CN113239469A - 一种车体零部件的结构优化方法、装置、设备及存储介质 - Google Patents
一种车体零部件的结构优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113239469A CN113239469A CN202110662295.9A CN202110662295A CN113239469A CN 113239469 A CN113239469 A CN 113239469A CN 202110662295 A CN202110662295 A CN 202110662295A CN 113239469 A CN113239469 A CN 113239469A
- Authority
- CN
- China
- Prior art keywords
- sample
- structural parameter
- network model
- structural
- vehicle body
- 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.)
- Granted
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational 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
- 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
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种车体零部件的结构优化方法、装置、设备及存储介质,该方法包括:根据车体零部件的结构参数样本集合,获取生成对抗网络模型,进而获取对应目标生成对抗样本,并将目标生成对抗样本加入结构参数样本集合中;若判断结构参数样本集合不符合预设迭代收敛条件,则根据结构参数样本集合,继续获取生成对抗网络模型,直至结构参数样本集合符合预设迭代收敛条件;并根据至少一个性能评价项,在结构参数样本集合中,获取最优样本,并将最优样本作为车体零部件的结构参数,实现了车体零部件的结构优化,同时通过生成对抗网络模型获取目标生成对抗样本,降低了车体零部件的性能测试成本,进一步提高了车体零部件结构优化效率。
Description
技术领域
本发明实施例涉及汽车制造技术领域,尤其涉及一种车体零部件的结构优化方法、装置、设备及存储介质。
背景技术
汽车保有量的不断增长所导致的环境污染以及交通隐患等诸多问题一直是当今汽车工业发展和社会可持续发展所关注的热点。汽车的能耗有一大部分消耗在自身的重量上,通过降低车身重量,可有效降低汽车能耗以及温室气体的排放。因此,汽车轻量化设计,成为目前汽车结构设计领域的研究热点。
现有的汽车轻量化设计方法,主要包括基于代理模型的优化设计方法。首先根据车体部件设计要求确定设计变量以及设计域,然后在设计域中进行采样并对样本进行性能测试(设计方案的评价),根据这些经过性能测试的样本构建代理模型,并通过优化算法结合加点准则持续更新代理模型,直至获取最优的车体零部件参数。然而,该方法需要大量的迭代次数,且需要进行大量的性能测试,花费时间成本高,同时代理模型往往需要手动设置参数,其设计过程的自动程度低。
发明内容
本发明实施例提供了一种车体零部件的结构优化方法、装置、设备及存储介质,以实现对车体零部件的结构优化。
第一方面,本发明实施例提供了一种车体零部件的结构优化方法,包括:
根据车体零部件的结构参数样本集合,获取生成对抗网络模型,并根据所述生成对抗网络模型,获取至少一个生成对抗样本;其中,所述结构参数样本集合包括多个结构参数样本;
根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,并将所述目标生成对抗样本加入所述结构参数样本集合中;其中,所述性能评价规则包括至少一个性能评价项;
判断所述结构参数样本集合是否符合预设迭代收敛条件;
若所述结构参数样本集合不符合预设迭代收敛条件,则根据所述结构参数样本集合,继续获取生成对抗网络模型,直至所述结构参数样本集合符合预设迭代收敛条件;
根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
第二方面,本发明实施例提供了一种车体零部件的结构优化装置,包括:
生成对抗样本获取模块,用于根据车体零部件的结构参数样本集合,获取生成对抗网络模型,并根据所述生成对抗网络模型,获取至少一个生成对抗样本;其中,所述结构参数样本集合包括多个结构参数样本;
结构参数样本集合获取模块,用于根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,并将所述目标生成对抗样本加入所述结构参数样本集合中;其中,所述性能评价规则包括至少一个性能评价项;
条件判断模块,用于判断所述结构参数样本集合是否符合预设迭代收敛条件;
模型训练模块,用于若所述结构参数样本集合不符合预设迭代收敛条件,则根据所述结构参数样本集合,继续获取生成对抗网络模型,直至所述结构参数样本集合符合预设迭代收敛条件;
最优样本获取模块,用于根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,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述的车体零部件的结构优化方法。
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述的车体零部件的结构优化方法。
本发明实施例提供的技术方案,在根据车体零部件的结构参数样本集合,获取生成对抗网络模型后,根据生成对抗网络模型,获取至少一个生成对抗样本,进而获取对应目标生成对抗样本,并将目标生成对抗样本加入结构参数样本集合中;若判断结构参数样本集合不符合预设迭代收敛条件,则根据结构参数样本集合,继续获取生成对抗网络模型,直至结构参数样本集合符合预设迭代收敛条件;并根据至少一个性能评价项,在结构参数样本集合中,获取最优样本,并将最优样本作为车体零部件的结构参数,实现了车体零部件的结构优化,同时通过生成对抗网络模型获取目标生成对抗样本,仅需要较少次数的性能测试,即可获取符合性能评价规则的车体零部件的结构参数,提高了结构参数样本集合的迭代收敛速度,降低了车体零部件的性能测试成本,进一步提高了车体零部件结构优化效率。
