CN117094090A - 异构方案知识迁移的固体发动机总体性能快速计算方法 - Google Patents
异构方案知识迁移的固体发动机总体性能快速计算方法 Download PDFInfo
- Publication number
- CN117094090A CN117094090A CN202311060985.2A CN202311060985A CN117094090A CN 117094090 A CN117094090 A CN 117094090A CN 202311060985 A CN202311060985 A CN 202311060985A CN 117094090 A CN117094090 A CN 117094090A
- Authority
- CN
- China
- Prior art keywords
- representing
- task
- low
- source
- overall performance
- 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
Links
- 239000007787 solid Substances 0.000 title claims abstract description 57
- 238000013508 migration Methods 0.000 title claims abstract description 28
- 230000005012 migration Effects 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000013461 design Methods 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000004088 simulation Methods 0.000 abstract description 10
- 238000005070 sampling Methods 0.000 abstract description 8
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种异构方案知识迁移的固体发动机总体性能快速计算方法,包括如下步骤:基于相似性度量准则,在知识库中选取多个固体火箭发动机设计的源任务;基于选取的源任务构建目标域的低精度模型,并优化所述低精度模型;基于优化后的所述低精度模型,对固体发动机的总体性能进行快速计算。本发明应用于固体发动机技术领域,通过从固体火箭发动机设计库源域中汲取知识,构建基于知识迁移的近似模型代替了常规近似模型,有效利用了先验知识,避免了大量的采样和仿真计算,提高了建模效率,从而节省了初期计算资源。
Description
技术领域
本发明涉及固体发动机技术领域,具体是一种异构方案知识迁移的固体发动机总体性能快速计算方法。
背景技术
固体火箭发动机被广泛应用于导弹、火箭等航天器的动力系统。发动机建模的质量好坏直接影响后续优化设计的结果,从而影响火箭性能。发动机建模是发动机设计的重要组成部分,也是最困难的技术之一。其主要任务是通过在设计域内进行大量的采样并且高精度仿真后得到输出值,运用代理模型技术构建真实模型的预测代理模型,以满足后续优化设计要求。
目前常用的固体火箭发动机设计建模方法主要为运用均匀实验设计方法,即在设计域内进行大量的采样并仿真,得到大量的高保真度样本点,然后依据高保真样本点,采用代理模型建模技术,构建真实仿真模型的预测代理模型,以备后续搜索优化。但针对某一问题需要进行大量的采样和仿真,换一个类似的设计需求就需要重新进行采样仿真,消耗大量的计算资源。同时模型的局部精度不够,导致最后优化所得结果可靠性不佳。
发明内容
针对上述现有技术中固体火箭发动机设计建模效率低、需要样本数多,且针对不同内弹道参数需要重新进行采样计算导致计算资源浪费的问题,本发明提供一种异构方案知识迁移的固体发动机总体性能快速计算方法,基于代理模型驱动知识迁移建模,通过利用过往设计知识,实现了固体火箭发动机总体性能的快速计算。
为实现上述目的,本发明提供一种异构方案知识迁移的固体发动机总体性能快速计算方法,包括如下步骤:
步骤1,基于相似性度量准则,在知识库中选取多个固体火箭发动机设计的源任务;
步骤2,基于选取的源任务构建目标域的低精度模型,并优化所述低精度模型;
步骤3,基于优化后的所述低精度模型,对固体发动机的总体性能进行快速计算。
在其中一个实施例,步骤2中,所述低精度模型具体为:
其中,fL(x)表示低精度模型,x表示样本点,n表示源任务的数量,pj表示第j个源任务的权重,fj(x)表示第j个源任务的全局模型,λ表示超参数。
在其中一个实施例,在构建所述低精度模型的过程中,采用样本径向基函数方法构造源任务的全局模型,为:
其中,Nj表示第j个源任务所包含的样本点数量,ωi表示基函数系数,表示高斯基函数。
在其中一个实施例,在构建源任务的全局模型的过程中,在基函数系数的系数矩阵的对角线叠加σI,即:
Φ′=Φ+σI
其中,Φ表示原始的系数矩阵,Φ′表示叠加σI后的系数矩阵,σ表示平滑因子,I表示单位矩阵。
在其中一个实施例,所述平滑因子σ=0.001。
在其中一个实施例,第j个源任务的权重具体为:
其中,qj表示优化系数。
在其中一个实施例,步骤2中,优化所述低精度模型的过程为:
以最小化所述低精度模型在源域样本上的预测均方根误差为目标函数,搜索最优的所述超参数λ与所述优化系数qj,即:
其中,R(qj,λ)表示预测均方根误差为与所述超参数λ与所述优化系数qj相关的函数,Ni表示所有源任务所包含的样本点数量,xi表示所有源任务所包含的样本点中的第i个样本点,fL(xi)表示所述低精度模型对样本点xi输出的预测值,y(xi)表示样本点xi对应的真实输出。
在其中一个实施例,在优化所述低精度模型的过程中,采用粒子群优化算法计算所述超参数λ与所述优化系数qj,其中,所述超参数λ的取值范围为1≤λ≤4,所述优化系数qj的取值范围为0<qj<1。
在其中一个实施例,步骤1中,选取所述源任务的过程具体为:
计算当前固体火箭发动机设计的目标任务与所述知识库中每一任务的相似度为:
SiT=exp(-dp,iT),i=1,2,...,k
dp,iT=||mi,mT||p
其中,SiT表示目标任务与所述知识库第i个任务的相似度,mi表示所述知识库第i个任务的元特征,mT表示目标任务的元特征,dp,iT表示目标任务与所述知识库第i个任务的p范数,||mi,mT||p表示计算目标任务与所述知识库第i个任务的p范数,k表示所述知识库任务的数量;
在所述知识库中选取n个与目标任务相似度最大的任务作为所述源任务。
与现有技术相比,本发明具有如下有益技术效果:
1.本发明通过相似性度量选择相似的固体火箭发动机设计源任务并从中转移知识,致力于构建目标域的低精度预测模型,有效利用了先验知识,避免了大量的采样和仿真计算,提高了建模效率,从而节省了初期计算资源;
2.本发明所构建的低精度预测模型能够在后续优化中通过不断采样提高局部精度,能够有效地满足优化需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例中异构方案知识迁移的固体发动机总体性能快速计算方法的流程图;
图2为本发明实施例中发动机翼柱型药柱装药几何构型示意图,其中:(a)为轴向剖视图,(b)为侧视图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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、完整地描述,显然,所描述的实施例仅仅是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,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接,还可以是物理连接或无线通信连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本实施例公开了一种异构方案知识迁移的固体发动机总体性能快速计算方法,该方法首先提出任务相似度评估准则,通过计算每个固体火箭发动机设计源任务与目标任务的相似性,选择多个任务作为源任务,进行知识的迁移并避免负迁移。利用选取的固体火箭发动机设计加权构建目标域的低精度模型,采用径向基函数,提出了一种基于粒子群优化算法求出低精度近似模型与其在源域样本上的误差模型来构建目标任务的近似模型,提高模型泛化性能。最后根据构建的低精度近似模型对固体发动机的总体性能进行快速计算。
参考图1,本实施例中的异构方案知识迁移的固体发动机总体性能快速计算方法具体包括如下步骤:
步骤1,基于相似性度量准则,在知识库中选取多个固体火箭发动机设计的源任务;
步骤2,基于选取的源任务构建目标域的低精度模型,并优化低精度模型;
步骤3,基于优化后的低精度模型,对固体发动机的总体性能进行快速计算。
在固体火箭发动机设计的过程中,固体发动机的最大推力、推力曲线、冲值比、工作时间、总体质量、燃烧效率等性能参数均能表征固体发动机的总体性能。因此,本实施例在固体火箭发动机设计的过程中采用最大推力、推力曲线、冲值比、工作时间、总体质量、燃烧效率中的一个或多个作为目标函数,即将样本点代入低精度模型后,低精度模型的输出即为所设置性能参数的预测值,而样本点的真实输出则为对样本点进行实际仿真得到的性能参数。
本实施例中,将固体火箭发动机的设计参数分为设计变量和元特征两类。设计变量一般为构型参数,主要由固体火箭发动机的装药构型参数和喷管尺寸参数构成。元特征通常为设计任务指定的参数,影响发动机仿真模型,在不同的元特征下同样的设计变量会输出不同的结果。一个样本点包括一个或多个设计变量,例如前后翼柱型装药的后翼长度、后翼宽度、深度与后翼倾角等。
本实施例中,源域是指已经完成的设计任务,目标域为当前需要进行的设计任务。目标域与源域的关系通过相似性度量准则度量的元特征来表达,选取需要进行知识迁移的固体火箭发动机设计源任务,其具体实施过程为:
首先,对于知识库中的k个任务T1、T2、···、Tk,提取这些任务与目标任务TT的归一化元特征分别为{m1,m2,···,mk}和mT,其中,归一化元特征可选择固体火箭发动机的装药外径、装药长度与后翼个数等设计任务指定参数中的一个或多个;
其次,在提取归一化元特征后,计算当前固体火箭发动机设计的目标任务与知识库中每一任务的相似度,为:
其中,SiT表示目标任务与知识库第i个任务的相似度,mi表示知识库第i个任务的元特征,dp,iT表示目标任务与知识库第i个任务的p范数,p一般取2,||mi,mT||p表示计算目标任务与知识库第i个任务的p范数,k表示知识库任务的数量;
最后,在知识库中选取n个与目标任务相似度最大的任务作为源任务。本实施例中,选取的源任务数量设置在3~5个。
本实施例中,基于选取的源任务所构建目标域的低精度模型为:
其中,x表示样本点,fL(x)表示低精度模型对于样本点x的目标函数值预测输出,n表示源任务的数量,pj表示第j个源任务的权重,fj(x)表示第j个源任务的全局模型,λ表示超参数。
在构建低精度模型的过程中,采用样本径向基函数方法构造源任务的全局模型,径向基函数采用简单奇函数进行加权叠加实现对新样本点的预测,表示为:
其中,Nj表示第j个源任务所包含的样本点数量,ωi表示基函数系数,表示高斯基函数,把未知样本点到已知样本点的欧式距离当作自变量,具体形式如下:
其中,λi为形状参数。形状参数值λi确定后,为了计算出对应的基函数系数ωi,采用插值条件或者最小二乘拟合,将Nj个样本点代入近似模型的基本形式(3)中,通过引入插值条件可得关于基函数系数的线性方程组为:
通过求解上述线性方程组,可得基函数系数向量ω为:
ω=Φ-1y (6)
其中,ω表示基函数系数向量,Φ表示径向基方法中带入所有样本输入计算所得的系数矩阵,矩阵中每一个元素采用式(5)计算,y表示所有样本点的目标函数值向量。
通常情况下,过于密集的样本点会导致径向基模型训练过程中产生龙格现象,导致模型精度下降,因此本实施例在系数矩阵Φ对角线叠加σI,即:
Φ′=Φ+σI (7)
其中,Φ表示原始的系数矩阵,Φ′表示叠加σI后的系数矩阵,σ表示平滑因子,I表示单位矩阵。本实施例中,平滑因子优选为σ=0.001。
本实施例中,第j个源任务的权重具体为:
其中,qj表示优化系数。
本实施例中,优化低精度模型具体指的是优化低精度模型中的超参数λ与优化系数qj,具体地,
以最小化低精度模型在源域样本上的预测均方根误差为目标函数,搜索最优的超参数λ与优化系数qj,即:
其中,R(qj,λ)表示预测均方根误差为与超参数λ与优化系数qj相关的函数,Ni表示所有源任务所包含的样本点数量,xi表示所有源任务所包含的样本点中的第i个样本点,fL(xi)表示低精度模型对样本点xi输出的预测值,y(xi)表示样本点xi对应的真实输出。
在具体实施过程中,采用粒子群优化算法计算超参数λ与优化系数qj,其中,超参数λ的取值范围为1≤λ≤4,优化系数qj的取值范围为0<qj<1。
在对低精度模型进行优化后,即可对固体发动机的总体性能进行快速计算。例如,对于目标域样本点x*的性能预示需求,将其输入优化后低精度模型,即可得到对应的性能参数预测结果fL(x*)。
下面结合具体的示例对本实施例中的异构方案知识迁移的固体发动机总体性能快速计算方法作出进一步的说明。
针对固体火箭发动机的总体性能进行快速计算问题,首先采用相似度度量评估源域任务与目标任务的相似度,选择3~5个相近任务进行知识迁移建模,构建目标任务的先验低精度模型,再根据构建的先验低精度模型对固体火箭发动机的总体性能进行快速计算,具体步骤如下:
1)、通过相似性度量准则选取需要进行知识迁移的固体火箭发动机设计源任务,通常选择3个任务以备知识迁移;
2)、利用选取的固体火箭发动机设计加权构建目标域的低精度模型;
3)、采用径向基函数方法构造固体火箭发动机设计模型;
4)、采用粒子群优化算法寻优找到最佳权系数和超参数;
5)、得出固体火箭发动机设计低精度模型;
6)、对固体火箭发动机的总体性能进行快速计算。
以某构型发动机翼柱型药柱配置设计建模为例,其装药几何构型如图2所示。给出建立模型的变量参数,设计变量为装药的几何参数,包括后翼柱的长度L12,后翼的宽度bw,深度R7,后翼倾角α;元特征为装药外径Dp、装药长度L1、后翼个数b;其他参数为装药内径dp,设置为常量。变量范围如表1所示。
表1前后翼柱型装药设计变量及其范围
考虑问题的复杂性和样本评估的计算成本,生成具有均匀分布的50个样本的8个任务来填充知识库。这些任务的元特征是在参数空间中随机生成的,具体值如表2所示。目标任务的元特征以及相似度值(通过归一化元特征计算)也显示在表中。
表2知识库和目标任务设置
从八个相似度值最大的源中选择三个(根据表2,分别为①、⑦和⑧)作为源任务。构建得出发动机翼柱型药柱低精度模型。采用随机采样选取设计域内8个样本点进行精度验证,得到误差如表3所示。
表3非精确模型与真实模型输出相对误差表
根据采用本方法构建的低精度代理模型与目标任务的输出比较得出采用知识迁移建模方法构建出的固体火箭发动机模型能够从源任务中转移知识,避免了大量的仿真计算,提高了建模效率,能够为后续优化提供指导。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (9)
