CN112949211A - 发动机模型的优化方法、装置、计算机设备及存储介质 - Google Patents

发动机模型的优化方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112949211A
CN112949211A CN202110384258.6A CN202110384258A CN112949211A CN 112949211 A CN112949211 A CN 112949211A CN 202110384258 A CN202110384258 A CN 202110384258A CN 112949211 A CN112949211 A CN 112949211A
Authority
CN
China
Prior art keywords
engine model
population
model parameters
target
value
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
Application number
CN202110384258.6A
Other languages
English (en)
Inventor
张清泉
姚新
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.)
Southwest University of Science and Technology
Southern University of Science and Technology
Original Assignee
Southwest University of Science and Technology
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 Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202110384258.6A priority Critical patent/CN112949211A/zh
Publication of CN112949211A publication Critical patent/CN112949211A/zh
Priority to DE212022000039.0U priority patent/DE212022000039U1/de
Priority to PCT/CN2022/080247 priority patent/WO2022213768A1/zh
Priority to US17/878,287 priority patent/US11704604B2/en
Pending legal-status Critical Current

Links

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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)

Abstract

本发明实施例公开了一种发动机模型的优化方法、装置、计算机设备及存储介质。该方法包括：根据预设解数量设置初始种群；获取初始种群在发动机模型上的第一输出集；根据第一输出集确定初始种群中每组发动机模型参数的第一适应度值；根据第一适应度值对初始种群进行选择、交叉以及变异操作，获得进化种群，初始种群和进化种群构成待选种群；获取进化种群在发动机模型上的第二输出集；根据第一输出集和第二输出集确定待选种群中每组发动机模型参数的第二适应度值；根据第二适应度值在待选种群中选取发动机模型参数构成新种群；若满足终止条件，使用新种群中的发动机模型参数对发动机模型进行优化。避免了对参考点集的依赖，使优化过程更加简单通用。

