CN115269177A - 一种发动机模型参数动态标定优化方法 - Google Patents

一种发动机模型参数动态标定优化方法 Download PDF

Info

Publication number
CN115269177A
CN115269177A CN202210794133.5A CN202210794133A CN115269177A CN 115269177 A CN115269177 A CN 115269177A CN 202210794133 A CN202210794133 A CN 202210794133A CN 115269177 A CN115269177 A CN 115269177A
Authority
CN
China
Prior art keywords
algorithm
optimized
parameters
optimization
dynamic
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.)
Pending
Application number
CN202210794133.5A
Other languages
English (en)
Inventor
冯旭栋
吴锋
童浩
刘佳琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern University of Science and Technology
AECC Sichuan Gas Turbine Research Institute
Original Assignee
Southern University of Science and Technology
AECC Sichuan Gas Turbine Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern University of Science and Technology, AECC Sichuan Gas Turbine Research Institute filed Critical Southern University of Science and Technology
Priority to CN202210794133.5A priority Critical patent/CN115269177A/zh
Publication of CN115269177A publication Critical patent/CN115269177A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种发动机模型参数动态标定优化方法，方法包括：获取待优化的目标参数，并根据待优化的目标参数及工作场景确定对应的动态优化问题；根据动态优化问题调用算法投资组合，并通过算法之间优化信息交互和共享策略更新算法投资组合中各算法的最优解；根据各算法获得的最优解确定各算法对应的优化提升，并根据确定的优化提升度向各算法分配对应的计算资源；通过分配后的算法投资组合对待优化的目标参数进行优化，并根据航空发动机仿真模型的实际输出值与期望输出值，将优化后的目标参数标定为满足性能指标的参数。本发明将算法投资组合应用到发动机参数的动态标定问题中，提高参数标定的鲁棒性和稳定性。

Description

一种发动机模型参数动态标定优化方法
技术领域
本发明涉及发动机模型校对技术领域，尤其涉及的是一种发动机模型参数动态标定优化方法。
背景技术
在航空发动机模型的校对问题上，智能优化方法被广泛运用。由于，航空发动机模型校对的工作场景数据的动态变化，导致发动机模型参数的标定成为一个动态优化问题。通常情况下，动态优化问题的目标函数的动态变化，使在动态变化之前的问题上有较好的优化效果的算法，在动态变化之后的问题上的优化效果则是大大降低。
因而，在发动机模型参数的动态标定过程中，使用单一的算法就有可能被动态变化影响，参数标定的鲁棒性难以保证。
因此，现有技术还有待改进。
发明内容
本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种发动机模型参数动态标定优化方法，以解决现有的发动机模型参数的动态标定过程中鲁棒性低的技术问题。