1.一种异构方案知识迁移的固体发动机总体性能快速计算方法,其特征在于,包括如下步骤:
步骤1,基于相似性度量准则,在知识库中选取多个固体火箭发动机设计的源任务;
步骤2,基于选取的源任务构建目标域的低精度模型,并优化所述低精度模型;
步骤3,基于优化后的所述低精度模型,对固体发动机的总体性能进行快速计算。
2.根据权利要求1所述的异构方案知识迁移的固体发动机总体性能快速计算方法,其特征在于,步骤2中,所述低精度模型具体为:
其中,fL(x)表示低精度模型,x表示样本点,n表示源任务的数量,pj表示第j个源任务的权重,fj(x)表示第j个源任务的全局模型,λ表示超参数。
3.根据权利要求2所述的异构方案知识迁移的固体发动机总体性能快速计算方法,其特征在于,在构建所述低精度模型的过程中,采用样本径向基函数方法构造源任务的全局模型,为:
其中,Nj表示第j个源任务所包含的样本点数量,ωi表示基函数系数,表示高斯基函数。
4.根据权利要求3所述的异构方案知识迁移的固体发动机总体性能快速计算方法,其特征在于,在构建源任务的全局模型的过程中,在基函数系数的系数矩阵的对角线叠加σI,即:
Φ′=Φ+σI
其中,Φ表示原始的系数矩阵,Φ′表示叠加σI后的系数矩阵,σ表示平滑因子,I表示单位矩阵。
5.根据权利要求4所述的异构方案知识迁移的固体发动机总体性能快速计算方法,其特征在于,所述平滑因子σ=0.001。
6.根据权利要求2至5任一项所述的异构方案知识迁移的固体发动机总体性能快速计算方法,其特征在于,第j个源任务的权重具体为:
其中,qj表示优化系数。
7.根据权利要求6所述的异构方案知识迁移的固体发动机总体性能快速计算方法,其特征在于,步骤2中,优化所述低精度模型的过程为:
以最小化所述低精度模型在源域样本上的预测均方根误差为目标函数,搜索最优的所述超参数λ与所述优化系数qj,即:
其中,R(qj,λ)表示预测均方根误差为与所述超参数λ与所述优化系数qj相关的函数,Ni表示所有源任务所包含的样本点数量,xi表示所有源任务所包含的样本点中的第i个样本点,fL(xi)表示所述低精度模型对样本点xi输出的预测值,y(xi)表示样本点xi对应的真实输出。
8.根据权利要求7所述的异构方案知识迁移的固体发动机总体性能快速计算方法,其特征在于,在优化所述低精度模型的过程中,采用粒子群优化算法计算所述超参数λ与所述优化系数qj,其中,所述超参数λ的取值范围为1≤λ≤4,所述优化系数qj的取值范围为0<qj<1。
9.根据权利要求1至5任一项所述的异构方案知识迁移的固体发动机总体性能快速计算方法,其特征在于,步骤1中,选取所述源任务的过程具体为:
计算当前固体火箭发动机设计的目标任务与所述知识库中每一任务的相似度为:
SiT=exp(-dp,iT),i=1,2,...,k
dp,iT=||mi,mT||p
其中,SiT表示目标任务与所述知识库第i个任务的相似度,mi表示所述知识库第i个任务的元特征,mT表示目标任务的元特征,dp,iT表示目标任务与所述知识库第i个任务的p范数,||mi,mT||p表示计算目标任务与所述知识库第i个任务的p范数,k表示所述知识库任务的数量;
在所述知识库中选取n个与目标任务相似度最大的任务作为所述源任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311060985.2A CN117094090A (zh) | 2023-08-22 | 2023-08-22 | 异构方案知识迁移的固体发动机总体性能快速计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311060985.2A CN117094090A (zh) | 2023-08-22 | 2023-08-22 | 异构方案知识迁移的固体发动机总体性能快速计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117094090A true CN117094090A (zh) | 2023-11-21 |
Family
ID=88782931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311060985.2A Pending CN117094090A (zh) | 2023-08-22 | 2023-08-22 | 异构方案知识迁移的固体发动机总体性能快速计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094090A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556550A (zh) * | 2024-01-11 | 2024-02-13 | 中国人民解放军国防科技大学 | 固体发动机异构装药归一化映射选型方法 |
CN117952024A (zh) * | 2024-03-26 | 2024-04-30 | 中国人民解放军国防科技大学 | 异构数据融合的固体发动机先验模型构建方法及应用 |