附图说明
图1是本发明实施例一提供的一种车体零部件的结构优化方法的流程图;
图2A是本发明实施例二提供的一种车体零部件的结构优化方法的流程图;
图2B是本发明实施例二提供的一种获取生成对抗网络结构模型的示意图;
图3是本发明实施例三提供的一种车体零部件的结构优化装置的结构框图;
图4是本发明实施例四提供的一种电子设备的结构框图。
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。
实施例一
图1为本发明实施例一提供的一种车体零部件的结构优化方法的流程图,本实施例可适用于在对汽车零部件进行设计时,对车体零部件的结构优化,该方法可以由本发明实施例中的车体零部件的结构优化装置来执行,该装置可以通过软件和/或硬件实现,并集成在电子设备上,该方法具体包括如下步骤:
S110、根据车体零部件的结构参数样本集合,获取生成对抗网络模型,并根据所述生成对抗网络模型,获取至少一个生成对抗样本;其中,所述结构参数样本集合包括多个结构参数样本。
结构参数样本,描述了一个车体零部件(例如,保险杠、前纵梁和车顶纵梁)的结构参数,包括影响该零部件结构的参数类型以及与该参数类型下的具体参数值,其中,参数类型与参数值一一对应;例如,车体零部件为车顶纵梁,影响车顶纵梁结构的参数类型包括长度、宽度和厚度,其对应的参数值分别为2米、0.1米和0.1米,因此,针对车顶纵梁的一个结构参数样本可表示为:长度2米、宽度0.1米、厚度0.1米;结构参数样本集合,是同一个车体零部件下,一个或多个结构参数样本组成的集合,各结构参数样本的参数类型对应的参数值,可以由车体设计人员根据经验预先赋值完成,也可以根据已完成设计车型的实际数值预先赋值完成。
汽车包括多种车体零部件,例如上述技术方案中的保险杠、前纵梁以及车顶纵梁;不同的车体零部件,影响其结构的参数类型不同,例如,保险杠对应的参数类型包括长度、宽度、厚度以及弯曲度;车顶纵梁对应的参数类型包括长度、宽度以及厚度;车体零部件与结构参数样本集合一一对应,在确定当前待获取参数的目标车体零部件(例如,车顶纵梁)后,获取与该目标车体零部件对应的结构参数样本集合;特别的,各结构参数样本集合中的结构参数样本数量可以根据需要预先设定,不同的车体零部件对应的结构参数样本集合中的结构参数样本数量不同,车体零部件的结构越复杂(例如,该车体零部件对应的参数类型越多),那么该车体零部件的结构参数样本集合中的结构参数样本数量需要越多,以扩大该车体部件实际参数的可选范围;同时根据不同的车体部件,获取包括对应数量结构参数样本的结构参数样本集合,可实现更加准确的生成对抗网络模型的获取。
生成对抗网络(Generative Adversarial Networks,GAN)模型,是一种基于神经网络构建的深度学习模型,包括生成器和判别器两部分,生成器用于根据输入的服从预设概率分布的随机数据生成中间样本,判别器用于对生成器生成的中间样本进行判决,输出中间样本的判断结果;通过生成器与判别器的组合,可以获取更加真实的生成对抗样本,提升获取的生成对抗样本的准确性。可选的,在本发明实施例中,生成器包含三个隐藏网络层,判别器包含两个隐藏网络层。
训练完成的生成对抗网络模型,为通过在结构参数样本集合中提取结构参数样本作为训练样本,并采用获取到的训练样本对初始生成对抗网络模型进行训练所得到的生成对抗网络模型;其中,初始生成对抗网络模型基于神经网络构建;训练完成的生成对抗网络模型,其输入为服从预设概率分布的随机数据,输出为包括与各结构参数样本一致的参数类型以及各参数类型对应参数值的生成对抗样本。通过训练完成的生成对抗网络模型,可生成与当前车体部件对应的生成对抗样本,同时在生成对抗样本中选择对应的目标生成对抗样本加入至结构参数样本集合,增加了结构参数样本集合中样本的数量。
生成对抗样本,即通过训练完成的生成对抗网络模型获取的结构参数样本;通过生成对抗网络模型获取当前车体零部件对应的生成对抗样本,实现了车体零部件对应的生成对抗样本的自动获取,提升了生成对抗样本的获取效率。特别的,本发明实施例中,在现有判别器的基础上,增加一层网络用于预测生成器生成的中间样本的性能测试结果,使得判别器在对生成器生成的中间样本进行判决的同时,可以预测中间样本的性能测试结果;通过增加性能测试结果预测网络层,可通过生成对抗网络模型获取各生成对抗样本对应的预测性能测试结果,进而可减少对生成对抗样本进行性能测试的次数,降低了获取车体零部件结构参数耗费的时间成本,提升了获取车体零部件结构参数的效率。
可选的,在本发明实施例中,在根据车体零部件的结构参数样本集合,获取生成对抗网络模型前,还可以包括:获取车体零部件的至少一个参数类型以及至少一个备选参数值集合,并根据所述至少一个备选参数值集合为所述至少一个参数类型进行赋值,以获取赋值后的结构参数样本集合;其中,所述参数类型与所述备选参数值集合一一对应。具体的,根据待优化车体零部件,获取车体零部件对应的参数类型以及参数类型对应的备选参数值集合;其中,参数类型的数量可以为一个,也可以为多个,每一个参数类型均对应一个备选参数值集合。
备选参数值集合,即对应参数类型可选择的参数值的集合,可以是一系列参数值,也可以是参数值的可选择范围值。在确定参数类型以及对应的备选参数值集合后,在备选参数值集合中进行参数值采样,并使用采样获取的参数值为对应的参数类型进行赋值,以获取赋值后的结构参数样本;结构参数样本集合,即由多个经过赋值后的结构参数样本组成的样本集合。特别的,参数值采样的方法,包括拉丁超立方采样法;拉丁超立方采样(Latin hypercube sampling,LHS),是一种分层随机采样方法,能够从变量的分布区间进行高效采样,通过采用拉丁超立方采样法,在备选参数值集合中进行参数值采样,可以保证获取的参数值分布更加均匀,进而保证结构参数样本的准确性。
在获取到赋值后的结构参数样本集合后,对结构参数样本集合中的各结构参数样本进行性能测试,以获取各结构参数样本对应的性能测试结果(例如,质量、吸能量、比吸能和峰值力)。若各结构参数样本均只对应一个性能指标,直接将当前性能指标作为性能评价项,对所有结构参数样本进行排序,以获取排序完成结构参数样本集合;若各结构参数样本对应多个性能指标,则将多个性能指标作为性能评价项,对结构参数样本进行排序,以获取排序完成的结构参数样本集合。通过获取各结构参数样本对应的性能指标,并根据性能指标对结构参数样本进行排序,可获取各结构参数样本对应的性能优劣情况,进而便于实现对结构参数样本的分类,以及对应最优性能指标的最优样本的获取。
