CN113486446A - 一种飞机油箱内单管路多目标优化布局方法 - Google Patents

一种飞机油箱内单管路多目标优化布局方法 Download PDF

Info

Publication number
CN113486446A
CN113486446A CN202110762608.8A CN202110762608A CN113486446A CN 113486446 A CN113486446 A CN 113486446A CN 202110762608 A CN202110762608 A CN 202110762608A CN 113486446 A CN113486446 A CN 113486446A
Authority
CN
China
Prior art keywords
pipeline
path
fuel tank
initial
objective
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
Application number
CN202110762608.8A
Other languages
English (en)
Other versions
CN113486446B (zh
Inventor
邢宇飞
苏岩
杨野光
屈力刚
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.)
Shenyang Aerospace University
Original Assignee
Shenyang Aerospace University
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 Shenyang Aerospace University filed Critical Shenyang Aerospace University
Priority to CN202110762608.8A priority Critical patent/CN113486446B/zh
Publication of CN113486446A publication Critical patent/CN113486446A/zh
Application granted granted Critical
Publication of CN113486446B publication Critical patent/CN113486446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

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

Abstract

本发明提供一种飞机油箱内单管路多目标优化布局方法，根据飞机油箱的三维模型生成点云集，将点云集转化为三维栅格地图，根据三维栅格地图利用蚁群算法分别生成满足固定约束与路径最短的两组初始解集，接着根据初始解集运用遗传算法迭代优化最终获取最优解，用于指导油箱内管路路径的布局。本发明与传统的管路布局方法有着本质的区别，该方法能够同时考虑管路支撑约束和管路路径的几何可行性，更符合工程实际的需要，采用多种启发式算法分组计算初始可行路径和符合支撑约束的可行管路路径，之后运用多目标遗传进化算法获取路径的优化解，该方法大大提高了考虑管路支撑约束的管路敷设对管路路径规划的效率与优化解的质量。

