CN106021773A - 一种自动适配算法的优化方法 - Google Patents
一种自动适配算法的优化方法 Download PDFInfo
- Publication number
- CN106021773A CN106021773A CN201610373309.4A CN201610373309A CN106021773A CN 106021773 A CN106021773 A CN 106021773A CN 201610373309 A CN201610373309 A CN 201610373309A CN 106021773 A CN106021773 A CN 106021773A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- optimization
- pareto
- step5
- solver
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自动适配算法的优化方法，包括以下步骤：a、设置设计变量空间，设置求解器；b、运行抽样算法调用所述求解器采样；c、建立样本库，进行DoE分析；d、构造Kriging模型并分析解空间，选取合适的优化算法组合，并调整优化算法内部控制参数，得到当前Kriging模型中预测的最优点；e、调用求解器，对预测点进行评估；f、判断是否达到终止条件，若达到终止条件，则结束进程并返回优解；否则自c顺序执行，本发明涉及的方法优点在于通过更少的求解次数，找到合理的更优设计方案，提高了优化效率；自动选取优化策略，可以对多目标问题进行拉格朗日约束处理，内部优化方法的专家参数自适应，便于简单使用，降低了使用者对优化理论的掌握要求；程序自动化处理寻优，减少了人工工作量。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种自动适配算法的优化方法。
背景技术
优化的根本目标是提高研发能力，降低能耗及产品运维成本，提升用户体验，加速占据市场份额等。将优化方法和设计结合成为一种必然趋势。
传统设计的优化是通过人工的试算法，根据设计要求，参考同类产品的设计经验，结合一定的理论判断选定设计参数，然后再通过计算机辅助工程技术等方式进行校核，反复上述过程直到获得较为满意的设计为止。但这种传统设计优化中人工处理方式的低效率和产品质量的不足促进了计算机辅助优化(CAO)技术的兴起。它依赖某种优化方法，结合现有计算机辅助工程(CAE)技术，通过程序自动寻找更优设计，同时提供多种合理方案，供使用者根据实际需求选取适合的设计方案。
计算机辅助优化的目标就是自动地高效获取高质量的方案，而它的核心是对优化策略的设计，优化策略的优劣直接影响方案设计的效率，更优秀的策略是以更小的计算代价，更短的时间找到合理的更优的设计方案。目前，普遍采用的优化策略往往是一些传统的优化策略的集合，诸如规划问题的单纯形法，局部优化的共轭梯度法，拟牛顿法等；可以进行全局优化的一些智能方法，如禁忌搜索，模拟退火，遗传算法，蚁群算法，粒子群算法等，另外还有人工神经网络方法，使用者可以根据其所处理问题的背景，选取适合自身的优化方法，进行计算机辅助工程(CAE)的调用，寻找更优的设计方案。
现有的优化方法自身的局限，每种优化方法都有各自的适用范围，参数设定、内部策略实现的方案，如果是单独依靠某种优化方法，或者简单的将现有的优化方法收集起来，然后使用者根据需求选取适合的方法，这种手动的过程，导致使用者自身具备的优化经验和专业知识的多少成为选取优化方法的重要因素，通过这种主观的选取，不能确定选取的是否为较优的方法，更不能确定优化的质量和效率。
综上所述，传统的优化方法对于使用者的要求较高，使用者需具备一定的优化方法的知识，如方法、参数的选取，使用代理的条件等，目前在具体的某种优 化方法仍然在不断的完善，如健壮性、自适应性，但都是依赖某种优化方法，或直接选取多个优化方法同时设计，并不能获得更高的效率，从而导致设计成本高，计算量大；推导过程复杂，且不能稳定得到较优的方案或结果。
发明内容
本发明的主要目的在于提供一种自动适配算法的优化方法，通过程序自动化处理，寻找最优的方案，减少人工工作量，使用简单，提高优化效率。
为达到以上目的，本发明采用的技术方案为：
一种自动适配算法的优化方法，包括以下步骤：a、设置设计变量空间，设置求解器；b、运行抽样算法调用所述求解器采样；c、建立样本库，进行DoE分析；d、构造Kriging模型并分析解空间，选取合适的优化算法组合，并调整优化算法内部控制参数，得到当前Kriging模型中预测的最优点；所述优化算法中约束处理方法为基于真实目标函数将有约束形式转化为无约束形式：
所述约束处理方法包括以下步骤：
STEP1：给定初始点乘子向量参数σ＝2，ε>0，α>1，β∈(0,1)，k:＝1，
定义扩展向量：
并计算
STEP2：以为初始点，解无约束问题
得到Pareto解集所述解集包含一个或多个解；
STEP3：
从所述STEP2中的Pareto解集选取一个若则停止迭代，且为所求；
否则进入STEP4；
所述STEP3还可以是STEP3修正，其修正步骤如下:
Pareto中所有均成立则停止迭代，且Pareto解集为所求，
否则进入STEP4修正；
STEP4：若则σ：＝ασ，并转至STEP5，
否则直接转至STEP5。
所述STEP4还可以是STEP4修正，其修正步骤如下:
若Pareto中某一个则σ：＝ασ，提取该并转至STEP5，