S120、根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,并将所述目标生成对抗样本加入所述结构参数样本集合中;其中,所述性能评价规则包括至少一个性能评价项。
性能评价规则,是指对生成对抗样本进行评价所采用的评价规则,包括根据某一个性能评价项进行性能评价和根据多个性能评价项进行性能评价;其中,性能评价项,即进行性能评价所采用的性能指标;通过根据性能评价规则,对生成对抗样本进行排序,以获取性能最优的一个或超过预设性能阈值的几个生成对抗样本,作为目标生成对抗样本,实现了目标生成对抗样本的获取。
根据各生成对抗样本对应的预测性能测试结果,对获取的生成对抗样本进行排序,并根据排序结果,获取性能最优的一个或预设数量的生成对抗样本作为目标生成对抗样本;并对获取的目标生成对抗样本进行性能测试,获取各目标生成对抗样本对应的性能测试结果,最后将获取的目标生成样本添加至结构参数样本集合中。通过在生成对抗样本中获取性能最优的一个或预设数量的样本作为目标生成对抗样本进行性能测试,可有效降低进行性能测试的次数,进而降低了车体零部件的性能测试成本,进一步提高了车体零部件结构优化效率。
可选的,在本发明实施例中,若所述性能评价规则包括多个性能评价项,则所述根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,可以包括:根据所述性能评价规则的各性能评价项,对所述至少一个生成对抗样本进行非支配排序,并在各支配等级中,通过拥挤距离进行再次排序,在所述至少一个生成对抗样本中,获取目标生成对抗样本。具体的,当性能评价规则包括多个性能评价项时,首先,对各生成对抗样本进行非支配排序,以获取各生成对抗样本对应的支配等级;然后,在各支配等级中,即对于处于同一支配等级的生成对抗样本,通过拥挤距离进行再次排序,由此,实现所有生成对抗样本的排序。
其中,非支配排序,是指根据多个性能评价项,将生成对抗样本区分为支配层和非支配层,并对非支配层样本进行再次区分,直至对样本无法再进行区分,以获取各生成对抗样本对应的支配等级;拥挤距离,是指某一生成对抗样本的相邻两侧的两个生成对抗样本对应参数值的平均距离,拥挤距离越大,表示当前生成对抗样本分布更加稀疏,优先级越高。通过上述方法,实现了在存在多个性能评价项时,对生成对抗样本的准确排序,进而实现了目标生成对抗样本的获取。
S130、判断所述结构参数样本集合是否符合预设迭代收敛条件。
在获取到结构参数样本集合后,此时,结构参数样本集合中包括结构参数样本和目标生成对抗样本,判断当前结构参数样本集合是否满足预设迭代收敛条件;其中,预设迭代收敛条件,为预先设置的,用于判断获取的结构参数样本集合是否满足车体部件设计需求的终止条件,例如,预设迭代收敛条件为预设迭代执行时间;若当前结构参数样本集合符合预设迭代收敛条件,可根据当前结构参数样本集合获取对应的最优样本,若当前结构参数样本集合不符合预设迭代收敛条件,则需要采用结构参数样本集合对生成对抗网络模型进行新的训练,直至获取的结构参数样本集合预设迭代收敛条件为止。通过设置预设迭代收敛条件,确保了获取的结构参数样本集合可满足车体零部件的结构优化需求。
可选的,在本发明实施例中,所述判断所述结构参数样本集合是否符合预设迭代收敛条件,可以包括:判断所述结构参数样本集合中的样本数量是否大于等于预设数量阈值,和/或判断所述结构参数样本集合中的所述目标生成对抗样本是否符合预设性能评价阈值。具体的,当预设迭代收敛条件为预设迭代数量阈值时,由于每次迭代获取的目标生成对抗样本的数量相等,故根据结构参数样本集合中的样本数量,可获取当前已经执行的迭代次数;故通过设置预设迭代数量阈值,当结构参数样本集合中的样本数量大于等于预设数量阈值时,表示当前已执行了足够多的迭代次数,可以获取满足需求的结构参数样本集合。
当预设迭代收敛条件是预设性能评价阈值时,判断当前参数集合中是否存在对应性能指标超过预设性能评价阈值的样本,若存在,则表示可根据当前结构参数样本集合获取满足任务需求的最优样本,作为车体零部件的结构参数。特别的,可选择上述两个收敛条件中的任意一个作为预设迭代收敛条件,则结构参数样本集合满足对应的预设迭代收敛条件即可;也可以同时选择上述两个收敛条件作为预设迭代收敛条件,则结构参数样本集合需要同时满足上述两个收敛条件,才可确定结构参数样本集合满足预设迭代收敛条件,增加了对结构参数样本集合进行判断的灵活性与多样性。
S140、若所述结构参数样本集合不符合预设迭代收敛条件,则根据所述结构参数样本集合,继续获取生成对抗网络模型,直至所述结构参数样本集合符合预设迭代收敛条件。
具体的,当判断当前结构参数样本集合不符合预设迭代收敛条件时,在当前结构参数样本集合中重新提取训练样本,并重新对预设生成对抗网络模型进行训练,以获取新的生成对抗网络模型;并根据新的生成对抗网络模型,获取新的目标生成对抗样本加入至结构参数样本集合中,重复上述步骤,直至获取到的结构参数样本集合符合预设迭代收敛条件。
可选的,在本发明实施例中,在判断所述结构参数样本集合是否符合预设迭代收敛条件后,还可以包括:若所述结构参数样本集合符合预设迭代收敛条件,则根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。具体的,当结构参数样本集合符合预设迭代收敛条件,根据一个或多个性能评价项,对结构参数样本集合中的样本进行排序;具体的排序方法与上述的根据性能评价规则,获取目标生成对抗样本的方法一致,在此不作赘述。在获取到排序完成的结构参数样本集合后,选择性能最优的样本作为最优样本,并将最优样本对应的结构参数类型以及匹配的参数值,作为车体零部件结构参数;特别的,最优样本可能为结构参数样本,也可能为目标生成对抗样本。
S150、根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
在经过数次迭代,直至获取到的结构参数样本集合满足预设迭代收敛条件后,根据一个或多个性能评价项,对当前结构参数样本集合中的样本进行排序,以获取性能最优的样本作为最优样本,并将最优样本包含的结构参数类型以及各结构参数类型对应的参数值,作为车体零部件的结构参数,实现了对车体零部件的结构优化。
