一种基于深度学习的多精度优化算法实现气动优化设计的方法技术

本发明专利技术提供一种基于深度学习的多精度优化算法实现气动优化设计的方法，通过利用多精度深度神经网络结合并行加点方法来实现复杂的气动外形优化设计。该多精度深度神经网络(MFDNN)可以在不需要任何先验知识的情况下，自适应地学习低精度数据集和高精度数据集之间的线性关系或者非线性关系。同时利用PSO对代理模型进行全局寻优，找到当前最优解用于高精度数据集的更新样本点提高代理模型的优化精度；对于低精度数据集则通过求取样本点之间的欧氏距离来衡量样本点之间的距离，对缺乏样本点位置进行更新，从而生成在整个设计域中分布均匀的样本点。该方法通用性好，实现简单，应用该方法进行飞行器气动外形优化设计，飞行器的气动性能有显著的提升。

【技术实现步骤摘要】
一种基于深度学习的多精度优化算法实现气动优化设计的方法
本专利技术涉及一种基于深度学习的多精度优化算法实现气动优化设计的方法，可以高效地对翼型或者整机进行气动外形优化设计，属于全局优化算法技术和飞行器外形设计领域。
技术介绍
随着飞行器优化设计技术的发展，使用优化算法和CFD(ComputationalFluidDynamics)计算技术获得了长足的发展。CFD计算受限于计算机硬件，使得CFD计算的速度难以提升。故研究者主要关注在优化算法效率的提升，目前针对飞行器气动优化设计的方法主要包括：基于梯度的优化方法、基于无梯度智能优化方法和基于代理模型的优化方法。其中代理模型不需要梯度信息，目标函数计算次数相对于无梯度优化算法有大幅度减少，且具有一定的全局优化能力等优点在复杂工程优化问题中广泛应用。基于代理模型的优化方法主要由两部分组成：代理模型和加点准则。对于代理模型，由于高精度的CFD计算会花费大量的时间，使得传统的单精度代理模型的优化速度难以提升。故目前通过引入一些低精度的计算结果来提高代理模型的精度受到了众多研究者的关注。...

【技术保护点】
1.一种基于深度学习的多精度优化算法实现气动优化设计的方法，其特征在于，该方法具体包括：/n步骤S1：采用拉丁超立方取样(LHS)从机翼设计空间中生成样本点并进行归一化处理，归一化后分别组成高精度训练数据集X

【技术特征摘要】
1.一种基于深度学习的多精度优化算法实现气动优化设计的方法，其特征在于，该方法具体包括：
步骤S1：采用拉丁超立方取样(LHS)从机翼设计空间中生成样本点并进行归一化处理，归一化后分别组成高精度训练数据集Xhi和低精度训练数据集Xlo；其中，所述机翼设计空间包括机翼剖面形状的几何参数和机翼平面形状的几何参数，每个参数的边界值为该参数对应的待优化机翼基准模型的基准值±扰动值，所述扰动值不大于基准值的百分之10。生成的每个样本点包括机翼剖面形状的几何参数和机翼平面形状的几何参数，共同表示一个飞行器机翼的几何外形；
步骤S2，并行计算高精度数据集和低精度数据集的气动力系数，其中，和分别表示高精度数据集和低精度数据集的所需优化的一个或多个气动力系数；
步骤S3，构建初始的多精度深度神经网络代理模型并训练。所述多精度深度神经网络代理模型由三个全连接神经网络组成。其中第一个神经网络NNL(x,θ)用于拟合低精度数据，输入为低精度数据集Xlo，输出为ylo，第二个和第三个神经网络分别用于拟合低精度气动力系数和高精度气动力系数之间的线性Fl和非线性Fnl关系，它们均以第一个神经网络NNL(x,θ)的输出ylo作为第一个输入，辅以高精度数据集Xhi作为第二个输入，最后通过α拟合得到高精度气动力系数，该多精度深度神经网络代理模型由下式表示：
yhi＝αFl(x,ylo)+(1-α)Fnl(x,ylo),α∈[0,1]
其中，α为该模型的超参数，x为该模型的输入变量，θ,βi,i＝1,2分别为三个神经网络的超参数。
步骤S4，通过粒子群优化算法(PSO)对当前的多精度深度神经网络代理模型进行全局优化。寻找当前代理模型的最优解Xop，其中，优化时待预测的输入变量x同时输入于训练好的三个神经网络；
步骤S5，将Xop作为高精度数据集的更新样本点加入到高精度数据集中；
步骤S6，通过低精度的加点准则得到低精度更新样本点Xlo,update，将更新的低精度样本点添加到低精度数据集中；
步骤S7，并行计算高精度更新的样本点Xop和低精度更新的样本点Xlo,u...

【专利技术属性】
技术研发人员：张鑫帅，季廷炜，谢芳芳，朱灶旭，郑耀，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33