一种基于智能搜索算法的飞行器代理模型确定方法技术

本发明专利技术公开了一种基于智能搜索算法的飞行器代理模型确定方法，可以自动搜索出在模型阶数和项数限制下的最优气动代理模型结构。使用者可以自行选择不同的代理模型阶次和项数，以获得不同应用要求下的代理模型结构。首先根据需求设置模型的最高阶次和项数要求；之后对提取用于遗传算法优化的模型信息；最后采用遗传算法对有效模型信息进行搜索，获得模型精度最高的代理模型形式。本发明专利技术通过对代理模型结构进行优化，可以找到可以更好逼近实验数据的模型结构，与传统的规划算法相比，该方法能够更快地确定模型结构，且拟合效果好，兼顾了飞行器建模的精度和效率，能够满足控制器设计和多学科迭代的工程应用要求，为现代先进飞行器设计提供了好的代理建模工具。

A method to determine aircraft agent model based on intelligent search algorithm

【技术实现步骤摘要】
一种基于智能搜索算法的飞行器代理模型确定方法
本专利技术属于飞行器
，特别涉及一种基于智能搜索算法的飞行器代理模型确定方法。
技术介绍
随着航空航天技术的发展，现代高性能飞行器的飞行包线逐渐扩大，研究范畴由线性区域拓展至非线性区域。特别是现代先进飞行器各系统间存在严重的耦合，导致大包线飞行的气动特性变化复杂。这些特性使得新型飞行器对飞行仿真、动力学分析和系统设计过程均需要高可信度的非线性气动模型。由于飞行器所处力学环境复杂，气动系数具有多变量、非线性特点，使得气动代理模型难以建立。而进行研究分析和飞行器控制设计时通常希望得到一个简单解析的飞行器模型，以便于分析、简化运算，通常采用多项式拟合方法获得飞行器简化模型。本专利技术提出一种基于智能搜索算法的飞行器代理模型确定方法。该方法依据选择期望的性能指标，采用智能搜索算法确定飞行器模型结构，得到了飞行器可行的设计模型，满足飞行器实际的复杂建模需求。
技术实现思路
为了快速确定飞行器可行的模型结构，本专利技术提供一种基于智能搜索算法的飞行器代理模型确定方法，以解决现有技术中飞行器全局代理模型结构获取困难的问题，计算耗时短，可在满足模型精度的要求下获得简洁的代理模型形式，确定基于拟合优度的飞行器模型结构。该方法可以为飞行器代理模型的建立省去很多繁琐的步骤，快速获得保证模型精度的简洁代理模型结构，亦能运用至飞行器耦合非线性建模中，获得兼顾精度和效率的飞行器代理模型。为实现上述目的，本专利技术采用的技术方案为：一种基于智能搜索算法的飞行器代理模型确定方法，其特征在于，包括以下步骤：步骤S1、初始化和智能算法预处理，设置模型最高阶次Pmax以及最大项数Dmax约束；步骤S2、设置代理模型初始最高项数D0和阶次P0；设置外环迭代次数T＝1；步骤S3、生成用于优化的随机初始模型组；步骤S4、获取用于智能优化的模型信息；步骤S5、代理模型优化迭代；步骤S6、若收敛则结束内环迭代，执行步骤S7；若不收敛则增加最高项数D0和阶次P0，执行步骤S3；步骤S7、结束算法，判断步骤S6生成的模型拟配结果与上次外循环输出结果误差是否小于设置阈值，若小于阈值则结束算法；否则返回步骤S2。进一步的，所述步骤S1中，初始化和智能算法预处理，包括以下步骤：设置拟合样本空间yn在优化算法中输入形式、模型最高阶次Pmax以及最大项数Dmax约束，以及进行优化筛选的性能指标设置；S101、优化算法中样本空间yn输入形式为：单维数据采用列向量形式，多维数据的行数表示样本数据数目，列数表示变量的维数；S102、设置算法中对模型阶次和项数的最大数值的约束，默认为项数的最大数值Dmax＝50；模型阶次的最大数值Pmax＝10；S103、设置遗传算法的初始条件，算法默认选用平面交叉、竞争式选择策略k＝10、种群规模