CN110750839A - 一种螺旋桨翼型的设计方法及终端设备 - Google Patents
一种螺旋桨翼型的设计方法及终端设备 Download PDFInfo
- Publication number
- CN110750839A CN110750839A CN201910792521.8A CN201910792521A CN110750839A CN 110750839 A CN110750839 A CN 110750839A CN 201910792521 A CN201910792521 A CN 201910792521A CN 110750839 A CN110750839 A CN 110750839A
- Authority
- CN
- China
- Prior art keywords
- fitness
- initialization
- populations
- population
- function
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种螺旋桨翼型的设计方法及终端设备,其中,所述方法包括:获取螺旋桨翼型的设计变量和目标函数;根据所述设计变量以及所述目标函数,建立所述螺旋桨翼型的优化模型和适应度函数;根据所述优化模型生成N个初始种群,其中,N为大于等于2的正整数;随机初始化N个所述初始种群,以获取N个初始化种群,其中,每个所述初始化种群包括若干个体,所述个体为所述设计变量映射成的设计方案数据;根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值;若所述适应度值超过适应度阈值,则输出所述初始化种群中适应度值最高的个体所对应的设计方案数据。
Description
技术领域
本发明涉及遗传算法的应用领域,尤其涉及一种螺旋桨翼型的设计方法及终端设备。
背景技术
随着无人飞行器技术的发展,无人飞行器被广泛应用于军事侦察、灾区救援、地址勘探等领域。螺旋桨作为无人飞行器主要的升力部件,它的气动性能对无人飞行器至关重要,提高飞行器的气动性能可以在相同电能状态下提升无人飞行器的飞行时间和飞行距离。
螺旋桨的气动性能由该螺旋桨的翼型决定,较为精确的获取螺旋桨气动性能的方法主要有实验方法和计算流体力学(CFD)数值模拟方法。实验方法主要用于气动性能的测量和校验,而在设计过程中,主要采用CFD方法。
目前实用的较为精确的CFD方法是采用求解非定常雷诺平均N-S方程的方法,但该方法计算十分费时,在计算机的处理器为I7时,单次计算所需时间在24小时以上。
因此,如何缩短螺旋桨的优化设计周期是本领域技术人员正在研究的热门话题。
发明内容
本发明的主要目的在于提供一种螺旋桨翼型的设计方法及终端设备,旨在缩短螺旋桨的优化设计周期,提升螺旋桨设计的工作效率。
为实现上述目的,本发明提供一种螺旋桨翼型的设计方法,用于终端设备,所述方法包括:
获取螺旋桨翼型的设计变量和目标函数;
根据所述设计变量以及所述目标函数,建立所述螺旋桨翼型的优化模型和适应度函数;
根据所述优化模型生成N个初始种群,其中,N为大于等于2的正整数;
随机初始化N个所述初始种群,以获取N个初始化种群,其中,每个所述初始化种群包括若干个体,所述个体为所述设计变量映射成的设计方案数据;
根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值;
若所述适应度值超过适应度阈值,则输出所述初始化种群中适应度值最高的个体所对应的设计方案数据。
优选地,所述方法还包括:
若所述适应度值未超过适应度阈值,则更新所述初始化种群,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
优选地,所述更新所述初始化种群,包括:
根据所述适应度值对每个所述初始化种群进行个体筛选,以获取N个筛选初始化种群;
对N个所述筛选初始化种群进行个体变异,以获取新的初始化种群。
优选地,所述更新所述初始化种群,包括:
根据所述适应度值对每个所述初始化种群进行个体筛选,以获取N个筛选初始化种群;
对N个所述筛选初始化种群进行个体变异和交叉,以获取新的初始化种群。
优选地,检测所述初始化种群的更新次数是否达到更新次数阈值;
若所述初始化种群的更新次数达到所述更新次数阈值,则根据所述适应度值从对应的所述初始化种群中选取预设数量的个体;
将所述预设数量的个体迁移至其余的N-1个所述初始化种群中,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
优选地,所述根据所述设计变量以及所述目标函数,建立所述螺旋桨翼型的优化模型和适应度函数,包括:
获取所述设计变量的约束函数,其中,所述约束函数为用户根据所述设计变量和所述目标函数设定的用于约束所述设计变量的函数;
根据所述设计变量、所述目标函数以及所述约束函数建立所述优化模型;
根据所述优化模型建立遗传算法的适应度函数。
本发明还提供一种终端设备,所述终端设备包括:
变量获取模块,用于获取所述螺旋桨翼型的设计变量和目标函数;
