本發(fā)明涉及模型優(yōu)化領(lǐng)域，特別是一種種群預(yù)篩和空間約減的代理模型輔助優(yōu)化方法。

背景技術(shù)：

1、發(fā)動(dòng)機(jī)控制規(guī)律的設(shè)計(jì)直接影響發(fā)動(dòng)機(jī)在不同工況下的綜合表現(xiàn)，優(yōu)化合理的控制策略能夠有效提升發(fā)動(dòng)機(jī)性能，還能確保發(fā)動(dòng)機(jī)在穩(wěn)定和安全的條件下運(yùn)行。發(fā)動(dòng)機(jī)的主要控制變量通常包括軸轉(zhuǎn)速和可調(diào)幾何變量。對(duì)于以變循環(huán)為特征的發(fā)動(dòng)機(jī)構(gòu)型方案而言，可調(diào)幾何變量眾多，這為控制規(guī)律的設(shè)計(jì)帶來(lái)了顯著的挑戰(zhàn)。

2、當(dāng)前，關(guān)于發(fā)動(dòng)機(jī)控制規(guī)律設(shè)計(jì)的研究多采用研究人員手動(dòng)調(diào)試的方法。這種方法要求設(shè)計(jì)人員具備較高的專業(yè)知識(shí)，需深入理解各控制變量對(duì)發(fā)動(dòng)機(jī)性能的影響，并綜合調(diào)整以避免超溫、超轉(zhuǎn)和喘振等風(fēng)險(xiǎn)。然而，這一過(guò)程繁瑣且需要反復(fù)迭代設(shè)計(jì)參數(shù)和部件特性，嚴(yán)重影響了設(shè)計(jì)效率。為此，一些研究引入優(yōu)化算法實(shí)現(xiàn)控制規(guī)律的自動(dòng)優(yōu)化設(shè)計(jì)。然而，優(yōu)化算法在選擇目標(biāo)函數(shù)評(píng)價(jià)時(shí)需要從大量候選解中篩選出少數(shù)具有競(jìng)爭(zhēng)力的解，這一過(guò)程需要頻繁調(diào)用發(fā)動(dòng)機(jī)性能仿真模型進(jìn)行目標(biāo)函數(shù)的評(píng)估，從而導(dǎo)致巨大的計(jì)算開銷。

3、主流研究主要采用以下兩類解決途徑：其一是對(duì)優(yōu)化算法進(jìn)行改進(jìn)，包括采用不同的優(yōu)化策略、引入自適應(yīng)變異算子、增加優(yōu)化邊界約束等。盡管通過(guò)各種增強(qiáng)技術(shù)在計(jì)算效率方面取得了一定進(jìn)展，但在不降低算法魯棒性的前提下，仍難以顯著減少計(jì)算成本；其二是利用代理模型近似發(fā)動(dòng)機(jī)性能仿真模型，以加快目標(biāo)函數(shù)的計(jì)算速度。然而，該類方法在應(yīng)用于航空發(fā)動(dòng)機(jī)性能仿真優(yōu)化中仍面臨較大局限和不足。具體而言，雖然采用代理模型直接替代發(fā)動(dòng)機(jī)性能仿真模型能夠大幅降低計(jì)算量，但代理模型不可避免的預(yù)測(cè)誤差可能導(dǎo)致優(yōu)化結(jié)果偏離最優(yōu)解。

4、高效全局優(yōu)化方法(ego)是代理模型在優(yōu)化問(wèn)題應(yīng)用中的進(jìn)一步發(fā)展。ego通過(guò)合理構(gòu)造加點(diǎn)策略，不斷更新代理模型的局部精度，從而逐步逼近局部或全局最優(yōu)解。然而，在優(yōu)化過(guò)程中，ego需要反復(fù)調(diào)用高成本的仿真模型進(jìn)行樣本點(diǎn)的補(bǔ)充，并不斷更新和訓(xùn)練代理模型。這種反復(fù)的計(jì)算過(guò)程帶來(lái)了額外的計(jì)算消耗，甚至可能抵消代理模型替代仿真模型所帶來(lái)的效率提升。

5、綜上所述，盡管當(dāng)前研究在發(fā)動(dòng)機(jī)控制規(guī)律的優(yōu)化設(shè)計(jì)方面取得了一定進(jìn)展，但在兼顧優(yōu)化精度和提高優(yōu)化效率方面仍存在較大提升空間。因此，亟需研究一種新的發(fā)動(dòng)機(jī)控制規(guī)律優(yōu)化設(shè)計(jì)方法，在不降低算法魯棒性、精確性的情況下顯著降低計(jì)算成本，從而滿足發(fā)動(dòng)機(jī)控制規(guī)律的優(yōu)化設(shè)計(jì)需求。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述問(wèn)題，基于現(xiàn)有技術(shù)的缺陷和不足，本發(fā)明旨在提供本發(fā)明的關(guān)鍵技術(shù)是提出了一種種群預(yù)篩和空間約減的代理模型輔助優(yōu)化算法，基于該方法可實(shí)現(xiàn)發(fā)動(dòng)機(jī)控制規(guī)律的快速自動(dòng)優(yōu)化設(shè)計(jì)。本發(fā)明包括發(fā)動(dòng)機(jī)總體性能代理模型和輔助代理模型的訓(xùn)練應(yīng)用、對(duì)初始種群的預(yù)篩和優(yōu)化空間約減操作，以及整個(gè)控制規(guī)律設(shè)計(jì)方法的程序算法流程。

2、種群預(yù)篩和空間約減的代理模型輔助優(yōu)化算法包括以下步驟：

3、s1、針對(duì)發(fā)動(dòng)機(jī)構(gòu)型特點(diǎn)，選取參與控制規(guī)律優(yōu)化設(shè)計(jì)的發(fā)動(dòng)機(jī)控制規(guī)律變量定義為自變量，確定自變量的初步優(yōu)化區(qū)間ivrange；

4、s2、以自變量和發(fā)動(dòng)機(jī)工況為輸入量，以發(fā)動(dòng)機(jī)性能為輸出量，訓(xùn)練生成發(fā)動(dòng)機(jī)總體性能代理模型；

5、以自變量和發(fā)動(dòng)機(jī)工況作為輸入變量，以發(fā)動(dòng)機(jī)仿真模型迭代求解收斂獲得的猜值向量x為輸出變量，訓(xùn)練生成輔助代理模型；

6、s3、基于自變量的初步優(yōu)化區(qū)間ivrange，結(jié)合發(fā)動(dòng)機(jī)總體性能代理模型，進(jìn)行優(yōu)化算法初始種群的創(chuàng)建和預(yù)篩得到預(yù)篩初始種群；

7、s4、根據(jù)預(yù)篩初始種群的個(gè)體特征，對(duì)初步優(yōu)化區(qū)間進(jìn)行約減得到約減優(yōu)化區(qū)間；

8、s5、基于預(yù)篩初始種群和約減優(yōu)化區(qū)間，選取目標(biāo)適應(yīng)度驅(qū)動(dòng)的種群優(yōu)化算法，執(zhí)行算法的優(yōu)化搜索步驟結(jié)合輔助代理模型對(duì)發(fā)動(dòng)機(jī)總體性能代理模型完成輔助優(yōu)化。

9、優(yōu)選的，s1中控制規(guī)律變量包括軸轉(zhuǎn)速和可調(diào)幾何變量，初步優(yōu)化區(qū)間為控制規(guī)律變量的上下界，表達(dá)式為：

10、

11、其中，m為自變量個(gè)數(shù)，iv1為第1個(gè)自變量，iv2為第2個(gè)自變量，ivm為第m個(gè)自變量，ivm為ivm的下界，為ivm的上界。

12、優(yōu)選的，s3中基于給定的自變量初步優(yōu)化區(qū)間，結(jié)合發(fā)動(dòng)機(jī)總體性能代理模型，進(jìn)行優(yōu)化算法初始種群的創(chuàng)建和預(yù)篩的具體內(nèi)容為：

13、s301、采用拉丁超立方抽樣方法，在自變量的初步優(yōu)化區(qū)間ivrange內(nèi)生成含n*p個(gè)個(gè)體的待預(yù)篩種群，其中n表示預(yù)篩倍數(shù)，p表示標(biāo)準(zhǔn)優(yōu)化種群的個(gè)體數(shù)量；

14、s302、根據(jù)優(yōu)化目標(biāo)與約束條件，構(gòu)建目標(biāo)適應(yīng)度函數(shù)評(píng)價(jià)公式fit＝f(p)，其中p為發(fā)動(dòng)機(jī)總體性能，fit為個(gè)體目標(biāo)適應(yīng)度。

15、s303、基于發(fā)動(dòng)機(jī)總體性能代理模型，計(jì)算種群中每個(gè)個(gè)體對(duì)應(yīng)的發(fā)動(dòng)機(jī)性能，進(jìn)而基于目標(biāo)適應(yīng)度函數(shù)評(píng)價(jià)公式對(duì)種群內(nèi)所有個(gè)體進(jìn)行目標(biāo)適應(yīng)度評(píng)估得到目標(biāo)適應(yīng)度值；

16、s304、將預(yù)篩種群內(nèi)個(gè)體按照目標(biāo)適應(yīng)度值進(jìn)行從低到高進(jìn)行排序，選取適應(yīng)度值排名靠前的p個(gè)個(gè)體。

17、優(yōu)選的，s4中根據(jù)預(yù)篩初始種群的個(gè)體特征，對(duì)初步優(yōu)化區(qū)間進(jìn)行約減得到約減優(yōu)化區(qū)間的具體內(nèi)容為：

18、根據(jù)預(yù)篩初始種群的個(gè)體中自變量的極值即個(gè)體特征，更新初步優(yōu)化區(qū)間的上下界，并引入松弛項(xiàng)rj/k進(jìn)行調(diào)整，其中，更新表達(dá)式為：

19、

20、ivj'＝max(min(iv1,j,iv2,j,...,ivp,j)-rj/k,ivj),j＝1,2,...,m

21、

22、其中，為第j個(gè)自變量的新上界，ivj'為第j個(gè)自變量的新下界，iv1,j為第1個(gè)個(gè)體的第j個(gè)自變量，iv2,j為第2個(gè)個(gè)體的第j個(gè)自變量，ivp,j為第p個(gè)個(gè)體的第j個(gè)自變量，rj為第j個(gè)自變量的初步優(yōu)化區(qū)間長(zhǎng)度，k為優(yōu)化區(qū)間長(zhǎng)度的等分份數(shù)，一般取20左右。

23、優(yōu)選的，約減優(yōu)化區(qū)間的表達(dá)式為：

24、

25、其中，ivrange'為約減優(yōu)化區(qū)間，ivm'為ivm的約減后的新下界，為ivm的約減后的新上界。

26、優(yōu)選的，s5中執(zhí)行算法的優(yōu)化搜索步驟中具體內(nèi)容為：

27、利用輔助代理模型預(yù)測(cè)新個(gè)體自變量所對(duì)應(yīng)的猜值向量x；

28、將其作為發(fā)動(dòng)機(jī)性能仿真模型的初始猜值，求解獲得發(fā)動(dòng)機(jī)性能并根據(jù)目標(biāo)適應(yīng)度函數(shù)fit＝f(p)計(jì)算得到目標(biāo)適應(yīng)度值；

29、當(dāng)滿足優(yōu)化算法的終止條件時(shí)，優(yōu)化過(guò)程結(jié)束。

30、綜上所述，本技術(shù)以傳統(tǒng)發(fā)動(dòng)機(jī)性能優(yōu)化算法為改進(jìn)基礎(chǔ)，解決一種自適應(yīng)循環(huán)航空發(fā)動(dòng)機(jī)的控制規(guī)律優(yōu)化問(wèn)題，但本發(fā)明的方法適用對(duì)象為多種目標(biāo)適應(yīng)度驅(qū)動(dòng)的種群優(yōu)化算法和不同構(gòu)型的航空發(fā)動(dòng)機(jī)。與現(xiàn)有的發(fā)動(dòng)機(jī)控制規(guī)律優(yōu)化設(shè)計(jì)方法相比，本發(fā)明方案有如下優(yōu)勢(shì)：

31、1、本發(fā)明的方法能夠?qū)崿F(xiàn)發(fā)動(dòng)機(jī)控制規(guī)律的自動(dòng)優(yōu)化設(shè)計(jì)，避免了手動(dòng)調(diào)節(jié)設(shè)計(jì)控制規(guī)律的繁瑣和低效。同時(shí)，相較于傳統(tǒng)優(yōu)化方法，在不降低算法魯棒性和精確性的前提下，顯著降低了計(jì)算成本，提高了控制規(guī)律優(yōu)化設(shè)計(jì)的效率。

32、2、本發(fā)明所提出的優(yōu)化算法改進(jìn)具有良好的通用性，能夠靈活應(yīng)用于不同發(fā)動(dòng)機(jī)構(gòu)型的各種控制規(guī)律優(yōu)化問(wèn)題，并可基于多種目標(biāo)適應(yīng)度驅(qū)動(dòng)的種群優(yōu)化算法進(jìn)行適應(yīng)性改進(jìn)。

33、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方法做進(jìn)一步的詳細(xì)描述。