当前位置: 首页 > 专利查询>天津大学专利>正文

一种耦合遗传算法、神经网络与数值模拟的反向设计方法技术

技术编号:12999973 阅读:112 留言:0更新日期:2016-03-10 12:53
本发明专利技术公开了一种耦合遗传算法、神经网络与数值模拟的反向设计方法,根据设计对象确定设计变量与设计目标;使用抽样方法,产生神经网络训练样本,对神经网络进行训练;利用遗传算法的交叉、变异过程同时得到多组符合设计要求的设计变量值,从中搜索满足设计要求的个体;使用神经网络与CFD方法计算新个体的适应度;使用神经网络预测新个体的设计目标值,若设计目标值达到设定的阈值,使用计算流体力学方法计算新个体的真实设计目标值;利用选择操作产生新种群:若新种群符合收敛标准,设计过程结束,否则继续进行交叉变异过程,产生新种群。与只使用遗传算法与数值模拟相结合的方法相比,本发明专利技术在保证反向设计收敛性的同时,减少反向设计计算量42.1%。

【技术实现步骤摘要】

本专利技术涉及建筑的室内环境设计领域,特别是一种耦合遗传算法、神经网络与数 值模拟的室内环境反向设计方法。
技术介绍
遗传算法是一种典型的最优化方法,它把优化过程看成是生物种群的进化过程, 每个变量可能的解表示成一个染色体的片段,所有变量可能的解按顺序排列成一条完整的 染色体,每条染色体代表进化过程中的一个个体。与其它优化算法相比,遗传算法更易探索 整个设计空间,并找到全局最优解。数值模拟技术能够获得详细的室内环境数据,与实验测 量方法相比,操作简单,成本低廉,计算流体力学(CFD)模型是在室内环境领域中应用最为 广泛的计算模型。 使用遗传算法与CFD相结合,对室内环境进行反向设计时,通过遗传算法的交叉、 变异过程产生新个体,利用CFD获得新个体的设计目标值。但设计过程中可能产生较多新 个体,因此会产生较多CFD计算过程,导致此反向设计方法的计算量大。 为减少反向设计计算量,可使用人工神经网络作为CFD模型的替代模型,应用于 室内环境反向设计。当使用遗传算法与神经网络相结合进行反向设计时,利用遗传算法的 交叉、变异过程产生新个体,利用神经网络计算新个体的设计目标值。由于神经网络计算时 间远小于CFD计算时间,此方法可达到降低反向设计计算量的目的。但此方法受神经网络 预测误差的影响,可能导致设计过程不收敛。因此,有必要研究新的反向设计方法,在保证 设计方法收敛性的同时,降低反向设计计算量。
技术实现思路
针对上述的现有技术及存在的问题,本专利技术提出了一种耦合遗传算法、神经网络 与数值模拟的反向设计方法,在保证反向设计过程收敛的基础上,通过耦合遗传算法、神经 网络与数值模拟方法,降低反向设计方法的计算量。 本专利技术提出了,该方法 包括以下步骤: 步骤1、根据设计对象确定设计变量与设计目标; 步骤2、使用抽样方法,产生神经网络训练样本,对神经网络进行训练; 步骤3、利用遗传算法的交叉、变异过程同时得到多组符合设计要求的设计变量 值,从中搜索满足设计要求的个体;使用神经网络与CFD方法计算新个体的适应度,即设计 目标值,具体计算过程如下:首先使用神经网络预测新个体的设计目标值,神经网络的输入 为设计变量值,输出为设计目标值;若设计目标值达到设定的阈值,使用计算流体力学方法 计算新个体的真实设计目标值,根据设计变量值确定设计对象的边界条件,使用流体力学 方法计算得到设计对象内部的速度、温度等的分布,进而可以得到设计目标值,即为个体的 适应度。 步骤4、通过非支配排序方法对种群中的个体进行排序,并使用锦标赛算法进行选 择,利用选择操作产生新种群:若新种群符合收敛标准,设计过程结束,否则继续进行交叉 变异过程,产生新种群。 与只使用遗传算法与数值模拟相结合的方法相比,耦合遗传算法、神经网络与数 值模拟方法在保证反向设计收敛性的同时,减少反向设计计算量42. 1 %。【附图说明】 图1为本专利技术的的算法 模型图;图2为本专利技术具体实施例的Blay模型示意图;(a)Blay模型的几何结构,(b)网格 划分;图3为目标函数值随遗传代数的变化曲线图;图4为反向设计过程中的计算量增长曲线图;图5为使用遗传算法与神经网络相结合时,目标函数随遗传代数变化曲线图; 图6为使用遗传算法与神经网络、CFD相结合时,目标函数变化曲线图;图7为使用遗传算法与神经网络、CFD相结合时,计算量随遗传代数变化曲线图。【具体实施方式】 以下结合附图及【具体实施方式】,进一步详述本专利技术的技术方案。 反向设计的对象分别为Blay模型以及客机座舱模型。如图2所示,为Blay模型 的几何结构及网格划分。Blay模型的外部结构为正方形,尺寸为1.04X1. 04m,包含一个入 口和一个出口,入口尺寸为0. 018m,出口尺寸为0. 022m。入口速度为0. 57m/s,入口温度为 15°C,送风角度为水平方向,四周使用无滑移的壁面边界条件,壁面温度均设为恒温条件, 监测点位于出口附近。 本专利技术【具体实施方式】描述如下: 1、遗传算法与CFD相结合的反向设计 使用遗传算法与CFD相结合对Blay模型进行反向设计。设计变量为入口速度与 温度,设计目标为监测点处速度与温度。根据数值计算结果,得到监测点处的速度大小为 0. 1325m/s,温度大小为17.67Γ,进而得到了Blay模型反向设计的目标函数: 遗传算法的交叉概率为0.8,变异概率为0. 1,最大遗传代数为100代,反向设计 的收敛条件为FBlay= 0。如图3所示,为目标函数值随遗传代数的变化曲线,当计算到第 33代时,反向设计过程收敛,得到的解为(0. 57,15),即入口速度为0. 57m/s,入口温度为 15。。。 如图4所示的反向设计过程中的计算量增长曲线,是使用遗传算法进行反向设计 时的计算量增长曲线,使用CFD的case数量表示计算量大小。当得到最优解时,共计算了 235个case,即执行了 235次CFD计算。 2、遗传算法与神经网络相结合的反向设计 使用遗传算法与神经网络相结合的方法对Blay模型进行反向设计,使用人工神 经网络对Blay模型监测点处的数据进行预测,神经网络的输入为入口的速度及温度值,输 出为监测点处的速度及温度值。使用拉丁超立方体抽样方法,产生80组入口速度与温度的 组合作为输入参数,使用这些输入参数作为边界条件对Blay模型进行CFD计算,得到每组 输入参数对应的输出参数,即监测点处的速度及温度值,每组输入参数及其对应的输出参 数构成一个完整的训练样本,使用所有训练样本对神经网络进行训练,将训练好的神经网 络与遗传算法相结合,应用于Blay模型的反向设计。 如图5所示,反向设计过程中,使用遗传算法与神经网络相结合时,目标函数随遗 传代数变化曲线;计算开始阶段,目标函数曲线下降较快,但计算到第20代之后保持不变。 当遗传算法计算到1〇〇代时,目标函数值未达到〇。因此,使用此方法时,反向设计未收敛。 3、遗传算法与神经网络、CFD相结合的反向设计 使用与遗传算法与神经网络、CFD相结合的方法对Blay模型的进行反向设计。首 先使用训练好的神经网络对新个体的目标值进行预测,并根据设计目标的预测值计算Fblay 值,若此值低于〇. 1,使用CFD对该个体进行计算,获得该个体的真实的Fblay值。 图6为目标函数值随遗传代数变化曲线,当计算到第34代时,反向设计过程收敛, 得到的解为(0.57,15)。 如图7所示,为使用遗传算法与神经网络、CFD相结合时,计算量随遗传代数变化 曲线,反向设计过程需计算136个case,与使用遗传算法和CFD相结合的方法相比,计算量 减少了 42. 1%。【主权项】1. ,其特征在于,该方法包括 以下步骤: 步骤1、根据设计对象确定设计变量与设计目标; 步骤2、使用抽样方法,产生神经网络训练样本,对神经网络进行训练; 步骤3、利用遗传算法的交叉、变异过程同时得到多组符合设计要求的设计变量值,从 中搜索满足设计要求的个体;使用神经网络与CFD方法计算新个体的适应度,即设计目标 值;具体计算过程如下:首先使用神经网络预测新个体的设计目标值,神经网络的输入为 设计变量值,输出为设计目标值;若设计目标值达到设定的阈值,使用计算本文档来自技高网...

【技术保护点】
一种耦合遗传算法、神经网络与数值模拟的反向设计方法,其特征在于,该方法包括以下步骤:步骤1、根据设计对象确定设计变量与设计目标;步骤2、使用抽样方法,产生神经网络训练样本,对神经网络进行训练;步骤3、利用遗传算法的交叉、变异过程同时得到多组符合设计要求的设计变量值,从中搜索满足设计要求的个体;使用神经网络与CFD方法计算新个体的适应度,即设计目标值;具体计算过程如下:首先使用神经网络预测新个体的设计目标值,神经网络的输入为设计变量值,输出为设计目标值;若设计目标值达到设定的阈值,使用计算流体力学方法计算新个体的真实设计目标值,根据设计变量值确定设计对象的边界条件,使用流体力学方法计算得到设计对象内部的速度、温度等的分布,进而可以得到设计目标值,即为个体的适应度;步骤4、通过非支配排序方法对种群中的个体进行排序,并使用锦标赛算法进行选择,利用选择操作产生新种群:若新种群符合收敛标准,设计过程结束,否则继续进行交叉变异过程,产生新种群。

【技术特征摘要】

【专利技术属性】
技术研发人员:尤学一张天虎
申请(专利权)人:天津大学
类型:发明
国别省市:天津;12

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1