Description

发动机模型的优化方法、装置、计算机设备及存储介质
技术领域
本发明实施例涉及发动机技术领域，尤其涉及一种发动机模型的优化方法、装置、计算机设备及存储介质。
背景技术
在发动机正式使用之前，要求发动机模型的设计要具有一定的可靠性，因此，就需要在不同的测试状态下均能够保持正常的运行状态，而在每个测试状态下，一般还需要使一些指标达到预期的数值。因此，假定测试状态的数量为k，且在每个测试状态下需要h个指标需要优化，那么就需要对k*h个指标同时进行优化。但发动机的设计一般涉及到流体力学原理等复杂的数学模型，往往不可导、非凸或非连续，因此在优化的过程中，传统的数学方法很难有效的解决。
目前解决上述问题一般是采用将所得到的多目标问题转化为单目标问题的方式进行求解，但转化为单目时，很容易造成目标间的冲突，即很难平衡大量基准维度之间的选择，很可能需要以牺牲某些维度的性能而使总体的目标值降低，这样很难在现实生活中应用。另一种方案是采用基于支配关系或者基于分解的多目标优化方法进行求解，但往往在现实生活中，k*h的数值较大，是一个相对很高的维度，因此会出现大量的非支配解，基于支配关系的多目标优化方法(如NSGAII和SPEA2)处理起来选择压力过低，处理难度较大，而对于基于分解的多目标优化方法(如MOEA/D)，需要参考点集，当需要的种群数量很大时，调用发动机模型的次数便会增多，而发动机模型的调用往往很昂贵，因此在使用较大种群的情况下将十分浪费计算时间。
发明内容
本发明实施例提供一种发动机模型的优化方法、装置、计算机设备及存储介质，以实现在解决高维度的发动机参数优化问题的同时，避免因高维度而带来的众多非支配解和低选择压力的问题，以及对参考点集的依赖。
第一方面，本发明实施例提供了一种发动机模型的优化方法，该方法包括：
步骤a)根据预设解数量设置初始种群，所述初始种群中的每个元素表示一组发动机模型参数；
步骤b)将所述初始种群中各组发动机模型参数代入发动机模型，以获取所述初始种群在所述发动机模型上的第一输出集；
步骤c)根据所述第一输出集确定所述初始种群中每组发动机模型参数的第一适应度值；
步骤d)根据所述第一适应度值对所述初始种群进行选择、交叉以及变异操作，以获得进化种群；所述初始种群和所述进化种群构成待选种群；
步骤e)将所述进化种群中各组发动机模型参数代入所述发动机模型，以获取所述进化种群在所述发动机模型上的第二输出集；
步骤f)根据所述第一输出集和所述第二输出集确定所述待选种群中每组发动机模型参数的第二适应度值；
步骤g)根据所述第二适应度值在所述待选种群中选取发动机模型参数构成新种群，所述新种群中发动机模型参数的组数为所述预设解数量；
步骤h)若未满足终止条件，则根据所述新种群更新所述初始种群，以及根据所述新种群中各组发动机模型参数在所述发动机模型上的输出更新所述第一输出集，并返回执行步骤c)；若满足所述终止条件，则使用所述新种群中的发动机模型参数对所述发动机模型进行优化。
第二方面，本发明实施例还提供了一种发动机模型的优化装置，该装置包括：
初始种群设置模块，用于根据预设解数量设置初始种群，所述初始种群中的每个元素表示一组发动机模型参数；
第一输出集获取模块，用于将所述初始种群中各组发动机模型参数代入发动机模型，以获取所述初始种群在所述发动机模型上的第一输出集；
第一适应度值确定模块，用于根据所述第一输出集确定所述初始种群中每组发动机模型参数的第一适应度值；
待选种群获取模块，用于根据所述第一适应度值对所述初始种群进行选择、交叉以及变异操作，以获得进化种群；所述初始种群和所述进化种群构成待选种群；
第二输出集获取模块，用于将所述进化种群中各组发动机模型参数代入所述发动机模型，以获取所述进化种群在所述发动机模型上的第二输出集；
第二适应度值确定模块，用于根据所述第一输出集和所述第二输出集确定所述待选种群中每组发动机模型参数的第二适应度值；
新种群获取模块，用于根据所述第二适应度值在所述待选种群中选取发动机模型参数构成新种群，所述新种群中发动机模型参数的组数为所述预设解数量；
输出模块，用于若未满足终止条件，则根据所述新种群更新所述初始种群，以及根据所述新种群中各组发动机模型参数在所述发动机模型上的输出更新所述第一输出集，并返回所述第一适应度值确定模块继续执行；若满足所述终止条件，则使用所述新种群中的发动机模型参数对所述发动机模型进行优化。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的发动机模型的优化方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的发动机模型的优化方法。
本发明实施例提供了一种发动机模型的优化方法，首先根据预设解数量设置初始种群，初始种群中的每个元素表示一组发动机模型参数，然后将初始种群代入发动机模型以根据输出确定其中的发动机模型参数的第一适应度值，再根据第一适应度值对初始种群进行选择、交叉以及变异操作，并将获得的进化种群与初始种群共同构成待选种群，接着将待选种群代入发动机模型以根据输出确定其中的发动机模型参数的第二适应度值，并根据第二适应度值在待选种群中选取与初始种群同样数量的发动机模型参数作为新种群，此时若满足终止条件，则根据新种群对发动机模型进行优化，否则将新种群替代初始种群重复新种群的确定过程，直至满足终止条件完成对发动机模型的优化。实现了在解决高维度的发动机参数优化问题的同时，避免了因高维度而带来的众多非支配解和低选择压力的问题，也避免了对参考点集的依赖，无需设置算法以外的参数，从而不再需要人为先验的调整参数来处理不同类型的问题，使得优化过程更加简单通用。
附图说明
图1为本发明实施例一提供的发动机模型的优化方法的流程图；
图2为本发明实施例一提供的根据第二适应度值在待选种群中选取发动机模型参数构成新种群过程的流程图；
图3为本发明实施例二提供的发动机模型的优化装置的结构示意图；
图4为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的发动机模型的优化方法的流程图。本实施例可适用于对发动机模型进行优化的情况，该方法可以由本发明实施例提供的发动机模型的优化装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：
S101、根据预设解数量设置初始种群，初始种群中的每个元素表示一组发动机模型参数。
其中，预设解数量可以是用户设置的希望最终获得的解的数量，即发动机模型参数的组数，由于发动机模型参数中一般存在多个子参数，因此可以通过获得多组解，使得用户可以根据解的情况和实际需要，如需要的数值精度以及硬件上的制作工艺等，选择最合适的发动机模型参数。初始种群为根据预设解数量设置种群后，对该种群中的元素进行初始化后得到的，每个元素可以代表一组发动机模型参数。初始化的方法可以是随机初始化，具体可以是Random Latin Hypercubes方法，通过随机初始化可以使得本发明实施例所提供的优化方法具有一定的普适性，可以适用于各种发动机模型，同时也简化了优化过程，还可以根据有关相应发动机模型的先验知识对种群进行初始化，从而更快的得到优化结果。
