CN112749443B - 一种自动半自动迭代的数字样机优化并行协同设计方法 - Google Patents
一种自动半自动迭代的数字样机优化并行协同设计方法 Download PDFInfo
- Publication number
- CN112749443B CN112749443B CN202011622252.XA CN202011622252A CN112749443B CN 112749443 B CN112749443 B CN 112749443B CN 202011622252 A CN202011622252 A CN 202011622252A CN 112749443 B CN112749443 B CN 112749443B
- Authority
- CN
- China
- Prior art keywords
- optimization
- automatic
- design
- value
- layer
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自动半自动迭代的数字样机优化并行协同设计方法,首先确定该多层联合优化的多层计算顺序,初始子区间。其次利用该单层先验信息,结合人工或收敛判据的判断,确定对该先验布点的控制区域内进行函数拟合及其可信度,如下次寻优落在此区域内,则可依据可行度采用拟合函数的该点值代替,最后在获得多个单层信息后,汇合并确定对下一轮迭代采用的优化子区间划分策略,如不变,分裂,合并,而后在新的子区间里继续优化迭代重复进行上述过程直至收敛,可以得到同时满足多层联合优化的最终设计点。本方法在保证优化结果可靠性的前提下,减少了飞行器结构优化过程中多学科分析的迭代分析次数,降低了计算成本,提高了优化效率。
Description
技术领域
本发明涉及结构优化设计的技术领域,具体涉及一种自动半自动迭代的数字样机优化并行协同设计方法。
背景技术
高超声速飞行器等先进飞行器在采用数字样机设计过程中经常存在结构静/动力学、气动、气弹等多学科耦合造成的结构影响。多场耦合的复杂服役环境一方面造成了多学科计算时求解上的困难,同时也影响着结构优化设计过程,如优化过程耗时且难以找到最优解等。传统的多学科多约束优化求解过程中往往需要多学科往复计算,即使单层约束(或目标)取得连续的平稳结果时,仍然在全局目标存在较大震荡,导致优化过程耗时较长。另一方面,智能算法的再多轮次搜索时,因其搜素逻辑也不得不遍历部分不存在意义的点,且难以利用前几轮次的先验信息,因此为了获得足够优异的结构性能,采用数字样机在进行结构设计优化时必须要考虑多场耦合情况下支持自动半自动剪枝策略的多学科优化的精细化设计手段。
由于多学科优化问题的目的在于满足多个学科的目标或者约束,因此往往存在多个学科间互相耦合情况,且随着优化的进行,会出现一个变量同时影响多个学科,进行计算分析就会出现计效率降低的情况,Wu Y等人提出了一种基于近似等价确定性约束的优化求解策略,将这一概念从单约束问题扩展到基于安全因子的多约束可靠性分析问题。Iqbal M提出自动分治(Automatic Divide-and-Conquer)。随机重组的思想是通过变量组合的方式来在多个现有候选解的基础上合成新的候选解其本质是在共候选解个体中的较好组成部件(决策变量),即积木猜想。自动分治类的方法除了可以用来求解全局优化问题概念上还能直接用于求解许多面向集合的(Set-Oriented)优化问题,如Deb K等人将之应用于多目标优化,Branke J等人将之应用于动态优化,Yang P等人将之应用于鲁棒优化,Li L等人将之应用于多极值优化等现实世界中广泛存在的重要优化问题。这些问题都在输出一个集合的尽量好的且不同的解,上述自动分治策略方法从解的混合角度出发,在多约束单目标问题中有较好的发挥,但在实际工程问题中,由于约束(或目标)条件众多,每单层的多学科计算成本也是巨大的,而其他传统的优化策略在面对多学科复杂约束(或目标)问题时更是存在迭代次数多、计算资源耗费庞大、求解过程缓慢等问题。
发明内容
本发明要解决的技术问题是:本发明提供了一种自动半自动迭代的数字样机优化并行协同设计方法。本发明针对数字样机所面临的复杂服役环境,充分考虑结构静/动力学、气动、气弹等多学科耦合的影响,将多学科复杂约束(或目标)耦合问题中单层冗余计算进行剪枝,对多变量子区间的划分引入了自动半自动机制,通过单层分布构造及剪枝的方式,快速得到结构热模态、热气弹、热强度等趋于稳定的结果,通过多层联合综合考虑系统设计目标和学科设计目标的协调性以及学科间的耦合,建立自动/半自动的子区间选取策略,并构建多约束优化求解策略实现的高精度优化求解,在保证精度的前提下,大大提高了计算效率。
