CN109408941B - 基于数据挖掘和遗传算法的飞行器气动优化方法 - Google Patents
基于数据挖掘和遗传算法的飞行器气动优化方法 Download PDFInfo
- Publication number
- CN109408941B CN109408941B CN201811216160.4A CN201811216160A CN109408941B CN 109408941 B CN109408941 B CN 109408941B CN 201811216160 A CN201811216160 A CN 201811216160A CN 109408941 B CN109408941 B CN 109408941B
- Authority
- CN
- China
- Prior art keywords
- optimization
- genetic algorithm
- rules
- aircraft
- pneumatic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002068 genetic effect Effects 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 238000007418 data mining Methods 0.000 title claims abstract description 15
- 238000013461 design Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 239000012530 fluid Substances 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000003066 decision tree Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 abstract 1
- 230000004927 fusion Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据挖掘和遗传算法的飞行器气动优化方法，用于解决使用传统遗传算法进行气动优化时收敛速度缓慢的问题，且该方法在最终优化进行阶段无需人工干预，能实现自动迭代计算，提高了优化效率。技术方案为首先通过半经验估算的方法获取设计样本库，然后对样本库进行数据挖掘，利用聚类分析、方差分析和决策树分析获取高可信度的优化规则，再将这些规则作为先验知识融合到遗传算法中，具体表现为根据先验规则对交叉规则、变异规则进行动态设置，最后将融合改进后的遗传算法用于基于高精度流体仿真的气动优化，获取优异的设计参数。相较于传统的基于遗传算法的优化方法，本发明大大提高了收敛速度，对飞行器气动优化具有很大的工程价值。
Description
技术领域
本发明属于飞行器工程技术领域，特别涉及一种基于数据挖掘和遗传算法的飞行器气动优化方法。
背景技术
气动优化是指飞行器各主要部件的外形和相对位置的设计，需要在满足给定的约束条件下，获取气动性能最优的设计方案。遗传算法是一种常用的气动优化方法，具有较好的全局优化能力，适用于复杂的多极值优化问题，但是收敛速度较为缓慢，尤其是与耗时的高精度流体仿真相结合进行气动优化时，该缺点更为凸显。
遗传算法的衍生类型很多，相较于原始的遗传算法在寻优能力和收敛速度方面也有一定的提升，但收敛速度还是不够令人满意，究其原因主要是没有先验知识的加入和利用，由于初始种群的性能对遗传算法的性能有很大的影响，所以工程上常用的加快收敛速度的方法是人为地将性能较优的个体作为先验知识加入种群，该方法虽然有效，但对高维度的优化问题来说，获取性能较优的个体本身也较为困难，而且人为修改种群的操作会大大降低整个优化过程的效率。综上，现有的遗传算法没有能够充分提取和利用气动优化领域内的先验知识，使得优化过程的收敛速度不够理想。
发明内容
为了解决现有遗传算法在气动优化的运用中不能充分利用先验知识、导致收敛速度慢的问题，本发明提出了一种基于数据挖掘和遗传算法的飞行器气动优化方法，且该方法在最终优化进行阶段无需人工干预，能实现自动迭代计算，提高了优化效率。该方法针对给定的气动优化问题，首先通过数据挖掘的方法从半经验估算方法中提取优化规则作为先验知识，然后将这些优化规则融入到遗传算法中加以利用，具体表现为交叉规则、遗传规则的动态设置，在先验知识的帮助下，优化算法的收敛速度大大加快，且由于半经验估算方法的计算速度远远快于高精度流体仿真，所以数据挖掘环节花费的时间基本可以忽略，对基于高精度流体仿真的气动优化具有很大的工程价值。
本发明解决飞行器气动优化问题所采用的技术方案：一种基于数据挖掘和遗传算法的飞行器气动优化方法，其特点包括以下步骤：
步骤一，建立飞行器气动外形的参数化方法，选取参数化后的参数作为设计变量。参数化方法为根据给定的优化问题，选取能确定飞行器气动外形的几何参数，以飞行器翼面优化为例，包括翼展、翼尖弦长、翼根弦长、翼面前缘后掠角度等；
步骤二，针对给定的气动优化问题，通过试验设计的方法在设计空间中采样，使样本充分分布在设计空间中，然后使用具有高可信度的估算方法计算这些样本的气动性能，从而建立估算样本数据库；
步骤三，对估算样本库进行数据挖掘，首先使用方差分析来获取不同设计参数对设计结果的影响，接着使用聚类分析的方法将样本数据离散化，得到估算样本的聚类数据库，然后使用决策树方法对聚类数据库进行处理，提取具有高可信度的优化规则，形成优化规则库；
步骤四，将上一步提取的优化规则与遗传算法进行融合，用于指导遗传过程的交叉和变异环节，具体分为两个方面，一是根据个体状态和匹配规则动态设置交叉、变异的概率，二是根据匹配的优化规则动态地选择个体变异的方式；
步骤五，将上述融合后的遗传算法应用于基于高精度流体仿真的气动优化，通过迭代计算获取优化设计参数。
本发明的特点和有益效果在于：
1、针对给定的气动优化问题，通过数据挖掘的手段从半经验估算方法中提取了先验知识；
2、通过动态设置遗传算法的交叉、变异规则，将提取的先验知识融合到遗传算法中；