-
2023
- 2023-08-22 CN CN202311060985.2A patent/CN117094090A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556550A (zh) * | 2024-01-11 | 2024-02-13 | 中国人民解放军国防科技大学 | 固体发动机异构装药归一化映射选型方法 |
CN117556550B (zh) * | 2024-01-11 | 2024-03-29 | 中国人民解放军国防科技大学 | 固体发动机异构装药归一化映射选型方法 |
CN117952024A (zh) * | 2024-03-26 | 2024-04-30 | 中国人民解放军国防科技大学 | 异构数据融合的固体发动机先验模型构建方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117094090A (zh) | 异构方案知识迁移的固体发动机总体性能快速计算方法 | |
CN111783251B (zh) | 一种固体火箭发动机总体参数设计方法 | |
CN107391891B (zh) | 一种基于模型融合方法的大展弦比机翼优化设计方法 | |
CN105956281B (zh) | 固体火箭发动机装药设计方法 | |
CN113297686B (zh) | 固体火箭发动机数据融合设计方法、装置、设备及介质 | |
CN112052521B (zh) | 基于连续-离散混合优化的固体发动机装药构型设计方法 | |
CN107423556B (zh) | 一种基于径向基函数代理模型的远程火箭炮发射诸元计算方法 | |
Zandavi et al. | Multidisciplinary design of a guided flying vehicle using simplex nondominated sorting genetic algorithm II | |
CN115774903A (zh) | 直升机旋翼桨盘载荷实时生成方法、装置、设备及介质 | |
Zhao et al. | Optimization of the aerodynamic configuration of a tubular projectile based on blind kriging | |
CN113821869B (zh) | 一种基于多源数据融合的飞行器力载荷在线预示方法 | |
CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
CN116776748B (zh) | 喉栓式变推力发动机喉栓喷管构型设计知识迁移优化方法 | |
CN114118365A (zh) | 基于径向基网络的跨介质飞行器快速入水近似优化方法 | |
CN110083946B (zh) | 一种基于无约束优化模型的多状态模型修正的方法 | |
Burchett et al. | A high fidelity roll dependent aerodynamic model for a long range, high speed missile | |
CN110096798B (zh) | 一种多状态有限元模型修正的方法 | |
Nietubicz et al. | Computations of projectile Magnus effect at transonic velocities | |
Paul et al. | Influence of bending locations and angles on the aerodynamic performance of a bent body projectile | |
Carpenter et al. | A comprehensive approach to cataloging missile aerodynamic performance using surrogate modeling techniques and statistical learning | |
Arslan | Aerodynamic optimization of missile external configurations | |
Xiaoyong et al. | Trajectory optimization of interceptor missile based on hybrid genetic algorithm | |
Paul et al. | Aerodynamic shape optimization of a supersonic bending body projectile | |
CN114996787B (zh) | 梯度功能材料球结构的应力分布确定方法及装置 | |
CN115510691B (zh) | 基于量纲分析和最优设计的毁伤响应函数获取方法及装置 |
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 |