Description

一种飞机油箱内单管路多目标优化布局方法
技术领域
本发明涉及飞机管路布局设计技术领域，具体涉及一种飞机油箱内单管路多目标优化布局方法。
背景技术
管路的布局设计和装配工作在复杂产品研发中占有相当大的比重，是一项繁杂而耗时的工作。管路的布局设计通常是在产品结构件设计的基础上进行的，在设计的过程中不仅要考虑管路功能性的连接，还需要根据管路所依附的结构件及布局空间确定合理的走向，同时需满足工艺、流阻、可靠性等方面的要求。任何一处不合理的管路设计都可能造成产品的质量问题，还可能引发一系列其他零部件的设计更改。在完成了管路布局设计后，管路的装配方案通常需经过反复试装和修改后确定。
计算机辅助管路布局设计软件通常以产品的三维模型为基础，通过人机交互方式完成管路的布局设计。然而，对于复杂产品中数量庞大的管路的布局设计工作而言，布局设计效率仍比较低，影响着产品的研发周期。同时，由于现有的管路布局辅助工具缺乏管路支撑约束的考虑，在管路装配过程中的许多问题很难在装配设计阶段发现，导致管路的装配返工多、可靠性差等问题。
目前，处理管路支撑(固定)约束的方法主要是通过建立某种约束处理机制或规则在最短路径的基础上加以修正，让管路路径尽可能贴附与管路敷设对象的结构内壁或外表面。然而，飞机油箱内的管路一般要求在管路特定长度上施加固定的同时，保证路径最短(例如，油箱内某型管路需要每间隔一个特定长度需要施加一组固定)，而非始终贴附于油箱内表面。并且由于飞机油箱结构尺寸大、结构复杂导致传统管路布局算法所需求解时间较长。综上可以看出，目前对于考虑管路支撑约束的飞机油箱管路布局这一问题并未形成一套完善的理论与方法。
发明内容
针对现有技术的不足，本发明提出一种飞机油箱内单管路多目标优化布局方法，根据飞机油箱的三维模型生成点云集，将点云集转化为三维栅格地图，根据三维栅格地图利用遗传算法生成满足固定约束且路径最短的最优解，用于指导油箱内管路路径的布局，包括：
步骤1：建立飞机油箱的三维模型生成点云集，并设置待敷设管路的端点坐标；
步骤2：将生成的点云集内的坐标转化为三维栅格地图；
步骤3：根据三维栅格地图生成包含最短路径初始解、满足固定约束路径初始解的M组路径初始解；
步骤4：对获取的M组路径初始解集进行简化；
步骤5：将全部简化后的初始路径合并为一组初始种群，根据优化目标对初始种群进行排序，对不符合管路固定约束的个体对应的适应度施加惩罚值；
步骤6：根据种群排序结果对种群进行交叉、变异、排序获得新种群，通过κ次迭代获得最优管路路径，κ为预设的最大迭代次数；
步骤7：根据最优管路路径在飞机油箱内布局管路生成三维模型，作为油箱内管路路径布局的最佳路径方案。
所述步骤2包括：
步骤2.1：根据公式(1)获取三维栅格地图在X、Y、Z轴三个方向上的网格数量s：
s＝round(max(Pd)-min(Pd))/ψ+1 (1)
式中，ψ为单个网格的大小与实际尺寸之间的比例，Pd为飞机油箱三维点云集中的任意一点，round()为四舍五入运算函数；
步骤2.2：利用公式(2)依次计算点云集中每个点在三维栅格地图中的三维栅格坐标Gridk：
Gridk＝round(Pd-min(Pd))/ψ+1 (2)
步骤2.3：若点云集中的点坐标经比例转换后属于某一单元格则将该单元格设置为1，否则设置为0。
所述步骤3求解路径初始解时，采用单目标蚁群算法、多目标蚁群算法、单目标遗传算法获取3组路径初始解，具体表述为：
针对三维栅格地图，采用单目标蚁群算法、多目标蚁群算法、单目标遗传算法分别获取一组初始路径，所述单目标蚁群算法、单目标遗传算法中的适应度函数为：
Figure BDA0003149584570000021
式中，Li为第i段管路的长度，n为管路的段数；
所述多目标蚁群算法中的适应度函数为：
Figure BDA0003149584570000022
式中，Jj为管路路径上第j个节点到油箱内壁的最短距离，m为每段管路上的支撑点总数，ω1、ω2分别为权重系数。
所述步骤4包括：
步骤4.1：针对步骤3生成的M组路径初始解，随机从每组路径初始解中选取N-2个点与管路的起点、终点组成一个节点数为N的路径，其中N为预设的路径节点数；
步骤4.2：判断步骤4.1中生成的每条路径的几何可行性，若不可行则重复步骤4.1重新生成路径，直至所有管路路径均具有几何可行性。
所述步骤5包括：
步骤5.1：将全部简化后的初始路径合并为一组路径优化的初始种群作为遗传算法的初始解；
步骤5.2：建立管路总长度的优化目标f'(x)，以及管路所有支臂长度之和的优化目标f”(x)：
Figure BDA0003149584570000031
步骤5.3：根据优化目标f'(x)和f”(x)计算初始种群中每个解的适应度，并对适应度值进行非支配排序；
步骤5.4：针对不符合管路固定约束的个体，在支臂长度优化目标的适应度上施加惩罚因子，所述惩罚因子Mk表示为：
Figure BDA0003149584570000032
式中，gi(x)为每条管路路径对应个体所包含的每个节点到油箱内壁最短距离Jj与管路支臂最大长度之差，hi(x)是每条管路路径中两相邻节点的最大跨距与管路允许的两支点间最大跨距之差。
所述步骤6包括：
步骤6.1：针对种群中的第一个个体，随机取一个除起点、终点之外的节点；
步骤6.2：针对所述种群中的第二个个体，随机取一个除起点、终点之外的节点；
步骤6.3：根据步骤6.1和步骤6.2中获取的节点，对种群中的第一个个体和第二个个体进行交叉；
步骤6.4：判断根据步骤6.3交叉后产生的新个体是否均满足几何可行性，若满足则执行步骤6.5；若不满足，则重复执行步骤6.1～步骤6.3直至新产生的个体均满足几何可行性；
步骤6.5：根据步骤6.4获取的新个体，随机选一个除起点、终点之外的节点执行变异操作；
步骤6.6：根据步骤6.5获取的变异个体，判断几何可行性，若满足则执行步骤6.7；若不满足，则重复执行步骤6.5直至新产生的个体均满足几何可行性；
步骤6.7：重复步骤6.1～步骤6.6直到初始种群中的全部个体均完成交叉、变异操作，即完成种群更新；
步骤6.8：根据公式(5)和公式(6)计算更新后的种群适应度，并进行非支配排序；
步骤6.9：将非支配排序后的种群作为下一次迭代的初始种群，重复步骤6.1～步骤6.7执行κ次迭代运算，将评价函数取最小值时所对应的个体组合作为最优管路路径。
本发明的有益效果是：
本发明提出了一种飞机油箱内单管路多目标优化布局方法，根据飞机油箱的三维模型生成点云集，将点云集转化为三维栅格地图，根据三维栅格地图利用蚁群算法分别生成满足固定约束与路径最短的两组初始解集，接着根据初始解集运用遗传算法迭代优化最终获取最优解，用于指导油箱内管路路径的布局。本发明与传统的管路布局方法有着本质的区别，该方法能够同时考虑管路支撑约束和管路路径的几何可行性，更符合工程实际的需要，采用多种启发式算法分组计算初始可行路径和符合支撑约束的可行管路路径，之后运用多目标遗传进化算法获取路径的优化解，该方法大大提高了考虑管路支撑约束的管路敷设对管路路径规划的效率与优化解的质量。