3、运用融合后的遗传算法运用到气动优化，能在保证原有全局寻优能力的同时大大提高收敛速度，并且在优化阶段排除了人工干预，大大提高了优化流程的效率，实现快速获取高精度优化设计参数的目的。
附图说明
图1是基于数据挖掘和遗传算法的气动优化方法原理图
图2是获取样本数据库并对其进行数据挖掘提取优化规则的流程图
图3是融入优化规则后的遗传算法流程图
图4是一种融合优化规则的遗传变异方法流程图
具体实施方式
下面采用实施例对本发明做进一步说明，此处所说明的软件、文件格式和平台用来提供对本发明的进一步理解，但并不因此将本发明的保护范围限制在实施例描述的范围之中。
首先选取导弹为对象对其弹翼的气动外形进行优化，优化目标为在保持气动中心基本不变的前提下提高升阻比，以翼根前缘距离弹头顶部的距离、翼展长度、翼尖弦长、翼根弦长和翼面前后缘后掠角度为设计参数进行优化。
针对上述导弹气动优化问题，在设计空间内使用拉丁超立方抽样方法进行采样，使得样本的设计参数尽量均匀地分布在整个设计空间内，然后使用半经验估算软件Missile DATCOM计算这些样本的气动性能，获得样本数据库。
为了方便后续的决策树算法进行计算处理，先要使用K-means聚类方法将数据库中的样本离散化，使用ANOVA方差分析法获取每个设计参数对气动性能结果的影响程度，然后根据粗糙集理论，使用决策树C4.5方法提取可信度90％以上的能提升气动性能的优化规则，形成规则库。
然后将提取的优化规则运用到遗传算法中，具体方法为将种群中所有个体聚类处理，然后与规则库中的规则逐条对比，找出匹配度最高的规则作为选用规则，匹配度的计算如下式所示：
式中I为个体，R为规则，wj为ANOVA分析得到的第j个设计参数权重，ij和rj分别为个体和规则的第j个设计参数，
和
分别为个体和规则设计参数的均值。
得到匹配规则后，将其运用于个体的交叉和变异，较为简单且有效的一种方式是在交叉过程中依然采用传统的交叉方式，仅对个体的变异过程进行动态设置，当个体性能较优时，采用不加限制的自由变异方式，比如按概率进行多项式变异，当个体性能不好时，则按概率根据匹配规则让设计参数进行有针对性的变异，此处采用的改进变异方法如图4所示。
根据匹配规则进行有针对性的变异如下式所示：
式中c为一个均匀分布在区间[0.9,1.1]内的随机数，
为匹配规则中第j个设计参数的聚类中心值。最后将上述融合了优化设计规则的遗传算法与高精度流体仿真相结合，进行迭代计算直到收敛，获得优化设计参数值。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，但并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的基于本发明的等效变换、等同替换和显而易见的改变等，均包含在本发明的保护范围之内。
Claims (1)
1.一种基于数据挖掘和遗传算法的飞行器气动优化方法，其特征在于包括以下步骤：
步骤一，建立飞行器气动外形的参数化方法，选取参数化后的参数作为设计变量，参数化方法为根据给定的优化问题，选取能确定飞行器气动外形的几何参数，以飞行器翼面优化为例，包括翼展、翼尖弦长、翼根弦长、翼面前缘后掠角度；
步骤二，针对给定的气动优化问题，通过试验设计的方法在设计空间中采样，然后使用具有高可信度的估算方法计算这些样本的气动性能，从而建立估算样本数据库；
步骤三，对估算样本库进行数据挖掘，首先使用方差分析来获取不同设计参数对设计结果的影响，接着使用聚类分析的方法将样本数据离散化，得到估算样本的聚类数据库，然后使用决策树方法对聚类数据库进行处理，提取具有高可信度的优化规则，形成优化规则库；
步骤四，将上一步提取的优化规则与遗传算法进行融合，用于指导遗传过程的变异环节，根据个体状态和匹配规则动态设置变异的概率和方式，当个体性能较优时，采用不加限制的自由变异方式，当个体性能不好时，则按概率根据匹配规则让设计参数进行有针对性的变异；
步骤五，将上述融合后的遗传算法应用于基于高精度流体仿真的气动优化，通过迭代计算获取优化设计参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811216160.4A CN109408941B (zh) | 2018-10-18 | 2018-10-18 | 基于数据挖掘和遗传算法的飞行器气动优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811216160.4A CN109408941B (zh) | 2018-10-18 | 2018-10-18 | 基于数据挖掘和遗传算法的飞行器气动优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109408941A CN109408941A (zh) | 2019-03-01 |
| CN109408941B true CN109408941B (zh) | 2022-06-03 |
Family
ID=65468549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811216160.4A Active CN109408941B (zh) | 2018-10-18 | 2018-10-18 | 基于数据挖掘和遗传算法的飞行器气动优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109408941B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110008639B (zh) * | 2019-04-24 | 2020-10-27 | 东莞理工学院 | 一种微型扑翼飞行器翅膀智能参数化设计方法 |
| CN110175373A (zh) * | 2019-05-10 | 2019-08-27 | 河北工业大学 | 电机优化设计方法及*** |
| CN110134007A (zh) * | 2019-05-22 | 2019-08-16 | 南昌航空大学 | 多无人机协同目标分配方法 |
| CN111967090A (zh) * | 2020-08-04 | 2020-11-20 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种优化设计空间的动态改进方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440377A (zh) * | 2013-08-27 | 2013-12-11 | 北京航空航天大学 | 基于改进并行de算法的飞行器气动外形优化设计方法 |
| US9141756B1 (en) * | 2010-07-20 | 2015-09-22 | University Of Southern California | Multi-scale complex systems transdisciplinary analysis of response to therapy |
| CN107480335A (zh) * | 2017-07-12 | 2017-12-15 | 南京航空航天大学 | 一种高超声速飞行器模型迭代设计方法 |
-
2018
- 2018-10-18 CN CN201811216160.4A patent/CN109408941B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9141756B1 (en) * | 2010-07-20 | 2015-09-22 | University Of Southern California | Multi-scale complex systems transdisciplinary analysis of response to therapy |
| CN103440377A (zh) * | 2013-08-27 | 2013-12-11 | 北京航空航天大学 | 基于改进并行de算法的飞行器气动外形优化设计方法 |
| CN107480335A (zh) * | 2017-07-12 | 2017-12-15 | 南京航空航天大学 | 一种高超声速飞行器模型迭代设计方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于分段进化的遗传算法在机翼气动外形设计上的应用;李迅等;《力学季刊》;20070615(第02期);全文 * |
| 基于遗传算法及Hicks-Henne型函数的层流翼型优化设计;许平等;《空军工程大学学报(自然科学版)》;20090215(第01期);全文 * |
| 遗传算法及其在数据挖掘中的应用;徐波;《电脑编程技巧与维护》;20100218(第04期);全文 * |
| 遗传算法在机翼气动外形优化中的应用研究;彭鑫 等;《中国自动化学会***仿真专业委员会 会议论文集》;20120811;第14卷;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109408941A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109408941B (zh) | 基于数据挖掘和遗传算法的飞行器气动优化方法 | |
| CN110188228B (zh) | 基于草图检索三维模型的跨模态检索方法 | |
| CN107391891B (zh) | 一种基于模型融合方法的大展弦比机翼优化设计方法 | |
| CN106934074B (zh) | 全局最优涡扇发动机进气道减噪设计方法 | |
| CN110334449A (zh) | 一种基于在线代理模型算法的翼型快速设计方法 | |
| CN112464366B (zh) | 基于数据挖掘的自主水下航行器多保真度外形优化方法 | |
| CN104834772A (zh) | 基于人工神经网络的飞机翼型/机翼反设计方法 | |
| CN111062425A (zh) | 基于c-k-smote算法的不平衡数据集处理方法 | |
| CN108459993B (zh) | 基于快速追峰采样的复杂高维***优化方法 | |
| CN113435108A (zh) | 一种基于改进的鲸鱼优化算法的战场目标分群方法 | |
| CN114154275A (zh) | 基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法 | |
| CN113657029B (zh) | 异源数据驱动的飞行器高效近似优化方法 | |
| CN114036650B (zh) | 非轴对称自然层流短舱反设计方法及自然层流短舱 | |
| CN115358001A (zh) | 一种飞翼布局飞行器前缘半径气动隐身综合优化的方法 | |
| CN114077771A (zh) | 气动外形反设计方法 | |
| Lane et al. | A surface parameterization method for airfoil optimization and high lift 2D geometries utilizing the CST methodology | |
| CN112926132B (zh) | 一种考虑三维效应影响下的固定翼翼型气动外形设计方法 | |
| CN109325241B (zh) | 基于一致性计算的翻译机器人优选方法及其计算机*** | |
| CN110889898B (zh) | 适于单一航空导管外形的建模方法 | |
| CN111310282A (zh) | 一种适用于高原环境的直升机旋翼翼型生成方法及*** | |
| CN106971023B (zh) | 基于超椭圆曲线的轮盘异型孔结构设计方法 | |
| CN105260498B (zh) | 一种大型民机机翼变弯度设计方法 | |
| CN113626935B (zh) | 一种高巡航效率跨音速月形机翼设计方法 | |
| CN115489751A (zh) | 宽速域高超声速飞行器翼型多目标优化设计方法及折中翼型 | |
| Sasaki et al. | Navier-Stokes optimization of supersonic wings with four design objectives using evolutionary algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |