CN119066983B 一种机器学习引导的动态种群优化设计方法 （南昌大学）

一种机器学习引导的动态种群优化设计方法本发明公开了一种机器学习引导的动态种个候选子代个体邻域范围内确定机器学习模型标非支配排序法筛选真实子代个体，并更新种针对全回转推进器驱动轴轻量化设计问题的全2步骤一：将全回转推进器驱动轴轻量化设计问题转化为束优化问题的设计空间，将在ANSYSWorkbench中获得的驱动轴重量目标值作为昂贵约束驱动轴导入ANSYSWorkbench中进行静力学分析并获得驱动轴的重量目标值，并将静力学分析结果与驱动轴的周期性交变载荷导入ANSYSnCodeDesignLife中进行疲劳寿命分析，束值用于构建数据库，根据驱动轴轻量化设计指标对种群进化的迭代参数包括总迭代次步骤二：基于当前迭代次数与数据库中驱动轴疲劳寿命束违反值为三个目标，基于多目标非支配排序法从当前数据库中筛选个体来构成动态种算截断参数，根据截断参数筛选包含所有驱动轴信息的数据库中个体来组成当前数据库，,,,3全回转推进器的第j个边界条件约束在个体的约束值，rr表示边界条件约束的个数；s()表示迭代次数为时的约束松弛因子；按照综合约束违反值从小到大对数据库中所有个体进行排序，选择前Ln-N」个个体步骤三：以动态种群中个体的重量目标值与疲劳寿命及边界条件约束违反值为指标，及边界条件约束可行性以及多样性从邻域内筛选用于构建高斯过程机器学习模型的建模步骤六：基于迭代信息与初始约束松弛因子更新当前约,ec()表示迭代次数为时的约束松弛因子，Mat表示方法允许迭代的最大法在当前迭代中所得到的最优结构参数对应的驱动轴是否达到全回转推进器驱动轴轻量,43.如权利要求1所述的方法，其特征在于，所述步骤二中的以当前数据库中个体多样,j在可行性规则中，约束违反值为零的所有个体均排在约束违反,j从当前数据库中根据欧氏距离从小到大排序选择前200的个体形成候选子代个体的5,值，it,)表示高斯过程机器学习模型针对的预测值，D()表示均值为0且方差为1的正将真实子代个体对应的驱动轴导入ANSYSWorkbench中进行静力学分析并获得驱动轴的重量目标值，并将静力学分析结果与驱动轴的周期性交变载荷导入ANSYSnCode根据可行性规则对比动态种群中个体与其对应的评估后的真实子,表示针对全回转推进器疲劳寿命约束所构建的高斯过程回转推进器第j6斯过程机器学习模型进行最小化，s.t.为需满足的约束；s()表示迭代次数为t时的约束采用粒子群优化法求解上述已构造的优化问题，并获得局部个体驱动轴导入ANSYSWorkbench中进行静力学分析并获得驱动轴的重量目标值，并将静力学分析结果与驱动轴的周期性交变载荷导入ANSYSnCodeDesignLife中进行疲劳寿命分析，7[0002]全回转推进器驱动轴的轻量化设计问题需在满足疲劳寿命约束条件下最小化驱上无法跳出全回转推进器驱动轴的轻量化设计问题所对应的昂贵约束优化问题的复杂可行域以及目标函数呈现高度非线性所带来的[0003]机器学习模型由于可以通过学习数据之间的内在联系来构建从输入空间到输出[0005]研究人员均只通过实验设计方法来在满足服役要求的前提下最小化全回转推进仿真约束与复杂目标的特点，研究及设计了一种机器学习引导的动态种群优化设计方法。所述方法设计了适应方法实时优化状态的动态种群重构以及适应性进化操作来提高方法8贵约束优化问题的设计空间，将在ANSYSWorkbench中获得的驱动轴重量目标值作为昂贵应的驱动轴导入ANSYSWorkbench中进行静力学分析并获得驱动轴的重量目标值，并将静力学分析结果与驱动轴的周期性交变载荷导入ANSYSnCodeDesignLife中进行疲劳寿命寿命及边界条件约束可行性以及多样性从邻域内筛选用于构建高斯过程机器学习模型的实子代个体对应的重量目标值与疲劳寿命约束值更断方法在当前迭代中所得到的最优结构参数对应的驱动轴是否达到全回转推进器驱动轴9照疲劳寿命约束违反值降序排序后第α个个体，也对应于当前种群第α个个体对应的驱动轴各个轴段直径及长度结构参数取值组合所形成的驱动轴，cA为两个常数；及长度结构参数取值组合所形成的驱动轴，cv(x,)表示针对个体的疲劳寿命与边界条件约束的综合约束违反值，F(x)表示针对个体的全回转推进器疲劳寿命约束值，h,(-x)表示全回转推进器的第j个边界条件约束在个体的约束值[0032]按照综合约束违反值从小到大对数据库中所有个体进行排序，选择前Ln-N」个据库中第j个个体；j表示动态种群中所有个体的最大排序值，rand(0,1)表示0至1之间的随机数，与分[0045]从当前数据库根据欧氏距离从小到大排序选择前200的个体形成候选子代个体v,目标值，it,)表示高斯过程机器学习模型针对v,的预测值，()表示均值为0且方差为1示高斯过程机器学习模型针对v,的预测方差。