优化模型模块,用于根据所述设计变量以及所述目标函数,建立所述螺旋桨的优化模型和适应度函数;
种群生成模块,用于根据所述优化模型生成N个初始种群,其中,N为大于等于2的正整数;
初始化模块,用于随机初始化N个所述初始种群,以获取N个初始化种群,其中,每个所述初始化种群包括若干个体,所述个体为所述设计变量映射成的设计方案数据;
计算模块,用于根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值;
输出模块,用于若所述适应度值超过适应度阈值,则输出所述初始化种群中适应度值最高的个体所对应的设计方案数据。
优选地,所述终端设备还包括:
更新模块,用于若所述适应度值未超过适应度阈值,则更新所述初始化种群,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
优选地,所述更新模块还用于:
根据所述适应度值对每个所述初始化种群进行个体筛选,以获取N个筛选初始化种群;
对N个所述筛选初始化种群进行个体交叉互换,以更新所述初始化种群。
优选地,所述更新模块还用于:
检测所述初始化种群的更新次数是否达到更新次数阈值;
若所述初始化种群的更新次数达到所述更新次数阈值,则根据所述适应度值从对应的所述初始化种群中选取预设数量的个体;
将所述预设数量的个体迁移至其余的N-1个所述初始化种群中,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
与现有技术相比,本发明所提供的螺旋桨翼型的设计方法通过获取所述螺旋桨翼型的设计变量和目标函数;根据所述设计变量以及所述目标函数,建立所述螺旋桨的优化模型和适应度函数;根据所述优化模型生成N个初始种群,其中,N为大于等于2的正整数;随机初始化N个所述初始种群,以获取N个初始化种群,其中,每个所述初始化种群包括若干个体,所述个体为所述设计变量映射成的设计方案数据;根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值;若所述适应度值超过适应度阈值,则输出所述初始化种群中适应度值最高的个体所对应的设计方案数据。
通过利用优化模型生成N个初始种群,并对N个初始种群进行初始化,利用多个初始种群进行遗传运算,从而有效提高运算效率。
进一步,本发明还通过若所述适应度值未超过适应度阈值,则更新所述初始化种群,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
即,若适应度值不符合预设要求,则对初始化种群个体进行交叉和/或变异,以获取更新的初始化种群进行新一轮的适应度值计算,从而获取螺旋桨翼型的设计数据的最优解。
更进一步,若所述初始化种群的更新次数达到所述更新次数阈值,则根据所述适应度值从对应的所述初始化种群中选取预设数量的个体;
将所述预设数量的个体迁移至其余的N-1个所述初始化种群中,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
即,利用适应度函数计算N个所述初始化种群中每个个体对应的适应度值,并根据适应度值从对应的初始化种群中挑选出适应度值符合要求的个体迁移至其他的初始化种群,使得每个初始化种群中个体的适应度值均处于较优值,从而获取螺旋桨翼型的设计数据的最优解。
附图说明
图1为本发明一实施例提供的螺旋桨翼型的设计方法的步骤流程图;
图2为图1中步骤S2的子步骤流程图;
图3为本发明一实施例提供的初始化种群中个体进行迁移的示意图;
图4为本发明一实施例提供的终端设备的模块结构示意图;
图5为本发明另一实施例提供的终端设备的模块结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提供了一种螺旋桨翼型的设计方法及终端设备,其中该方法通过获取所述螺旋桨翼型的设计变量和目标函数;根据所述设计变量以及所述目标函数,建立所述螺旋桨的优化模型和适应度函数;根据所述优化模型生成N个初始种群,其中,N为大于等于2的正整数;随机初始化N个所述初始种群,以获取N个初始化种群,其中,每个所述初始化种群包括若干个体,所述个体为所述设计变量映射成的设计方案数据;根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值;若所述适应度值超过适应度阈值,则输出所述初始化种群中适应度值最高的个体所对应的设计方案数据。
通过利用优化模型生成N个初始种群,并对N个初始种群进行初始化,利用多个初始种群进行遗传运算,从而有效提高运算效率。
进一步,本发明还通过若所述适应度值未超过适应度阈值,则更新所述初始化种群,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
即,若适应度值不符合预设要求,则对初始化种群个体进行交叉和/或变异,以获取更新的初始化种群进行新一轮的适应度值计算,从而获取螺旋桨翼型的设计数据的最优解。
更进一步,若所述初始化种群的更新次数达到所述更新次数阈值,则根据所述适应度值从对应的所述初始化种群中选取预设数量的个体;
