CN117272868A - 基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质 - Google Patents

基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN117272868A
CN117272868A CN202311347517.3A CN202311347517A CN117272868A CN 117272868 A CN117272868 A CN 117272868A CN 202311347517 A CN202311347517 A CN 202311347517A CN 117272868 A CN117272868 A CN 117272868A
Authority
CN
China
Prior art keywords
nozzle
genetic algorithm
initial population
volume fraction
parameters
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
CN202311347517.3A
Other languages
English (en)
Inventor
杨兴林
陆林
彭潇宇
雷强
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu 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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202311347517.3A priority Critical patent/CN117272868A/zh
Publication of CN117272868A publication Critical patent/CN117272868A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward 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
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于RBF‑ANN和遗传算法的喷嘴优化方法，包括随机取若干组喷嘴结构参数，并通过仿真获取每组喷嘴结构参数对应的喷嘴的轴线最大蒸汽体积分数，建立训练数据组；由训练数据组训练径向基神经网络得到根据喷嘴结构参数预测喷嘴空化性能的预测模型；通过混合算法选取遗传算法的初始种群，初始种群的个体由喷嘴结构参数构成；通过预测模型对初始种群进行预测获得每个个体的轴线最大蒸汽体积分数作为遗传算法的适应度值，通过遗传算法迭代找出优化的最优个体，得到最优设计参数。本发明解决了适应度值计算困难的问题，利用遗传算法应用到喷嘴的结构优化上实现了喷嘴的优化。