本方法在保证优化结果可靠性的前提下,减少了飞行器结构优化过程中多学科分析的迭代分析次数,降低了计算成本,提高了优化效率。
本发明采用的技术方案为一种自动半自动迭代的数字样机优化并行协同设计方法,应用于复杂服役环境下的高超声速飞行器,确定优化问题的优化目标以及涉及的多个约束,包括如下步骤:
第一步:固定该优化问题寻优策略,构建随设计变量Xj变化而自动更新的飞行器结构参数化模型;首先确定多层联合优化,既多约束或目标优化的多层计算顺序,确定初始子区间O;
第二步:对第k层约束或目标利用该第k层单层先验信息Pk1,Pk2,....Pkn,结合人工或收敛判据的判断,确定对该先验布点的控制区域,并在区域内进行函数拟合Fk、并计算当轮值Pk.n+1,若其落于分布的拟合函数Fk范围内,检验其真实值Pk.n+1与分布构建值Pk.f,n+1的差距,是否小于阈值,满足其可信度要求:
其中,i=1,2...n,n为该层先验信息点的数量,RFK为阈值,
若满足,则证明先验布点的控制的局部区域中,在当前布点的密度下梯度可控,当下次寻优落在此区域内,则依据可信度采用分布的拟合函数Fk的该点值Pf,k代替近似,若不满足,则加入到先验信息P1,P2,....Pn,Pn+1,构造新的该第k层分布的拟合函数Fi,k’;
第三步:在获得多个单层信息Pk,1……Pk,n后,采用半自动或自动手段汇合并确定对下一轮迭代采用的优化子区间划分策略,包括不变或分裂策略;
若选择不变,则保持该子区间O,应用优化策略,该子区间O,的先验点Pk1,Pk2,....Pkn和分布的拟合函数Fk范围保持有效,获取该区间内的新设计变量Xj+1;
若选择分裂,则并行选取多个分裂子区间O1,O2...Om∈O,该区间先验点Pk1,Pk2,....Pkn保持有效,分布的拟合函数Fk无效下一轮重新进行构造,而后获取该区间内的新设计变量X1,X2...Xm;
无论区间选择不变或分裂,都需要判断|Xj+1-Xj|<ε是否成立,其中ε为设置的收敛阈值;若成立,则认为优化结果收敛,优化完成,输出优化结果;若不成立,则说明优化结果还未收敛,循环次数增加1轮,继续进行下一个循环;
最终,得到同时满足多约束(或目标)优化的最终设计点。
进一步的,所述确定优化目标以及涉及的多个约束,具体包括:
针对飞行器在进行复杂多学科结构设计优化时,以结构减重为设计目标,以结构热模态约束、热强度约束及热颤振约束为优化模型约束,其优化模型如下:
式中X为设计变量,M(Xk)为结构质量,作为设计目标;σmax(X)≤[σ]表示结构内最大应力小于强度设计值[σ],表示结构颤振发散速度大于设计值,f1(Xk)≥f0表示结构一阶模态大于最小容许值f0;XL≤X≤XU为设计变量在设计上下限内,其中XL为下界、XU为上界。
进一步的,所述的步骤一中,根据飞行器确定设计变量、设计变量的取值区间、容差和结构的约束条件,再求得结构响应函数。
进一步的,所述的步骤二中只考虑该单层的分布情况,根据先验信息和计算结果,检验分布拟合的可信度,从而确定是否能够采用近似分布代替当前区间的计算值。
进一步的,所述的步骤三中提取步骤二中的当前单层的计算值和分布的契合度,确定是否要使用半自动手段进行优化子区间的划分,如不变则按传统路径继续优化,若变化,则在新的区间划分下条件下,重新进行循环迭代直至收敛,最后依据优化目标和变量的收敛准测判定达到最优,从而得到在多层约束多目标条件下的最终设计点。
本发明的原理在于:
本发明的优化设计方法的核心在于将多学科多约束耦合求解问题中的多个约束(或目标)条件进行分层解耦,首先确定该多层联合优化(既多种约束、或多种目标优化)的多层计算顺序,初始子区间。其次利用该单层先验信息,结合人工或收敛判据的判断,确定对该先验布点的控制区域内进行函数拟合及其可信度,如下次寻优落在此区域内,则可依据可行度采用拟合函数的该点值代替,最后在获得多个单层信息后,汇合并确定对下一轮迭代采用的优化子区间划分策略(如不变,分裂,合并),而后在新的子区间里继续优化迭代重复进行上述过程直至收敛,可以得到同时满足多层联合优化的最终设计点。
本发明与现有技术相比的优点在于:
(1)本发明在处理多学科多约束(或目标)求解过程中,当单层约束(或目标)取得连续的平稳结果时,采用近似分布构建的方法进行插值,并进行可信度检验,解耦了多层约束(或目标),减少收益低的重复迭代次数来达到更快的优化求解,提高优化求解的效率;
(2)本发明针对多学科多约束问题的求解过程,引入了自动半自动的判别方式,可以直接的剪枝无意义的计算区域,并且针对传统方法中变量往复震荡所导致的不易收敛提出了区间分裂的并行求解策略,降低无效的震荡迭代从而提高优化效率;
(3)本发明定义了一个明确的收敛条件,通过分治策略改良传统多学科多约束(或目标)所导致的结果震荡问题,收敛性更高且性能不低于传统混合式的优化策略。
附图说明
图1是本发明一种基于自动半自动迭代的数字样机多学科设计优化的学科流程图;
图2是本发明针对多学科多层(多约束或多目标)的自动半自动并行优化的技术流程图;
图3是本发明在单层判断当前层是否可近似示意图;
图4是本发明在区间分割后先验信息和先验分割方法的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
图1是本发明一种基于自动半自动迭代的数字样机多学科设计优化的学科流程图;
如图2所示,为本发明针对多学科多层(多约束或多目标)的自动半自动并行优化的方法流程图,具体包括如下步骤:
步骤1、针对高超声速等先进飞行器复杂多学科设计往复迭代但这一特殊情况,在进行结构设计优化时,如图1的优化流程所示,以结构减重为设计目标,以结构热模态约束、热强度约束及热颤振约束为优化模型约束,其优化模型如下:
式中X为设计变量,M(Xk)为结构质量,作为设计目标;σmax(X)≤[σ]表示结构内最大应力小于强度设计值,表示结构颤振发散速度大于设计值,f1(Xk)≥f0表示结构一阶模态大于最小容许值;XL≤X≤XU为设计变量在设计上下限内。主要包括如下步骤:
第一步:固定该优化问题寻优策略,构建随设计变量Xj变化而自动更新的飞行器结构参数化模型;首先确定该多层联合优化,既多约束(或目标)优化的多层计算顺序,确定初始子区间。
第二步:对第k层(约束或目标)利用该单层先验信息Pk1,Pk2,....Pkn,结合人工或收敛判据的判断,确定对该先验布点的控制区域内进行函数拟合Fk及当轮计算值Pk.n+1,若其落于分布的拟合函数Fk范围内,检验其真实值Pk.n+1与分布构建值Pk.f,n+1的差距,是否足够接近,满足其可信度要求:
如图3所示,若能判定其可信度可以满足,则证明该局部区域在当前布点的密度下梯度可控,当下次寻优落在此区域内,则可依据可行度采用拟合函数的该点值Pf,k代替近似,若不满足,则加入到先验信息P1,P2,....Pn,Pn+1,构造新的该层拟合函数Fi’;
第三步:在获得多个单层信息(Pk,RFk)后,依据可决定采用半自动或自动手段汇合并确定对下一轮迭代采用的优化子区间划分策略(如不变,分裂);
若选择不变,则保持该子区间O,应用优化策略,该区间先验点Pk1,Pk2,....Pkn和分布Fk范保持有效,获取该区间内的新设计变量Xj+1;
如图4所示,若选择分裂,则并行选取多个分裂子区间O1,O2...Om∈O,该区间先验点Pk1,Pk2,....Pkn保持有效,分布的拟合函数Fk无效下一轮重新进行构造,而后获取该区间内的新设计变量X1,X2...Xm;
无论区间选择不变或分裂,都需要判断|Xj+1-Xj|<ε是否成立,其中ε为设置的收敛阈值。若成立,则认为优化结果收敛,优化完成,输出优化结果;若不成立,则说明优化结果还未收敛,循环次数增加1轮,继续进行下一个循环;
最终,可以得到同时满足多约束(或目标)优化的最终设计点。
其中,所述的步骤一中根据实际工程情况确定设计变量、设计变量的取值区间、容差和结构的约束条件,再求得结构响应函数。
其中,所述的步骤二中只考虑该单层的分布情况,根据先验信息和计算结果,检验分布拟合的可信度,从而确定是否可以采用近似分布代替当前区间的计算值。
其中,所述的步骤三中提取步骤二中的当前单层的计算值和分布的契合度,确定是否要使用半自动手段进行优化子区间的划分,如不变则可按传统路径继续优化,若变化,则在新的区间划分下条件下,重新进行循环迭代直至收敛,最后依据优化目标和变量的收敛准测判定达到最优,从而可以得到在多层约束(多目标)条件下的最终设计点。
以上仅是本发明的具体步骤,对本发明的保护范围不构成任何限制;其可扩展应用于其它服役环境的多学科多约束(或目标)优化问题的领域,凡采用等同变换或者等效替换而形成的技术方案,均落在本发明权利保护范围之内。
本发明未详细阐述部分属于本领域技术人员的公知技术。
Claims (3)
1.一种自动半自动迭代的数字样机优化并行协同设计方法,应用于复杂服役环境下的高超声速飞行器,确定优化问题的优化目标以及涉及的多个约束,其特征在于,包括如下步骤:
第一步:固定该优化问题寻优策略,构建随设计变量Xj变化而自动更新的飞行器结构参数化模型;首先确定多层联合优化,即多约束和多目标优化的多层计算顺序,确定初始子区间O;
针对飞行器在进行复杂多学科结构设计优化时,以结构减重为设计目标,以结构热模态约束、热强度约束及热颤振约束为优化模型约束,其优化模型如下:
式中X为设计变量,M(Xk)为结构质量,作为设计目标;σmax(X)≤[σ]表示结构内最大应力小于强度设计值[σ],表示结构颤振发散速度大于设计值,f1(Xk)≥f0表示结构一阶模态大于最小容许值f0;XL≤X≤XU为设计变量在设计上下限内,其中XL为下界、XU为上界;
第二步:对第k层约束或目标利用该第k层单层先验点Pk1,Pk2,....Pkn,结合收敛判据的判断,确定对该先验点的控制区域,并在区域内进行函数拟合Fk、并计算当轮值的先验点Pk.n+1,若其落于分布的拟合函数Fk范围内,检验其真实值Pk.n+1与分布构建值Pk.f,n+1的差距,是否小于阈值,满足其可信度要求:
其中,i=1,2...n,n为该层先验点的数量,RFK为阈值;
若满足,则证明先验点的控制的局部区域中,在当前布点的密度下梯度可控,当下次寻优落在此区域内,则依据可信度采用分布的拟合函数Fk的该点值Pf,k代替近似,若不满足,则加入到先验点P1,P2,....Pn,Pn+1,构造新的该第k层分布的拟合函数Fi,k’
第三步:在获得多个单层先验点Pk1……Pkn后,采用半自动或自动手段汇合并确定对下一轮迭代选择的优化子区间划分策略,包括不变或分裂策略,
所述的步骤三中提取步骤二中的当前单层的计算值和分布的契合度,确定是否要使用半自动手段进行优化子区间的划分,用于剪枝无意义的计算区域,若子区间划分策略不变,则按传统路径继续优化,若子区间划分策略变化,则在新的区间划分条件下,重新进行循环迭代直至收敛,最后依据优化目标和变量的收敛准测判定达到最优,从而得到在多层目标多优化约束条件下的最终设计变量;即,
若选择不变的子区间划分策略,则保持该子区间O,应用优化策略,该子区间O的先验点Pk1,Pk2,....Pkn和分布的拟合函数Fk范围保持有效,获取该区间内的新设计变量Xj+1
若选择分裂的子区间划分策略,则并行选取多个分裂子区间O1,O2...Om∈O,其中,m为原区间的多个分裂子区间O1,O2...Om∈O的子区间个数,该区间先验点Pk1,Pk2,....Pkn保持有效,分布的拟合函数Fk无效下一轮重新进行构造,而后获取该区间内的新设计变量X1,X2...Xm,
无论区间选择不变或分裂,都需要判断|Xj+1-Xj|<ε是否成立,其中ε为设置的收敛阈值;若成立,则认为优化结果收敛,优化完成,输出优化结果;若不成立,则说明优化结果还未收敛,循环次数增加1轮,继续进行下一个循环;
最终,得到同时满足多约束和多目标优化的最终设计变量。
2.根据权利要求1所述的一种自动半自动迭代的数字样机优化并行协同设计方法,其特征在于:
所述的步骤一中,根据飞行器确定设计变量、设计变量的取值区间、容差和结构的约束条件,再求得结构响应函数。
3.根据权利要求1所述的一种自动半自动迭代的数字样机优化并行协同设计方法,其特征在于:
所述的步骤二中只考虑该单层的分布情况,根据先验点和计算结果,检验分布拟合的可信度,从而确定是否能够采用近似分布代替当前区间的计算值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622252.XA CN112749443B (zh) | 2020-12-30 | 2020-12-30 | 一种自动半自动迭代的数字样机优化并行协同设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622252.XA CN112749443B (zh) | 2020-12-30 | 2020-12-30 | 一种自动半自动迭代的数字样机优化并行协同设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749443A CN112749443A (zh) | 2021-05-04 |
