CN112836300B - 航天器外热流模拟装置加热回路自动集束算法 - Google Patents

航天器外热流模拟装置加热回路自动集束算法 Download PDF

Info

Publication number
CN112836300B
CN112836300B CN202110173937.9A CN202110173937A CN112836300B CN 112836300 B CN112836300 B CN 112836300B CN 202110173937 A CN202110173937 A CN 202110173937A CN 112836300 B CN112836300 B CN 112836300B
Authority
CN
China
Prior art keywords
algorithm
heat flow
external heat
heating
genetic algorithm
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
Application number
CN202110173937.9A
Other languages
English (en)
Other versions
CN112836300A (zh
Inventor
谢吉慧
董浩
苏新明
王润泽
吴东亮
秦家勇
解峥
廖韬
常冬林
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.)
Beijing Institute of Spacecraft Environment Engineering
Original Assignee
Beijing Institute of Spacecraft Environment Engineering
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 Beijing Institute of Spacecraft Environment Engineering filed Critical Beijing Institute of Spacecraft Environment Engineering
Priority to CN202110173937.9A priority Critical patent/CN112836300B/zh
Publication of CN112836300A publication Critical patent/CN112836300A/zh
Application granted granted Critical
Publication of CN112836300B publication Critical patent/CN112836300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/16—Cables, cable trees or wire harnesses

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种航天器外热流模拟装置加热回路自动集束算法，该算法首先将航天器外热流模拟加热回路集束问题建模为装箱模型，将加热回路建模为物品，插头容量建模为箱子容积；应用BFD算法将物品体积大小降序排列，得到遗传算法的初始种群；随机选择遗传算法相关参数，将BFD形成的初始种群应用遗传算法求解，得到一个较优解；通过基于熵指标的强化学习算法进一步优化遗传算法的参数得到最优解；最终输出电装关系对应表。本申请的有益效果是：航天器热试验加热回路自动集束算法采用算法代替人工对所有加热回路优化集束、定义电装关系对应表的工作，从而提高业务自动化水平、优化工序程序和降低成本。