本发明实施例提供的技术方案,在根据车体零部件的结构参数样本集合,获取生成对抗网络模型后,根据生成对抗网络模型,获取至少一个生成对抗样本,进而获取对应目标生成对抗样本,并将目标生成对抗样本加入结构参数样本集合中;若判断结构参数样本集合不符合预设迭代收敛条件,则根据结构参数样本集合,继续获取生成对抗网络模型,直至结构参数样本集合符合预设迭代收敛条件;并根据至少一个性能评价项,在结构参数样本集合中,获取最优样本,并将最优样本作为车体零部件的结构参数,实现了车体零部件的结构优化,同时通过生成对抗网络模型获取目标生成对抗样本,仅需要较少次数的性能测试,即可获取符合性能评价规则的车体零部件的结构参数,提高了结构参数样本集合的迭代收敛速度,降低了车体零部件的性能测试成本,进一步提高了车体零部件结构优化效率。
实施例二
图2A为本发明实施例二提供的一种车体零部件的结构优化方法的流程图,本实施例在上述实施例的基础上进行具体化,在本实施例中,根据结构参数样本集合,获取生成对抗网络模型,进而实现对车体零部件的结构优化,该方法具体包括:
S210、对所述结构参数样本集中的各所述结构参数样本进行性能测试,并根据所述性能评价规则,对各所述结构参数样本进行分类,以获取正结构参数样本和负结构参数样本,执行S220。
性能测试,是指针对结构参数样本对应的车体零部件进行仿真测试(例如,碰撞测试),以获取各结构参数样本对应的至少一个性能指标;特别的,执行一次性能测试,所需要花费的时间较长;性能测试的方法,包括有限元分析方法,有限元分析方法是指利用数学的方法对真实系统(车辆系统)进行模拟,以实现对真实系统的仿真分析;通过对各结构参数样本进行性能测试,实现了各结构参数样本对应的性能指标(例如,质量、硬度和峰值力)的获取。
在获取到各结构参数样本对应的性能参数后,根据性能评价规则,对所有结构参数样本进行排序;可选的,在本发明实施例中,若排序完成后的结构参数样本集合中包括偶数个结构参数样本,选择前半部分结构参数样本为正结构参数样本,后半部分结构参数样本为负结构参数样本;若排序完成后的结构参数样本集合中包括奇数个结构参数样本,针对排序完成的结构参数样本,可在前部分选择预设数量的结构参数样本作为正结构参数样本,同时在后部分选择预设数量的结构参数样本作为负结构参数样本;由此,实现了对结构参数样本集合中结构参数样本的灵活分类,以及数量相等的正负结构参数样本的获取。
可选的,在本发明实施例中,若所述性能评价规则包括多个性能评价项,所述根据所述性能评价规则,对各所述结构参数样本进行分类,以获取正结构参数样本和负结构参数样本,可以包括:根据所述性能评价规则的各性能评价项,对各所述结构参数样本进行非支配排序,并在各支配等级中,通过拥挤距离进行再次排序,以对各所述结构参数样本进行分类,获取正结构参数样本和负结构参数样本。其中,非支配排序和拥挤距离已经在实施例一中进行了详细阐述,在此不作赘述。在对结构参数样本完成排序后,如图2B所示,在结构参数样本集合中,获取相同数量的正结构参数样本和负结构参数样本;图中,样本集表示结构参数样本集合,好样本表示正结构参数样本,差样本表示负结构参数样本。
S220、根据所述正结构参数样本和所述负结构参数样本,对初始生成对抗网络模型进行训练,以获取中间生成对抗网络模型,执行S230。
具体的,根据神经网络构建初始生成对抗网络模型,并根据正结构参数样本和负结构参数样本,对初始生成对抗网络模型进行训练;特别的,如图2B所示,将服从正结构参数样本概率分布的噪声(随机数据)作为生成对抗网络模型的生成器的输入,通过生成器输出中间生成对抗样本;并将正结构参数样本、负结构参数样本以及中间生成对抗样本输入至判别器,通过判别器实现对中间生成对抗样本的正负判断,同时输出中间生成对抗样本对应的预测性能测试结果。
S230、通过所述中间生成对抗网络模型的生成器输出中间生成对抗样本,执行S240。
S240、通过所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本是否为正结构参数样本。
具体的,当判别器判断生成器所输出的中间生成对抗样本均为正结构参数样本,表示生成对抗网络模型训练完成;因此,需要对初始生成对抗网络模型进行多次迭代训练,直至获取训练完成的生成对抗网络模型。中间生成对抗网络模型,是指未完成训练的生成对抗网络模型,也即初始生成对抗网络模型经过一定次数训练后,获取的生成对抗网络模型;通过判断中间生成对抗网络模型对应的中间生成对抗样本是否为正结构参数样本,实现了对生成对抗网络模型是否训练完成的判断。对于生成对抗网络模型的训练,基于如下公式获取生成对抗网络模型的整体目标函数:
其中,x表示输入的正结构参数样本和负结构参数样本,pdata表示正结构参数样本和负结构参数样本服从的概率分布,x~pdata表示样本数据x服从概率分布pdata,z表示生成器输入的随机数据,pz(z)表示正结构参数样本概率分布,z~pz(z)表示随机数据服从正结构参数样本概率分布,G表示生成器,G(z)表示生成器针对输入z的输出,表示使生成器输出最小化,D表示判别器,D(x)表示判别器针对输入x的输出,是指使判别器输出最大化,表示数学期望,arg表示使生成器G获取最小值同时使判别器D获取最大值时,对应的参数值。
具体的,首先将服从正结构参数样本概率样本分布的随机数据作为生成器的输入,通过生成器生成一组中间生成对抗样本;固定生成器G的参数,采用正结构参数样本、负结构参数样本以及生成器生成的中间生成对抗样本训练判别器D,调整判别器参数使得整体目标函数L最大化;然后固定判别器D参数,训练生成器G,调整生成器参数使得log(1-D(G(z)))的数学期望最小;重复上述过程,直至判别器D判决生成器G生成的中间生成对抗样本均为正结构参数样本,停止训练。通过根据正结构参数样本和负结构参数样本对初始生成对抗网络模型进行迭代训练,并判断中间生成对抗样本是否为正结构参数样本,以确定是否训练完成,实现了训练完成的生成对抗网络模型的获取。
可选的,在本发明实施例中,所述通过所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本是否为正结构参数样本,可以包括:若所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本的分类结果为正结构参数样本,且判断所述中间生成对抗样本的预测性能测试结果符合预设测试阈值,则判断所述中间生成对抗样本为正结构参数样本。具体的,如图2B所示,判别器在输出中间生成对抗样本判断结果的同时,输出针对当前中间生成对抗样本的预测性能测试结果;由此,判别器对中间生成对抗样本进行判断时,在判断中间生成对抗样本是否为正结构参数样本的基础上,同时判断中间生成对抗样本的预测性能测试结果是否满足预设测试阈值;只有同时满足上述两个判断条件,才确定对当前初始生成对抗网络模型训练完成,提升了获取的生成对抗网络模型的准确性。