在本实施例中，种群是指遗传算法针对代表问题可能潜在的解集，一个种群由经过基因编码的一定数目的个体组成。初代种群产生之后，可以按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解。在每一代中，可以根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，即可以作为问题的近似最优解。
S102、将初始种群中各组发动机模型参数代入发动机模型，以获取初始种群在发动机模型上的第一输出集。
具体的，将初始种群中各组发动机模型参数分别代入发动机模型以获得对应的输出，所有的输出共同构成第一输出集。其中，发动机模型参数可以包括功率提取、燃烧室压比、混合设计马赫数、喷管推力系数以及喷管流量系数等，对应的输出可以包括总流量、低压涡轮出口温度、低压涡轮进气压力、风机内出口压力以及总压比等。本实施例中的发动机模型可以采用现有技术中的各种发动机数学模型，在此不作累述。
S103、根据第一输出集确定初始种群中每组发动机模型参数的第一适应度值。
其中，适应度值是指在某种环境条件下，某已知基因型的个体将其基因传递到其后代基因库中的相对能力，是衡量个体存活和生殖机会的尺度，适应度值越大，解的质量越好。可选的，根据第一输出集确定初始种群中每组发动机模型参数的第一适应度值，包括：确定初始种群中每组发动机模型参数在各个维度上的目标值；其中，各个维度对应发动机模型中不同的测试状态以及测试指标，维度的数量为测试状态的数量与测试指标的数量之积，测试指标对应第一输出集中的各个输出；若测试指标的优化目标为预期值，则对应测试指标的目标值为初始种群中的发动机模型参数在发动机模型上对应目标维度的目标输出与对应目标输出的预期值之间的误差值，目标维度为对应测试指标的维度；若测试指标的优化目标为尽可能减小，则对应测试指标的目标值为目标输出相对于初始种群中各组发动机模型参数对应的目标输出的归一化值；若测试指标的优化目标为尽可能增大，则对应测试指标的目标值为取相反数后的目标输出相对于待选种群中各组发动机模型参数对应的取相反数后的目标输出的归一化值；根据目标值确定初始种群中每组发动机模型参数的第一适应度值。
具体的，本实施例所提供的优化方法可用于多目标问题的优化，具体即可以是针对发动机模型中不同的测试状态以及各个测试指标所产生的多目标问题。其中，针对飞机发动机，测试状态可以包括各种速度、高度和气压等，针对汽车发动机，测试状态可以包括各种速度和气压等，测试指标则可以是各个输出中所包含的指标。示例性的，假设在发动机模型中，需要针对k个测试状态下的h个测试指标进行优化时，则会产生k*h个目标，针对某一目标我们可以称之为在某一维度上的问题，其中，k和h为正整数，维度的取值为[1,k*h]中的整数。
对于测试指标的优化目标，可以分为两类，一种是存在校准基准的类型，即优化目标为使发动机模型输出的某一测试指标的值接近预期值，另一种是不存在校准基准的类型，即优化目标为使发动机模型输出的某一测试指标的值尽可能减小或增大。针对某种测试指标，将该测试指标对应的所有维度作为目标维度，若为第一种情况，则可以将初始种群中发动机模型参数在发动机模型上对应目标维度的目标输出与该目标输出对应的预期值之间的误差值作为该测试指标对应的目标值，具体可以通过如下公式计算目标值：
Figure BDA0003014203370000081
其中，fi(x)表示目标值，outputi(x)表示目标输出，truei(x)表示对应目标输出的预期值，x为发动机模型参数，i为目标维度。若为第二种情况，则可以将目标输出相对于初始种群中各组发动机模型参数对应的目标输出的归一化值作为该测试指标对应的目标值，具体可以通过如下公式计算目标值：
Figure BDA0003014203370000091
其中，fi(x)表示目标值，outputi(x)表示目标输出，minz∈x(outputi(z))表示初始种群中各组发动机模型参数对应的目标输出中的最小值，maxz∈X(outputi(z))表示初始种群中各组发动机模型参数对应的目标输出中的最大值，x和z为发动机模型参数，i为目标维度，X为初始种群。具体的，归一化的目的即是将目标输出映射到[0,1]区间，以使其与误差值具有相同的量纲，从而共同作为目标值。在确定了各种情况下的目标值之后，即可根据目标值来确定初始种群中每组发动机模型参数的第一适应度值，具体可以通过如下公式计算第一适应度值：
Figure BDA0003014203370000092
其中，SDE(p,P)表示p基于P的第一适应度值，P为初始种群，p为初始种群中的发动机模型参数，q为初始种群中不同于p的发动机模型参数，pi为p在第i维度上的目标值，qi为q在第i维度上的目标值，i为维度，m为维度的数量。通过上述公式进行第一适应度值的计算，可以使得在解决具有不规则Pareto前沿问题的过程中以一种动态评估策略来自适应的保持较好的收敛性和多样性。
S104、根据第一适应度值对初始种群进行选择、交叉以及变异操作，以获得进化种群；初始种群和进化种群构成待选种群。
其中，选择操作是用来确定如何从初始种群中选取某些个体作为父母，然后进行交叉(交配)操作以生成新的个体，其在本实施例中，个体即是发动机模型参数。在初始种群中，较为强大的个体会有更高的概率生成下一代，而被选择的概率则可以由个体的适应度值来决定。具体的，选择操作的方法可以包括：轮盘赌选择法、随机遍历抽样法以及锦标赛选择法，优选的，在本实施例中，采用二元锦标赛方法进行选择以获得较优的性能，即每次从初始种群中取出两个个体(放回抽样)，然后选择其中较好(即适应度值较大)的一个进入子代种群，重复该操作，直到子代种群的规模达到初始种群的规模，其中的规模可以指各个种群中个体的数量，在本实施例中，即发动机模型参数的组数。
在获得完整的子代种群之后，即可对子代种群进行交叉以及变异操作，以获得进化种群，并将初始种群和进化种群共同作为待选种群。其中，交叉操作即染色体交叉操作，即是在子代种群中选择两个个体进行相互交配，将两个个体的染色体按照某种方式相互交换部分基因，以形成新的个体的过程，具体可以通过模拟二进制交叉算子(SimulatedBinary Crossover，SBX)进行交叉操作。在交叉操作后形成的新个体，有一定的概率会发生基因变异，与选择操作一样，变异操作是基于概率的，可选的，该概率可以是发动机模型参数的组数的倒数。具体的，可以通过多项式变异方法(Polynomial Mutation)进行变异操作。
S105、将进化种群中各组发动机模型参数代入发动机模型，以获取进化种群在发动机模型上的第二输出集。
在获得进化种群之后，即可将进化种群中各组发动机模型参数分别代入发动机模型以获得对应的输出，所有的输出共同构成第二输出集。
S106、根据第一输出集和第二输出集确定待选种群中每组发动机模型参数的第二适应度值。