否则，提取Pareto解集中距原点最近点的并转至STEP5；
STEP5：根据下式更新乘子向量并k:＝k+1后转至STEP2，
e、调用求解器，对预测点进行评估；f、判断是否达到终止条件，若达到终止条件，则结束进程并返回优解；否则自c顺序执行。
上述方案中，优选的，所述步骤c在建立样本库时，可以有两种，含代理时，可直接调用已有样本库；不含代理时，通过抽样算法生成初始样本库；
上述方案中，优选的，所述步骤d中所述STEP3修正和所述STEP4修正可合并为一种替代步骤，所述替代步骤如下：
计算Pareto解集对应的集合。
若所有均成立则停止迭代，且Pareto解集为所求，若不成立，继续计算，若Pareto中某一个则σ：＝ασ，提取该并转至STEP5，若不成立，提取Pareto解集中距原点最近点的并转至STEP5。
上述方案中，优选的，所述求解器为用于几何建模的CAD软件，生成网格的网格生成软件，CAE软件组合而成或者显示函数表达式。
上述方案中，优选的，所述CAE软件可以是流体分析的CFD软件或者热、力、电磁类分析软件。
本发明的技术方案中提供的一种自动适配算法的优化方法，与现有技术相比，具有如下有益效果：通过更少的求解次数(CAE计算次数)，找到合理的更优设计方案，提高了优化效率；自动选取优化策略，可以对多目标问题进行拉格朗日约束处理，内部优化方法的专家参数自适应，便于简单使用，降低了使用者对优化理论的掌握要求；程序自动化处理寻优，减少了人工工作量。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明，以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
本发明以风扇叶片为例，通过自动适配算法的优化方法，对叶扇设计参数优化获得更低的噪音和更高的效率。步骤如下：a、设置设计变量空间，设置求解器，设计变量为叶片扭度，风道半径，轮毂比，叶片的掠度，叶片的数量，叶片的周向弯度等参数的取值范围，求解器设置，同时设置目标值，噪音和效率的可接受的取值范围；
b、运行抽样算法调用所述求解器采样；通过抽样算法并调用求解器进行采样，获得叶片扭度，风道半径，轮毂比，叶片的掠度，叶片的数量，叶片的周向弯度参数的对应的叶扇工况下的噪音与效率值；
c、建立样本库，进行DoE分析：根据抽样获得叶片扭度，风道半径，轮毂比，叶片的掠度，叶片的数量，叶片的周向弯度参数的对应的叶扇工况下的噪音与效率值生成样本库，然后做DoE分析。
d、构造Kriging模型并分析解空间，选取合适的优化算法组合，并调整优化算法内部控制参数，得到当前Kriging模型中预测的最优点，即获得预测的能够得到更低噪音与更高效率的设计参数。所述优化算法中约束处理方法为基于真实目标函数将有约束形式转化为无约束形式：
所述约束处理方法包括以下步骤：
STEP1：给定初始点乘子向量参数σ＝2，ε>0，α>1，β∈(0,1)，k:＝1，
定义扩展向量：
并计算
STEP2：以为初始点，解无约束问题
得到Pareto解集所述解集包含一个或多个解；
STEP3：
从所述STEP2中的Pareto解集选取一个若则停止迭代，且为所求；
否则进入STEP4；
所述STEP3还可以是STEP3修正，所述STEP3修正步骤如下:
Pareto中所有均成立则停止迭代，且Pareto解集为所求，
否则进入STEP4修正；
STEP4：若则σ：＝ασ，并转至STEP5，
否则直接转至STEP5。
所述STEP4还可以是STEP4修正，所述STEP4修正步骤如下:
若Pareto中某一个则σ：＝ασ，提取该并转至STEP5，
否则，提取Pareto解集中距原点最近点的并转至STEP5；
STEP5：根据下式更新乘子向量并k:＝k+1后转至STEP2，
e、调用求解器，对预测点进行评估；调用已经设置好的求解器对预测的能够得到更低噪音与更高效率的设计参数，并对计算结果进行评估；
f、判断是否达到终止条件，若达到终止条件，则结束进程并返回优解；否则自c顺序执行：即终止条件为叶片扭度，风道半径，轮毂比，叶片的掠度，叶片的数量，叶片的周向弯度等参数在两种工况下都能够达到更低的噪音和更高的效率，如果没有达到终止条件，自步骤c反复执行优化算法，直至到达终止条件为止；
所述步骤c在建立样本库时，可以有两种，含代理时，可直接调用已有样本库；不含代理时，通过抽样算法生成初始样本库；
所述步骤d中所述STEP3修正和所述STEP4修正可合并为一种替代步骤，所述替代步骤如下：
计算Pareto解集对应的集合。
若所有均成立则停止迭代，且Pareto解集为所求，若不成立，继续计算，若Pareto中某一个则σ：＝ασ，提取该并转至STEP5，若不成立，提取Pareto解集中距原点最近点的并转至STEP5。
所述求解器为用于几何建模的CAD软件，生成网格的网格生成软件，CAE软件组合而成或者显示函数表达式。
所述CAE软件可以是流体分析的CFD软件或者热、力、电磁类分析软件。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种自动适配算法的优化方法，其特征在于，包括以下步骤：
a、设置设计变量空间，设置求解器；
b、运行抽样算法调用所述求解器采样；
c、建立样本库，进行DoE分析；
d、构造Kriging模型并分析解空间，选取合适的优化算法组合，并调整优化算法内部控制参数，得到当前Kriging模型中预测的最优点；所述优化算法中约束处理方法为基于真实目标函数将有约束形式转化为无约束形式：
所述约束处理方法包括以下步骤：STEP1：给定初始点乘子向量 参数σ＝2，ε>0，α>1，β∈(0,1)，k：＝1，
定义扩展向量：
并计算
STEP2：以为初始点，解无约束问题
得到Pareto解集所述解集包含一个或多个解；
STEP3：
从所述STEP2中的Pareto解集选取一个若则停止迭代，且为所求，否则进入STEP4；
所述STEP3还可以是STEP3修正，其修正步骤如下：
Pareto中所有均成立则停止迭代，且Pareto解集为所求，否则进入STEP4修正；
STEP4：若则σ：＝ασ，并转至STEP5，否则直接转至STEP5。
所述STEP4还可以是STEP4修正，其修正步骤如下：
若Pareto中某一个则σ：＝ασ，提取该并转至STEP5，否则，提取Pareto解集中距原点最近点的并转至STEP5；
STEP5：根据下式更新乘子向量并k:＝k+1后转至STEP2，
e、调用求解器，对预测点进行评估；f、判断是否达到终止条件，若达到终止条件，则结束进程并返回优解；否则自c顺序执行。
2.如权利要求1所述的一种自动适配算法的优化方法，其特征在于，所述步骤c在建立样本库时有两种情形，含代理时，可直接调用已有样本库；不含代理时，通过抽样算法生成初始样本库。
3.如权利要求1所述的一种自动适配算法的优化方法，其特征在于，所述步骤d中所述STEP3修正和所述STEP4修正可合并为一种替代步骤，所述替代步骤如下：
计算Pareto解集对应的集合，若所有均成立则停止迭代，且Pareto解集为所求，若不成立，继续计算，若Pareto中某一个则σ：＝ασ，提取该并转至STEP5，若不成立，提取Pareto解集中距原点最近点的并转至STEP5。
4.如权利要求1所述的一种自动适配算法的优化方法，所述求解器为用于几何建模的CAD软件，生成网格的网格生成软件，CAE软件组合而成或者显示函数表达式。
5.如权利要求1所述的一种自动适配算法的优化方法，所述CAE软件可以是流体分析的CFD软件或者热、力、电磁类分析软件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610373309.4A CN106021773B (zh) | 2016-05-30 | 2016-05-30 | 一种针对叶扇自动适配算法的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610373309.4A CN106021773B (zh) | 2016-05-30 | 2016-05-30 | 一种针对叶扇自动适配算法的优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106021773A true CN106021773A (zh) | 2016-10-12 |
| CN106021773B CN106021773B (zh) | 2020-06-16 |
Family
ID=57091355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610373309.4A Active CN106021773B (zh) | 2016-05-30 | 2016-05-30 | 一种针对叶扇自动适配算法的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106021773B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100010947A1 (en) * | 2008-07-14 | 2010-01-14 | Yoshiyuki Kobayashi | Information processsing apparatus, information processing method, and program |
| CN102339351A (zh) * | 2011-10-24 | 2012-02-01 | 西安交通大学 | 离心压气机叶轮轮盘截面形状优化方法 |
| CN104573282A (zh) * | 2015-01-29 | 2015-04-29 | 河海大学 | 一种垂直轴风力机翼型的气动优化设计方法 |
| CN104866692A (zh) * | 2015-06-18 | 2015-08-26 | 北京理工大学 | 一种基于自适应代理模型的飞行器多目标优化方法 |
-
2016
- 2016-05-30 CN CN201610373309.4A patent/CN106021773B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100010947A1 (en) * | 2008-07-14 | 2010-01-14 | Yoshiyuki Kobayashi | Information processsing apparatus, information processing method, and program |
| CN102339351A (zh) * | 2011-10-24 | 2012-02-01 | 西安交通大学 | 离心压气机叶轮轮盘截面形状优化方法 |
| CN104573282A (zh) * | 2015-01-29 | 2015-04-29 | 河海大学 | 一种垂直轴风力机翼型的气动优化设计方法 |