Description

基于RBF-ANN和遗传算法的喷嘴优化方法、装置及计算机存储 介质
技术领域
本发明涉及一种喷嘴优化方法，特别是涉及一种基于RBF-ANN和遗传算法的喷嘴优化方法、装置及计算机存储介质。
背景技术
在进行水流冲蚀破坏作业时，特定的喷嘴结构能通过产生空化效应令冲蚀破坏效果显著提升，在特定情况下，空化效应能使冲蚀破坏效果提升10倍以上，而改进喷嘴结构以提升的空化效应是一种非常有效的提升冲蚀破坏效果的方法。但是喷嘴结构参数众多，如何快速实现各参数的优化是需要解决的问题。遗传算法很适合求解多目标优化问题，但是由于喷嘴的设计参数和空化性能之间没有明显的线性关系，无法构建一个简单直白的适应度函数，这使得迭代的效率大幅度下降。
发明内容
针对上述现有技术的缺陷，本发明提供了一种基于RBF-ANN和遗传算法的喷嘴优化方法，解决传统优化方法中难以对喷嘴的结构参数进行多目标优化的问题。本发明的另一目的是提供一种基于RBF-ANN和遗传算法的喷嘴优化装置及相应的计算机存储介质。
本发明技术方案如下：一种基于RBF-ANN和遗传算法的喷嘴优化方法，包括以下步骤：
步骤1、随机取若干组喷嘴结构参数，并通过计算流体动力学仿真获取每组所述喷嘴结构参数对应的喷嘴的轴线最大蒸汽体积分数，建立若干训练数据组，每个所述训练数据组包括所述喷嘴结构参数和对应的所述轴线最大蒸汽体积分数；
步骤2、由所述训练数据组训练径向基神经网络得到根据喷嘴结构参数预测喷嘴空化性能的预测模型；
步骤3、通过混合算法选取遗传算法的初始种群，所述初始种群的个体由所述喷嘴结构参数构成，所述混合算法包括至少两种算法获取初始种群的个体；
步骤4、通过所述预测模型对所述初始种群进行预测获得每个个体的轴线最大蒸汽体积分数作为所述遗传算法的适应度值，通过遗传算法迭代找出优化的最优个体，得到最优设计参数。
进一步地，所述步骤3通过混合算法选取遗传算法的初始种群包括：
步骤3.1、在设计参数所允许的取值范围内使用拉丁超立方法取出第一数量的喷嘴结构参数组；
步骤3.2、由所述预测模型预测所述第一数量的喷嘴结构参数组的轴线最大蒸汽体积分数，保留所述轴线最大蒸汽体积分数最优的第二数量的喷嘴结构参数组作为第一个体，所述第一数量大于所述第二数量；
步骤3.3、采用随机方式获取第三数量的喷嘴结构参数组作为第二个体，合并所有所述第一个体和所述第二个体构成所述初始种群，所述第三数量大于所述第二数量。
避免了传统方法完全采用随机取样构建初始种群，造成迭代过程容易陷入局部最优解的问题，通过不同方法建立初始种群并选择一部分适应度值高的个体，使初始种群拥有更多的优质子个体，迭代速度将会加快，并且能更加有效地迭代出全局最优解。
进一步地，所述通过计算流体动力学仿真获取每组所述喷嘴结构参数对应的喷嘴的轴线最大蒸汽体积分数是先建立喷嘴的模型，然后绘制流场的网格，经由Fluent仿真对喷嘴进行模拟，最后得出喷嘴所对应的轴线最大蒸汽体积分数。
进一步地，由所述训练数据组训练径向基神经网络得到根据喷嘴结构参数预测喷嘴空化性能的预测模型时对所述训练数据组的数据进行归一化处理。
进一步地，所述通过遗传算法迭代找出优化的最优个体时，遗传算法的交叉概率设置为0.2～0.3，遗传算法的变异概率设置为0.1～0.2，所述交叉概率和所述变异概率随遗传算法的迭代次数的增加线性降为0。该操作可以降低迭代后期变异和交叉带来的不确定性。
进一步地，所述喷嘴为角型喷嘴时所述喷嘴结构参数包括入口段长度、收缩段长度、圆柱段长度、扩散段长度、入口半径、圆柱段半径、收缩角和扩散角。
本发明还提供一种基于RBF-ANN和遗传算法的喷嘴优化装置，包括：
训练数据构建模块：随机取若干组喷嘴结构参数，并通过计算流体动力学仿真获取每组所述喷嘴结构参数对应的喷嘴的轴线最大蒸汽体积分数，建立若干训练数据组，每个所述训练数据组包括所述喷嘴结构参数和对应的所述轴线最大蒸汽体积分数；
预测模型训练模块：由所述训练数据组训练径向基神经网络得到根据喷嘴结构参数预测喷嘴空化性能的预测模型；