具体的，在获得了第一输出集和第二输出集之后，即获得了待选种群中所有发动机模型参数在发动机模型上对应的输出。可选的，根据第一输出集和第二输出集确定待选种群中每组发动机模型参数的第二适应度值，包括：确定待选种群中每组发动机模型参数在各个维度上的目标值；其中，各个维度对应发动机模型中不同的测试状态以及测试指标，维度的数量为测试状态的数量与测试指标的数量之积，测试指标对应第一输出集和第二输出集中的各个输出；若测试指标的优化目标为预期值，则对应测试指标的目标值为待选种群中的发动机模型参数在发动机模型上对应目标维度的目标输出与对应目标输出的预期值之间的误差值，目标维度为对应测试指标的维度；若测试指标的优化目标为尽可能减小，则对应测试指标的目标值为目标输出相对于待选种群中各组发动机模型参数对应的目标输出的归一化值；若测试指标的优化目标为尽可能增大，则对应测试指标的目标值为取相反数后的目标输出相对于待选种群中各组发动机模型参数对应的取相反数后的目标输出的归一化值；根据目标值确定待选种群中每组发动机模型参数的第二适应度值。
其中，可选的，对应测试指标的目标值为待选种群中的发动机模型参数在发动机模型上对应目标维度的目标输出与对应目标输出的预期值之间的误差值，目标维度为对应测试指标的维度，包括：
Figure BDA0003014203370000111
其中，fi(x)表示目标值，outputi(x)表示目标输出，truei(x)表示对应目标输出的预期值，x为发动机模型参数，i为目标维度。
可选的，对应测试指标的目标值为目标输出相对于待选种群中各组发动机模型参数对应的目标输出的归一化值，包括：
Figure BDA0003014203370000121
其中，fi(x)表示目标值，outputi(x)表示目标输出，minz∈X(outputi(z))表示待选种群中各组发动机模型参数对应的目标输出中的最小值，maxz∈X(outputi(z))表示待选种群中各组发动机模型参数对应的目标输出中的最大值，x和z为发动机模型参数，i为目标维度，X为待选种群。
可选的，根据目标值确定待选种群中每组发动机模型参数的第二适应度值，包括：
Figure BDA0003014203370000122
其中，SDE(p,P)表示p基于P的第二适应度值，P为待选种群，p为待选种群中的发动机模型参数，q为待选种群中不同于p的发动机模型参数，pi为p在第i维度上的目标值，qi为q在第i维度上的目标值，i为维度，m为维度的数量。
具体第二适应度值的确定过程可以参考上述第一适应度值的确定过程，在此将不再累述。
S107、根据第二适应度值在待选种群中选取发动机模型参数构成新种群，新种群中发动机模型参数的组数为预设解数量。
具体的，可以在待选种群中选取第二适应度值较好的N组发动机模型参数构成新种群，其中，N的值为初始种群中发动机模型参数的组数，即预设解数量。可选的，根据第二适应度值在待选种群中选取发动机模型参数构成新种群，新种群中发动机模型参数的组数为预设解数量，包括：将待选种群中的发动机模型参数按照第二适应度值进行排序；若第二适应度值中非零值的个数小于预设解数量，则按照排序结果由大到小的选取对应的发动机模型参数构成新种群；若第二适应度值中非零值的个数大于等于预设解数量，则执行，步骤i)删除待选种群中对应第二适应度值为零的发动机模型参数；步骤j)若当前的待选种群中发动机模型参数的数量仍大于预设解数量，则执行步骤k)，否则直接由当前的待选种群中的发动机模型参数构成新种群；步骤k)将当前的待选种群中对应第二适应度值最小的发动机模型参数删除，更新经过删除后的待选种群中每组发动机模型参数的第二适应度值，并返回执行步骤j)。相应的，如图2所示，具体可以包括如下步骤：
S1071、将待选种群中的发动机模型参数按照第二适应度值进行排序。
具体的，第二适应度值中可能存在多个值相同的情况，则可以将上述在确定待选种群中每组发动机模型参数的第二适应度值的过程中产生的d(p,q)进行存储，具体可以是在按照从小到大的顺序进行排序后以向量的形式进行存储。在比较两组发动机模型参数的第二适应度值时，如果值相同，则可以对各自对应向量的第二个值进行比较，如果第二个值也相同，则可以对各自对应向量的第三个值进行比较，以此类推，直至有不同的值出现，如果全部相同，则可以将两组发动机模型参数随机排序。然后可以按照上述方法对待选种群中所有发动机模型参数进行排序，则可以准确的确定出质量更高的发动机模型参数。
S1072、判断第二适应度值中非零值的个数是否小于预设解数量，若是，执行S1073；若否，执行S1074。
S1073、按照排序结果由大到小的选取对应的发动机模型参数构成新种群。
若第二适应度值中非零值的个数小于预设解数量，则直接按照上述排序的结果选取其中第二适应度值较大的N组发动机模型参数，其中，N的值为初始种群中发动机模型参数的组数，即预设解数量，从而从待选种群中选取质量更高的，并与初始种群中发动机模型参数的组数相同的发动机模型参数来构成新种群。
S1074、删除待选种群中对应第二适应度值为零的发动机模型参数。
若第二适应度值中非零值的个数大于等于预设解数量，则首先删除待选种群中对应第二适应度值为零的发动机模型参数，以便于在剩余的发动机模型参数中重新确定各自的第二适应度值，从而排除质量较差的发动机模型参数，提高重新确定的第二适应度值表征各个发动机模型参数质量的准确性。
S1075、判断当前的待选种群中发动机模型参数的数量是否仍大于预设解数量，若是，执行S1076；若否，执行S1077。
S1076、将当前的待选种群中对应第二适应度值最小的发动机模型参数删除，更新经过删除后的待选种群中每组发动机模型参数的第二适应度值，并返回执行S1075。
具体的，若删除对应第二适应度值为零的发动机模型参数后的待选种群中发动机模型参数的数量仍大于预设解数量，则可以首先删除当前第二适应度值最小的发动机模型参数，并根据删除后待选种群中的发动机模型参数重新计算各自的第二适应度值，以提高剩余的发动机模型参数之间质量比较的准确性，从而便于重新确定当前待选种群中第二适应度值最小的发动机模型参数。然后返回数量判断的过程，以确定是否已经得到待确定的新种群。
可选的，根据目标值确定待选种群中每组发动机模型参数的第二适应度值，还包括：将d(p,p)的值设置为无法参与比较的特别值；将d(p,p)以及在确定第二适应度值的过程中产生的d(p,q)存储为密度估计矩阵；相应的，将当前的待选种群中对应第二适应度值最小的发动机模型参数删除，更新经过删除后的待选种群中每组发动机模型参数的第二适应度值，包括：将密度估计矩阵中对应第二适应度值最小的发动机模型参数所在的行和列中的值设置为特别值；根据完成设置后的密度估计矩阵更新经过删除后的待选种群中每组发动机模型参数的第二适应度值。
具体的，在计算d(p,q)的过程中，针对待选种群中每组发动机模型参数p，都计算了其与其他发动机模型参数之间的d(p,q)，为了便于将d(p,q)存储为密度估计矩阵，可以将d(p,p)的值设置为无法参与比较的特别值，可选的，该特别值为无穷“∞”，则若对某组发动机模型参数p的d(p,p)和d(p,q)进行由小至大的排序，则d(p,p)将处于末尾，不会对第二适应度值在选取d(p,q)的最小值的过程造成影响。其中，密度估计矩阵可以对每组发动机模型参数按行进行存储。