将所述预设数量的个体迁移至其余的N-1个所述初始化种群中,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
即,利用适应度函数计算N个所述初始化种群中每个个体对应的适应度值,并根据适应度值从对应的初始化种群中挑选出适应度值符合要求的个体迁移至其他的初始化种群,使得每个初始化种群中个体的适应度值均处于较优值,从而获取螺旋桨翼型的设计数据的最优解。
请参阅图1,图1为本发明提供的一种螺旋桨翼型设计方法,应用于终端设备,该终端设备可以是平板电脑、笔记本电脑、台式机或服务器。
所述方法包括:
步骤S1:获取所述螺旋桨翼型的设计变量和目标函数。
根据飞行器的总体设计要求,确定单个螺旋桨的设计要求。一般螺旋桨在设计时,要求螺旋桨的拉力尽可能大,从而产生尽可能大的升力;或者要求螺旋桨产生的气动扭矩尽可能小,从而消耗更少的电机功率;或者综合考虑拉力和扭矩的影响,要求气动效率尽可能高。
根据螺旋桨的设计要求获取该螺旋桨的设计变量及目标函数。
本实施例中,以螺旋桨的螺旋桨气动效率作为设计目标为例进行说明对应的螺旋桨的设计变量及目标函数。
示例性地,根据对螺旋桨的气动效率的实验数据或者CFD仿真数据,建立螺旋桨气动性能的目标函数η和影响气动性能的设计变量xn之间的函数关系。其中,目标函数η满足,η=f(x1,x2,x3,…xn),x1,x2,x3,…xn表示设计变量,该设计变量可以是弦长、扭转角、翼型最大厚度及最大厚度位置等。
步骤S2:根据所述设计变量以及所述目标函数,建立所述螺旋桨的优化模型和适应度函数;
请参阅图2,在部分实施例中,步骤S2包括:
步骤S21:获取所述设计变量的约束函数,其中,所述约束函数为用户根据所述设计变量和所述目标函数设定的用于约束所述设计变量的函数;
步骤S22:根据所述设计变量、所述目标函数以及所述约束函数建立所述优化模型;
步骤S23:根据所述优化模型建立遗传算法的适应度函数。
示例性地,用户根据所述设计变量和所述目标函数设定的用于约束所述设计变量的约束函数,终端设备获取设计变量的约束函数,并根据所述设计变量、所述目标函数以及所述约束函数建立所述优化模型。
建立了优化模型之后,对所建立的优化模型采用优化设计。
为了准确评估螺旋桨的气动性能,采用数值仿真程序计算螺旋桨的弦长,扭转角等参数,具体何种数值计算方法可以根据设计需要灵活选择。
为了获得性能最佳螺旋桨的气动性能,采用具有全局搜索能力的遗传算法,在遗传算法进行过程中,需要设置根据优化模型设置遗传算法的适应度函数,适应度函数是用于评估螺旋桨的气动性能所对应的设计方案所对应的螺旋桨的气动性能强弱的函数,在优化过程中根据适应度函数保留适应度值高的设计方案,淘汰适应度值低的设计方案。
如,建立设计变量xn对应的约束函数g1、g2及g3,g1(x1,x2,x3,…xn)=0,g2(x1,x2,x3…xn)≥0,g3(x1,x2,x3…xn)≤0。
接着,建立螺旋桨翼型的优化模型。
其中,η表示螺旋桨效率,g函数表示约束函数,θ1,θ2,θ3表示设计变量的取值范围,该约束函数根据螺旋桨的气动效率的实验数据或者CFD仿真数据基础上建立,以确保设计变量符合预期要求。
步骤S3:根据所述优化模型生成N个初始种群,其中,N为大于等于2的正整数。
获取用户设置的初始种群规模,根据初始种群规模和优化模型生成N个初始种群,其中,每个种群的规模大小可以随机生成也可以根据需要设定。
步骤S4:随机初始化N个所述初始种群,以获取N个初始化种群,其中,每个所述初始化种群包括若干个体,所述个体为所述设计变量映射成的设计方案数据。
根据设计变量及设计变量的约束函数,给设计变量赋予初值,以随机初始化N个初始种群,每个初始化种群的内包括若干设计方案,也称若干个体,每个个体对应有多个设计变量映射形成的设计方案数据,通过设计方案数据即可获知满足气动性能的螺旋桨的设计方案的对应设计变量的具体参数,其中,设计方案数据可以以二进制编码的形式表示,例如,设计方案可以用01011101,其中,可以用一个或多个二进制编码代表该设计方案的设计变量。
如图3所示,随机初始化初始种群,以随机生成4个初始化种群50,每个初始化种群中包括若干个体501。
步骤S5:根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
根据适应度函数计算N个所述初始化种群中每个个体所对应的设计方案的适应度值,以根据适应度值判断在N个初始化种群中是否存在符合设计要求的设计方案,也即符合要求的个体。
步骤S6:判断所述适应度值是否超过适应度阈值。
步骤S7:若所述适应度值超过适应度阈值,则输出所述初始化种群中适应度值最高的个体所对应的设计方案数据。
示例性地,N个所述初始化种群中每个种群有M个个体,每个个体对应一种螺旋桨的设计方案,每个设计方案均具有对应设计变量,依据适应度函数对每一个设计方案,也即M*N个设计方案的适应度进行评估,以获取每一个设计方案所对应的适应度值。
将获取设计方案的适应度值与适应度阈值对比,并输出初始化种群中适应度值最高的个体所对应设计方案的设计方案数据,以通过该设计方案数据获知满足螺旋桨翼型设计的目标函数的设计变量的具体数据,从而可以根据该设计变量设计出相应的螺旋桨。
步骤S8:若所述适应度值未超过适应度阈值,则更新所述初始化种群,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
若N个初始化种群的所有个体所对应的适应度值均未超过适应度阈值,则表明该初始化种群中未存在符合目标函数要求的设计方案,则需要对初始化种群进行更新,并再次进行每个更新的初始化种群中个体适应度值的计算,也即重新执行步骤S5。
在部分实施例中,所述更新所述初始化种群,包括:
根据所述适应度值对每个所述初始化种群进行个体筛选,以获取N个筛选初始化种群;
对N个所述筛选初始化种群进行个体变异,以更新所述初始化种群。
示例性地,根据获取的每个初始化种群中每个个体的适应度值,按照预设的淘汰比例淘汰适应度值低的个体也即设计方案,或按照预设的筛选比例筛选出适应度值高的设计方案,以获取N个筛选初始化种群。
如,在每个初始化种群包括a个个体,若淘汰比例为20%,则每个初始化种群淘汰掉a*20%个适应度值低的个体,以获取N个筛选初始化种群。或若筛选比例为50%,则每个初始化种群筛选出a*50%个适应度值高的个体,以获取N个筛选初始化种群。
可以理解,淘汰比例和筛选比例可以根据需要设置,每个初始化种群的淘汰比例或筛选比例可以相同,也可以不相同,可以根据需要设置。
在获取N个筛选初始化种群后,对筛选初始化种群的个体进行个体变异,该个体变异即是将该个体所对应的设计方案进行修改变异,如设计方案用二进制编码表示为01011101,将其中,任意至少一个二进制编码进行变异,如将原设计方案变异为11011101,以获取新的个体,并利用新的个体生成新的初始化种群以更新初始化种群。
在部分实施例中,所述更新所述初始化种群,包括:
根据所述适应度值对每个所述初始化种群进行个体筛选,以获取N个筛选初始化种群;
对N个所述筛选初始化种群进行个体变异和交叉,以获取新的初始化种群。
示例性地,根据获取的每个初始化种群中每个个体的适应度值,按照预设的淘汰比例淘汰适应度值低的个体也即设计方案,或按照预设的筛选比例筛选出适应度值高的设计方案,以获取N个筛选初始化种群。
如,在每个初始化种群包括a个个体,若淘汰比例为20%,则每个初始化种群淘汰掉a*20%个适应度值低的个体,以获取N个筛选初始化种群。或若筛选比例为50%,则每个初始化种群筛选出a*50%个适应度值高的个体,以获取N个筛选初始化种群。
可以理解,淘汰比例和筛选比例可以根据需要设置,每个初始化种群的淘汰比例或筛选比例可以相同,也可以不相同,可以根据需要设置。
在获取N个筛选初始化种群后,对筛选初始化种群的个体进行个体变异,该个体变异即是将该个体所对应的设计方案进行修改变异,如设计方案用二进制编码表示为01011101,将其中,任意至少一个二进制编码进行变异,如将原设计方案变异为11011101。将变异后的个体在N个筛选后的初始化种群进行互换,以获取新的初始化种群。
可以理解,初始化种群的个体中,还可以是先进行个体交换,再进行个体变异,也可以是先进行个体变异再进行交换,在此不做限定。
如图3所示,初始化种群50将个体501进行变异,并按箭头方向进行迁移或交换。
在部分实施例中,所述方法还包括:
检测所述初始化种群的更新次数是否达到更新次数阈值;
若所述初始化种群的更新次数达到所述更新次数阈值,则根据所述适应度值从对应的所述初始化种群中选取预设数量的个体;
将所述预设数量的个体迁移至其余的N-1个所述初始化种群中,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
示例性地,初始化种群在经过M次更新后,M可以为10、20、30、50等大于1的正整数,若还未获取符合设计要求的设计方案,则根据初始化种群中的适应度值从对应任一的初始化种群中筛选出预设比例的适应度值高的个体,如,更新后的当前初始化种群个体数量为a,筛选比例为50%,则从该初始化种群中获取a*50%的个体迁移至其他N-1个初始化种群,从而使得每个初始化种群中均存在适应度值较高的个体,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值,也即重新执行步骤S5。
通过利用适应度值较高的个体进行适配,以加快初始化种群的进化效率,提升优化速率,进而有效缩短获取对应符合设计要求的螺旋桨模型的时间。
请参阅图4,本发明还提供一种终端设备10,该终端设备10包括:
变量获取模块101,用于获取所述螺旋桨翼型的设计变量和目标函数;
优化模型模块102,用于根据所述设计变量以及所述目标函数,建立所述螺旋桨翼型的优化模型和适应度函数;
种群生成模块103,用于根据所述优化模型生成N个初始种群,其中,N为大于等于2的正整数;
初始化模块104,用于随机初始化N个所述初始种群,以获取N个初始化种群,其中,每个所述初始化种群包括若干个体,所述个体为所述设计变量映射成的设计方案数据;
计算模块105,用于根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值;
输出模块106,用于若所述适应度值超过适应度阈值,则输出所述初始化种群中适应度值最高的个体所对应的设计方案数据。