附图说明
图1为本发明实施例中飞机油箱内单管路多目标优化布局方法流程图；
图2为本发明实施例中运用单目标蚁群算法迭代10次获取的初始管路路径结果在西门子NX软件中生成的可视化管路路径；
图3为本发明实施例中运用多目标蚁群算法迭代10次获取的初始管路路径结果在西门子NX软件中生成的可视化管路路径；
图4为本发明实施例中采用本发明方法获得的最优路径通过Siemens NX软件生成的可视化结果图；
图5为本发明实施例中采用本发明方法获得的最优路径通过Siemens NX软件生成三维管路后通过测量功能获得的每段管路的长度图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。为解决考虑管路支撑约束的飞机油箱管路布局技术问题，本发明提出一种飞机油箱内单管路多目标优化布局方法，具体原理表述为：根据飞机油箱的实体结构利用三维绘图软件(例如Siemens NX软件)建立三维模型，然后利用Geomagic Wrap软件生成飞机油箱三维模型的点云信息，利用MATLAB软件将三维点云数据转换为三维栅格地图，运用蚁群算法、遗传算法获取初始的路径，在此基础上采用多目标遗传算法将所有初始管路作为初始种群，之后根据预先设计的适用度函数对初始种群排序，按照此顺序依次对种群中的管路运用多目标遗传算法的交叉、变异方式进行迭代更新完成管路布局优化过程。
如图1所示，一种飞机油箱内单管路多目标优化布局方法，根据飞机油箱的三维模型生成点云集，将点云集转化为三维栅格地图，根据三维栅格地图利用蚁群算法分别生成满足固定约束与路径最短的两组初始解集，接着根据初始解集运用遗传算法迭代优化最终获取最优解，用于指导油箱内管路路径的布局，包括：
步骤1：建立飞机油箱的三维模型生成点云集，并设置待敷设管路的端点坐标；
步骤2：将生成的点云集内的坐标转化为三维栅格地图；包括：
步骤2.1：根据公式(1)获取三维栅格地图在X、Y、Z轴三个方向上的网格数量s：
s＝round(max(Pd)-min(Pd))/ψ+1 (1)
式中，ψ为单个网格的大小与实际尺寸之间的比例，Pd为飞机油箱三维点云集中的任意一点，round()为四舍五入运算函数；
步骤2.2：利用公式(2)依次计算点云集中每个点在三维栅格地图中的三维栅格坐标Gridk：
Gridk＝round(Pd-min(Pd))/ψ+1 (2)
步骤2.3：若点云集中的点坐标经比例转换后属于某一单元格则将该单元格设置为1，否则设置为0；
步骤3：根据三维栅格地图生成包含最短路径初始解、满足固定约束路径初始解的M组路径初始解；其中，采用单目标蚁群算法、多目标蚁群算法、单目标遗传算法获取3组路径初始解，具体表述为：
针对三维栅格地图，采用单目标蚁群算法、多目标蚁群算法、单目标遗传算法分别获取一组初始路径，所述单目标蚁群算法、单目标遗传算法中的适应度函数为：
Figure BDA0003149584570000061
式中，Li为第i段管路的长度，n为管路的段数；
所述多目标蚁群算法中的适应度函数为：
Figure BDA0003149584570000062
式中，Jj为管路路径上第j个节点到油箱内壁的最短距离，m为每段管路上的支撑点总数，ω1、ω2分别为权重系数，其中ω1＝0.65，ω2＝0.35；
本实施例中用于获取初始管路路径的蚁群算法、多目标蚁群算法和遗传算法均预设迭代次数为10次，图2展示了蚁群算法迭代10次获取的20个初始解中的一个路径生成图，图3展示了多目标蚁群算法迭代10次获取的20个初始解中的一个路径生成图；
