【技术实现步骤摘要】
本专利技术属于船型设计领域，提供了一种基于迁移学习的代理辅助量子粒子群优化(tlsa-qpso)方法。
技术介绍
1、随着计算机技术的发展，计算机辅助设计方法已广泛应用于许多工业领域。在船型设计领域，基于仿真的设计方法(simulation-based design,sbd)近年来逐渐取代了如船模实验等基于物理实验的方法，发挥了重要作用。sbd方法将计算流体动力学(cfd)等数值模拟技术与优化技术相结合算法寻找一组特定船舶的最优设计参数，使船舶能够达到令人满意的某一性能。与基于物理实验的方法相比，sbd方法确实成本更低，更节省时间。然而，单次cfd模拟仍然非常耗时，并且在优化过程中应用cfd技术对候选者进行评估时可能会花费大量时间。这种只能基于从昂贵的物理实验、真实事件或复杂的数值模拟中收集的数据进行的优化被称为数据驱动的昂贵优化。与可以通过解析数学函数来评估的昂贵优化相比，数据驱动的昂贵优化显然受到更多因素的影响，因此可能会更昂贵或计算成本更高。此外，当使用基于群体的启发式算法(如遗传算法(ga)和粒子群优化(pso))作为优化器时，这种现象会更加严重，尽管这些搜索算法对典型的“黑箱”问题——船体形状设计是有效的。为了提高求解数据驱动的昂贵优化问题的效率，提出了代理辅助优化算法(sao)。sao算法首先在可行区域内基于样本构建一个或多个代理来捕获问题的适应度景观，然后使用低成本的代理来替代优化过程中耗时的评估。大量研究都使用了离线sao，其中替代模型不会更改，因此在搜索过程中无需进行昂贵的评估。然而，离线sao仅适用于维度不多
2、本专利技术提出了一种基于迁移学习的代理辅助量子粒子群优化(tlsa-qpso)方法来解决船体形状设计问题。与现有的大多数用于船体形状设计的sao相比，基于新的船体参数表示，tlsa-qpso可以利用两阶段tradaboost.r2构建代理。结合在线代理更新策略和粒子转移方案，tlsa-qpso可以在整个优化过程中仅需少量样本进行cfd模拟，从而获得良好的代理拟合度。这可以有效节省计算时间并实现良好的算法性能，特别是对于相对高维的问题。此外，该方法还具有较好的通用性。正如实验结果所示，它可以应用于各种船体的优化，并且当仅在船体的某一部分收集样本时，可以用于优化船体的特定部分。
技术实现思路
1、本专利技术提出了一种基于迁移学习的代理辅助量子粒子群优化(tlsa-qpso)方法，用于船体形状设计问题。首先，利用两种不同类型的船体形状参数表示的样本，通过实施两阶段tradaboost.r2迁移学习算法构建代理模型。这两种参数表示分别基于船舶尺度系数(用作源域)和几何参数(用作目标域)。其次，我们提出了一种代理模型更新策略，定期将当前最佳估计适应度值和最大不确定性的两个cfd模拟位置分别添加到目标域，以重构替代模型。最后，采用了结合粒子迁移方案的改进量子粒子群优化(qpso)算法作为优化器，以使其更好地适应替代模型的重构。
2、本专利技术的技术方案：
3、基于迁移学习的船体外形设计代理辅助优化方法，步骤如下：
4、步骤1：船体外形设计代理辅助优化方法的输入包括：由公开船模实验数据集组成的源域数据ds、由目标域船型数据集组成的无标签样本s1到用于表示昂贵函数或cfd仿真计算过程的f(·)、目标域数据的特征空间维度d、粒子群优化过程的粒子数m和连续优化过程的迭代次数t。源域数据ds中的样本是含标签的，仅含有船舶尺度系数一类参数；目标域船型数据集中的无标签样本包括船舶尺度系数和几何参数两类参数。
5、步骤2：使用f(·)计算目标域船型数据集中不同船型样本的总阻力系数ct即f(s1)到无标签样本s1到以及总阻力系数ct构成完整的目标域数据dt0，目标域数据特征空间的维度为d＝dg+dd，其中，基于几何参数的特征空间为dg维，基于船体尺度系数的特征空间为dd维。
6、步骤3：构建基于ds和dt0的初始代理模型将步骤6的粒子群优化轮次n初始化为0。其中代理模型使用基于tradaboost和adaboost.r2的两阶段tradaboost.r2算法实现，在两个阶段调整样本的权重。在第一阶段，仅逐渐向下调整源实例的权重直至达到某下限值，该下限值通过f倍交叉验证确定。在第二阶段，目标实例的权重按adaboost.r2算法中的正常方式更新，源实例的权重保持不变。
7、步骤4：初始化每个粒子xn,i,0，并通过代理模型评估适应度值
8、步骤5：初始化每个粒子的个体最佳位置pn,i,0并找到全局最佳位置gn,0。
9、步骤6：判断是否|f(gn,t)-f(gn-1,t)|>ε时，其中，ε为设定的阈值精度，用于判断本轮优化结果的适应度值f(gn,t)与上一轮循环优化结果的适应度值f(gn-1,t)的差值大小，当差值大于ε时，循环执行步骤7至步骤16，否则输出优化结果gn,t。
10、步骤7：对于迭代次数t从1到t进行循环，对于粒子i从1到m进行循环，对于粒子分量j从1到d进行循环。
11、步骤8：在步骤7的循环中更新粒子xn,i,t+1。其中粒子更新过程具体使用qpso算法实现，第t次迭代中第i个粒子的位置可以表示为然后，每个粒子的第j个分量应根据方程更新，其中是每个粒子的局部吸引子，pi,n的每个维度由公式给出，收缩-扩张系数α被设计用于控制qpso算法的收敛速度，是所有粒子的pbest位置的平均值，和是在区间(0,1)上的两个不同的随机数。
12、步骤9：在步骤7的循环中，每轮使用步骤8更新完粒子后评估适应度值并更新pn,i,t和gn,t。其中每个粒子的个体最佳(pbest)位置pn,i,t记录了粒子i自初始化以来找到的最佳先前位置，全局最佳(gbest)位置gn,t是当前迭代中所有个体最佳位置中的最佳位置。
13、步骤10：从所有粒子中找出在其和f(·)之间具有最大差异的粒子，作为具有最大不确定性的xumax粒子。与其他粒子相比，将xumax添加到dtn+1可以显著提高代理对群体分布区域的拟合精度。
14、步骤11：计算f(gn,t)和f(xumax)。
15、步骤12：更新dtn+1＝dtn∩gn,t∩xumax。选择加入本文档来自技高网...
【技术保护点】
1.基于迁移学习的船体外形设计代理辅助优化方法，其特征在于，步骤如下：
【技术特征摘要】
1.基于迁移学习的船体外形设计代理辅...
【专利技术属性】
技术研发人员：李超，安畅，孙俊，金建海，白亚强，刘凯，吴小俊，方伟，单敏，
申请(专利权)人：江南大学，
类型：发明
国别省市：
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。