在部分实施例中,终端设备10还包括更新模块107,更新模块107用于若所述适应度值未超过适应度阈值,则更新所述初始化种群,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
在部分实施例中,更新模块107还用于:
根据所述适应度值对每个所述初始化种群进行个体筛选,以获取N个筛选初始化种群;
对N个所述筛选初始化种群进行个体变异,以获取新的初始化种群。
在部分实施例中,更新模块107还用于:
根据所述适应度值对每个所述初始化种群进行个体筛选,以获取N个筛选初始化种群;
对N个所述筛选初始化种群进行个体变异和交叉,以获取新的初始化种群。
在部分实施例中,更新模块107还用于:
检测所述初始化种群的更新次数是否达到更新次数阈值;
若所述初始化种群的更新次数达到所述更新次数阈值,则根据所述适应度值从对应的所述初始化种群中选取预设数量的个体;
将所述预设数量的个体迁移至其余的N-1个所述初始化种群中,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
在部分实施例中,优化模型模块102还用于:
获取所述设计变量的约束函数,其中,所述约束函数为用户根据所述设计变量和所述目标函数设定的用于约束所述设计变量的函数;
根据所述设计变量、所述目标函数以及所述约束函数建立所述优化模型;
根据所述优化模型建立遗传算法的适应度函数。
请参阅图5,本发明一实施例还提供一种终端设备20,该终端设备20包括处理器201及存储器202,存储器202与处理器201电连接。
其中,存储器202至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器202在一些实施例中可以是终端设备20的内部存储单元,例如该终端设备20的硬盘。存储器202在另一些实施例中也可以是终端设备20的外部存储设备,例如终端设备20上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。存储器202不仅可以用于存储安装于终端设备20的应用软件及各类数据,例如计算机可读的螺旋桨翼型的设计程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器201在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,处理器201可调用存储器202中存储的程序代码或处理数据,以执行前述的螺旋桨翼型的设计方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种螺旋桨翼型的设计方法,用于终端设备,其特征在于,所述方法包括:
获取螺旋桨翼型的设计变量和目标函数;
根据所述设计变量以及所述目标函数,建立所述螺旋桨翼型的优化模型和适应度函数;
根据所述优化模型生成N个初始种群,其中,N为大于等于2的正整数;
随机初始化N个所述初始种群,以获取N个初始化种群,其中,每个所述初始化种群包括若干个体,所述个体为所述设计变量映射成的设计方案数据;
根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值;
若所述适应度值超过适应度阈值,则输出所述初始化种群中适应度值最高的个体所对应的设计方案数据。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
若所述适应度值未超过适应度阈值,则更新所述初始化种群,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
3.如权利要求2所述的方法,其特征在于,所述更新所述初始化种群,包括:
根据所述适应度值对每个所述初始化种群进行个体筛选,以获取N个筛选初始化种群;
对N个所述筛选初始化种群进行个体变异,以获取新的初始化种群。
4.如权利要求2所述的方法,其特征在于,所述更新所述初始化种群,包括:
根据所述适应度值对每个所述初始化种群进行个体筛选,以获取N个筛选初始化种群;
对N个所述筛选初始化种群进行个体变异和交叉,以获取新的初始化种群。
5.如权利要求2-4任意一项所述的方法,其特征在于,所述方法还包括:
检测所述初始化种群的更新次数是否达到更新次数阈值;
若所述初始化种群的更新次数达到所述更新次数阈值,则根据所述适应度值从对应的所述初始化种群中选取预设数量的个体;
将所述预设数量的个体迁移至其余的N-1个所述初始化种群中,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
6.如权利要求1所述的方法,其特征在于,所述根据所述设计变量以及所述目标函数,建立所述螺旋桨翼型的优化模型和适应度函数,包括:
获取所述设计变量的约束函数,其中,所述约束函数为用户根据所述设计变量和所述目标函数设定的用于约束所述设计变量的函数;
根据所述设计变量、所述目标函数以及所述约束函数建立所述优化模型;
根据所述优化模型建立遗传算法的适应度函数。