Description

航天器外热流模拟装置加热回路自动集束算法
技术领域
本公开涉及航天器真空热试验技术领域，具体涉及一种航天器外热流模拟装置加热回路自动集束算法。
背景技术
在航天器真空热试验过程中，一般采用红外加热笼作为外热流模拟装置。红外笼加热回路自动集束的输入来自于红外笼热设计的结果，设计时将红外笼划分成若干个同航天器相对应的加热分区，并按照一定的规则对红外加热笼划分加热回路。设计人员在一定的约束条件下对所有的加热回路再进行分组汇集，定义电装关系表，作为对红外笼供电的重要依据。加热回路自动集束方法即采用软件算法代替人工对所有加热回路优化集束、定义电装关系对应表的工作，从而提高业务自动化水平、优化工序程序、降低成本。目前，该领域尚无相关研究。
发明内容
本申请的目的是针对以上问题，提供一种航天器外热流模拟装置加热回路自动集束算法。
第一方面，本申请提供一种航天器外热流模拟装置加热回路自动集束算法，包括以下步骤：
建立电装模型和数学优化模型，其中将航天器外热流模拟装置加热回路集束问题建模为装箱模型，加热回路建模为物品，插头容量建模为箱子容积；
利用BFD近似算法将物品体积大小进行降序排列，得到遗传算法的初始种群；
随机选择一组遗传算法的参数，将初始种群利用遗传算法求得一个较优解；
引入基于熵指标的强化学习算法优化遗传算法的参数得到最优解；
输出电装关系表。
根据本申请实施例提供的技术方案，所述建立电装模型和数学优化模型，具体包括：根据加热回路集束的约束条件，建立数学优化模型，将优化目标数作为适应度函数。
根据本申请实施例提供的技术方案，所述约束条件，具体包括：所需插头数量、各加热回路空间关系、电缆长度。
根据本申请实施例提供的技术方案，所述将航天器外热流模拟装置加热回路集束问题建模为装箱模型，具体包括：将将热回路集束问题建模为一维装箱模型。
根据本申请实施例提供的技术方案，所述将初始种群利用遗传算法求得一个较优解，具体包括：将BFD近似算法与遗传算法结合，在初始种群进化过程中结合BFD近似算法，修正无效染色体为有效染色体。
根据本申请实施例提供的技术方案，所述引入基于熵指标的强化学习算法优化遗传算法的参数得到最优解，具体包括：将种群的多样性与引入基于熵指标的强化学习算法的运行机制相结合，将种群多样性保持在设定的范围。
根据本申请实施例提供的技术方案，所述输出电装关系表，具体包括：航天器外热流模拟装置加热回路自动集束的结果，排列加热回路在汇集电缆的针号，定义汇集电缆的名称，输出电缆转接的位置、长度以及使用插头的型号。
本发明的有益效果：本申请提供一种航天器外热流模拟装置加热回路自动集束算法，采用软件算法代替人工对所有加热回路优化集束、定义电装关系对应表的工作，从而提高了集束工作的自动化水平、优化工序程序、降低成本。
附图说明
图1为本申请第一种实施例的原理流程示意图；
图2为本申请第一种实施例中S2步骤中随机左右装箱的原理示意图；
图3为本申请第一种实施例的软件实现流程示意图。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案，下面结合附图对本申请进行详细描述，本部分的描述仅是示范性和解释性，不应对本申请的保护范围有任何的限制作用。
如图1所示为本申请的第一种实施例的示意图，包括以下步骤：
S1、建立电装模型和数学优化模型，其中将航天器外热流模拟装置加热回路集束问题建模为装箱模型，加热回路建模为物品，插头容量建模为箱子容积。
本步骤具体包括：根据加热回路集束的约束条件，建立数学优化模型，将优化目标数作为适应度函数。其中约束条件，具体包括：所需插头数量、各加热回路空间关系、电缆长度等条件。
本实施例中，满足约束条件的情况下要保证所用插头总数和长度的权重组合尽可能少。本实施例中，将加热回路集束问题建模为一维装箱模型。
在一优选实施方式中，约束条件为：每个回路组合的总容量上限是15，即每个箱子的容量是15。
建立以下装箱问题的数学优化模型：
定义：已知常量C＝{C1，C2，...，Cn}为回路集合，每个回路Ci包含空间位置信息(中心点位置，角度，高度)、回路数、回路所在分区；
变量B＝{B1，B2，...，Bm}为所有箱子插头集合；
变量为当前回路装箱情况；
进一步给出问题目标函数描述：
min m插头总数最少；
min l电缆长度最短；
最终的优化数学模型可以表示为:
目标函数：P＝a*箱子数+(1-a)*b*电缆总长度l；其中，a为目标函数调节系数，b为电缆长度调节系数。
S2、利用BFD近似算法将物品体积大小进行降序排列，得到遗传算法的初始种群。
本实施例中应用的BFD近似算法又称为降序最佳匹配算法。
S3、随机选择一组遗传算法的参数，将初始种群利用遗传算法求得一个较优解。
随机选择遗传算法一组相关参数，将BFD近似算法形成的初始种群利用遗传算法求解，使得进化过程能够借鉴BFD近似算法的思想，修正无效染色体为合理有效的染色体，从而提高遗传算法的运行效率和解的质量，得到一个较优解。具体过程为：将回路数按不同结构分区进行划分并编号，在各个结构的回路数区间内随机取一数值，n个结构形成一个n维的行向量作为染色体编码。在优化过程中，不断调整该数值在区间中的位置，使总距离最短、箱数最少，如图2所示。
例如：结构S＝{S_1，S_2，...，S_(n-1，)，S_n}，其中S_1＝{a_1,a_2,...,a_i}，S_2＝{a_(i+1),a_(i+2),...,a_j}，...，在各个结构的回路数区间内随机取一数值，m_1＝rand(a_1,a_i)，...，最终编码为[m_1,m_2,...,m_n]。遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群中每个个体的适应度值来进行搜索。
S4、引入基于熵指标的强化学习算法优化遗传算法的参数得到最优解。
本步骤中通过进一步引入基于熵指标的强化学习算法，解决传统遗传算法早熟收敛和收敛速度慢的问题，基于强化学习的多策略选择遗传算法，能提高种群的多样性，有效避免遗传算法的早熟收敛问题，将种群的多样性和算法的运行机制相结合，从而将种群多样性保持在合适的范围，提高了遗传算法的适应性与泛化能力。
S5、输出电装关系表。
根据本申请实施例提供的技术方案，所述输出电装关系表，具体包括：航天器外热流模拟装置加热回路自动集束的结果，排列加热回路在汇集电缆的针号，定义汇集电缆的名称，输出电缆转接的位置、长度以及使用插头的型号。
如图3所示为本实施例的软件实现流程图。
本实施例的软件界面操作过程为：
1)导入：用户选择输入Excel文件所在位置；
2)遗传算法参数设置：用户配置遗传算法相关参数，包括遗传代数，种群数量以及权重；
3)优化结果：系统显示装箱完成后的结果，包括最短距离以及最优箱子个数；
4)结构参数：用户输入生成装箱结果文件的相关信息，包括输出插头名称，转接插头名称，附加系数，输出电缆长度，转接电缆长度；
5)数据可视化区域：系统显示最优适应度与平均适应度以及相对应的迭代数量；
6)系统点击运行，显示优化结果并且将优化曲线绘制到数据可视化区域；在主程序中设计了循环运行装箱算法的过程，每次运行前由使用者手动输入不同的参数，运行结束时将有关进化过程的统计结果通过对话框输出；
7)导出：用户选择输出Excel文件所在位置；
8)系统点击退出，则停止当前算法并关闭软件。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本申请的方法及其核心思想。以上所述仅是本申请的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将申请的构思和技术方案直接应用于其它场合的，均应视为本申请的保护范围。