其中,若所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本是正结构参数样本,执行S250;若所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本不是正结构参数样本,返回执行S220。
具体的,如果中间生成对抗网络模型的判别器,对于获取的一定时间内或一定数量的中间生成对抗样本,均判断为正结构参数样本,则可确认对于中间生成对抗网络模型的训练完成,并将当前的中间生成对抗网络模型作为训练完成的生成对抗网络模型。若中间生成对抗网络模型的判别器,判断中间生成对抗样本不是正结构参数样本,根据正结构参数样本和负结构参数样本,继续对中间生成对抗网络模型进行训练,直至中间生成对抗网络模型的生成器输出的中间生成对抗样本,被中间生成对抗网络模型的判别器判断为正结构参数样本。
S250、将所述中间生成对抗网络模型作为训练完成的生成对抗网络模型,执行S260。
S260、根据所述生成对抗网络模型,获取至少一个生成对抗样本;其中,所述结构参数样本集合包括多个结构参数样本,执行S270。
S270、根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,并将所述目标生成对抗样本加入所述结构参数样本集合中,其中,所述性能评价规则包括至少一个性能评价项;执行S280。
S280、判断所述结构参数样本集合是否符合预设迭代收敛条件。
其中,若结构参数样本集合不符合预设迭代收敛条件,返回执行S260;具体的,根据结构参数样本集合,继续获取生成对抗网络模型,直至结构参数样本集合符合预设迭代收敛条件。若结构参数样本集合符合预设迭代收敛条件,执行S290。
S290、根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
本发明实施例提供的技术方案,通过对结构参数样本集合中的各结构参数样本进行分类,以获取正结构参数样本和负结构参数样本,并采用正结构参数样本和负结构参数样本对初始生成对抗网络模型进行训练,以获取训练完成的生成对抗网络模型;实现了精确生成对抗网络模型的获取,并提升了获取的生成对抗样本的准确度;同时根据训练完成的生成对抗网络模型,获取对应目标生成对抗样本,根据目标生成对抗样本和结构参数样本集合,获取最优样本,并将最优样本作为车体零部件的结构参数,实现了对车体零部件的结构优化,同时通过生成对抗网络模型获取目标生成对抗样本,仅需要较少次数的性能测试,即可获取符合性能评价规则的车体零部件的结构参数,提高了结构参数样本集合的迭代收敛速度,降低了车体零部件的性能测试成本,进一步提高了车体零部件结构优化效率。
实施例三
图3是本发明实施例三所提供的一种车体零部件的结构优化装置的结构框图,该装置具体包括:生成对抗样本获取模块310、结构参数样本集合获取模块320、条件判断模块330、模型训练模块340和最优样本获取模块350;
生成对抗样本获取模块310,用于根据车体零部件的结构参数样本集合,获取生成对抗网络模型,并根据所述生成对抗网络模型,获取至少一个生成对抗样本;其中,所述结构参数样本集合包括多个结构参数样本;
结构参数样本集合获取模块320,用于根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,并将所述目标生成对抗样本加入所述结构参数样本集合中;其中,所述性能评价规则包括至少一个性能评价项;
条件判断模块330,用于判断所述结构参数样本集合是否符合预设迭代收敛条件;
模型训练模块340,用于若所述结构参数样本集合不符合预设迭代收敛条件,则根据所述结构参数样本集合,继续获取生成对抗网络模型,直至所述结构参数样本集合符合预设迭代收敛条件;
最优样本获取模块350,用于根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
本发明实施例提供的技术方案,在根据车体零部件的结构参数样本集合,获取生成对抗网络模型后,根据生成对抗网络模型,获取至少一个生成对抗样本,进而获取对应目标生成对抗样本,并将目标生成对抗样本加入结构参数样本集合中;若判断结构参数样本集合不符合预设迭代收敛条件,则根据结构参数样本集合,继续获取生成对抗网络模型,直至结构参数样本集合符合预设迭代收敛条件;并根据至少一个性能评价项,在结构参数样本集合中,获取最优样本,并将最优样本作为车体零部件的结构参数,实现了车体零部件的结构优化,同时通过生成对抗网络模型获取目标生成对抗样本,仅需要较少次数的性能测试,即可获取符合性能评价规则的车体零部件的结构参数,提高了结构参数样本集合的迭代收敛速度,降低了车体零部件的性能测试成本,进一步提高了车体零部件结构优化效率。
可选的,在上述技术方案的基础上,最优样本获取模块350,还用于若所述结构参数样本集合符合预设迭代收敛条件,则根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
可选的,在上述技术方案的基础上,条件判断模块330,具体用于判断所述结构参数样本集合中的样本数量是否大于等于预设数量阈值,和/或判断所述结构参数样本集合中的所述目标生成对抗样本是否符合预设性能评价阈值。
可选的,在上述技术方案的基础上,车体零部件的结构优化装置,还包括:
集合获取模块,用于获取车体零部件的至少一个参数类型以及至少一个备选参数值集合,并根据所述至少一个备选参数值集合为所述至少一个参数类型进行赋值,以获取赋值后的结构参数样本集合;其中,所述参数类型与所述备选参数值集合一一对应。
可选的,在上述技术方案的基础上,生成对抗样本获取模块310,包括:
样本分类单元,用于对所述结构参数样本集中的各所述结构参数样本进行性能测试,并根据所述性能评价规则,对各所述结构参数样本进行分类,以获取正结构参数样本和负结构参数样本;
模型训练单元,用于根据所述正结构参数样本和所述负结构参数样本,对初始生成对抗网络模型进行训练,以获取中间生成对抗网络模型;
样本判断单元,用于通过所述中间生成对抗网络模型的生成器输出中间生成对抗样本,并通过所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本是否为正结构参数样本;