在存储了密度估计矩阵之后，可以对每行进行排序，并根据排序结果确定各组发动机模型参数对应的第二适应度值，从而即可根据排序后的密度估计矩阵确定当前第二适应度值最小的发动机模型参数。在需要对其进行删除时，可以在排序前的密度估计矩阵中将其所在的行和列也设置为特别值，从而不再参与比较，并在含义上将其删除。在需要更新经过删除后的待选种群中每组发动机模型参数的第二适应度值时，只需要对密度估计矩阵中剩余部分的每行重新进行排序，即可再次确定各组发动机模型参数对应的第二适应度值，以及当前第二适应度值最小的发动机模型参数。通过设置密度估计矩阵，在重新计算当前待选种群中每组发动机模型参数的第二适应度值的过程中，不再需要重复计算对应的d(p,q)，从而节约了大量的计算资源，并提高了优化效率。
S1077、直接由当前的待选种群中的发动机模型参数构成新种群。
S108、判断是否满足终止条件。若否，执行S109；若是，执行S110。
其中，终止条件可以是用户设置的优化时长、计算力或者优化结果达到预设精度等等。
S109、根据新种群更新初始种群，以及根据新种群中各组发动机模型参数在发动机模型上的输出更新第一输出集，并返回执行S103。
若没有满足终止条件，则可以继续重复上述种群的迭代过程，即以产生的新种群作为上述的初始种群，以新种群中各组发动机模型参数在发动机模型上的输出作为上述第一输出集，重新进行新种群的确定过程，以不断产生质量更优的新种群。
S110、使用新种群中的发动机模型参数对发动机模型进行优化。
若满足了终止条件，则可以将产生的新种群中的发动机模型参数作为最终优化后的发动机模型参数，并将其存入发动机模型中以实现对发动机模型的优化。
本发明实施例所提供的技术方案，首先根据预设解数量设置初始种群，初始种群中的每个元素表示一组发动机模型参数，然后将初始种群代入发动机模型以根据输出确定其中的发动机模型参数的第一适应度值，再根据第一适应度值对初始种群进行选择、交叉以及变异操作，并将获得的进化种群与初始种群共同构成待选种群，接着将待选种群代入发动机模型以根据输出确定其中的发动机模型参数的第二适应度值，并根据第二适应度值在待选种群中选取与初始种群同样数量的发动机模型参数作为新种群，此时若满足终止条件，则根据新种群对发动机模型进行优化，否则将新种群替代初始种群重复新种群的确定过程，直至满足终止条件完成对发动机模型的优化。实现了在解决高维度的发动机参数优化问题的同时，避免了因高维度而带来的众多非支配解和低选择压力的问题，也避免了对参考点集的依赖，无需设置算法以外的参数，从而不再需要人为先验的调整参数来处理不同类型的问题，使得优化过程更加简单通用。
实施例二
图3为本发明实施例二提供的发动机模型的优化装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图3所示，该装置包括：
初始种群设置模块31，用于根据预设解数量设置初始种群，初始种群中的每个元素表示一组发动机模型参数；
第一输出集获取模块32，用于将初始种群中各组发动机模型参数代入发动机模型，以获取初始种群在发动机模型上的第一输出集；
第一适应度值确定模块33，用于根据第一输出集确定初始种群中每组发动机模型参数的第一适应度值；
待选种群获取模块34，用于根据第一适应度值对初始种群进行选择、交叉以及变异操作，以获得进化种群；初始种群和进化种群构成待选种群；
第二输出集获取模块35，用于将进化种群中各组发动机模型参数代入发动机模型，以获取进化种群在发动机模型上的第二输出集；
第二适应度值确定模块36，用于根据第一输出集和第二输出集确定待选种群中每组发动机模型参数的第二适应度值；
新种群获取模块37，用于根据第二适应度值在待选种群中选取发动机模型参数构成新种群，新种群中发动机模型参数的组数为预设解数量；
输出模块38，用于若未满足终止条件，则根据新种群更新初始种群，以及根据新种群中各组发动机模型参数在发动机模型上的输出更新第一输出集，并返回第一适应度值确定模块33继续执行；若满足终止条件，则使用新种群中的发动机模型参数对发动机模型进行优化。
本发明实施例所提供的技术方案，首先根据预设解数量设置初始种群，初始种群中的每个元素表示一组发动机模型参数，然后将初始种群代入发动机模型以根据输出确定其中的发动机模型参数的第一适应度值，再根据第一适应度值对初始种群进行选择、交叉以及变异操作，并将获得的进化种群与初始种群共同构成待选种群，接着将待选种群代入发动机模型以根据输出确定其中的发动机模型参数的第二适应度值，并根据第二适应度值在待选种群中选取与初始种群同样数量的发动机模型参数作为新种群，此时若满足终止条件，则根据新种群对发动机模型进行优化，否则将新种群替代初始种群重复新种群的确定过程，直至满足终止条件完成对发动机模型的优化。实现了在解决高维度的发动机参数优化问题的同时，避免了因高维度而带来的众多非支配解和低选择压力的问题，也避免了对参考点集的依赖，无需设置算法以外的参数，从而不再需要人为先验的调整参数来处理不同类型的问题，使得优化过程更加简单通用。
在上述技术方案的基础上，可选的，新种群获取模块37，包括：
排序单元，用于将待选种群中的发动机模型参数按照第二适应度值进行排序；
第一新种群构成单元，用于若第二适应度值中非零值的个数小于预设解数量，则按照排序结果由大到小的选取对应的发动机模型参数构成新种群；
参数删除单元，用于若第二适应度值中非零值的个数大于等于预设解数量，删除待选种群中对应第二适应度值为零的发动机模型参数；
第二新种群构成单元，用于若当前的待选种群中发动机模型参数的数量仍大于预设解数量，则至单元继续执行，否则直接由当前的待选种群中的发动机模型参数构成新种群；
适应度值更新单元，用于将当前的待选种群中对应第二适应度值最小的发动机模型参数删除，更新经过删除后的待选种群中每组发动机模型参数的第二适应度值，并返回第二新种群构成单元继续执行。
在上述技术方案的基础上，可选的，第二适应度值确定模块36，包括：
目标值确定单元，用于确定待选种群中每组发动机模型参数在各个维度上的目标值；其中，各个维度对应发动机模型中不同的测试状态以及测试指标，维度的数量为测试状态的数量与测试指标的数量之积，测试指标对应第一输出集和第二输出集中的各个输出；若测试指标的优化目标为预期值，则对应测试指标的目标值为待选种群中的发动机模型参数在发动机模型上对应目标维度的目标输出与对应目标输出的预期值之间的误差值，目标维度为对应测试指标的维度；若测试指标的优化目标为尽可能减小，则对应测试指标的目标值为目标输出相对于待选种群中各组发动机模型参数对应的目标输出的归一化值；若测试指标的优化目标为尽可能增大，则对应测试指标的目标值为取相反数后的目标输出相对于待选种群中各组发动机模型参数对应的取相反数后的目标输出的归一化值；
第二适应度值确定单元，用于根据目标值确定待选种群中每组发动机模型参数的第二适应度值。
在上述技术方案的基础上，可选的，目标值确定单元具体用于：
Figure BDA0003014203370000201
其中，fi(x)表示目标值，outputi(x)表示目标输出，truei(x)表示对应目标输出的预期值，x为发动机模型参数，i为目标维度。
在上述技术方案的基础上，可选的，目标值确定单元具体用于：
Figure BDA0003014203370000202
其中，fi(x)表示目标值，outputi(x)表示目标输出，minz∈X(outputi(z))表示待选种群中各组发动机模型参数对应的目标输出中的最小值，maxz∈X(outputi(z))表示待选种群中各组发动机模型参数对应的目标输出中的最大值，x和z为发动机模型参数，i为目标维度，X为待选种群。
在上述技术方案的基础上，可选的，第二适应度值确定单元具体用于：
Figure BDA0003014203370000203
其中，SDE(p，P)表示p基于P的第二适应度值，P为待选种群，p为待选种群中的发动机模型参数，q为待选种群中不同于p的发动机模型参数，pi为p在第i维度上的目标值，qi为q在第i维度上的目标值，i为维度，m为维度的数量。
在上述技术方案的基础上，可选的，第二适应度值确定单元，包括：
第一特别值设置子单元，用于将d(p，p)的值设置为无法参与比较的特别值；
密度估计矩阵存储子单元，用于将d(p，p)以及在确定第二适应度值的过程中产生的d(p，q)存储为密度估计矩阵；
相应的，适应度值更新单元，包括：
第二特别值设置子单元，用于将密度估计矩阵中对应第二适应度值最小的发动机模型参数所在的行和列中的值设置为特别值；
适应度值更新子单元，用于根据完成设置后的密度估计矩阵更新经过删除后的待选种群中每组发动机模型参数的第二适应度值。
本发明实施例所提供的发动机模型的优化装置可执行本发明任意实施例所提供的发动机模型的优化方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，在上述发动机模型的优化装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图4为本发明实施例三提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图4显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图4所示，该计算机设备包括处理器41、存储器42、输入装置43及输出装置44；计算机设备中处理器41的数量可以是一个或多个，图4中以一个处理器41为例，计算机设备中的处理器41、存储器42、输入装置43及输出装置44可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器42作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的发动机模型的优化方法对应的程序指令/模块(例如，发动机模型的优化装置中的初始种群设置模块31、第一输出集获取模块32、第一适应度值确定模块33、待选种群获取模块34、第二输出集获取模块35、第二适应度值确定模块36、新种群获取模块37及输出模块38)。处理器41通过运行存储在存储器42中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的发动机模型的优化方法。
存储器42可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可用于接收用户设置的预设解数量，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置44可用于输出优化后的发动机模型。
实施例四
本发明实施例五还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种发动机模型的优化方法，该方法包括：
步骤a)根据预设解数量设置初始种群，初始种群中的每个元素表示一组发动机模型参数；
步骤b)将初始种群中各组发动机模型参数代入发动机模型，以获取初始种群在发动机模型上的第一输出集；
步骤c)根据第一输出集确定初始种群中每组发动机模型参数的第一适应度值；
步骤d)根据第一适应度值对初始种群进行选择、交叉以及变异操作，以获得进化种群；初始种群和进化种群构成待选种群；
步骤e)将进化种群中各组发动机模型参数代入发动机模型，以获取进化种群在发动机模型上的第二输出集；
步骤f)根据第一输出集和第二输出集确定待选种群中每组发动机模型参数的第二适应度值；
步骤g)根据第二适应度值在待选种群中选取发动机模型参数构成新种群，新种群中发动机模型参数的组数为预设解数量；
步骤h)若未满足终止条件，则根据新种群更新初始种群，以及根据新种群中各组发动机模型参数在发动机模型上的输出更新第一输出集，并返回执行步骤c)；若满足终止条件，则使用新种群中的发动机模型参数对发动机模型进行优化。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的发动机模型的优化方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种发动机模型的优化方法，其特征在于，包括：
步骤a)根据预设解数量设置初始种群，所述初始种群中的每个元素表示一组发动机模型参数；
步骤b)将所述初始种群中各组发动机模型参数代入发动机模型，以获取所述初始种群在所述发动机模型上的第一输出集；
步骤c)根据所述第一输出集确定所述初始种群中每组发动机模型参数的第一适应度值；
步骤d)根据所述第一适应度值对所述初始种群进行选择、交叉以及变异操作，以获得进化种群；所述初始种群和所述进化种群构成待选种群；
步骤e)将所述进化种群中各组发动机模型参数代入所述发动机模型，以获取所述进化种群在所述发动机模型上的第二输出集；
步骤f)根据所述第一输出集和所述第二输出集确定所述待选种群中每组发动机模型参数的第二适应度值；
步骤g)根据所述第二适应度值在所述待选种群中选取发动机模型参数构成新种群，所述新种群中发动机模型参数的组数为所述预设解数量；
步骤h)若未满足终止条件，则根据所述新种群更新所述初始种群，以及根据所述新种群中各组发动机模型参数在所述发动机模型上的输出更新所述第一输出集，并返回执行步骤c)；若满足所述终止条件，则使用所述新种群中的发动机模型参数对所述发动机模型进行优化。
2.根据权利要求1所述的发动机模型的优化方法，其特征在于，所述根据所述第二适应度值在所述待选种群中选取发动机模型参数构成新种群，所述新种群中发动机模型参数的组数为所述预设解数量，包括：
将所述待选种群中的发动机模型参数按照所述第二适应度值进行排序；
若所述第二适应度值中非零值的个数小于所述预设解数量，则按照排序结果由大到小的选取对应的发动机模型参数构成所述新种群；
若所述第二适应度值中非零值的个数大于等于所述预设解数量，则执行，
步骤i)删除所述待选种群中对应所述第二适应度值为零的发动机模型参数；
步骤j)若当前的所述待选种群中发动机模型参数的数量仍大于所述预设解数量，则执行步骤k)，否则直接由当前的所述待选种群中的发动机模型参数构成所述新种群；
步骤k)将当前的所述待选种群中对应所述第二适应度值最小的发动机模型参数删除，更新经过删除后的所述待选种群中每组发动机模型参数的所述第二适应度值，并返回执行步骤j)。
3.根据权利要求2所述的发动机模型的优化方法，其特征在于，所述根据所述第一输出集和所述第二输出集确定所述待选种群中每组发动机模型参数的第二适应度值，包括：
确定所述待选种群中每组发动机模型参数在各个维度上的目标值；其中，各个所述维度对应所述发动机模型中不同的测试状态以及测试指标，所述维度的数量为所述测试状态的数量与所述测试指标的数量之积，所述测试指标对应所述第一输出集和所述第二输出集中的各个输出；若所述测试指标的优化目标为预期值，则对应所述测试指标的所述目标值为所述待选种群中的发动机模型参数在所述发动机模型上对应目标维度的目标输出与对应所述目标输出的所述预期值之间的误差值，所述目标维度为对应所述测试指标的维度；若所述测试指标的优化目标为尽可能减小，则对应所述测试指标的所述目标值为所述目标输出相对于所述待选种群中各组发动机模型参数对应的所述目标输出的归一化值；若所述测试指标的优化目标为尽可能增大，则对应所述测试指标的所述目标值为取相反数后的所述目标输出相对于所述待选种群中各组发动机模型参数对应的取相反数后的所述目标输出的归一化值；
根据所述目标值确定所述待选种群中每组发动机模型参数的所述第二适应度值。
4.根据权利要求3所述的发动机模型的优化方法，其特征在于，所述对应所述测试指标的所述目标值为所述待选种群中的发动机模型参数在所述发动机模型上对应目标维度的目标输出与对应所述目标输出的所述预期值之间的误差值，所述目标维度为对应所述测试指标的维度，包括：
Figure FDA0003014203360000031
其中，fi(x)表示所述目标值，outputi(x)表示所述目标输出，truei(x)表示对应所述目标输出的所述预期值，x为发动机模型参数，i为所述目标维度。
5.根据权利要求3所述的发动机模型的优化方法，其特征在于，所述对应所述测试指标的所述目标值为所述目标输出相对于所述待选种群中各组发动机模型参数对应的所述目标输出的归一化值，包括：
Figure FDA0003014203360000032
其中，fi(x)表示所述目标值，outputi(x)表示所述目标输出，minz∈X(outputi(z))表示所述待选种群中各组发动机模型参数对应的所述目标输出中的最小值，maxz∈X(outputi(z))表示所述待选种群中各组发动机模型参数对应的所述目标输出中的最大值，x和z为发动机模型参数，i为所述目标维度，X为所述待选种群。
6.根据权利要求3所述的发动机模型的优化方法，其特征在于，所述根据所述目标值确定所述待选种群中每组发动机模型参数的所述第二适应度值，包括：
Figure FDA0003014203360000041
其中，SDE(p,P)表示p基于P的所述第二适应度值，P为所述待选种群，p为所述待选种群中的发动机模型参数，q为所述待选种群中不同于p的发动机模型参数，pi为p在第i维度上的所述目标值，qi为q在第i维度上的所述目标值，i为所述维度，m为所述维度的数量。
7.根据权利要求6所述的发动机模型的优化方法，其特征在于，所述根据所述目标值确定所述待选种群中每组发动机模型参数的所述第二适应度值，还包括：
将d(p,p)的值设置为无法参与比较的特别值；
将d(p,p)以及在确定所述第二适应度值的过程中产生的d(p,q)存储为密度估计矩阵；
相应的，所述将当前的所述待选种群中对应所述第二适应度值最小的发动机模型参数删除，更新经过删除后的所述待选种群中每组发动机模型参数的所述第二适应度值，包括：
将所述密度估计矩阵中对应所述第二适应度值最小的发动机模型参数所在的行和列中的值设置为所述特别值；
根据完成设置后的所述密度估计矩阵更新经过删除后的所述待选种群中每组发动机模型参数的所述第二适应度值。
8.一种发动机模型的优化装置，其特征在于，包括：
初始种群设置模块，用于根据预设解数量设置初始种群，所述初始种群中的每个元素表示一组发动机模型参数；
第一输出集获取模块，用于将所述初始种群中各组发动机模型参数代入发动机模型，以获取所述初始种群在所述发动机模型上的第一输出集；
第一适应度值确定模块，用于根据所述第一输出集确定所述初始种群中每组发动机模型参数的第一适应度值；
待选种群获取模块，用于根据所述第一适应度值对所述初始种群进行选择、交叉以及变异操作，以获得进化种群；所述初始种群和所述进化种群构成待选种群；
第二输出集获取模块，用于将所述进化种群中各组发动机模型参数代入所述发动机模型，以获取所述进化种群在所述发动机模型上的第二输出集；
第二适应度值确定模块，用于根据所述第一输出集和所述第二输出集确定所述待选种群中每组发动机模型参数的第二适应度值；
新种群获取模块，用于根据所述第二适应度值在所述待选种群中选取发动机模型参数构成新种群，所述新种群中发动机模型参数的组数为所述预设解数量；
输出模块，用于若未满足终止条件，则根据所述新种群更新所述初始种群，以及根据所述新种群中各组发动机模型参数在所述发动机模型上的输出更新所述第一输出集，并返回所述第一适应度值确定模块继续执行；若满足所述终止条件，则使用所述新种群中的发动机模型参数对所述发动机模型进行优化。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的发动机模型的优化方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的发动机模型的优化方法。
CN202110384258.6A 2021-04-09 2021-04-09 发动机模型的优化方法、装置、计算机设备及存储介质 Pending CN112949211A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110384258.6A CN112949211A (zh) 2021-04-09 2021-04-09 发动机模型的优化方法、装置、计算机设备及存储介质
DE212022000039.0U DE212022000039U1 (de) 2021-04-09 2022-03-10 Optimierungsvorrichtung für ein Motormodell
PCT/CN2022/080247 WO2022213768A1 (zh) 2021-04-09 2022-03-10 发动机模型的优化方法、装置、计算机设备及存储介质
US17/878,287 US11704604B2 (en) 2021-04-09 2022-08-01 Optimization method, apparatus, computer device and storage medium for engine model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110384258.6A CN112949211A (zh) 2021-04-09 2021-04-09 发动机模型的优化方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN112949211A true CN112949211A (zh) 2021-06-11

Family

ID=76231483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110384258.6A Pending CN112949211A (zh) 2021-04-09 2021-04-09 发动机模型的优化方法、装置、计算机设备及存储介质

Country Status (4)

Country Link
US (1) US11704604B2 (zh)
CN (1) CN112949211A (zh)
DE (1) DE212022000039U1 (zh)
WO (1) WO2022213768A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114466020A (zh) * 2022-01-04 2022-05-10 百果园技术(新加坡)有限公司 服务请求的处理方法、装置、设备、存储介质及程序产品
WO2022213768A1 (zh) * 2021-04-09 2022-10-13 南方科技大学 发动机模型的优化方法、装置、计算机设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252114B (zh) * 2023-11-17 2024-02-13 湖南华菱线缆股份有限公司 一种基于遗传算法的电缆耐扭转实验方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6523016B1 (en) * 1999-04-12 2003-02-18 George Mason University Learnable non-darwinian evolution
US20010051936A1 (en) * 2000-04-20 2001-12-13 Zbigniew Michalewicz System and method for determining an optimum or near optimum solution to a problem
EP1205863A1 (en) * 2000-11-14 2002-05-15 Honda R&D Europe (Deutschland) GmbH Multi-objective optimization
US7398257B2 (en) * 2003-12-24 2008-07-08 Yamaha Hatsudoki Kabushiki Kaisha Multiobjective optimization apparatus, multiobjective optimization method and multiobjective optimization program
EP2048604A1 (en) * 2007-10-11 2009-04-15 Honda Research Institute Europe GmbH A dual surrogate memetic framework for single/multi-objective evolutionary optimization of computatoinally expensive problems
US8458107B2 (en) * 2010-06-30 2013-06-04 International Business Machines Corporation Generating constraint-compliant populations in population-based optimization
CN107122844A (zh) * 2017-03-15 2017-09-01 深圳大学 一种基于指标和方向向量相结合的多目标优化方法及系统
CN107301504B (zh) * 2017-06-12 2018-06-15 合肥工业大学 基于混合蛙跳—路径重连的生产运输协同调度方法和系统
CN108683189B (zh) * 2018-06-22 2020-02-07 广东电网有限责任公司 基于高维多目标演化算法的配电网重构方法、装置及设备
CN111178487B (zh) * 2019-12-20 2023-10-20 广东省能源集团有限公司 电力优化调度方法、装置、计算机设备和存储介质
CN112182948B (zh) * 2020-10-13 2023-03-03 华南农业大学 基于向量角粒子群的农田多目标控制排水模型的求解方法
CN112949211A (zh) * 2021-04-09 2021-06-11 南方科技大学 发动机模型的优化方法、装置、计算机设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022213768A1 (zh) * 2021-04-09 2022-10-13 南方科技大学 发动机模型的优化方法、装置、计算机设备及存储介质
US11704604B2 (en) 2021-04-09 2023-07-18 Southern University Of Science And Technology Optimization method, apparatus, computer device and storage medium for engine model
CN114466020A (zh) * 2022-01-04 2022-05-10 百果园技术(新加坡)有限公司 服务请求的处理方法、装置、设备、存储介质及程序产品

Also Published As

Publication number Publication date
US20220374790A1 (en) 2022-11-24
WO2022213768A1 (zh) 2022-10-13
DE212022000039U1 (de) 2022-11-02
US11704604B2 (en) 2023-07-18

Similar Documents

Publication Publication Date Title
CN112949211A (zh) 发动机模型的优化方法、装置、计算机设备及存储介质
CN111832101B (zh) 一种水泥强度预测模型的构建方法及水泥强度预测方法
CN112101530A (zh) 神经网络训练方法、装置、设备及存储介质
CN111119282A (zh) 一种针对供水管网的压力监测点优化布置方法
CN110888059A (zh) 一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法
CN110442143B (zh) 一种基于组合多目标鸽群优化的无人机态势数据聚类方法
CN113821983B (zh) 基于代理模型的工程设计优化方法、装置及电子设备
CN109543247B (zh) 基于nsga-ⅱ的模拟集成电路参数优化设计方法及装置
CN112307667A (zh) 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质
CN111832725A (zh) 一种基于改进遗传算法的多机器人多任务分配方法及装置
CN108229536A (zh) 分类预测模型的优化方法、装置及终端设备
CN113627471A (zh) 一种数据分类方法、系统、设备及信息数据处理终端
CN112733273A (zh) 一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法
TWI737228B (zh) 基於記憶體內運算電路架構之量化方法及其系統
CN109117529A (zh) 电阻模型物理参数提取方法
CN115859796B (zh) 多目标结构安全监测传感器布置方法、设备及存储介质
CN115908909A (zh) 基于贝叶斯卷积神经网络的进化神经架构搜索方法及系统
CN115620808A (zh) 基于改进Cox模型的癌症基因预后筛选方法及系统
CN116125279A (zh) 一种电池健康状态的确定方法、装置、设备及存储介质
CN114819151A (zh) 基于改进代理辅助混洗蛙跳算法的生化路径规划方法
CN110020725B (zh) 一种服务于武器装备体系作战仿真的试验设计方法
Haupt Introduction to genetic algorithms
CN112529143A (zh) 一种目标邻居学习粒子群优化方法
CN113505827B (zh) 一种机器学习分类方法
CN111199774B (zh) 一种三坐标设备位置校准方法

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