Claims (5)

1.航天器外热流模拟装置加热回路自动集束方法，其特征在于，包括以下步骤：
建立电装模型和数学优化模型，其中将航天器外热流模拟装置加热回路集束问题建模为装箱模型，加热回路建模为物品，插头容量建模为箱子容积；
具体包括：根据加热回路集束的约束条件，建立数学优化模型，将优化目标数作为适应度函数；其中约束条件，具体包括：所需插头数量、各加热回路空间关系、电缆长度；
最终的优化数学模型可以表示为:
目标函数：P= a*箱子数+(1-a)*b*电缆总长度l；其中，a为目标函数调节系数,b为电缆长度调节系数；
利用BFD近似算法将物品体积大小进行降序排列，得到遗传算法的初始种群；
随机选择一组遗传算法的参数，将初始种群利用遗传算法求得一个较优解；
引入基于熵指标的强化学习算法优化遗传算法的参数得到最优解；
输出电装关系表。
2.根据权利要求1所述的航天器外热流模拟装置加热回路自动集束方法，其特征在于，所述将航天器外热流模拟装置加热回路集束问题建模为装箱模型，具体包括：将热回路集束问题建模为一维装箱模型。
3.根据权利要求2所述的航天器外热流模拟装置加热回路自动集束方法，其特征在于，所述将初始种群利用遗传算法求得一个较优解，具体包括：将BFD近似算法与遗传算法结合，在初始种群进化过程中结合BFD近似算法，修正无效染色体为有效染色体。
4.根据权利要求3所述的航天器外热流模拟装置加热回路自动集束方法，其特征在于，所述引入基于熵指标的强化学习算法优化遗传算法的参数得到最优解，具体包括：将种群的多样性与引入基于熵指标的强化学习算法的运行机制相结合，将种群多样性保持在设定的范围。
5.根据权利要求4所述的航天器外热流模拟装置加热回路自动集束方法，其特征在于，所述输出电装关系表，具体包括：航天器外热流模拟装置加热回路自动集束的结果，排列加热回路在汇集电缆的针号，定义汇集电缆的名称，输出电缆转接的位置、长度以及使用插头的型号。
CN202110173937.9A 2021-02-09 2021-02-09 航天器外热流模拟装置加热回路自动集束算法 Active CN112836300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110173937.9A CN112836300B (zh) 2021-02-09 2021-02-09 航天器外热流模拟装置加热回路自动集束算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110173937.9A CN112836300B (zh) 2021-02-09 2021-02-09 航天器外热流模拟装置加热回路自动集束算法