步骤4：对获取的M组路径初始解集进行简化；包括：
步骤4.1：针对步骤3生成的三组路径初始解，随机从每组路径初始解中选取N-2个点与管路的起点、终点组成一个节点数为N的路径，其中N为预设的路径节点数；
步骤4.2：判断步骤4.1中生成的每条路径的几何可行性，若不可行则重复步骤4.1重新生成路径，直至所有管路路径均具有几何可行性，即管路路径不与油箱内部几何结构发生干涉；
步骤5：将全部简化后的初始路径合并为一组初始种群，根据优化目标对初始种群进行排序，对不符合管路固定约束的个体对应的适应度施加惩罚值；包括：
步骤5.1：将全部简化后的初始路径合并为一组路径优化的初始种群作为遗传算法的初始解；
步骤5.2：建立管路总长度的优化目标f'(x)，以及管路所有支臂长度之和的优化目标f”(x)：
Figure BDA0003149584570000063
步骤5.3：根据优化目标f'(x)和f”(x)计算初始种群中每个解的适应度，并对适应度值进行非支配排序；
步骤5.4：针对不符合管路固定约束的个体，在支臂长度优化目标的适应度上施加惩罚因子，所述惩罚因子Mk表示为：
Figure BDA0003149584570000071
式中，gi(x)为每条管路路径对应个体所包含的每个节点到油箱内壁最短距离Jj与管路支臂最大长度之差，hi(x)是每条管路路径中两相邻节点的最大跨距与管路允许的两支点间最大跨距之差，其中，管路允许的两支点间最大跨距和管路支臂最大长度均为预设值；
步骤6：根据种群排序结果对种群进行交叉、变异、排序获得新种群，通过κ次迭代获得最优管路路径，κ为预设的最大迭代次数；包括：
步骤6.1：针对种群中的第一个个体，随机取一个除起点、终点之外的节点；
步骤6.2：针对所述种群中的第二个个体，随机取一个除起点、终点之外的节点；
步骤6.3：根据步骤6.1和步骤6.2中获取的节点，对种群中的第一个个体和第二个个体进行交叉；
步骤6.4：判断根据步骤6.3交叉后产生的新个体是否均满足几何可行性，若满足则执行步骤6.5；若不满足，则重复执行步骤6.1～步骤6.3直至新产生的个体均满足几何可行性；
步骤6.5：根据步骤6.4获取的新个体，随机选一个除起点、终点之外的节点执行变异操作；
步骤6.6：根据步骤6.5获取的变异个体，判断几何可行性，若满足则执行步骤6.7；若不满足，则重复执行步骤6.5直至新产生的个体均满足几何可行性；
步骤6.7：重复步骤6.1～步骤6.6直到初始种群中的全部个体均完成交叉、变异操作，即完成种群更新；
步骤6.8：根据公式(5)和公式(6)计算更新后的种群适应度，并进行非支配排序；
步骤6.9：将非支配排序后的种群作为下一次迭代的初始种群，重复步骤6.1～步骤6.7执行κ次迭代运算，将评价函数取最小值时所对应的个体组合作为最优管路路径；图4展示了采用本发明方法的实施结果，图5展示了得到的最优管路路径支撑点之间的跨距长度。
步骤7：根据最优管路路径在飞机油箱内布局管路生成三维模型，作为油箱内管路路径布局的最佳路径方案，指导飞机油箱内管路的布局设计。本发明与传统的管路布局方法有着本质的区别，该方法能够同时考虑管路支撑约束和管路路径的几何可行性，更符合工程实际的需要，采用多种启发式算法分组计算初始可行路径和符合支撑约束的可行管路路径后运用多目标遗传进化算法获取优化解的方法大大提高了考虑管路支撑约束的管路敷设对管路路径规划的效率与优化解的质量。