,[0053]进一步地，所述步骤六中的采用约束支配准则从候选子代池中筛选真实子代个[0057]将真实子代个体对应的驱动轴导入ANSYSWorkbench中进行静力学分析并获得驱动轴的重量目标值，并将静力学分析结果与驱动轴的周期性交变载荷导入ANSYSnCode[0058]根据可行性规则对比动态种群中个体与其对应的评估后[0059]进一步地，所述步骤七中的构造基于高斯过程的局部搜索定位局部区域子代个,[0062]上式中，表示针对全回转推进器重量目标构建的高斯过程机器学习模型，F(x)表示针对全回转推进器疲劳寿命约束所构建的高斯过程机器学习模型，表示针对全回转推进器第j个边界条件约束函数所构建的高斯过程机器学习模型，lb与ub分应的驱动轴导入ANSYSWorkbench中进行静力学分析并获得驱动轴的重量目标值，并将静力学分析结果与驱动轴的周期性交变载荷导入ANSYSnCodeDesignLife中进行疲劳寿命种机器学习引导的动态种群优化设计方法主要具有[0066]1.考虑疲劳寿命约束复杂特[0068]3.在候选子代个体邻域范围而非整个设计空间内构造高斯过程机器学习模型，效地避免在局部区域收敛速度不足所可能导[0070]5.本发明可以对全回转推进器驱动轴的轻量化设计问题进行准确的预测与搜[0071]图1为本发明实施例提供的一种机器学习引导的动态种群优化设计方法的简化流贵约束优化问题的设计空间，将在ANSYSWorkbench中获得的驱动轴重量目标值作为昂贵应的驱动轴导入ANSYSWorkbench中进行静力学分析并获得驱动轴的重量目标值，并将静力学分析结果与驱动轴的周期性交变载荷导入ANSYSnCodeDesignLife中进行疲劳寿命照疲劳寿命约束违反值降序排序后第α个个体，也对应于当前种群第α个个体对应的驱动轴各个轴段直径及长度结构参数取值组合所形成的驱动轴，cA为两个常数；及长度结构参数取值组合所形成的驱动轴，cv(x,)表示针对个体的疲劳寿命与边界条件约束的综合约束违反值，F(x)表示针对个体的全回转推进器疲劳寿命约束值，h,(-x)表示全回转推进器的第j个边界条件约束在个体的约束值[0089]按照综合约束违反值从小到大对数据库中所有个体进行排序，选择前Ln-N」个据库中第j个个体；j表示动态种群中所有个体的最大排序值，rand(0,1)表示0至1之间的随机数，与分寿命及边界条件约束可行性以及多样性从邻域内筛选用于构建高斯过程机器学习模型的[0107]从当前数据库中根据欧氏距离从小到大排序选择前200的个体形成候选子代个体目标值，it,)表示高斯过程机器学习模型针对v,的预测值，a()表示均值为0且方差为1示高斯过程机器学习模型针对v,的预测方差。实子代个体对应的重量目标值与疲劳寿命约束值更,[0121]将真实子代个体对应的驱动轴导入ANSYSWorkbench中进行静力学分析并获得驱动轴的重量目标值，并将静力学分析结果与驱动轴的周期性交变载荷导入ANSYSnCode[0122]根据可行性规则对比动态种群中个体与其对应的评估后断方法在当前迭代中所得到的最优结构参数对应的驱动轴是否达到全回转推进器驱动轴,[0127]上式中，表示针对全回转推进器重量目标构建的高斯过程机器学习模型，F(x)表示针对全回转推进器疲劳寿命约束所构建的高斯过程机器学习模型，表示针对全回转推进器第j个边界条件约束函数所构建的高斯过程机器学习模型，lb与ub分应的驱动轴导入ANSYSWorkbench中进行静力学分析并获得驱动轴的重量目标值，并将静力学分析结果与驱动轴的周期性交变载荷导入ANSYSnCodeDesignLife中进