7.一种终端设备,其特征在于,所述终端设备包括:
变量获取模块,用于获取所述螺旋桨翼型的设计变量和目标函数;
优化模型模块,用于根据所述设计变量以及所述目标函数,建立所述螺旋桨翼型的优化模型和适应度函数;
种群生成模块,用于根据所述优化模型生成N个初始种群,其中,N为大于等于2的正整数;
初始化模块,用于随机初始化N个所述初始种群,以获取N个初始化种群,其中,每个所述初始化种群包括若干个体,所述个体为所述设计变量映射成的设计方案数据;
计算模块,用于根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值;
输出模块,用于若所述适应度值超过适应度阈值,则输出所述初始化种群中适应度值最高的个体所对应的设计方案数据。
8.如权利要求7所述的终端设备,其特征在于,所述终端设备还包括:
更新模块,用于若所述适应度值未超过适应度阈值,则更新所述初始化种群,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
9.如权利要求8所述的终端设备,其特征在于,所述更新模块还用于:
根据所述适应度值对每个所述初始化种群进行个体筛选,以获取N个筛选初始化种群;
对N个所述筛选初始化种群进行个体交叉互换,以更新所述初始化种群。
10.如权利要求8所述的终端设备,其特征在于,所述更新模块还用于:
检测所述初始化种群的更新次数是否达到更新次数阈值;
若所述初始化种群的更新次数达到所述更新次数阈值,则根据所述适应度值从对应的所述初始化种群中选取预设数量的个体;
将所述预设数量的个体迁移至其余的N-1个所述初始化种群中,并再次根据所述适应度函数计算N个所述初始化种群中每个个体对应的适应度值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910792521.8A CN110750839A (zh) | 2019-08-26 | 2019-08-26 | 一种螺旋桨翼型的设计方法及终端设备 |
PCT/CN2020/123034 WO2021037284A2 (zh) | 2019-08-26 | 2020-10-23 | 一种螺旋桨翼型的设计方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910792521.8A CN110750839A (zh) | 2019-08-26 | 2019-08-26 | 一种螺旋桨翼型的设计方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110750839A true CN110750839A (zh) | 2020-02-04 |
Family
ID=69275905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910792521.8A Pending CN110750839A (zh) | 2019-08-26 | 2019-08-26 | 一种螺旋桨翼型的设计方法及终端设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110750839A (zh) |
WO (1) | WO2021037284A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021037284A3 (zh) * | 2019-08-26 | 2021-04-22 | 深圳市道通智能航空技术股份有限公司 | 一种螺旋桨翼型的设计方法及终端设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120045258A (ko) * | 2010-10-29 | 2012-05-09 | 삼성중공업 주식회사 | 선박용 프로펠러 설계방법, 이에 의하여 설계된 선박용 프로펠러, 및 이에 의하여 설계된 선박용 프로펠러를 갖는 선박 |
CN102779207A (zh) * | 2012-06-19 | 2012-11-14 | 北京航空航天大学 | 基于OpenCL的并行差分进化算法的翼型优化设计方法 |
CN104750948A (zh) * | 2015-04-22 | 2015-07-01 | 北京理工大学 | 一种处理飞行器设计中多极值多约束问题的优化方法 |
CN104834774A (zh) * | 2015-04-29 | 2015-08-12 | 西北工业大学 | 一种平流层复合材料螺旋桨综合优化设计方法及设计平台 |
CN104978449A (zh) * | 2015-08-17 | 2015-10-14 | 北京航空航天大学 | 二维三段翼型的前缘缝翼及后缘襟翼位置的气动优化方法 |
CN105235893A (zh) * | 2015-10-27 | 2016-01-13 | 深圳市道通智能航空技术有限公司 | 一种螺旋桨及飞行器 |
CN106777590A (zh) * | 2016-11-30 | 2017-05-31 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种机翼翼型选配设计方法 |
CN106845019A (zh) * | 2017-02-27 | 2017-06-13 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种自适应机翼翼型设计方法 |
CN108804746A (zh) * | 2018-04-15 | 2018-11-13 | 中船西江造船有限公司 | 一种基于遗传算法的螺旋桨设计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7672910B1 (en) * | 2005-12-12 | 2010-03-02 | The Mathworks, Inc. | System and method for performing non-linear constrained optimization with a genetic algorithm |
CN110750839A (zh) * | 2019-08-26 | 2020-02-04 | 深圳市道通智能航空技术有限公司 | 一种螺旋桨翼型的设计方法及终端设备 |
-
2019
- 2019-08-26 CN CN201910792521.8A patent/CN110750839A/zh active Pending
-
2020
- 2020-10-23 WO PCT/CN2020/123034 patent/WO2021037284A2/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120045258A (ko) * | 2010-10-29 | 2012-05-09 | 삼성중공업 주식회사 | 선박용 프로펠러 설계방법, 이에 의하여 설계된 선박용 프로펠러, 및 이에 의하여 설계된 선박용 프로펠러를 갖는 선박 |
CN102779207A (zh) * | 2012-06-19 | 2012-11-14 | 北京航空航天大学 | 基于OpenCL的并行差分进化算法的翼型优化设计方法 |
CN104750948A (zh) * | 2015-04-22 | 2015-07-01 | 北京理工大学 | 一种处理飞行器设计中多极值多约束问题的优化方法 |
CN104834774A (zh) * | 2015-04-29 | 2015-08-12 | 西北工业大学 | 一种平流层复合材料螺旋桨综合优化设计方法及设计平台 |
CN104978449A (zh) * | 2015-08-17 | 2015-10-14 | 北京航空航天大学 | 二维三段翼型的前缘缝翼及后缘襟翼位置的气动优化方法 |
CN105235893A (zh) * | 2015-10-27 | 2016-01-13 | 深圳市道通智能航空技术有限公司 | 一种螺旋桨及飞行器 |
CN106777590A (zh) * | 2016-11-30 | 2017-05-31 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种机翼翼型选配设计方法 |
CN106845019A (zh) * | 2017-02-27 | 2017-06-13 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种自适应机翼翼型设计方法 |
CN108804746A (zh) * | 2018-04-15 | 2018-11-13 | 中船西江造船有限公司 | 一种基于遗传算法的螺旋桨设计方法 |
Non-Patent Citations (5)
Title |
---|
ALI DINC: ""Optimization of a Turboprop UAV for Maximum Loiter and Specific Power Using Genetic Algorithm"", 《INTERNATIONAL JOURNAL OF TURBO & JET - ENGINES》 * |
SONG XIANG等: ""A method combined with the genetic algorithm for design of high efficiency propeller"", 《APPLIED MECHANICS AND MATERIALS》 * |
刘国强: ""基于遗传算法的直升机旋翼桨叶气动外形优化设计"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
刘艳等: ""基于遗传算法的翼型多目标气动优化设计"", 《飞机设计》 * |
叶舟等: ""基于多岛遗传算法的襟翼优化"", 《热能动力工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021037284A3 (zh) * | 2019-08-26 | 2021-04-22 | 深圳市道通智能航空技术股份有限公司 | 一种螺旋桨翼型的设计方法及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021037284A3 (zh) | 2021-04-22 |