CN112749443B true CN112749443B (zh) | 2022-05-17 |
Family
ID=75650348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011622252.XA Active CN112749443B (zh) | 2020-12-30 | 2020-12-30 | 一种自动半自动迭代的数字样机优化并行协同设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749443B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766641A (zh) * | 2018-11-30 | 2019-05-17 | 中国航空工业集团公司沈阳飞机设计研究所 | 基于知识重用的多物理场cae建模方法 |
CN109918808A (zh) * | 2019-03-13 | 2019-06-21 | 北京宇航系统工程研究所 | 一种气热弹三场耦合仿真分析方法 |
CN110046408A (zh) * | 2019-03-29 | 2019-07-23 | 南京理工大学 | 基于bp神经网络微分与区间分析的区间不确定性优化方法 |
CN110147559A (zh) * | 2018-02-11 | 2019-08-20 | 株洲中车时代电气股份有限公司 | 基于多物理场耦合的变流器多学科优化设计方法 |
CN111046559A (zh) * | 2019-12-12 | 2020-04-21 | 南京邮电大学通达学院 | 一种基于双层精英协同进化的多目标优化方法 |
CN111950075A (zh) * | 2020-07-03 | 2020-11-17 | 北京航空航天大学 | 一种高超声速飞行器结构的多学科多约束序贯优化方法 |
CN112100909A (zh) * | 2020-09-04 | 2020-12-18 | 北京航空航天大学 | 一种基于协同优化策略的并行可配置智能优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030177018A1 (en) * | 2002-03-18 | 2003-09-18 | Eastman Kodak Company | System for designing virtual prototypes |
-
2020
- 2020-12-30 CN CN202011622252.XA patent/CN112749443B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147559A (zh) * | 2018-02-11 | 2019-08-20 | 株洲中车时代电气股份有限公司 | 基于多物理场耦合的变流器多学科优化设计方法 |
CN109766641A (zh) * | 2018-11-30 | 2019-05-17 | 中国航空工业集团公司沈阳飞机设计研究所 | 基于知识重用的多物理场cae建模方法 |
CN109918808A (zh) * | 2019-03-13 | 2019-06-21 | 北京宇航系统工程研究所 | 一种气热弹三场耦合仿真分析方法 |
CN110046408A (zh) * | 2019-03-29 | 2019-07-23 | 南京理工大学 | 基于bp神经网络微分与区间分析的区间不确定性优化方法 |
CN111046559A (zh) * | 2019-12-12 | 2020-04-21 | 南京邮电大学通达学院 | 一种基于双层精英协同进化的多目标优化方法 |
CN111950075A (zh) * | 2020-07-03 | 2020-11-17 | 北京航空航天大学 | 一种高超声速飞行器结构的多学科多约束序贯优化方法 |
CN112100909A (zh) * | 2020-09-04 | 2020-12-18 | 北京航空航天大学 | 一种基于协同优化策略的并行可配置智能优化方法 |
Non-Patent Citations (2)
Title |
---|