Z＝500、最大迭代次数M＝100次和式(1)所示的随代数变化的变异概率技术进行运算，式(1)中：m为当前迭代的代数；S104、优化筛选的性能指标设置为拟合优度R2：计算拟合程度R2之前需要引入总平方和SST：其中：yi表示实际测量气动数据，即样本数据，表示测量气动数据均值，n为样本数量；回归平方和SSR：其中：表示气动拟合数据，表示测量气动数据均值，n为样本数量；回归平方和表示了自变量x对因变量y的影响；残差平方和SSE：残差平方和反映了自变量x以外的因素对y的影响，三者之间关系如下：SST＝SSE+SSR；定义拟合优度R2为：拟合程度是判断代理模型建立合理性的重要依据，R2取值范围为[0,1]，数值越大说明拟合效果越好，自变量x对因变量y的解释程度越高，反之则拟合效果越差。进一步的，所述步骤S2中，设置代理模型初始最高项数D0和阶次P0(一般将初始的最高项数D0和阶次P0分别设置为P0＝1，D0＝3)：算法在进行初始模型迭代优化时，首先以初始的最高项数D0和阶次P0为约束生成多项式代理模型；若在此项数、阶次约束下算法的目标函数无法收敛，则提高项数、阶次的上限，增加模型信息；由于该算法的初始模型信息是随机生成的，并且后续的优化是基于生成的初始模型进行的，所以初始模型对优化结果影响大，算法设置外环优化，即对比由步骤S6获得的最优模型拟合优度在T-1，T迭代下的值是否小于设置的阈值δT＝1×10-6；其中：T为外环迭代次数，初始的外环迭代次数为T＝1。进一步的，所述步骤S3中，生成用于优化的随机初始模型组，包括以下步骤：首先随机生成500组随机代理模型，Z＝500为算法中设置的种群数目，如式(5)所示，其作为参与优化的代理模型组，其中包含多个多项式组合形式：式(5)中：表示由样本空间yn生成的代理组；azw表示第z个代理模型结构中第w项的系数，dz表示第z个种群所包含的最大多项式项数；其中：z<Z，Z为设置的最大种群数目；w<dz<D，D为代理模型所包含的最大项数；表示第i个变量的阶数为为第z组中第w项的第i个自变量的阶数；每个代理模型均满足两个条件：1)多项式代理模型中变量的维数之和小于设置的最高项数D0和阶次P0；2)生成的500组随机代理模型不允许存在重复的代理模型。进一步的，所述步骤S4中，获取用于智能优化的模型信息，包括以下步骤：提取式(5)中的关键信息，以构成在智能算法使用的有效信息，式(5)中每一个多项式均由N个自变量、dz(<D)项组成，其在智能算法中由整数串表示，如式(6)所示：其中，azw表示第z个代理模型结构中第w项的系数；为第z组中第w项的第N个自变量的阶数；智能算法中的代价函数或适应度函数定义为代理模型预测值和实际实验数据之间的拟合优度R2，式(6)中每一个模型都要满足不超过最大模型阶次的要求，并且没有重复的代理模型结构。进一步的，所述步骤S5中，代理模型优化迭代，包括以下步骤：首先选择一个随机数来表示多项式中的项数，该随机数必须小于等于设置的最大项数D0，然后选择一个随机的整数序列作为多项式中各项的阶次，限制是每一项阶次的和必须小于等于设置的最大阶次P0；若一个项是当前多项式已经选择的项，那么它将被拒绝，因为不允许出现重复项；考虑智能算法中每个代理模型结构都由一系列多项式项组成，智能算法中随机地将第mi-1次迭代模型项分配给第mi次迭代的模型组成，即第mi次迭代中的模型的项中将有第mi-1次迭代模型组中两个随机模型项组成；设在第mi-1次迭代模型项中选取的两个代理模型信息如式(7)所示；然后，取一个介于0和1之间的随机数，作为从第mi-1次迭代模型项中选取的模型信息产生第mi次迭代新模型结构概率；进一步的，所述步骤S6中，若收敛则结束内环迭代，执行步骤S7；若不收敛则增加最高项数D和阶次P，执行步骤S3，包括本文档来自技高网...