初始种群建立模块：通过混合算法选取遗传算法的初始种群，所述初始种群的个体由所述喷嘴结构参数构成，所述混合算法包括至少两种算法获取初始种群的个体；
以及，遗传算法优化模块：通过所述预测模型对所述初始种群进行预测获得每个个体的轴线最大蒸汽体积分数作为所述遗传算法的适应度值，通过遗传算法迭代找出优化的最优个体，得到最优设计参数。
进一步地，所述通过混合算法选取遗传算法的初始种群包括：
在设计参数所允许的取值范围内使用拉丁超立方法取出第一数量的喷嘴结构参数组；
由所述预测模型预测所述第一数量的喷嘴结构参数组的轴线最大蒸汽体积分数，保留所述轴线最大蒸汽体积分数最优的第二数量的喷嘴结构参数组作为第一个体，所述第一数量大于所述第二数量；
采用随机方式获取第三数量的喷嘴结构参数组作为第二个体，合并所有所述第一个体和所述第二个体构成所述初始种群，所述第三数量大于所述第二数量。
进一步地，所述通过遗传算法迭代找出优化的最优个体时，遗传算法的交叉概率设置为0.2～0.3，遗传算法的变异概率设置为0.1～0.2，所述交叉概率和所述变异概率随遗传算法的迭代次数的增加线性降为0。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现上述基于RBF-ANN和遗传算法的喷嘴优化方法。
与现有技术相比，本发明所提供的技术方案的优点在于：
对于水下清洁的应用来说，通常需要在目标表面的某一特定部位形成足够的破坏效果，并且对目标中心区域的冲蚀破坏效果是较为重要的，而在模型上，这个目标表面可以抽象为轴线上的某一点，而这一点上的蒸汽体积分数决定了该处空化气泡的数量，越高的值代表了越高的空化强度，越好的冲蚀效果，所以将轴线最大蒸汽体积分数作为评估参数，该值即为遗传算法中种群个体的适应度，遗传算法的优化目标即在取值范围内迭代出适应度最高的子个体。
传统优化方法中难以对喷嘴的结构参数进行多目标优化，优化的结果通常不是全局最优解。一般来说要知道某种设计中喷嘴的空化性能的好坏，需要对应每一个设计参数一一进行试验或者仿真，即使是通过成本较低的仿真，由于每次优化都需要针对不同设计参数重新调整模型，对于人力的消耗也是巨大的。仅通过分析不同的设计参数对于空化性能的影响，也难以找到全局最优解，而遗传算法正适合解决多目标优化优化的问题，但是由于设计参数和喷嘴对应的空化性能很难使用公式来表达相互之间的映射关系，导致遗传算法中对于个体适应度的计算无法进行，所以需要使用RBF人工神经网络来代替传统的适应度公式，通过RBF人工神经网络预测的方式计算喷嘴的设计参数所对应的空化性能，这使得遗传算法中的个体适应度得以计算，令遗传算法能够应用到喷嘴的结构优化上。
附图说明
图1为基于RBF-ANN和遗传算法的喷嘴优化方法的流程示意图。
图2为角型喷嘴结构剖面图。
图3为喷嘴附近网格划分图。
图4为仿真和实际轴线速度对比图。
图5为仿真和实际轴线蒸汽体积分数对比图。
图6为径向基神经网络训练集预测值和实际值对比图。
图7为径向基神经网络预测集的预测值和实际值对比图。
图8为遗传算法种群最高适应度迭代图。
图9为不同设计参数轴线最大蒸汽体积分数对比图。
具体实施方式
下面结合实施例对本发明作进一步说明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本说明之后，本领域技术人员对本说明的各种等同形式的修改均落于本申请所附权利要求所限定的范围内。
本实施例涉及的基于RBF-ANN和遗传算法的喷嘴优化装置，包括：
训练数据构建模块：随机取若干组喷嘴结构参数，并通过计算流体动力学仿真获取每组喷嘴结构参数对应的喷嘴的轴线最大蒸汽体积分数，建立若干训练数据组，每个训练数据组包括喷嘴结构参数和对应的轴线最大蒸汽体积分数；
预测模型训练模块：由训练数据组训练径向基神经网络（RBF-ANN）得到根据喷嘴结构参数预测喷嘴空化性能的预测模型；
初始种群建立模块：通过混合算法选取遗传算法的初始种群，初始种群的个体由喷嘴结构参数构成，混合算法包括至少两种算法获取初始种群的个体；
以及，遗传算法优化模块：通过预测模型对初始种群进行预测获得每个个体的轴线最大蒸汽体积分数作为遗传算法的适应度值，通过遗传算法迭代找出优化的最优个体，得到最优设计参数。
请结合图1所述，以对角型喷嘴的优化为例说明基于该RBF-ANN和遗传算法的喷嘴优化装置的优化方法，具体包括以下步骤：
步骤1、建立训练数据组。
图2为角型喷嘴的结构剖面图，为了找到最优结构参数，将构成角型喷嘴的八个设计参数作为优化对象，分别为：入口段长度S1，收缩段长度S2，圆柱段长度S3，扩散段长度S4，入口半径D1，圆柱段半径D2，收缩角R1，扩散角R2。
然后依照上述八个设计参数在其对应取值范围内随机取100组数据，记为X1至X100，通过计算流体动力学仿真获取每个数据组喷嘴结构参数对应的喷嘴的轴线最大蒸汽体积分数。即将这100组数据在ANSYS中分别建模并划分网格，图3为其中一组数据建立模型的对应网格。接着设置Fluent的仿真环境：多相流模型采用混合模型，湍流模型采用模型，空化模型采用Schnerr-Sauer模型，迭代步长设置为0.00001s，步长迭代次数为20次。仿真模拟出上述模型对应的内外部流场特性，得到对应轴线射流速度和轴线蒸汽体积分数。图4、图5展示了仿真结果和实际实验结果的对比，两条曲线贴近，说明仿真结果能有效的反应实际的工作情况。
最后将仿真得到的每个数据组的轴线最大蒸汽体积分数加入到每个数据组中，这样每个数据组均有9个数，前8个是结构参数，最后一个是轴线最大蒸汽体积分数。如此建立了100个训练数据组。
步骤2、由步骤1得到的训练数据组训练径向基神经网络得到根据喷嘴结构参数预测喷嘴空化性能的预测模型。
首先将步骤1得到的训练数据组随机取10组数据，取出的数据组称为预测集，剩下的数据组称为训练集，使用MATLAB中的归一化函数mapminmax对预测集和训练集进行归一化处理，将数据转换至[0,1]区间内。
然后将训练集的训练数据组中喷嘴结构参数作为RBF神经网络的输入层神经元，轴线最大蒸汽体积分数作为输出层神经元，将训练集作为素材通过MATLAB中rbf=newrbe(intrain,outtrain,spread)神经网络训练函数训练RBF神经网络。之后使用训练好的神经网路对预测集和训练集分别进行预测，图6，图7分别为RBF神经网络训练集预测值和实际值对比图为RBF神经网络预测集的预测值和实际值对比图，其中对训练集的拟合优度R1=1，对预测集的拟合优度R2=0.96，训练成果很好。由此得到喷嘴性能的预测模型。
步骤3、通过混合算法选取遗传算法的初始种群。
在MATLAB中使用lhsdesign拉丁超立方函数创建一个50×8的矩阵，该矩阵可以视作50组（第一数量）已经归一化后的喷嘴结构参数组，直接代入步骤2训练好的喷嘴性能的预测模型进行预测，得到50组结构参数对应的轴线最大蒸汽体积分数，轴线最大蒸汽体积分数也作为遗传算法的适应度值，然后选取其中适应度值最高的5组（第二数量）结构参数作为第一个体（精英个体）保留。随后再通过随机取样获得45组（第三数量）新的喷嘴结构参数组作为第二个体，将所有第一个体与第二个体合并组成遗传算法的初始种群，初始种群即总共包含50组喷嘴结构参数。
步骤4、通过预测模型对初始种群进行预测获得每个个体的轴线最大蒸汽体积分数作为遗传算法的适应度值，通过遗传算法迭代找出优化的最优个体，得到最优设计参数。
设置遗传算法的相关参数交叉概率为0.2，变异概率为0.1，最大迭代次数为100。为了降低迭代后期变异和交叉带来的不确定性，交叉概率和变异概率会随着迭代次数增加线性降为0。
图8为遗传算法迭代中最高适应度折线图，可以看出遗传算法在迭代了20次后就基本找到了最优解，表1展示了最优设计参数和其他设计参数的数据。
图9展现了各组设计参数所对应的轴线最大蒸汽体积分数的值，最优解的值最高，该最优解所对应的结构参数相比其他设计有着更好的空化性能，设计人员能通过本优化方法更有效的找到最优的设计参数，提高喷嘴的冲蚀效果。
应当指出的是，上述实施例的具体方法可形成计算机程序产品，因此，本申请实施的计算机程序产品可存储在在一个或多个计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上。