模型获取单元,用于若所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本是正结构参数样本,则将所述中间生成对抗网络模型作为训练完成的生成对抗网络模型。
可选的,在上述技术方案的基础上,模型训练单元,还用于若所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本不是正结构参数样本,则根据所述正结构参数样本和所述负结构参数样本,继续对所述中间生成对抗网络模型进行训练;
模型获取单元,还用于直至所述中间生成对抗网络模型的生成器输出的中间生成对抗样本,被所述中间生成对抗网络模型的判别器判断为正结构参数样本时,将所述中间生成对抗网络模型作为训练完成的生成对抗网络模型。
可选的,在上述技术方案的基础上,结构参数样本集合获取模块320,具体用于若所述性能评价规则包括多个性能评价项,根据所述性能评价规则的各性能评价项,对所述至少一个生成对抗样本进行非支配排序,并在各支配等级中,通过拥挤距离进行再次排序,在所述至少一个生成对抗样本中,获取目标生成对抗样本。
可选的,在上述技术方案的基础上,样本分类单元,具体用于若所述性能评价规则包括多个性能评价项,根据所述性能评价规则的各性能评价项,对各所述结构参数样本进行非支配排序,并在各支配等级中,通过拥挤距离进行再次排序,以对各所述结构参数样本进行分类,获取正结构参数样本和负结构参数样本。
可选的,在上述技术方案的基础上,样本判断单元,具体用于若所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本的分类结果为正结构参数样本,且判断所述中间生成对抗样本的预测性能测试结果符合预设测试阈值,则判断所述中间生成对抗样本为正结构参数样本。
上述装置可执行本发明任意实施例所提供的车体零部件的结构优化方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的方法。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12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,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,存储器28,连接不同系统组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明任意实施例提供的车体零部件的结构优化方法。也即:根据车体零部件的结构参数样本集合,获取生成对抗网络模型,并根据所述生成对抗网络模型,获取至少一个生成对抗样本;其中,所述结构参数样本集合包括多个结构参数样本;根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,并将所述目标生成对抗样本加入所述结构参数样本集合中;其中,所述性能评价规则包括至少一个性能评价项;判断所述结构参数样本集合是否符合预设迭代收敛条件;若所述结构参数样本集合不符合预设迭代收敛条件,则根据所述结构参数样本集合,继续获取生成对抗网络模型,直至所述结构参数样本集合符合预设迭代收敛条件;根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
实施例五
本发明实施例五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如本发明任意实施例所述的车体零部件的结构优化方法;该方法包括:
根据车体零部件的结构参数样本集合,获取生成对抗网络模型,并根据所述生成对抗网络模型,获取至少一个生成对抗样本;其中,所述结构参数样本集合包括多个结构参数样本;
根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,并将所述目标生成对抗样本加入所述结构参数样本集合中;其中,所述性能评价规则包括至少一个性能评价项;
判断所述结构参数样本集合是否符合预设迭代收敛条件;
若所述结构参数样本集合不符合预设迭代收敛条件,则根据所述结构参数样本集合,继续获取生成对抗网络模型,直至所述结构参数样本集合符合预设迭代收敛条件;
根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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)
1.一种车体零部件的结构优化方法,其特征在于,包括:
根据车体零部件的结构参数样本集合,获取生成对抗网络模型,并根据所述生成对抗网络模型,获取至少一个生成对抗样本;其中,所述结构参数样本集合包括多个结构参数样本;
根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,并将所述目标生成对抗样本加入所述结构参数样本集合中;其中,所述性能评价规则包括至少一个性能评价项;
判断所述结构参数样本集合是否符合预设迭代收敛条件;
若所述结构参数样本集合不符合预设迭代收敛条件,则根据所述结构参数样本集合,继续获取生成对抗网络模型,直至所述结构参数样本集合符合预设迭代收敛条件;
根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
2.根据权利要求1所述的方法,其特征在于,在判断所述结构参数样本集合是否符合预设迭代收敛条件后,还包括:
若所述结构参数样本集合符合预设迭代收敛条件,则根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
3.根据权利要求1所述的方法,其特征在于,所述判断所述结构参数样本集合是否符合预设迭代收敛条件,包括:
判断所述结构参数样本集合中的样本数量是否大于等于预设数量阈值,和/或判断所述结构参数样本集合中的所述目标生成对抗样本是否符合预设性能评价阈值。
4.根据权利要求1所述的方法,其特征在于,在根据车体零部件的结构参数样本集合,获取生成对抗网络模型前,还包括:
获取车体零部件的至少一个参数类型以及至少一个备选参数值集合,并根据所述至少一个备选参数值集合为所述至少一个参数类型进行赋值,以获取赋值后的结构参数样本集合;其中,所述参数类型与所述备选参数值集合一一对应。
5.根据权利要求1所述的方法,其特征在于,所述根据车体零部件的结构参数样本集合,获取生成对抗网络模型,包括:
对所述结构参数样本集中的各所述结构参数样本进行性能测试,并根据所述性能评价规则,对各所述结构参数样本进行分类,以获取正结构参数样本和负结构参数样本;
根据所述正结构参数样本和所述负结构参数样本,对初始生成对抗网络模型进行训练,以获取中间生成对抗网络模型;
通过所述中间生成对抗网络模型的生成器输出中间生成对抗样本,并通过所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本是否为正结构参数样本;
若所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本是正结构参数样本,则将所述中间生成对抗网络模型作为训练完成的生成对抗网络模型;
若所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本不是正结构参数样本,则根据所述正结构参数样本和所述负结构参数样本,继续对所述中间生成对抗网络模型进行训练,直至所述中间生成对抗网络模型的生成器输出的中间生成对抗样本,被所述中间生成对抗网络模型的判别器判断为正结构参数样本时,将所述中间生成对抗网络模型作为训练完成的生成对抗网络模型。
6.根据权利要求5所述的方法,其特征在于,若所述性能评价规则包括多个性能评价项,则所述根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,包括:
根据所述性能评价规则的各性能评价项,对所述至少一个生成对抗样本进行非支配排序,并在各支配等级中,通过拥挤距离进行再次排序,在所述至少一个生成对抗样本中,获取目标生成对抗样本;
和/或所述根据所述性能评价规则,对各所述结构参数样本进行分类,以获取正结构参数样本和负结构参数样本,包括:
根据所述性能评价规则的各性能评价项,对各所述结构参数样本进行非支配排序,并在各支配等级中,通过拥挤距离进行再次排序,以对各所述结构参数样本进行分类,获取正结构参数样本和负结构参数样本。
7.根据权利要求5所述的方法,其特征在于,所述通过所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本是否为正结构参数样本,包括:
若所述中间生成对抗网络模型的判别器,判断所述中间生成对抗样本的分类结果为正结构参数样本,且判断所述中间生成对抗样本的预测性能测试结果符合预设测试阈值,则判断所述中间生成对抗样本为正结构参数样本。
8.一种车体零部件的结构优化装置,其特征在于,包括:
生成对抗样本获取模块,用于根据车体零部件的结构参数样本集合,获取生成对抗网络模型,并根据所述生成对抗网络模型,获取至少一个生成对抗样本;其中,所述结构参数样本集合包括多个结构参数样本;
结构参数样本集合获取模块,用于根据性能评价规则,在所述至少一个生成对抗样本中,获取目标生成对抗样本,并将所述目标生成对抗样本加入所述结构参数样本集合中;其中,所述性能评价规则包括至少一个性能评价项;
条件判断模块,用于判断所述结构参数样本集合是否符合预设迭代收敛条件;
模型训练模块,用于若所述结构参数样本集合不符合预设迭代收敛条件,则根据所述结构参数样本集合,继续获取生成对抗网络模型,直至所述结构参数样本集合符合预设迭代收敛条件;
最优样本获取模块,用于根据所述至少一个性能评价项,在所述结构参数样本集合中,获取最优样本,并将所述最优样本作为所述车体零部件的结构参数。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,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中任一所述的车体零部件的结构优化方法。
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中任一所述的车体零部件的结构优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110662295.9A CN113239469B (zh) | 2021-06-15 | 2021-06-15 | 一种车体零部件的结构优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110662295.9A CN113239469B (zh) | 2021-06-15 | 2021-06-15 | 一种车体零部件的结构优化方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239469A true CN113239469A (zh) | 2021-08-10 |
CN113239469B CN113239469B (zh) | 2023-04-07 |
Family
ID=77139982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110662295.9A Active CN113239469B (zh) | 2021-06-15 | 2021-06-15 | 一种车体零部件的结构优化方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239469B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003678A (zh) * | 2018-06-12 | 2018-12-14 | 清华大学 | 一种仿真文本病历的生成方法及系统 |
CN109388565A (zh) * | 2018-09-27 | 2019-02-26 | 西安电子科技大学 | 基于生成式对抗网络的软件系统性能优化方法 |
CN109523493A (zh) * | 2017-09-18 | 2019-03-26 | 杭州海康威视数字技术股份有限公司 | 一种图像生成方法、装置及电子设备 |
CN110542819A (zh) * | 2019-09-25 | 2019-12-06 | 贵州电网有限责任公司 | 一种基于半监督dbnc的变压器故障类型诊断方法 |
CN111476269A (zh) * | 2020-03-04 | 2020-07-31 | 中国平安人寿保险股份有限公司 | 均衡样本集构建、翻拍图像识别方法、装置、设备及介质 |
CN111598210A (zh) * | 2020-04-30 | 2020-08-28 | 浙江工业大学 | 面向基于人工免疫算法对抗攻击的对抗防御方法 |
CN112465184A (zh) * | 2020-10-21 | 2021-03-09 | 广西大学 | 一种少样本生成式对抗学习网络的云储能系统控制方法 |
-
2021
- 2021-06-15 CN CN202110662295.9A patent/CN113239469B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523493A (zh) * | 2017-09-18 | 2019-03-26 | 杭州海康威视数字技术股份有限公司 | 一种图像生成方法、装置及电子设备 |
CN109003678A (zh) * | 2018-06-12 | 2018-12-14 | 清华大学 | 一种仿真文本病历的生成方法及系统 |
CN109388565A (zh) * | 2018-09-27 | 2019-02-26 | 西安电子科技大学 | 基于生成式对抗网络的软件系统性能优化方法 |
CN110542819A (zh) * | 2019-09-25 | 2019-12-06 | 贵州电网有限责任公司 | 一种基于半监督dbnc的变压器故障类型诊断方法 |
CN111476269A (zh) * | 2020-03-04 | 2020-07-31 | 中国平安人寿保险股份有限公司 | 均衡样本集构建、翻拍图像识别方法、装置、设备及介质 |
CN111598210A (zh) * | 2020-04-30 | 2020-08-28 | 浙江工业大学 | 面向基于人工免疫算法对抗攻击的对抗防御方法 |
CN112465184A (zh) * | 2020-10-21 | 2021-03-09 | 广西大学 | 一种少样本生成式对抗学习网络的云储能系统控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113239469B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11100266B2 (en) | Generating integrated circuit floorplans using neural networks | |
CN110399222B (zh) | Gpu集群深度学习任务并行化方法、装置及电子设备 | |
CN112883651B (zh) | 基于改进pbi方法的系统级测试性设计多目标优化方法 | |
CN113240155A (zh) | 预测碳排放量的方法、装置及终端 | |
CN108446727B (zh) | 驾驶行为决策方法、系统和电子设备 | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN115729829A (zh) | 一种基于改进遗传算法的自动驾驶加速测试方法 | |
US10803218B1 (en) | Processor-implemented systems using neural networks for simulating high quantile behaviors in physical systems | |
CN116738920B (zh) | 一种三维几何内核的芯片3d设计方法及系统 | |
Amrit et al. | Design strategies for multi-objective optimization of aerodynamic surfaces | |
Zhao et al. | Adaptive swarm intelligent offloading based on digital twin-assisted prediction in VEC | |
Liu et al. | An intelligent optimization method for highway route selection based on comprehensive weight and TOPSIS | |
Li et al. | A comparative study of pre-screening strategies within a surrogate-assisted multi-objective algorithm framework for computationally expensive problems | |
CN110516164A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN113239469B (zh) | 一种车体零部件的结构优化方法、装置、设备及存储介质 | |
CN111815209A (zh) | 应用于风控模型的数据降维方法及装置 | |
WO2023193196A1 (zh) | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 | |
CN115081856A (zh) | 一种企业知识管理绩效评价装置及方法 | |
CN115166811A (zh) | 一种模拟工作现场中子谱快速构建方法 | |
CN114064235A (zh) | 多任务教与学优化方法、系统及设备 | |
CN112241811A (zh) | “互联网+”环境下定制产品的分层混合性能预测方法 | |
Zafar et al. | An Optimization Approach for Convolutional Neural Network Using Non-Dominated Sorted Genetic Algorithm-II. | |
Qing et al. | Batch bayesian active learning for feasible region identification by local penalization | |
JP2020123292A (ja) | ニューラルネットワークの評価方法、ニューラルネットワークの生成方法、プログラム及び評価システム | |
Takano et al. | Harmonic mean similarity based quantum annealing for k-means |
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 |