【技术保护点】
1.一种基于智能搜索算法的飞行器代理模型确定方法，其特征在于，包括以下步骤：/n步骤S1、初始化和智能算法预处理，设置模型最高阶次P

【技术特征摘要】
1.一种基于智能搜索算法的飞行器代理模型确定方法，其特征在于，包括以下步骤：
步骤S1、初始化和智能算法预处理，设置模型最高阶次Pmax以及最大项数Dmax约束；
步骤S2、设置代理模型初始最高项数D0和阶次P0；设置外环迭代次数T＝1；
步骤S3、生成用于优化的随机初始模型组；
步骤S4、获取用于智能优化的模型信息；
步骤S5、代理模型优化迭代；
步骤S6、若收敛则结束内环迭代，执行步骤S7；若不收敛则增加最高项数D0和阶次P0，执行步骤3；
步骤S7、结束算法，判断步骤S6生成的模型拟配结果与上次外循环输出结果误差是否小于设置阈值，若小于阈值则结束算法；否则返回步骤S2。


2.根据权利要求1所述的基于智能搜索算法的飞行器代理模型确定方法，其特征在于，所述步骤S1中，初始化和智能算法预处理，包括以下步骤：
设置拟合样本空间yn在优化算法中输入形式、模型最高阶次Pmax以及最大项数Dmax约束，以及进行优化筛选的性能指标设置；
S101、优化算法中样本空间yn输入形式为：单维数据采用列向量形式，多维数据的行数表示样本数据数目，列数表示变量的维数；
S102、设置算法中对模型阶次和项数的最大数值的约束，默认为项数的最大数值Dmax＝50；模型阶次的最大数值Pmax＝10；
S103、设置遗传算法的初始条件，算法默认选用平面交叉、竞争式选择策略k＝10、种群规模Z＝500、最大迭代次数M＝100次和式(1)中的随代数变化的变异概率技术进行运算，



式(1)中：m为当前迭代的代数；
S104、优化筛选的性能指标设置为拟合优度R2：
计算拟合程度R2之前需要引入总平方和SST：



其中：yi表示实际测量气动数据，即样本数据，表示测量气动数据均值，n为样本数量；
回归平方和SSR：



其中：表示气动拟合数据，表示测量气动数据均值，n为样本数量；回归平方和表示了自变量x对因变量y的影响；
残差平方和SSE：



残差平方和反映了自变量x以外的因素对y的影响，三者之间关系如下：
SST＝SSE+SSR；
定义拟合优度R2为：



其中：R2取值范围为[0,1]。


3.根据权利要求2所述的基于智能搜索算法的飞行器代理模型确定方法，其特征在于，所述步骤S2中，设置代理模型初始最高项数D0和阶次P0：算法在进行初始模型迭代优化时，首先以初始的最高项数D0和阶次P0为约束生成多项式代理模型；若在此项数、阶次约束下算法的目标函数无法收敛，则提高项数、阶次的上限，增加模型信息；
算法设置外环优化，即对比步骤S6获得的最优模型拟合优度在T-1，T迭代下的值是否小于设置的阈值δT＝1×10-6；其中：T为外环迭代次数，初始的外环迭代次数为T＝1。


4.根据权利要求3所述的基于智能搜索算法的飞行器代理模型确定方法，其特征在于，所述步骤S3中，生成用于优化的随机初始模型组，包括以下步骤：
首先随机生成500组随机代理模型，Z＝500为算法中设置的种群数目，如式(5)所示，其作为参与优化的代理模型组，其中包含多个多项式组合形式：



式(5...

【专利技术属性】
技术研发人员：刘燕斌，曹瑞，沈海东，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32