦标赛算法进行选择，产生新种群，若新种群符合收敛标准，设计过程结束，否则继续进行交叉变异过程，产生新种群。
CN201510918848.7A 2015-12-09 2015-12-09 一种基于遗传算法的室内环境反向设计方法 Pending CN105550437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510918848.7A CN105550437A (zh) 2015-12-09 2015-12-09 一种基于遗传算法的室内环境反向设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510918848.7A CN105550437A (zh) 2015-12-09 2015-12-09 一种基于遗传算法的室内环境反向设计方法

Publications (1)

Publication Number Publication Date
CN105550437A true CN105550437A (zh) 2016-05-04

Family

ID=55829626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510918848.7A Pending CN105550437A (zh) 2015-12-09 2015-12-09 一种基于遗传算法的室内环境反向设计方法

Country Status (1)

Country Link
CN (1) CN105550437A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096093A (zh) * 2016-05-31 2016-11-09 宁波工程学院 基于多目标遗传算法的伸臂道数及布置位置的自动优化方法
CN112800661A (zh) * 2020-12-29 2021-05-14 同济大学 一种面向工业环境移动个体的工位送风设计方法
WO2021097709A1 (zh) * 2019-11-20 2021-05-27 天津大学 气化工艺的反向设计装置及方法
CN113598759A (zh) * 2021-09-13 2021-11-05 曲阜师范大学 一种基于肌电特征优化的下肢动作识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629290A (zh) * 2012-03-13 2012-08-08 西安交通大学 一种多股流板翅式换热器流体通道排列的优化设计方法
CN102777878A (zh) * 2012-07-06 2012-11-14 广东电网公司电力科学研究院 一种基于改进遗传算法的超超临界机组主汽温pid控制方法
CN103455676A (zh) * 2013-09-04 2013-12-18 重庆建工住宅建设有限公司 一种利用流体力学模拟室内热环境的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629290A (zh) * 2012-03-13 2012-08-08 西安交通大学 一种多股流板翅式换热器流体通道排列的优化设计方法
CN102777878A (zh) * 2012-07-06 2012-11-14 广东电网公司电力科学研究院 一种基于改进遗传算法的超超临界机组主汽温pid控制方法
CN103455676A (zh) * 2013-09-04 2013-12-18 重庆建工住宅建设有限公司 一种利用流体力学模拟室内热环境的方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096093A (zh) * 2016-05-31 2016-11-09 宁波工程学院 基于多目标遗传算法的伸臂道数及布置位置的自动优化方法
CN106096093B (zh) * 2016-05-31 2019-02-22 宁波工程学院 基于多目标遗传算法的伸臂道数及布置位置的自动优化方法
WO2021097709A1 (zh) * 2019-11-20 2021-05-27 天津大学 气化工艺的反向设计装置及方法
CN112800661A (zh) * 2020-12-29 2021-05-14 同济大学 一种面向工业环境移动个体的工位送风设计方法
CN113598759A (zh) * 2021-09-13 2021-11-05 曲阜师范大学 一种基于肌电特征优化的下肢动作识别方法及系统
CN113598759B (zh) * 2021-09-13 2023-09-22 曲阜师范大学 一种基于肌电特征优化的下肢动作识别方法及系统

Similar Documents

Publication Publication Date Title
CN111881505B (zh) 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法
CN106843235B (zh) 一种面向无人自行车的人工势场路径规划法
CN105717929B (zh) 一种多分辨率障碍物环境下移动机器人混合路径规划方法
CN109634121B (zh) 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN105550437A (zh) 一种基于遗传算法的室内环境反向设计方法
CN108399451A (zh) 一种结合遗传算法的混合粒子群优化算法
CN105469145B (zh) 一种基于遗传粒子群算法的智能组卷方法
CN114692265B (zh) 一种基于深度强化学习的零碳建筑优化设计方法
CN106650920A (zh) 一种基于优化极限学习机的预测模型
CN105160444A (zh) 电力设备故障率确定方法及系统
CN111199272A (zh) 一种面向智能车间的自适应调度方法
CN104133372A (zh) 基于模糊神经网络的室温控制算法
CN106940068B (zh) 一种基于遗传蚁群算法的水蓄冷空调系统节能优化控制策略的确定方法
CN106777866A (zh) 面向节能降耗的高含硫天然气净化工艺建模与优化方法
CN102129259A (zh) 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
CN106991493A (zh) 基于灰色神经网络组合模型的污水处理出水参数预测方法
CN111898867B (zh) 一种基于深度神经网络的飞机总装生产线产能预测方法
CN113094988A (zh) 一种基于数据驱动的浆液循环泵运行优化方法及系统
CN104217258A (zh) 一种电力负荷条件密度预测方法
CN105389442A (zh) 一种耦合遗传算法、神经网络与数值模拟的反向设计方法
CN116048071A (zh) 基于粒子群和差分进化算法的移动机器人路径规划方法
CN107400935A (zh) 基于改进elm的熔融纺丝工艺的调节方法
CN105389614B (zh) 一种神经网络自更新过程的实现方法
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160504