WO2021037284A2 (zh) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284823B (zh) | 一种运算装置及相关产品 | |
CN110929047B (zh) | 关注邻居实体的知识图谱推理方法和装置 | |
CN110473083B (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
EP3904894A1 (en) | Training device, estimation device, training method, estimation method, training program, and estimation program | |
Lena et al. | Deep spatio-temporal architectures and learning for protein structure prediction | |
CN111445007A (zh) | 对抗生成神经网络的训练方法及系统 | |
CN110659667A (zh) | 图片分类模型训练方法、系统和计算机设备 | |
JP2023520970A (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN110750839A (zh) | 一种螺旋桨翼型的设计方法及终端设备 | |
CN112036067A (zh) | 一种沟槽电缆稳态温升预测方法 | |
Wang et al. | An adaptive Kriging method based on K-means clustering and sampling in n-ball for structural reliability analysis | |
CN111159828A (zh) | 电池箱散热优化设计方法及其装置、设备及存储介质 | |
CN115062501A (zh) | 一种基于自适应子问题选择策略的芯片封装设计优化方法 | |
Yinghui et al. | New model for load-sharing k-out-of-n: G system with different components | |
CN116937560A (zh) | 新能源出力预测方法、装置、设备及可读存储介质 | |
CN110717037A (zh) | 对用户分类的方法和装置 | |
Chu et al. | Application of Latin hypercube sampling based kriging surrogate models in reliability assessment | |
CN115423159A (zh) | 光伏发电预测方法、装置及终端设备 | |
Padovan et al. | Multi objective robust design optimization of airfoils in transonic field | |
CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 | |
CN111950083B (zh) | 厚弦比对翼型升力特性影响的评估方法及计算设备 | |
CN105021991A (zh) | 车辆用电池传感器及利用所述传感器的季节判断方法 | |
Rahmad et al. | Single-and multi-objective optimization of a low-speed airfoil using genetic algorithm | |
CN111047024A (zh) | 一种计算装置及相关产品 | |
CN116094952B (zh) | 网络结构相似度的确定方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 518055 Shenzhen, Guangdong, Nanshan District Xili street, No. 1001, Zhiyuan Road, B1 9. Applicant after: Shenzhen daotong intelligent Aviation Technology Co.,Ltd. Address before: 518055 Shenzhen, Guangdong, Nanshan District Xili street, No. 1001, Zhiyuan Road, B1 9. Applicant before: AUTEL ROBOTICS Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |