CN112395804B - 飞机二次能源系统冷量分配方法 - Google Patents
飞机二次能源系统冷量分配方法 Download PDFInfo
- Publication number
- CN112395804B CN112395804B CN202011135024.XA CN202011135024A CN112395804B CN 112395804 B CN112395804 B CN 112395804B CN 202011135024 A CN202011135024 A CN 202011135024A CN 112395804 B CN112395804 B CN 112395804B
- Authority
- CN
- China
- Prior art keywords
- cold
- component
- turning
- empty
- components
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000035772 mutation Effects 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 22
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 5
- 238000005057 refrigeration Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 5
- 239000003921 oil Substances 0.000 description 11
- 230000006872 improvement Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012857 repacking Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于能源分配优化领域，针对现有的飞机二次能源系统冷量分配方法求解复杂度大且耗时长，难以应用于大规模计算的问题，提供一种飞机二次能源系统冷量分配方法：(1)构建分配矩阵T2＝[b0…bnum]；(2)初始化种群；(3)计算适应度
Description
技术领域
本发明属于能源分配优化领域，具体涉及飞机二次能源系统冷量分配方法。
背景技术
飞机二次能源系统的热沉短缺是下一代飞机需解决的主要技术难题。冷量梯度利用是解决这一难题的有效方法，但是现有的冷量梯度利用方案和冷源分配优化方法往往都是针对单一方案的不同部件进行优化，对于不同系统之间的优化比较并没有成熟的分析方法。
由于飞机二次能源系统构成复杂，飞机二次能源系统包含了机电系统、液压系统、环控系统、作动系统和自动控制系统，是集机、电、液、热、冷等多种形式能源的生成、转换、传输及做功为一体的多能转换及综合利用体系。现有飞机在高速飞行器的冷源一般包括燃油冷源，冲压空气冷源，以及飞机存储冷源。飞机冷量梯度利用方法是指通过利用现有的多种冷源，对不同需热部件进行冷却，并根据各部件对冷量需求的品位不同，采用合理冷量回路合理设计的方案。
在优化冷量分配问题的研究过程中，学者们提出了多种智能优化算法，如禁忌搜索算法、遗传算法(Genetic Algorithm，GA)和Q学习(Q-Learing，QL)等人工智能优化算法。但是这些方法在实际应用中都各自存在缺点，如传统的启发式算法的初始解会直接影响最终结果的优劣；遗传算法的后期会产生大量的冗余迭代，耗时较多。因此，需要提出一种新的方法来有效解决冷量分配问题。
发明内容
针对现有的飞机二次能源系统冷量分配方法求解复杂度大且耗时长，难以应用于大规模计算的上述问题，本发明通过将遗传算法和Q-Learing结合，提供一种飞机二次能源系统冷量分配方法，该方法对于实现冷量的充分回收利用、增加飞机能源系统鲁棒性具有重要意义。
一种飞机二次能源系统冷量分配方法，包括以下步骤：
(1)构建分配矩阵T
统计飞机的二次能源系统分配部件数量num，建立矩阵：
T2＝[b0 … bnum]
式子中，num＝731；T2中的元素bi由整数部分和小数部分组成，假设整数部分为m，小数部分为n，m＝0，1，...，731，i＝0，1，...，731；bi为冷量分配的百分比，表示第i个部件将自身尾部占比n的冷量传递给了第m个部件；
(2)初始化种群
对分配矩阵进行随机赋值，得到900-5000个不同的分配矩阵，即可行解的集合，命名为初始种群；初始种群中不同分配矩阵的个数优选1000个；
(3)计算适应度f
适应度函数的计算公式如下：
公式中，
α1为近部件率，是被相邻部件传递冷量的部件与总部件数量的比值；
α2为偏离度，是所有部件传递比率的方差；
α3为部件传递率，是部件参与冷量传递的数量与总部件数量的比值；
分配矩阵出现以下情况，适应度为-1：
Q1：油路路径不匹配，指后方的冷量部件传递给了前方冷量部件的情形；
(4)选择
本过程同标准遗传算法一致，依照适应度做轮盘赌选择；
(5)交叉
引入自适应选择概率，具体公式如下：
其中，fmax为群体中最大的适应度值；f为个体的适应度值；favg为每一代种群适应度的平均值；k1为0.6；
具体过程如下：
Step1：随机选择2个分配矩阵，命名为ta，tb；
Step2：取i＝0；
Step3：如果i小于ta的长度，转Step4，否则转Step7；
Step4：求随机数pc，根据公式3求Pc；如果pc≥Pc，转Step5，否则转Step6；
Step5：ta的第i个元素和tb的第i个元素互换；
Step6：i+＝1，转Step3；
Step7：结束；
Step8：重复Step1-Step7共计300次；
(6)变异
改进的变异概率的计算公式如下：
Step1：随机选择1个分配矩阵，命名为t；
Step2：取i＝0；
Step3：如果i小于t的长度，转Step4，否则转Step7；；
Step4：求随机数pc，根据公式4求Pc；如果pc≥Pc，转Step5，否则转Step6；
Step5：随机选择两个元素，并更换；
Step6：i+＝1，转Step3；
Step7：结束；
Step8：重复Step1-Step7共计50次；
(7)获得预分配结果
在步骤(6)结束之后，继续从步骤(3)开始执行，重复步骤(3)到步骤(6)共计500次，获得适应度最大所对应的分配矩阵，即为最优预分配结果；
(8)对分配过程进行机器学习
在遗传分配作业中，每一种飞机的二次能源系统对应一个最优预分配结果A，统计已知的不同类型的飞机二次能源系统，并分别对所有不同的飞机二次能源系统求解对应的最优分配结果；
所述所有已知的不同类型的飞机二次能源系统命名为集合F；
所述所有已知的不同类型的飞机二次能源系统对应的最优预分配结果命名为集合FA；使用TensorFlow2.0，构建深度学习网络；将结果存储在本地，命名为Model；
(9)分配作业
当前已知飞机的二次能源系统为F，如果该飞机经过了维修，其二次能源系统会发生改变。如果是一架新型飞机，其能源系统与已知飞机的二次能源系统也不同。设新型飞机或者维修过的飞机的二次能源系统变成了F’，将F’作为输入变量，使用TensorFlow2.0调用Model 即可获得F’对应的最优分配矩阵，得到了新的最优分配矩阵即完成了飞机二次能源系统的冷量分配作业。
进一步的，所述步骤(2)初始化种群的步骤如下：
Step1：获取飞机的二次能源系统部件的个数Z1，取i＝0；
Step2：判断i≤Z1，成立转Step3，否则转Step15；
Step3：根据飞机冷量油路、管道的位置关系，获取第i个部件可以传递冷量的部件的集合，集合用C表示；
Step4：判断C是否为空，如果C不为空集，转Step5，如果C为空集，Step8；
Step5：C不为空集说明部件i是考虑油路、管道原因之后，集合C中的部件可以向部件i传输冷量。从集合C中寻找冷量传递尚未达到100％的部件，存为集合U；
Step6：判断U是否为空，如果U不为空集，转Step7，如果U为空集，Step8；
Step7：U不为空集说明部件i是考虑油路、管道、冷量配比原因之后，集合U中的部件可以向部件i传输冷量；从U中任选一部件j，作为部件i的冷量传递部件；此前部件j尚余aj的冷量没有传递出去，则部件i接受的冷量为ai，且ai为大于0小于等于aj的随机数，转Step14；
Step8：寻找冷量生产者，存为集合R；
Step9：判断R是否为空，如果R不为空集，转Step10，如果R为空集，Step取消；
Step10：R不为空集说明部件i是考虑油路、管道原因之后，集合R中的部件可以向部件i传输冷量；从集合R中寻找冷量传递尚未达到100％的部件，存为集合L；
Step11：判断L是否为空，如果L不为空集，转Step7，如果L为空集，Step8；
Step12：L不为空集说明部件i是考虑油路、管道、冷量配比原因之后，集合L中的部件可以向部件i传输冷量；从L中任选一部件j，作为部件i的冷量传递部件。此前部件j尚余aj的冷量没有传递出去，则部件i接受的冷量为ai，且ai为大于0小于等于aj的随机数，转Step14；
Step13：取消部件i的冷量传递；
Step14：取i＝i+1，转Step2；
Step15：输出可行解，即分配矩阵的集合。
进一步的，所述步骤(8)使用TensorFlow2.0，构建深度学习网络，所述深度学习网络的结构如下
第一层，输入尺寸为F单个元素的长度为732，输出节点数目为732，所述732为经验值，可以最大限度保持二次能源系统的细节特性；优化器使用adam，损失函数使用rme；
第二层，无需指定输入尺寸，输出节点数为732*2；优化器使用adam，损失函数使用rme；
第三层，无需指定输入尺寸，输出节点数为732*8；优化器使用adam，损失函数使用rme；
第四层，无需指定输入尺寸，输出节点数为732*4；优化器使用adam，损失函数使用rme；
第五层，无需指定输入尺寸，输出节点数为732*2；优化器使用adam，损失函数使用rme；
第六层，无需指定输入尺寸，输出节点数为732；无优化器，损失函数使用rme。
本发明的第一个核心创新点是飞机二次能源系统-冷量分配矩阵。飞机二次能源系统-冷量分配是指飞机二次能源系统冷量分配形式和分配比例的表述方案。因为飞机二次能源系统拥有复杂的组成架构和冷量消减、损耗形式，如果分别以能源系统-冷量为横纵坐标建立分配矩阵，占用内存过大，且建立的分配矩阵是稀疏矩阵，极大浪费的内存空间，增加了计算量。以我国某型通用战斗机的二次能源系统为例，有二次能源系统分配部件732个，建立的矩阵为如下，
ai，j为冷量分配的百分比，表示第i个部件将自身尾部占比ai，j的冷量传递给了第j个部件，其中j＝0，1，...，731；i＝0，1，...，731；
本发明所述的编码方法先将二次能源部件按照重要性进行排序，建立的矩阵为
T2＝[b0 … b731]
bi由整数部分和小数部分组成，假设整数部分为m，小数部分为n，m＝0，1，...，731， i＝0，1，...，731。bi为冷量分配的百分比，表示第i个部件将自身尾部占比n的冷量传递给了第 m个部件。
可见，T1的尺寸为732*732，而T2的尺寸为732*1，T2占用的内存是T1的1/57。
本发明的第二个创新点是对GA算法的交叉和变异进行改进。在遗传算法中，交叉概率的值是固定的，这会导致整个算法有很大的盲目性，在遗传算法初期容易收敛于局部最优，在遗传算法后期又会收敛速度过慢。本发明引入自适应选择概率，这样做在保证整个种群个体优良的同时，又加快了算法的求解速度。具体公式如下：
其中，
fmax为群体中最大的适应度值；
f为个体的适应度值；
favg为每一代种群适应度的平均值；
k1为0.6；
由上述公式可知，当个体的适应度值大于适应度平均值时，个体适应度值越大说明个体性能优良，则交叉概率Pc越小，优良基因保存的机会也就越大，反之则相反。而交叉概率的取值上限k1，也保证了交叉操作的稳定性。
变异概率与交叉概率的改进一样，适应度值越高的个体，它的变异概率就越小，反之，适应度值低的个体，它的变异概率越大，这样设计增加保留较好个体的可能性，使得整个算法趋向于寻优方向。具体公式如下：
其中，
fmax为群体中最大的适应度值；
f为个体的适应度值；
favg为每一代种群适应度的平均值；
k3为0.12；
本发明的第三个核心创新点是应用DL算法快速求解冷量分配问题。使用TensorFlow2.0 针对飞机二次能源系统的冷量问题进行模型构建。其中，深度网络结构分为6层，优化器使用adam，损失函数使用rme，输出层的尺寸为该飞机二次能源系统的数量。
附图说明
图1为初始化种群流程图；
图2为交叉的流程图；
图3为变异的流程图
具体实施方式
下面结合具体实施例及附图对本发明做进一步详细说明。
以我国某型通用民航飞机的二次能源系统为例，有二次能源系统分配部件732个。
(1)构建分配矩阵T
统计飞机的二次能源系统分配部件数量，建立矩阵：
T2＝[b0 … b731]
bi由整数部分和小数部分组成，假设整数部分为m，小数部分为n，m＝0，1，...，731， i＝0，1，...，731。bi为冷量分配的百分比，表示第i个部件将自身尾部占比n的冷量传递给了第m个部件；
(2)初始化种群
所述初始化种群是遗传算法的概念，意为不同分配矩阵的集合。对分配矩阵进行随机赋值，得到900-5000个不同的分配矩阵，即可行解的集合，命名为初始种群；初始种群中不同分配矩阵的个数优选1000个；
初始化种群的步骤如下：
Step1：获取飞机的二次能源系统部件的个数Z1，取i＝0；
Step2：判断i≤Z1，成立转Step3，否则转Step15；
Step3：根据飞机冷量油路、管道的位置关系，获取第i个部件可以传递冷量的部件的集合，集合用C表示；
Step4：判断C是否为空，如果C不为空集，转Step5，如果C为空集，Step8；
Step5：C不为空集说明部件i是考虑油路、管道原因之后，集合C中的部件可以向部件i传输冷量。从集合C中寻找冷量传递尚未达到100％的部件，存为集合U；
Step6：判断U是否为空，如果U不为空集，转Step7，如果U为空集，Step8；
Step7：U不为空集说明部件i是考虑油路、管道、冷量配比原因之后，集合U中的部件可以向部件i传输冷量；从U中任选一部件j，作为部件i的冷量传递部件；此前部件j尚余aj的冷量没有传递出去，则部件i接受的冷量为ai，且ai为大于0小于等于aj的随机数，转Step14；
Step8：寻找冷量生产者，存为集合R；
Step9：判断R是否为空，如果R不为空集，转Step10，如果R为空集，Step取消；
Step10：R不为空集说明部件i是考虑油路、管道原因之后，集合R中的部件可以向部件i传输冷量；从集合R中寻找冷量传递尚未达到100％的部件，存为集合L；
Step11：判断L是否为空，如果L不为空集，转Step7，如果L为空集，Step8；
Step12：L不为空集说明部件i是考虑油路、管道、冷量配比原因之后，集合L中的部件可以向部件i传输冷量；从L中任选一部件j，作为部件i的冷量传递部件。此前部件j尚余aj的冷量没有传递出去，则部件i接受的冷量为ai，且ai为大于0小于等于aj的随机数，转Step14；
Step13：取消部件i的冷量传递；
Step14：取i＝i+1，转Step2；
Step15：输出可行解，即分配矩阵的集合。
(3)计算适应度f
适应度函数的计算公式如下：
公式中，
α1为近部件率，是被相邻部件传递冷量的部件与总部件数量的比值；
α2为偏离度，是所有部件传递比率的方差；
α3为部件传递率，是部件参与冷量传递的数量与总部件数量的比值；
(4)选择
本过程同标准遗传算法一致，依照适应度做轮盘赌选择；
(5)交叉
引入自适应选择概率，具体公式如下：
其中，fmax为群体中最大的适应度值；f为个体的适应度值；favg为每一代种群适应度的平均值；k1为0.6；
具体过程如下：
Step1：随机选择2个分配矩阵，命名为ta，tb；
Step2：取i＝0；
Step3：如果i小于ta的长度，转Step4，否则转Step7；
Step4：求随机数pc，根据公式3求Pc；如果pc≥Pc，转Step5，否则转Step6；
Step5：ta的第i个元素和tb的第i个元素互换；
Step6：i+＝1，转Step3；
Step7：结束；
Step8：重复Step1-Step7共计300(所述300次为经验值)次；
(6)变异
改进的变异概率的计算公式如下：
具体过程如下：
Step1：随机选择1个分配矩阵，命名为t；
Step2：取i＝0；
Step3：如果i小于t的长度，转Step4，否则转Step7；；
Step4：求随机数pc，根据公式4求Pc；如果pc≥Pc，转Step5，否则转Step6；
Step5：随机选择两个元素，并更换；
Step6：i+＝1，转Step3；
Step7：结束；
Step8：重复Step1-Step7共计50次；
(7)获得预分配结果
在步骤(6)结束之后，继续从步骤(3)开始执行，重复步骤(3)到步骤(6)共计500次，获得适应度最大所对应的分配矩阵，即为最优预分配结果。所述500次为经验结果，可以最大限度保证全局搜索能力。步骤(1)到步骤(7)为遗传分配作业。
(8)对分配过程进行机器学习
因维修、改装、新研发等因素，飞机的二次能源系统会发生物理变化，对应的最优分配结果也会变化，此时，重复计算耗时耗力，使用机器学习对其优化，具体如下：
在遗传分配作业中，每一种飞机的二次能源系统对应一个最优预分配结果A，取不同类型的飞机二次能源系统，共计1600种，并分别对1600中不同的飞机二次能源系统求解对应的最优分配结果；
所述1600种不同飞机二次能源系统命名为集合F；
所述1600种不同飞机二次能源系统对应的最优预分配结果命名为集合FA；
使用TensorFlow2.0，构建深度学习网络；深度学习网络的结构如下：
第一层，输入尺寸为F单个元素的长度为732， 输出节点数目为732，所述732为经验值，可以最大限度保持二次能源系统的细节特性；优化器使用adam，损失函数使用rme；
第二层，无需指定输入尺寸，输出节点数为732*2；优化器使用adam，损失函数使用rme；
第三层，无需指定输入尺寸，输出节点数为732*8；优化器使用adam，损失函数使用rme；
第四层，无需指定输入尺寸，输出节点数为732*4；优化器使用adam，损失函数使用rme；
第五层，无需指定输入尺寸，输出节点数为732*2；优化器使用adam，损失函数使用rme；
第六层，无需指定输入尺寸，输出节点数为732；无优化器，损失函数使用rme。
将结果存储在本地，命名为Model。
(9)分配作业
当前已知飞机的二次能源系统为F，如果该飞机经过了维修，其二次能源系统会发生改变。如果是一架新型飞机，其能源系统与已知飞机的二次能源系统也不同。设新型飞机或者维修过的飞机的二次能源系统变成了F’，将F’作为输入变量，使用TensorFlow2.0调用Model 即可获得F’对应的最优分配矩阵，得到了新的最优分配矩阵即完成了飞机二次能源系统的冷量分配作业。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (3)
1.一种飞机二次能源系统冷量分配方法，其特征在于，包括以下步骤：
(1)构建分配矩阵T
统计飞机的二次能源系统分配部件数量num，建立矩阵：
T2＝[b0 … bnum]
式子中，num＝731，T2中的元素bi由整数部分和小数部分组成，假设整数部分为m，小数部分为n，m＝0，1，...，731，i＝0，1，...，731；bi为冷量分配的百分比，表示第i个部件将自身尾部占比n的冷量传递给了第m个部件；
(2)初始化种群
对分配矩阵进行随机赋值，得到900-5000个不同的分配矩阵，即可行解的集合，命名为初始种群；
(3)计算适应度f
适应度函数的计算公式如下：
公式中，
α1为近部件率，是被相邻部件传递冷量的部件与总部件数量的比值；
α2为偏离度，是所有部件传递比率的方差；
α3为部件传递率，是部件参与冷量传递的数量与总部件数量的比值；
分配矩阵出现以下情况，适应度为-1：油路路径不匹配，指后方的冷量部件传递给了前方冷量部件的情形；
(4)选择
本过程同标准遗传算法一致，依照适应度做轮盘赌选择；
(5)交叉
引入自适应选择概率，具体公式如下：
其中，fmax为群体中最大的适应度值；f为个体的适应度值；favg为每一代种群适应度的平均值；k1为0.6；
具体过程如下：
Step5.1：随机选择2个分配矩阵，命名为ta，tb；
Step5.2：取i＝0；
Step5.3：如果i小于ta的长度，转Step5.4，否则转Step5.7；
Step5.4：求随机数pc，根据公式(3)求Pc；如果pc≥Pc，转Step5.5，否则转Step5.6；
Step5.5：ta的第i个元素和tb的第i个元素互换；
Step5.6：i+＝1，转Step5.3；
Step5.7：结束；
Step5.8：重复Step5.1-Step5.7共计300次；
(6)变异
改进的变异概率的计算公式如下：
其中k3为0.12；
Step6.1：随机选择1个分配矩阵，命名为t；
Step6.2：取i＝0；
Step6.3：如果i小于t的长度，转Step6.4，否则转Step6.7；
Step6.4：求随机数pc，根据公式(4)求Pc；如果pc≥Pc，转Step6.5，否则转Step6.6；
Step6.5：随机选择两个元素，并更换；
Step6.6：i+＝1，转Step6.3；
Step6.7：结束；
Step6.8：重复Step6.1-Step6.7共计50次；
(7)获得预分配结果
在步骤(6)结束之后，继续从步骤(3)开始执行，重复步骤(3)到步骤(6)共计500次，获得适应度最大所对应的分配矩阵，即为最优预分配结果；
(8)对分配过程进行机器学习
在遗传分配作业中，每一种飞机的二次能源系统对应一个最优预分配结果A，统计已知的不同类型的飞机二次能源系统，并分别对所有不同的飞机二次能源系统求解对应的最优分配结果；
所述所有已知的不同类型的飞机二次能源系统命名为集合F；
所述所有已知的不同类型的飞机二次能源系统对应的最优预分配结果命名为集合FA；
使用TensorFlow2.0，构建深度学习网络；将结果存储在本地，命名为Model；
(9)分配作业
设新型飞机或者维修过的飞机的二次能源系统变成了F’，将F’作为输入变量，使用TensorFlow2.0调用Model即可获得F’对应的最优分配矩阵，得到了新的最优分配矩阵即完成了飞机二次能源系统的冷量分配作业。
2.根据权利要求1所述的飞机二次能源系统冷量分配方法，其特征在于，所述步骤(2)初始化种群的步骤如下：
Step2.1：获取飞机的二次能源系统部件的个数Z1，取i＝0；
Step2.2：判断i≤Z1，成立转Step2.3，否则转Step2.15；
Step2.3：根据飞机冷量油路、管道的位置关系，获取第i个部件可以传递冷量的部件的集合，集合用C表示；
Step2.4：判断C是否为空，如果C不为空集，转Step2.5，如果C为空集，Step2.8；
Step2.5：C不为空集说明部件i是考虑油路、管道原因之后，集合C中的部件可以向部件i传输冷量，从集合C中寻找冷量传递尚未达到100％的部件，存为集合U；
Step2.6：判断U是否为空，如果U不为空集，转Step2.7，如果U为空集，Step2.8；
Step2.7：U不为空集说明部件i是考虑油路、管道、冷量配比原因之后，集合U中的部件可以向部件i传输冷量；从U中任选一部件j，作为部件i的冷量传递部件；此前部件j尚余aj的冷量没有传递出去，则部件i接受的冷量为ai，且ai为大于0小于等于aj的随机数，转Step2.14；
Step2.8：寻找冷量生产者，存为集合R；
Step2.9：判断R是否为空，如果R不为空集，转Step2.10，如果R为空集，Step2.13取消部件i的冷量传递；
Step2.10：R不为空集说明部件i是考虑油路、管道原因之后，集合R中的部件可以向部件i传输冷量；从集合R中寻找冷量传递尚未达到100％的部件，存为集合L；
Step2.11：判断L是否为空，如果L不为空集，转Step2.7，如果L为空集，Step2.8；
Step2.12：L不为空集说明部件i是考虑油路、管道、冷量配比原因之后，集合L中的部件可以向部件i传输冷量；从L中任选一部件j，作为部件i的冷量传递部件，此前部件j尚余aj的冷量没有传递出去，则部件i接受的冷量为ai，且ai为大于0小于等于aj的随机数，转Step2.14；
Step2.13：取消部件i的冷量传递；
Step2.14：取i＝i+1，转Step2.2；
Step2.15：输出可行解，即分配矩阵的集合。
3.根据权利要求1所述的飞机二次能源系统冷量分配方法，其特征在于，所述步骤(8)使用TensorFlow2.0，构建深度学习网络，所述深度学习网络的结构如下：
第一层，输入尺寸为F单个元素的长度为732，输出节点数目为732，所述732为经验值，可以最大限度保持二次能源系统的细节特性；优化器使用adam，损失函数使用rmse；
第二层，无需指定输入尺寸，输出节点数为732*2；优化器使用adam，损失函数使用rmse；
第三层，无需指定输入尺寸，输出节点数为732*8；优化器使用adam，损失函数使用rmse；
第四层，无需指定输入尺寸，输出节点数为732*4；优化器使用adam，损失函数使用rmse；
第五层，无需指定输入尺寸，输出节点数为732*2；优化器使用adam，损失函数使用rmse；
第六层，无需指定输入尺寸，输出节点数为732；无优化器，损失函数使用rmse。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011135024.XA CN112395804B (zh) | 2020-10-21 | 2020-10-21 | 飞机二次能源系统冷量分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011135024.XA CN112395804B (zh) | 2020-10-21 | 2020-10-21 | 飞机二次能源系统冷量分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112395804A CN112395804A (zh) | 2021-02-23 |
| CN112395804B true CN112395804B (zh) | 2022-02-18 |
Family
ID=74596388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011135024.XA Expired - Fee Related CN112395804B (zh) | 2020-10-21 | 2020-10-21 | 飞机二次能源系统冷量分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112395804B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106940068A (zh) * | 2017-03-15 | 2017-07-11 | 山东大学 | 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 |
| US20170344906A1 (en) * | 2015-12-04 | 2017-11-30 | Shenzhen Institutes Of Advanced Technology | Optimization method and system for supervised learning under tensor mode |
| CN110991056A (zh) * | 2019-12-09 | 2020-04-10 | 西南交通大学 | 一种基于遗传变邻域算法的飞机装配线作业调度方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107229972A (zh) * | 2017-03-10 | 2017-10-03 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
| CN109146136A (zh) * | 2018-07-20 | 2019-01-04 | 九江学院 | 一种基于免疫遗传算法求解第一类装配线平衡问题的方法 |
-
2020
- 2020-10-21 CN CN202011135024.XA patent/CN112395804B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170344906A1 (en) * | 2015-12-04 | 2017-11-30 | Shenzhen Institutes Of Advanced Technology | Optimization method and system for supervised learning under tensor mode |
| CN106940068A (zh) * | 2017-03-15 | 2017-07-11 | 山东大学 | 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 |
| CN110991056A (zh) * | 2019-12-09 | 2020-04-10 | 西南交通大学 | 一种基于遗传变邻域算法的飞机装配线作业调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| 分布式能源站多种类型冷水机组冷量分配比例研究;黄挺等;《制冷与空调》;20140630;第28卷(第3期);第361-364页 * |
| 基于GA的民航飞机水平航线动态寻优算法;胡小兵等;《航空计算技术》;20010630;第31卷(第2期);第36-41页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112395804A (zh) | 2021-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101604145B (zh) | 炼钢-连铸-热轧生产计划一体化仿真系统 | |
| CN109359884A (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
| CN106845012B (zh) | 一种基于多目标密度聚类的高炉煤气系统模型隶属度函数确定方法 | |
| CN103914734B (zh) | 基于改进型蚁群算法的微网容量优化布址方法 | |
| CN104842564B (zh) | 一种基于nsga‑ii的三维打印多任务优化调度方法 | |
| CN107016462B (zh) | 一种基于混合遗传算法的多跑道机场航班起降协同优化方法 | |
| CN109002902A (zh) | 分区域多阶段生鲜农产品动态车辆路径优化方法 | |
| CN103439926B (zh) | 一种钢铁企业煤气优化调度装置 | |
| CN107067190A (zh) | 基于深度强化学习的微电网电能交易方法 | |
| CN109934382B (zh) | 一种基于轴幅式布局的多级地铁货运网络系统及建构方法 | |
| CN106371924B (zh) | 一种最小化MapReduce集群能耗的任务调度方法 | |
| CN110956371A (zh) | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 | |
| CN108805403A (zh) | 一种基于改进遗传算法的单件车间调度方法 | |
| CN104331749A (zh) | 基于模拟退火粒子群的agv优化调度方法 | |
| CN103197547A (zh) | 一种粒子群寻优的调峰炉热力站供热负荷优化调度方法 | |
| CN111156419B (zh) | 一种长输管线原油混输变速调度方法和系统 | |
| CN102945510B (zh) | 一种求解复杂资源受限项目调度问题的有效方法 | |
| CN112395804B (zh) | 飞机二次能源系统冷量分配方法 | |
| CN110598946B (zh) | 一种基于非支配人工蜂群的防汛物资救援分配方法 | |
| CN103699933A (zh) | 基于最小生成树聚类遗传算法的交通信号配时优化方法 | |
| CN113901728A (zh) | 基于迁移遗传算法的电脑第二类装配线平衡优化方法 | |
| CN111160654B (zh) | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 | |
| CN110046851B (zh) | 基于Multi-Paxos的无人车物流任务分配方法 | |
| CN116679647A (zh) | 一种考虑缓冲区容量的3c智造车间agv调度系统与方法 | |
| CN115018180B (zh) | 一种锡工艺品原料节能配送与加工的超启发式调度方法、系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220218 |