Claims (10)

1.一种基于RBF-ANN和遗传算法的喷嘴优化方法，其特征在于，包括以下步骤：
步骤1、随机取若干组喷嘴结构参数，并通过计算流体动力学仿真获取每组所述喷嘴结构参数对应的喷嘴的轴线最大蒸汽体积分数，建立若干训练数据组，每个所述训练数据组包括所述喷嘴结构参数和对应的所述轴线最大蒸汽体积分数；
步骤2、由所述训练数据组训练径向基神经网络得到根据喷嘴结构参数预测喷嘴空化性能的预测模型；
步骤3、通过混合算法选取遗传算法的初始种群，所述初始种群的个体由所述喷嘴结构参数构成，所述混合算法包括至少两种算法获取初始种群的个体；
步骤4、通过所述预测模型对所述初始种群进行预测获得每个个体的轴线最大蒸汽体积分数作为所述遗传算法的适应度值，通过遗传算法迭代找出优化的最优个体，得到最优设计参数。
2.根据权利要求1所述的基于RBF-ANN和遗传算法的喷嘴优化方法，其特征在于，所述步骤3通过混合算法选取遗传算法的初始种群包括：
步骤3.1、在设计参数所允许的取值范围内使用拉丁超立方法取出第一数量的喷嘴结构参数组；
步骤3.2、由所述预测模型预测所述第一数量的喷嘴结构参数组的轴线最大蒸汽体积分数，保留所述轴线最大蒸汽体积分数最优的第二数量的喷嘴结构参数组作为第一个体，所述第一数量大于所述第二数量；
步骤3.3、采用随机方式获取第三数量的喷嘴结构参数组作为第二个体，合并所有所述第一个体和所述第二个体构成所述初始种群，所述第三数量大于所述第二数量。
3.根据权利要求1所述的基于RBF-ANN和遗传算法的喷嘴优化方法，其特征在于，所述通过计算流体动力学仿真获取每组所述喷嘴结构参数对应的喷嘴的轴线最大蒸汽体积分数是先建立喷嘴的模型，然后绘制流场的网格，经由Fluent仿真对喷嘴进行模拟，最后得出喷嘴所对应的轴线最大蒸汽体积分数。
4.根据权利要求1所述的基于RBF-ANN和遗传算法的喷嘴优化方法，其特征在于，由所述训练数据组训练径向基神经网络得到根据喷嘴结构参数预测喷嘴空化性能的预测模型时对所述训练数据组的数据进行归一化处理。
5.根据权利要求1所述的基于RBF-ANN和遗传算法的喷嘴优化方法，其特征在于，所述通过遗传算法迭代找出优化的最优个体时，遗传算法的交叉概率设置为0.2～0.3，遗传算法的变异概率设置为0.1～0.2，所述交叉概率和所述变异概率随遗传算法的迭代次数的增加线性降为0。
6.根据权利要求1所述的基于RBF-ANN和遗传算法的喷嘴优化方法，其特征在于，所述喷嘴为角型喷嘴时所述喷嘴结构参数包括入口段长度、收缩段长度、圆柱段长度、扩散段长度、入口半径、圆柱段半径、收缩角和扩散角。
7.一种基于RBF-ANN和遗传算法的喷嘴优化装置，其特征在于，包括：
训练数据构建模块：随机取若干组喷嘴结构参数，并通过计算流体动力学仿真获取每组所述喷嘴结构参数对应的喷嘴的轴线最大蒸汽体积分数，建立若干训练数据组，每个所述训练数据组包括所述喷嘴结构参数和对应的所述轴线最大蒸汽体积分数；
预测模型训练模块：由所述训练数据组训练径向基神经网络得到根据喷嘴结构参数预测喷嘴空化性能的预测模型；
初始种群建立模块：通过混合算法选取遗传算法的初始种群，所述初始种群的个体由所述喷嘴结构参数构成，所述混合算法包括至少两种算法获取初始种群的个体；
以及，遗传算法优化模块：通过所述预测模型对所述初始种群进行预测获得每个个体的轴线最大蒸汽体积分数作为所述遗传算法的适应度值，通过遗传算法迭代找出优化的最优个体，得到最优设计参数。
8.根据权利要求7所述的基于RBF-ANN和遗传算法的喷嘴优化装置，其特征在于，所述通过混合算法选取遗传算法的初始种群包括：
在设计参数所允许的取值范围内使用拉丁超立方法取出第一数量的喷嘴结构参数组；
由所述预测模型预测所述第一数量的喷嘴结构参数组的轴线最大蒸汽体积分数，保留所述轴线最大蒸汽体积分数最优的第二数量的喷嘴结构参数组作为第一个体，所述第一数量大于所述第二数量；
采用随机方式获取第三数量的喷嘴结构参数组作为第二个体，合并所有所述第一个体和所述第二个体构成所述初始种群，所述第三数量大于所述第二数量。
9.根据权利要求7所述的基于RBF-ANN和遗传算法的喷嘴优化装置，其特征在于，所述通过遗传算法迭代找出优化的最优个体时，遗传算法的交叉概率设置为0.2～0.3，遗传算法的变异概率设置为0.1～0.2，所述交叉概率和所述变异概率随遗传算法的迭代次数的增加线性降为0。
10.一种计算机存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现权利要求1至6所述的基于RBF-ANN和遗传算法的喷嘴优化方法。
CN202311347517.3A 2023-10-18 2023-10-18 基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质 Pending CN117272868A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311347517.3A CN117272868A (zh) 2023-10-18 2023-10-18 基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311347517.3A CN117272868A (zh) 2023-10-18 2023-10-18 基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质