Publications (2)

Publication Number Publication Date
CN112836300A CN112836300A (zh) 2021-05-25
CN112836300B true CN112836300B (zh) 2024-02-13

Family

ID=75932833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110173937.9A Active CN112836300B (zh) 2021-02-09 2021-02-09 航天器外热流模拟装置加热回路自动集束算法

Country Status (1)

Country Link
CN (1) CN112836300B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930676A (zh) * 2016-05-09 2016-09-07 南京航空航天大学 一种航天器瞬态热分析模型反演修正方法
WO2018161468A1 (zh) * 2017-03-10 2018-09-13 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930676A (zh) * 2016-05-09 2016-09-07 南京航空航天大学 一种航天器瞬态热分析模型反演修正方法
WO2018161468A1 (zh) * 2017-03-10 2018-09-13 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于改进遗传算法的航空运输路径优化问题研究;先梦瑜;;电子设计工程(第15期);全文 *
外热流模拟对象在线辨识方法比较分析;张军;郭赣;王奕荣;;航天器环境工程(第02期);全文 *

Also Published As

Publication number Publication date
CN112836300A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN102855412B (zh) 一种风电功率预测方法及其装置
CN113591954B (zh) 一种工业系统中缺失的时序数据的填充方法
CN105870935B (zh) 基于聚类算法的辐射状配电网无功优化方法
CN107256441B (zh) 基于非支配排序遗传算法的配电网规划建设方案设计方法
CN103985058B (zh) 一种基于改进多中心校正内点法的可用输电能力计算方法
CN111815035A (zh) 一种融合形态聚类及TCN-Attention的短期负荷预测方法
CN109193807B (zh) 一种电力系统经济调度方法及系统
CN108462184B (zh) 一种电力系统线路串补优化配置方法
CN105117326A (zh) 一种基于组合混沌序列的测试用例集生成方法
Wan et al. Neural network-based multiobjective optimization algorithm for nonlinear beam dynamics
CN105024645B (zh) 一种基于矩阵进化的光伏阵列故障定位方法
CN112787331B (zh) 基于深度强化学习的潮流收敛自动调整方法及系统
CN109004643A (zh) 基于改进粒子群算法的配电网重构优化方法
Zhang et al. Stochastic dynamic economic emission dispatch with unit commitment problem considering wind power integration
CN104200096A (zh) 基于微分进化算法和bp神经网络的避雷器均压环优化法
CN109190241A (zh) 电磁机构静态特性优化方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN112836300B (zh) 航天器外热流模拟装置加热回路自动集束算法
CN117688887A (zh) 一种基于知识和数据双驱动人工智能的电路设计方法
CN110137969B (zh) 一种基于协同进化求解电力系统多目标最优潮流的方法
CN110737998B (zh) 一种基于有限元和深度信念网络的均压环优化设计方法
CN105427058A (zh) 一种基于遗传算法的发动机测试线工位分配优化方法
CN113743003B (zh) 考虑温度、湿度影响的高压线路对地电场强度计算方法
CN116010893A (zh) 一种基于用户电压数据的户变关系异常分析方法及系统
CN105956720A (zh) 一种基于t-s模糊模型的风电功率超短期预测方法

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