Evaluating a smart working environment with a digital card game prototype;Oleksandr Lobunets等;《Proceedings of the ACM 2011 conference on Computer supported cooperative work》;20110331;673-676 * |
基于CMP的高密度计算机多目标设计方法探析;王晓军;《计算机光盘软件与应用》;20140430(第4期);56-57 * |
Also Published As
Publication number | Publication date |
---|---|
CN112749443A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723780B (zh) | 基于高分辨率遥感图像的跨域数据的定向迁移方法及系统 | |
CN107016464B (zh) | 基于动态贝叶斯网络的威胁估计方法 | |
CN109063355A (zh) | 基于粒子群优化与Kriging模型的近似优化方法 | |
CN110135587A (zh) | 基于区间犹豫模糊多粒度决策粗糙集的多属性群决策方法 | |
CN111461404A (zh) | 一种基于神经网络预测区间的短期负荷和水电预测方法 | |
CN114742307A (zh) | 一种波浪要素预测方法及系统 | |
CN114254915A (zh) | 轴类零件全流程加工质量合格状态决策及优化方法 | |
CN111275253B (zh) | 融合深度学习和误差校正的径流概率性预测方法及系统 | |
CN115728463A (zh) | 一种基于半嵌入式特征选择的可解释性水质预测方法 | |
CN118023791B (zh) | 一种精密壳体的焊接方法及系统 | |
CN112749443B (zh) | 一种自动半自动迭代的数字样机优化并行协同设计方法 | |
CN116151102A (zh) | 一种空间目标超短弧初始轨道智能确定方法 | |
CN114399235A (zh) | 一种基于雨情数据判定灾害风险等级的方法及系统 | |
CN111985727B (zh) | 一种基于环流分型模型天气预测方法及系统 | |
Berneti | Design of fuzzy subtractive clustering model using particle swarm optimization for the permeability prediction of the reservoir | |
CN117369455A (zh) | 基于生成对抗网络的机器人自主探索方法与系统 | |
CN110826182A (zh) | 一种基于顶点法和序贯优化策略的飞行器结构气动弹性鲁棒设计方法 | |
CN116204955A (zh) | 一种面向智能建造的一维大规模优化下料方法 | |
CN112698666B (zh) | 一种基于气象栅格的飞行器航路优化方法 | |
CN114996880A (zh) | 一种基于ansys二次开发的复合装甲结构优化方法 | |
CN113052353B (zh) | 空气质量预测与预测模型训练方法、装置及存储介质 | |
Zhao et al. | Multi-network collaborative lift-drag ratio prediction and airfoil optimization based on residual network and generative adversarial network | |
CN114329791B (zh) | 基于模块集成与数据管理的飞行器机翼结构综合优化方法 | |
Huang et al. | Combining Virtual Sample Generation Based Data Enhancement and Multi-objective Optimization Based Selective Ensemble for Soft Sensor Modeling | |
CN113128903A (zh) | 一种卫星任务需求配置方法及系统 |
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 |