Publications (1)

Publication Number Publication Date
CN117272868A true CN117272868A (zh) 2023-12-22

Family

ID=89215839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311347517.3A Pending CN117272868A (zh) 2023-10-18 2023-10-18 基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN117272868A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117539168A (zh) * 2024-01-09 2024-02-09 江西江投能源技术研究有限公司 一种基于半实物仿真的水轮机空化诊断系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117539168A (zh) * 2024-01-09 2024-02-09 江西江投能源技术研究有限公司 一种基于半实物仿真的水轮机空化诊断系统及方法
CN117539168B (zh) * 2024-01-09 2024-03-26 江西江投能源技术研究有限公司 一种基于半实物仿真的水轮机空化诊断系统及方法

Similar Documents

Publication Publication Date Title
CN109948029B (zh) 基于神经网络自适应的深度哈希图像搜索方法
WO2021164250A1 (zh) 一种湍流场更新方法、装置及其相关设备
CN117272868A (zh) 基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质
CN113704098B (zh) 一种基于蒙特卡洛搜索树种子调度的深度学习模糊测试方法
Maljovec et al. Adaptive sampling algorithms for probabilistic risk assessment of nuclear simulations
Bokharaie et al. Wind-farm layout optimisation using a hybrid Jensen–LES approach
Saad et al. A new kriging–bat algorithm for solving computationally expensive black-box global optimization problems
Li et al. Multi/many-objective evolutionary algorithm assisted by radial basis function models for expensive optimization
CN114792126A (zh) 一种基于遗传算法的卷积神经网络设计方法
Zhu et al. Multi-condition optimisation design of a hydrofoil based on deep belief network
CN113435128A (zh) 基于条件生成式对抗网络的油气藏产量预测方法及装置
CN112417761A (zh) 一种基于多目标布谷鸟优化算法的系泊截断设计方法
Pan et al. Overlapping community detection via leader-based local expansion in social networks
Tang et al. A hydrodynamic prediction model of throttle orifice plate using space filling and adaptive sampling method
CN116721327A (zh) 一种基于泛化界的神经网络架构搜索方法
CN115455821A (zh) 一种改进型pso-ga算法的离心泵透平性能预测方法
Wang et al. Artificial neural network for the performance improvement of a centrifugal pump
CN113869350A (zh) 基于空间特征差异的海流预测方法以及系统
Liu et al. Surrogate-based drag optimization of Autonomous Remotely Vehicle using an improved Sequentially Constrained Monte Carlo Method
CN114997084B (zh) 一种冲击式水轮机斗叶型线优化方法
Wang et al. An optimization framework for wind farm layout design using CFD-based Kriging model
CN108710618B (zh) 一种基于并发进程与影响力期望的传播种子节点选择方法
CN117973181A (zh) 一种基于多策略改进鲸群算法的离心泵水力优化方法
CN114997073B (zh) 冲击式水轮机喷嘴结构参数优化方法及系统
CN113506593B (zh) 一种面向大规模基因调控网络的智能推断方法

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