| CN104866692A (zh) * | 2015-06-18 | 2015-08-26 | 北京理工大学 | 一种基于自适应代理模型的飞行器多目标优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106021773B (zh) | 2020-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Taheri et al. | Fast probabilistic hosting capacity analysis for active distribution systems | |
| CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
| Bucking et al. | An information driven hybrid evolutionary algorithm for optimal design of a net zero energy house | |
| CN113805545B (zh) | 一种考虑批处理的柔性流水车间组合调度规则生成方法 | |
| CN105550771A (zh) | 一种基于nsga-ii的炼钢连铸生产调度的多目标优化方法 | |
| CN102184287B (zh) | 一种废塑料炼油燃烧优化的建模方法 | |
| Zeng et al. | Robotic disassembly line balancing and sequencing problem considering energy-saving and high-profit for waste household appliances | |
| CN102169326A (zh) | 基于数据挖掘的最优炉温设定值优化系统 | |
| Zhang et al. | Parameter optimization of PID controllers based on genetic algorithm | |
| CN109102117B (zh) | 一种高效求解炼钢-连铸炉次批量计划的优化方法 | |
| CN106815660B (zh) | 基于模拟退火算法的用户负荷组合优化方法 | |
| Sun et al. | Solving interval multi-objective optimization problems using evolutionary algorithms with lower limit of possibility degree | |
| CN108833144A (zh) | 一种基于聚类统计模型的智能电表集中器选址方法 | |
| Xiao et al. | Node dynamic adaptive non-structural model for efficient synthesis of heat exchanger networks | |
| CN109840335A (zh) | 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法 | |
| CN105809286A (zh) | 一种基于代表数据重构的增量svr负荷预测方法 | |
| CN113610152A (zh) | 一种基于负荷模式的空调系统灵活性运行策略制定方法 | |
| CN106021773A (zh) | 一种自动适配算法的优化方法 | |
| CN104732292B (zh) | 基于断面数据的主流速线自动规划方法 | |
| CN111178528A (zh) | 一种应用于无线充电系统的精英遗传算法改进方法 | |
| CN115826530A (zh) | 一种基于d3qn和遗传算法的作业车间分批调度方法 | |
| CN109038672A (zh) | 一种平抑可再生能源波动的多目标鲁棒优化配置方法 | |
| CN106570618A (zh) | 一种基于聚类分析和神经网络的负荷同时系数预测方法 | |
| CN111079063A (zh) | 一种基于检测效率分析的省级检测能力优化的方法及系统 | |
| Sun et al. | Chronicle knowledge-based multi-level response prediction for predictive control by forest models in process industry |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211206 Address after: 211106 floor 11, building B1, No. 19, Suyuan Avenue, Jiangning District, Nanjing City, Jiangsu Province Patentee after: NANJING TIANFU SOFTWARE Co.,Ltd. Address before: 315000 building 006 (19-1), No. 375, Jiangdong North Road, Ningbo, Zhejiang Patentee before: NINGBO HIPOINT INDUSTRIAL DESIGN CO.,LTD. |