基于生成拓扑映射的气动全局优化方法、存储介质及终端技术

本发明专利技术公开了基于生成拓扑映射的气动全局优化方法、存储介质及终端，属于全局气动优化技术领域，本发明专利技术以生成拓扑映射模型替代现有代理模型，极大减少了流场求解次数，提高了设计效率；其次，生成拓扑映射模型将高维设计变量映射到低维隐空间，优化算法在隐空间进行寻优，变量维度极大降低，由于优化算法种群数目与优化变量直接相关，种群数目急剧降低，进一步提升了优化效率；再者，相较于常规代理模型的样本集不断增大，训练时间随之增大，本发明专利技术生成拓扑映射的训练样本数目不断更新但总数保持不变，模型训练时间始终保持在较低水平，以此保证了较高的设计效率。

【技术实现步骤摘要】
基于生成拓扑映射的气动全局优化方法、存储介质及终端
本专利技术涉及全局气动优化
，尤其涉及基于生成拓扑映射的气动全局优化方法、存储介质及终端。
技术介绍
飞行器气动外形优化设计方法将气动外形设计问题转化为最优化数学问题，并利用数值手段进行求解，大大提高了飞行器气动设计的自动化程度。气动设计的优化方法大致可以分为梯度优化方法，非梯度优化方法，以及基于代理模型的优化方法。基于梯度的搜索算法需要求出目标函数对每一设计变量的导数，获得逼近目标的梯度，根据这个梯度确定搜索方向得到目标函数的极大值或极小值，重复这一过程直到满足设计要求。然而梯度法是一种局部最优化方法，即初始点对优化结果有较大的影响，要获得更好的最优解必须有较好的初始点。非梯度法是一种全局最优化方法，此类方法在优化过程中需要大量调用费时的流动求解器，使得计算量非常巨大，特别是对于复杂的三维气动优化问题。即使利用大规模计算资源，进行一个三维优化设计算例，耗费时间可达数月，是让人难以接受的设计周期。基于代理模型的优化方法也属于全局优化范畴，优势是可以通过较少的试验获得设计变量与性能关系的数学表达式。代理模型方法在变量数较多时（设计变量数目大于20），需要的试验次数也急剧增多，同时代理模型的精度更难以保证。综上所述，全局气动优化设计方法目前存在需要大量流场解算的缺陷，设计效率低，难以满足工程需求，亟需一种高效的全局优化方法。
技术实现思路
本专利技术的目的在于克服现有全局气动优化方法寻优难度大、设计效率低的问题，提供了基于生成拓扑映射的气动全局优化方法、存储介质及终端。本专利技术的目的是通过以下技术方案来实现的：基于生成拓扑映射的气动全局优化方法，包括以下步骤：获取气动外形的设计变量的训练样本集，以及各训练样本对应的目标函数集合；基于训练样本集及目标函数集合建立生成拓扑映射模型，以将高维空间设计变量及目标函数值映射至低维隐空间；利用遗传算法和/或梯度优化法在所述生成拓扑映射模型上寻优，得到位于隐空间的最优点；利用最优点更新训练样本集及目标函数集合，并重构生成拓扑映射模型，直至得到收敛的全局最优解。在一示例中，所述训练样本集为基于外形的设计变量的优势样本集的一部分，基于优势样本建立的气动外形的气动性能优于基于其他样本建立的气动外形的气动性能，且优势样本集存在低维流形结构，具备映射到低维隐空间的基础。在一示例中，所述基于训练样本集及目标函数集合建立生成拓扑映射模型包括：将训练样本集与目标函数集合合并为高维数据集；采用非线性转换将高维数据集映射至低维隐空间的多个隐变量，得到生成拓扑映射模型。在一示例中，所述建立生成拓扑映射模型还包括：根据高维数据集与构成映射的高维空间设计变量的误差分布、高维数据的逆方差计算高维空间设计变量的似然值，根据所述似然值监测生成拓扑映射模型的收敛程度。在一示例中，所述高维空间设计变量的似然值的计算公式为：其中，表示高维空间设计变量t的似然值；表示转换矩阵；表示高维空间的设计变量的逆方差；K表示隐空间均匀分布的隐变量点数目；表示在隐空间点已知情况下，高维空间数据的分布概率。在一示例中，所述利用最优点更新训练样本集及目标函数集合步骤前还包括：将隐空间的最优点映射至高维空间，并利用流场求解器进行校正。在一示例中，所述利用遗传算法和梯度优化法在生成拓扑映射模型上寻找最优点时：采用遗传算法的当前最优点作为梯度算法的起始点。在一示例中，所述利用最优点更新训练样本集及目标函数集合具体包括：利用最优点替换高维空间中气动性能最差的一个或两个训练样本点、目标函数值。需要进一步说明的是，上述各示例对应的技术特征可以相互组合或替换构成新的技术方案。本专利技术还包括一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一示例或多个示例组成形成的所述基于生成拓扑映射的气动全局优化方法的步骤。本专利技术还包括一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一示例或多个示例组成形成的所述基于生成拓扑映射的气动全局优化方法的步骤。与现有技术相比，本专利技术有益效果是：本专利技术以生成拓扑映射模型替代现有代理模型，极大减少了流场求解次数，提高了设计效率；其次，生成拓扑映射模型将高维设计变量映射到低维隐空间，优化算法在隐空间进行寻优，变量维度极大降低，由于优化算法种群数目与优化变量直接相关，种群数目急剧降低，进一步提升了优化效率；再者，相较于常规代理模型的样本集不断增大，训练时间随之增大，本专利技术生成拓扑映射的训练样本数目不断更新但总数保持不变，模型训练时间始终保持在较低水平，以此保证了较高的设计效率。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细的说明，此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，在这些附图中使用相同的参考标号来表示相同或相似的部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为本专利技术一示例中的方法流程图；图2为本专利技术一示例中的方法流程图；图3是本专利技术一示例中翼型优化收敛迭代过程示意图；图4是本专利技术一示例中优化前后翼型对比图；图5是本专利技术一示例中优化前后翼型压力系数对比图。具体实施方式下面结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术的描述中，需要说明的是，属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述方向或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，属于“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，属于“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。此外，下面所描述的本专利技术不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。为了克服现有飞行器全局气动优化方法设计效率低，难以工程化实用的缺点，本专利技术一示例提供了一种基于生成拓扑映射的飞行器气动全局优化方法，对SD7032翼型进行全局气动优化设计，设计状态在低雷诺数范围内，攻角为4度，雷诺数为2.6×10本文档来自技高网...

【技术保护点】
1.基于生成拓扑映射的气动全局优化方法，其特征在于：包括以下步骤：/n获取气动外形的设计变量的训练样本集，以及各训练样本对应的目标函数集合；/n基于训练样本集及目标函数集合建立生成拓扑映射模型，以将高维空间设计变量及目标函数值映射至低维隐空间；/n利用遗传算法和/或梯度优化法在所述生成拓扑映射模型上寻优，得到位于隐空间的最优点；/n利用最优点更新训练样本集及目标函数集合，并重构生成拓扑映射模型，直至得到收敛的全局最优解。/n

【技术特征摘要】
1.基于生成拓扑映射的气动全局优化方法，其特征在于：包括以下步骤：
获取气动外形的设计变量的训练样本集，以及各训练样本对应的目标函数集合；
基于训练样本集及目标函数集合建立生成拓扑映射模型，以将高维空间设计变量及目标函数值映射至低维隐空间；
利用遗传算法和/或梯度优化法在所述生成拓扑映射模型上寻优，得到位于隐空间的最优点；
利用最优点更新训练样本集及目标函数集合，并重构生成拓扑映射模型，直至得到收敛的全局最优解。


2.根据权利要求1所述基于生成拓扑映射的气动全局优化方法，其特征在于：所述训练样本集为基于外形的设计变量的优势样本集的一部分，基于优势样本建立的气动外形的气动性能优于基于其他样本建立的气动外形的气动性能。


3.根据权利要求1所述基于生成拓扑映射的气动全局优化方法，其特征在于：所述基于训练样本集及目标函数集合建立生成拓扑映射模型包括：
将训练样本集与目标函数集合合并为高维数据集；
采用非线性转换将高维数据集映射至低维隐空间，得到生成拓扑映射模型。


4.根据权利要求3所述基于生成拓扑映射的气动全局优化方法，其特征在于：所述建立生成拓扑映射模型还包括：
根据高维数据集与构成映射的高维空间设计变量的误差分布、高维数据的逆方差计算高维空间设计变量的似然值，根据所述似然值监测生成拓扑映射模型的收敛程度。


5.根据权利要求4所述基于生成拓扑映射的气动全局优化...

【专利技术属性】
技术研发人员：宋超，罗骁，蓝庆生，刘红阳，周铸，李伟斌，王跃军，
申请(专利权)人：中国空气动力研究与发展中心计算空气动力研究所，
类型：发明
国别省市：四川;51