Claims (7)

1.一种飞机油箱内单管路多目标优化布局方法，其特征在于，根据飞机油箱的三维模型生成点云集，将点云集转化为三维栅格地图，根据三维栅格地图利用遗传算法生成满足固定约束且路径最短的最优解，作为油箱内管路路径布局的最佳路径方案。
2.根据权利要求1所述的一种飞机油箱内单管路多目标优化布局方法，其特征在于，包括：
步骤1：建立飞机油箱的三维模型生成点云集，并设置待敷设管路的端点坐标；
步骤2：将生成的点云集内的坐标转化为三维栅格地图；
步骤3：根据三维栅格地图生成包含最短路径初始解、满足固定约束路径初始解的M组路径初始解；
步骤4：对获取的M组路径初始解集进行简化；
步骤5：将全部简化后的初始路径合并为一组初始种群，根据优化目标对初始种群进行排序，对不符合管路固定约束的个体对应的适应度施加惩罚值；
步骤6：根据种群排序结果对种群进行交叉、变异、排序获得新种群，通过κ次迭代获得最优管路路径，κ为预设的最大迭代次数；
步骤7：根据最优管路路径在飞机油箱内布局管路生成三维模型，作为油箱内管路路径布局的最佳路径方案。
3.根据权利要求2所述的一种飞机油箱内单管路多目标优化布局方法，其特征在于，所述步骤2包括：
步骤2.1：根据公式(1)获取三维栅格地图在X、Y、Z轴三个方向上的网格数量s：
s＝round(max(Pd)-min(Pd))/ψ+1 (1)
式中，ψ为单个网格的大小与实际尺寸之间的比例，Pd为飞机油箱三维点云集中的任意一点，round()为四舍五入运算函数；
步骤2.2：利用公式(2)依次计算点云集中每个点在三维栅格地图中的三维栅格坐标Gridk：
Gridk＝round(Pd-min(Pd))/ψ+1 (2)
步骤2.3：若点云集中的点坐标经比例转换后属于某一单元格则将该单元格设置为1，否则设置为0。
4.根据权利要求2所述的一种飞机油箱内单管路多目标优化布局方法，其特征在于，所述步骤3求解路径初始解时，采用单目标蚁群算法、多目标蚁群算法、单目标遗传算法获取3组路径初始解，具体表述为：
针对三维栅格地图，采用单目标蚁群算法、多目标蚁群算法、单目标遗传算法分别获取一组初始路径，所述单目标蚁群算法、单目标遗传算法中的适应度函数为：
Figure FDA0003149584560000021
式中，Li为第i段管路的长度，n为管路的段数；
所述多目标蚁群算法中的适应度函数为：
Figure FDA0003149584560000022
式中，Jj为管路路径上第j个节点到油箱内壁的最短距离，m为每段管路上的支撑点总数，ω1、ω2分别为权重系数。
5.根据权利要求2所述的一种飞机油箱内单管路多目标优化布局方法，其特征在于，所述步骤4包括：
步骤4.1：针对步骤3生成的M组路径初始解，随机从每组路径初始解中选取N-2个点与管路的起点、终点组成一个节点数为N的路径，其中N为预设的路径节点数；
步骤4.2：判断步骤4.1中生成的每条路径的几何可行性，若不可行则重复步骤4.1重新生成路径，直至所有管路路径均具有几何可行性。
6.根据权利要求2所述的一种飞机油箱内单管路多目标优化布局方法，其特征在于，所述步骤5包括：
步骤5.1：将全部简化后的初始路径合并为一组路径优化的初始种群作为遗传算法的初始解；
步骤5.2：建立管路总长度的优化目标f'(x)，以及管路所有支臂长度之和的优化目标f”(x)：
Figure FDA0003149584560000023
步骤5.3：根据优化目标f'(x)和f”(x)计算初始种群中每个解的适应度，并对适应度值进行非支配排序；
步骤5.4：针对不符合管路固定约束的个体，在支臂长度优化目标的适应度上施加惩罚因子，所述惩罚因子Mk表示为：
Figure FDA0003149584560000031
式中，gi(x)为每条管路路径对应个体所包含的每个节点到油箱内壁最短距离Jj与管路支臂最大长度之差，hi(x)是每条管路路径中两相邻节点的最大跨距与管路允许的两支点间最大跨距之差。
7.根据权利要求2所述的一种飞机油箱内单管路多目标优化布局方法，其特征在于，所述步骤6包括：
步骤6.1：针对种群中的第一个个体，随机取一个除起点、终点之外的节点；
步骤6.2：针对所述种群中的第二个个体，随机取一个除起点、终点之外的节点；
步骤6.3：根据步骤6.1和步骤6.2中获取的节点，对种群中的第一个个体和第二个个体进行交叉；
步骤6.4：判断根据步骤6.3交叉后产生的新个体是否均满足几何可行性，若满足则执行步骤6.5；若不满足，则重复执行步骤6.1～步骤6.3直至新产生的个体均满足几何可行性；
步骤6.5：根据步骤6.4获取的新个体，随机选一个除起点、终点之外的节点执行变异操作；
步骤6.6：根据步骤6.5获取的变异个体，判断几何可行性，若满足则执行步骤6.7；若不满足，则重复执行步骤6.5直至新产生的个体均满足几何可行性；
步骤6.7：重复步骤6.1～步骤6.6直到初始种群中的全部个体均完成交叉、变异操作，即完成种群更新；
步骤6.8：根据公式(5)和公式(6)计算更新后的种群适应度，并进行非支配排序；
步骤6.9：将非支配排序后的种群作为下一次迭代的初始种群，重复步骤6.1～步骤6.7执行κ次迭代运算，将评价函数取最小值时所对应的个体组合作为最优管路路径。
CN202110762608.8A 2021-07-06 2021-07-06 一种飞机油箱内单管路多目标优化布局方法 Active CN113486446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110762608.8A CN113486446B (zh) 2021-07-06 2021-07-06 一种飞机油箱内单管路多目标优化布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110762608.8A CN113486446B (zh) 2021-07-06 2021-07-06 一种飞机油箱内单管路多目标优化布局方法

Publications (2)

Publication Number Publication Date
CN113486446A true CN113486446A (zh) 2021-10-08
CN113486446B CN113486446B (zh) 2023-11-07

Family

ID=77940486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110762608.8A Active CN113486446B (zh) 2021-07-06 2021-07-06 一种飞机油箱内单管路多目标优化布局方法

Country Status (1)

Country Link
CN (1) CN113486446B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114274505A (zh) * 2021-12-23 2022-04-05 山东大学 一种三明治板熔融沉积打印支撑结构生成方法及系统
CN114415679A (zh) * 2022-01-05 2022-04-29 大连海事大学 一种基于改进蚁群算法的船舶机舱管路布置方法
CN117828701A (zh) * 2024-03-05 2024-04-05 中国石油大学(华东) 工程图纸布局优化方法、系统、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050993A (zh) * 2019-12-27 2021-06-29 中兴通讯股份有限公司 基于激光雷达的检测方法、装置及计算机可读存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113050993A (zh) * 2019-12-27 2021-06-29 中兴通讯股份有限公司 基于激光雷达的检测方法、装置及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QIANWEN WANG: "Applying Machine Learning Advances to Data Visualization: A Survey on ML4VIS", JOURNAL OF LATE X CLASS FILES, pages 1 - 18 *
薛必克等: "遗传算法在中长期电量最优组合预测中的应用", 华东电力, vol. 40, no. 9, pages 1525 - 1527 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114274505A (zh) * 2021-12-23 2022-04-05 山东大学 一种三明治板熔融沉积打印支撑结构生成方法及系统
CN114274505B (zh) * 2021-12-23 2022-08-30 山东大学 一种三明治板熔融沉积打印支撑结构生成方法及系统
CN114415679A (zh) * 2022-01-05 2022-04-29 大连海事大学 一种基于改进蚁群算法的船舶机舱管路布置方法
CN114415679B (zh) * 2022-01-05 2024-08-06 大连海事大学 一种基于改进蚁群算法的船舶机舱管路布置方法
CN117828701A (zh) * 2024-03-05 2024-04-05 中国石油大学(华东) 工程图纸布局优化方法、系统、设备及介质
CN117828701B (zh) * 2024-03-05 2024-05-24 中国石油大学(华东) 工程图纸布局优化方法、系统、设备及介质

Also Published As

Publication number Publication date
CN113486446B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
CN113486446B (zh) 一种飞机油箱内单管路多目标优化布局方法
CN104699899B (zh) 一种船舶管路路径优化设计方法
Dong et al. Ship pipe route design using improved A* algorithm and genetic algorithm
Niu et al. Ship Pipe Routing Design Using NSGA‐II and Coevolutionary Algorithm
CN105989737B (zh) 一种停车诱导方法
Qu et al. Pipe routing approach for aircraft engines based on ant colony optimization
CN110442940A (zh) 一种高效的船舶多管路并行智能布局设计方法
CN116720438A (zh) 基于多源矿山数据的数字孪生矿山生产系统及构建方法
CN118492413A (zh) 基于梯度材料3d打印智能切片的路径规划方法及系统
CN111027250A (zh) 一种基于网格变形技术的异形曲面加筋壳建模方法
Zhou et al. Research based on Lee algorithm and genetic algorithm of the automatic external pipe routing of the aircraft engine
Zheng et al. Assembly sequence planning method for optimum assembly accuracy of complex products based on modified teaching–learning based optimization algorithm
CN113220437B (zh) 一种工作流多目标调度方法及装置
CN115563719A (zh) 一种飞机油箱内单管路双层优化布局方法
CN116050040B (zh) 一种基于管线排布空间特征的智能排布方法及系统
Shirakawa et al. Multi-objective optimization system for plant layout design (3rd report, Interactive multi-objective optimization technique for pipe routing design)
Liu et al. Integrated optimization of pipe routing and clamp layout for aeroengine using improved MOALO
Saad et al. Visually Programming Automated Slab Positioning Tool (ASPT) using Evolutionary Solvers
Huiru et al. Travelling salesman problem in uncertain environments
CN117473655A (zh) 基于边坍缩网格优化的飞行器仿真驱动设计方法和装置
CN114186442B (zh) 基于神经网络模型和数值模拟的点阵材料参数优化方法
Burak et al. A multi-objective genetic algorithm for jacket optimization
Xu et al. An integrated method of CAD, CAE and multi-objective optimization
CN112765744A (zh) 一种高能效液压集成块的流道设计方法
Lam Multidiscilinary design optimization for aircraft wing using response surface method, genetic algorithm, and simulated annealing

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