本发明解决技术问题所采用的技术方案如下：
第一方面，本发明提供一种发动机模型参数动态标定优化方法，包括：
获取待优化的目标参数，并根据所述待优化的目标参数及工作场景确定对应的动态优化问题；
根据所述动态优化问题调用算法投资组合，并通过算法之间优化信息交互和共享策略更新所述算法投资组合中各算法的最优解；其中，所述算法之间优化信息交互和共享策略为根据各算法对应的优化种群设置归档集，利用所述归档集共享及更新各算法的最优解；
根据各算法获得的最优解确定各算法对应的优化提升，并根据确定的优化提升度向各算法分配对应的计算资源；
通过分配后的算法投资组合对所述待优化的目标参数进行优化，并根据航空发动机仿真模型的实际输出值与期望输出值，将优化后的目标参数标定为满足性能指标的参数。
在一种实现方式中，所述获取待优化的目标参数，并根据所述待优化的目标参数及工作场景确定对应的动态优化问题，包括：
获取若干个待调节的航空发动机模型参数，得到所述待优化的目标参数；
确定所述航空发动机模型的工作场景；其中，所述工作场景为如下任意一种或组合：巡航场景、起飞场景以及着陆场景；
根据所述待优化的目标参数及所述工作场景进行建模，得到对应的动态优化问题。
在一种实现方式中，所述根据动态优化问题调用算法投资组合，并通过算法之间优化信息交互和共享策略更新所述算法投资组合中各算法的最优解，包括：
根据所述动态优化问题调用多个不同的算法，并根据调用的算法组建算法投资组合；
确定各算法对应的优化种群，设置各算法对应的归档集；
将各算法在每一次迭代中所寻找的最优解存入对应的归档集中，以更新各算法的最优解。
在一种实现方式中，所述将各算法在每一次迭代中所寻找的最优解存入对应的归档集中，之后包括：
确定各算法对应的优化种群中最差解，将所述最差解替换为对应的归档集中的最优解。
在一种实现方式中，所述根据各算法获得的最优解确定各算法对应的优化提升，并根据确定的优化提升度向各算法分配对应的计算资源，包括：
确定各算法的当前迭代中得到的最优解与上一次迭代中得到的最优解的提升度；
根据置信度上界算法及所述提升度向各算法分配对应的计算资源。
在一种实现方式中，所述根据置信度上界算法及所述提升度向各算法分配对应的计算资源，包括：
根据所述提升度确定对应算法在当前迭代中的奖励值；
将所述奖励值代入所述置信度上界算法中，赋予对应算法在当前迭代中的信度值；
根据迭代顺序更新各算法对应的信度值，并根据更新后的信度值向各算法分配对应的计算资源。
在一种实现方式中，所述置信度上界算法为：
Figure BDA0003734959830000031
Figure BDA0003734959830000032
其中，s＝Tj(n)表示算法j在前n次迭代过程中共被选择的次数；
Figure BDA0003734959830000033
为第j个算法在n次迭代后的平均收益值；
μj,t为算法j在t次被选择时的收益。
在一种实现方式中，所述通过分配后的算法投资组合对所述待优化的目标参数进行优化，并根据航空发动机仿真模型的实际输出值与期望输出值，将优化后的目标参数标定为满足性能指标的参数，包括：
通过分配后的算法投资组合对所述待优化的目标参数进行优化，得到优化后的目标参数；
将所述优化后的目标参数输入所述航空发动机仿真模型，得到对应的实际输出值；
计算所述实际输出值与所述期望输出值之间的差值，并根据优化目标函数将所述优化后的目标参数标定为满足工作场景的性能指标的参数。
第二方面，本发明还提供一种终端，包括：处理器以及存储器，所述存储器存储有发动机模型参数动态标定优化程序，所述发动机模型参数动态标定优化程序被所述处理器执行时用于实现如第一方面所述的发动机模型参数动态标定优化方法的操作。
第三方面，本发明还提供一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有发动机模型参数动态标定优化程序，所述发动机模型参数动态标定优化程序被处理器执行时用于实现如第一方面所述的发动机模型参数动态标定优化方法的操作。
本发明采用上述技术方案具有以下效果：
本发明通过获取待优化的目标参数，并根据待优化的目标参数及工作场景确定对应的动态优化问题；可以根据动态优化问题调用算法投资组合，并通过算法之间优化信息交互和共享策略更新算法投资组合中各算法的最优解；以及可以根据各算法获得的最优解确定各算法对应的优化提升，并根据确定的优化提升度向各算法分配对应的计算资源；最后，通过分配后的算法投资组合对待优化的目标参数进行优化，并根据航空发动机仿真模型的实际输出值与期望输出值，将优化后的目标参数标定为满足性能指标的参数。本发明提出了将算法投资组合概念应用到发动机参数的动态标定问题中，提出一种算法投资组合框架，满足发动机模型参数动态标定中的计算资源分配，使得针对不同工作场景的发动机模型参数标定问题的最优算法能够被分配到最大的计算资源，从而提升动态标定问题在各个阶段的优化效率，提高参数标定的鲁棒性和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明的一种实现方式中发动机模型参数动态标定优化方法的流程图。
图2是本发明的一种实现方式中航空发动机仿真模型的参数调节示意图。
图3是本发明的一种实现方式中智能优化算法的迭代示意图。
图4是本发明的一种实现方式中优化种群的最优解更新示意图。
图5是本发明的一种实现方式中终端的功能原理图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
示例性方法
航空发动机模型校对是航空发动机设计中的一个重要问题，其中，对于不同工作场景下发动机模型参数的标定可以建模为一个动态优化问题，在现有的针对动态优化问题的方法中，几乎所有方法采用的都是单一算法辅助以动态策略，即在问题的动态变化前后，采用相同的算法，并且通过一些策略，如增加多样性的方法，来提升动态问题的求解效率。但是问题的动态变化，会导致问题的目标函数发生变化，对于动态变化之前的问题有效的算法，很有可能在问题发生动态变化之后优化效率大大降低。在这种情况下，单一的智能算法就很难满足发动机参数标定中给定的工作场景的变化导致的优化目标函数的变化。
针对发动机参数动态标定问题中单一算法潜在地导致优化效率的下降这一问题，本实施例中将算法投资组合概念应用到发动机参数的动态标定问题中，提出来一种算法投资组合框架，满足发动机模型参数动态标定中的计算资源分配，使得针对不同工作场景的发动机模型参数标定问题的最优算法能够被分配到最大的计算资源，从而提升动态标定问题在各个阶段的优化效率，提高参数标定的鲁棒性和稳定性。
如图1所示，本发明实施例提供一种发动机模型参数动态标定优化方法，包括以下步骤：
步骤S100，获取待优化的目标参数，并根据所述待优化的目标参数及工作场景确定对应的动态优化问题。
在本实施例中，所述发动机模型参数动态标定优化方法应用于终端中，所述终端包括但不限于：计算机以及移动终端等设备。
航空发动机模型校对是航空发动机设计中的一个重要问题。该问题主要目标为调节一组目标参数的值，使发动机满足工作包线上各个不同场景上的性能指标，从而达到最优的输出效果。
在本实施例中，在一系列航空发动机的工作场景数据(即输入的目标参数和输出值的期望值)中，需要通过优化算法对输入的目标参数进行参数标定，最终获得一组调节后的参数；该调节后的参数可以使发动机模型在给定的工作场景下的仿真输出与这些工作场景真实实验输出数据(即输出值的期望值)保持一致，即最小化仿真输出与真实实验输出数据的误差。
具体地，在本实施例的一种实现方式中，步骤S100包括以下步骤：
步骤S101，获取若干个待调节的航空发动机模型参数，得到所述待优化的目标参数；
步骤S102，确定所述航空发动机模型的工作场景；
步骤S103，根据所述待优化的目标参数及所述工作场景进行建模，得到对应的动态优化问题。
如图2所示，在航空发动机模型校对的过程中，所设定的发动机工作场景为如下任意一种或组合：巡航模式、起飞模式以及着陆模式等情景。通过选定任意一种发动机工作场景，获取若干个待调节的航空发动机模型参数，以及获取若干个固定不可调节的航空发动机模型参数，一并输入至航空发动机仿真模型中，以根据输入的各种发动机参数进行仿真测试，从而根据测量的输出值对输入的若干个可调节的参数进行标定。
在本实施例的一种实现方式中，在航空发动机模型的仿真测试的过程中，需要输入至航空发动机仿真模型的参数包括：4个固定不可调节的航空发动机模型参数和28个可调节的航空发动机模型参数(例如，喷管推力系数、喷管流量系数以及内外涵换热系数等参数)；其中，28个可调节的航空发动机模型参数即为待优化的目标参数。
对于每一种工作场景，针对航空发动机模型的输出测量得到的参数值(测量的输出值)包括：15个测量的输出值(例如，风机外出口压力，压缩机出口压力等参数)；其中，15个测量的输出值可以作为每个工作场景的发动机性能指标。
在本实施例中，通过对输入的可调节的航空发动机模型参数进行标定，使发动机模型在给定的工作场景下的仿真输出与这些工作场景真实实验输出数据保持一致，即最小化仿真输出与真实实验输出数据的误差；具体而言，可在输入一系列的可调节的航空发动机模型参数后，得到对应的发动机输出测量值；进而，根据发动机输出测量值确定优化的目标函数，通过智能优化算法来优化输入的可调节参数。
值得一提的是，在实际的发动机参数标定过程中，不同工作场景的数据是通过实验得到。而根据实验的进行顺序，导致在不同的时间点，发动机参数标定过程所要处理的工作场景的数目不一致。这也就导致了智能优化算法在解决发动机参数标定的过程中，随着给定的工作场景的变化，所面对的优化目标也发生了变化。因而，发动机模型参数的标定可以建模为一个动态优化问题，即可以根据输入的可调节参数及工作场景进行建模，得到对应的动态优化问题。
如图1所示，在本发明实施例的一种实现方式中，发动机模型参数动态标定优化方法还包括以下步骤：
步骤S200，根据所述动态优化问题调用算法投资组合，并通过算法之间优化信息交互和共享策略更新所述算法投资组合中各算法的最优解。
在本实施例中，可以将算法投资组合概念应用到发动机参数的动态标定问题中，提出来一种算法投资组合框架，满足发动机模型参数动态标定中的计算资源分配，使得针对不同工作场景的发动机模型参数标定问题的最优算法能够被分配到最大的计算资源，从而提升动态标定问题在各个阶段的优化效率。
具体地，在本实施例的一种实现方式中，步骤S200包括以下步骤：
步骤S201，根据所述动态优化问题调用多个不同的算法，并根据调用的算法组建算法投资组合；
步骤S202，确定各算法对应的优化种群，设置各算法对应的归档集；
步骤S203，将各算法在每一次迭代中所寻找的最优解存入对应的归档集中，以更新各算法的最优解；
步骤S204，确定各算法对应的优化种群中最差解，将所述最差解替换为对应的归档集中的最优解。
在本实施例中，主要是通过算法投资组合框架实现发动机模型参数动态标定中的计算资源分配；其中，框架中的算法投资组合为一种并行的算法运行策略，通过给不同的算法分配不同的计算资源(例如，计算时间)，以此实现各种算法的效率最大化。
在本实施例的一种实现方式中，假设算法投资组合框架的算法池中一共有m个算法，那么算法投资组合主要包含三个策略：算法间优化信息的交互与共享、计算资源的动态分配、动态问题知识继承利用。
所述算法之间优化信息交互和共享策略为根据各算法对应的优化种群设置归档集，利用所述归档集共享及更新各算法的最优解，在算法间优化信息的交互与共享的策略中，由于智能优化算法之间的差异性，算法之间独立运行更能保证算法优化能力最大化。因而，在本实施例的算法投资组合框架中，算法与算法之间保持相对独立，每个算法都维护自己的优化种群(解集)。在每个算法的优化过程中，将每个算法每一代中所寻找到最优的解存入一个存档集中，即存档集中存有所有算法在每一个迭代中所寻找到的最优解。然后，对于每一个算法，用存档集中最好的解替换掉该算法所维护的解集中最差的解。
如图3所示，在智能优化算法中，智能优化算法通过个体种群的迭代来找到目标问题的最优解，每个算法都会维护一个种群(例如，粒子群算法)；一个种群由一群个体组成，一个个体代表问题的一个候选解，即每个算法的个体种群包括多个用于解决目标问题的解集；假设，在第n代种群迭代的过程中，种群通过交叉变异选择，将种群最差的解替换为最优解，以此得到新的种群；进而，在第n代种群迭代的基础上，继续进行第n+1代种群迭代，直至优化种群足以使目标问题的结果满足目标函数的要求，即标定的发动机模型参数对应的输出值满足期望值。
如图4所示，在本实施例的一种实现方式中，为了实现算法间优化信息的共享，在每一次种群迭代的过程中，针对每一个算法设置一个对应的归档集(例如，种群1对应归档集1)，将每个种群的找到的最优解存入其对应的归档集中(例如，种群1找到的最优解存入对应的归档集1中)；这样一来，每个归档集中都存入最优解，通过将所有的归档集进行融合，得到总归档集；在该总归档集中，可以确定其中的最优的个体(即总归档集的最优解)，并且，以该最优的个体替代每个算法对应种群中的最差的个体(例如，种群1中的最差解)，以此实现算法间优化信息的共享。
如图1所示，在本发明实施例的一种实现方式中，发动机模型参数动态标定优化方法还包括以下步骤：
步骤S300，根据各算法获得的最优解确定各算法对应的优化提升，并根据确定的优化提升度向各算法分配对应的计算资源。
在本实施例中，由于，算法之间的差异(即算法计算过程中所需要的时间不同)，需要将更多的计算资源分配给优化效率相对较高的那个算法。因此，本实施例中在算法投资组合框架中设计了计算资源的动态分配，以此来应对优化问题的动态变化情况。在计算资源的动态分配策略中，在优化的初始阶段，由于对算法以及黑箱问题关联性的知识缺失，所以，可以在算法投资组合框架中给m个算法平均分配计算资源。
具体地，在本实施例的一种实现方式中，步骤S300包括以下步骤：
步骤S301，确定各算法的当前迭代中得到的最优解与上一次迭代中得到的最优解的提升度；
步骤S302，根据置信度上界算法及所述提升度向各算法分配对应的计算资源。
在本实施例中，在计算资源的动态分配策略中，在每个算法的种群优化阶段，每个算法都会找到一些关于优化问题的解，算法投资组合框架将会利用这些获得的信息(即优化种群中的解集)将有限的计算资源分配给不同的算法。
具体地，本实施例中可以利用多臂***问题中的置信度上界算法(upperconfidence bound algorithm，UCB)来进行信息的处理以及资源的分配。对于每个算法，在每个迭代过程中都可以找到一个最优解，则可以将每一代中找到的最优解与上一代中找到的最优解进行对比，得到两代最优解的提升度(即根据每一代最优解的目标值与上一代最优解的目标值之差，得到提升度)；然后，将该提升度设定为该算法在这一代的奖励(reward)，将该奖励代入到置信度上界算法中，即可得到相应的信度。
值得一提的是，如果某个算法不再收敛，那么提升度为0，则说明该算法不需要分配对应的计算资源。
具体地，在本实施例的一种实现方式中，步骤S302包括以下步骤：
步骤S302a，根据所述提升度确定对应算法在当前迭代中的奖励值；
步骤S302b，将所述奖励值代入所述置信度上界算法中，赋予对应算法在当前迭代中的信度值；
步骤S302c，根据迭代顺序更新各算法对应的信度值，并根据更新后的信度值向各算法分配对应的计算资源。
在本实施例中，置信度上界算法为：
Figure BDA0003734959830000101
Figure BDA0003734959830000102
其中，s＝Tj(n)表示算法j在前n次迭代过程中共被选择的次数；
Figure BDA0003734959830000103
为第j个算法在n次迭代后的平均收益值；
μj,t为算法j在t次被选择时的收益。
在本实施例中，通过将上述得到的奖励值代入置信度上界算法(即UCB公式)，即可给每个算法都会赋予一个信度(credit)，每个算法对应的信度越高，则说明该算法针对当下的优化问题的相对最优，那么，就应该给该算法分配给更多的计算资源。因而，在每一次迭代过程之后，利用UCB算法计算每个优化算法的信度。对于信度最高的优化算法，增加一次该算法的迭代次数，同时也更新该算法的信度，以此使信度越高的算法得到越多的计算资源；即对于信度高的算法，迭代次数越多，信度越高，最后得到的计算资源越多。
如图1所示，在本发明实施例的一种实现方式中，发动机模型参数动态标定优化方法还包括以下步骤：
步骤S400，通过分配后的算法投资组合对所述待优化的目标参数进行优化，并根据航空发动机仿真模型的实际输出值与期望输出值，将优化后的目标参数标定为满足性能指标的参数。
在本实施例中，在最开始的优化时，由于对算法与问题关联性知识的缺失，将计算资源进行平均分配给各个算法。然后，在问题发生动态变化时(即得到新的工作场景数据的时候)，由于在算法在动态变化之前已经积累了一些关于问题的知识，因此，可以利用这些累计的知识来对计算资源进行初始化分配，而不是采用平均分配，即通过动态问题知识继承利用策略实现计算资源的继承。
具体地，在动态问题知识继承利用策略中，当问题发生动态变化后，首先对优化过程所保存的解进行重评估(即依靠发动机模型仿真器进行评估)。这些保存的解对应各自的算法，根据这些解在新问题上优劣，来确定对当前问题具有潜在更好优化效果的算法(即根据保存的解集来选择与新问题匹配的算法，以及根据保存的解集来选择与新问题最开始的计算资源分配)。在本实施例中，可以将每个算法存档集中针对当前问题的最优解相对于存档集中最差解的差作为算法的奖励reward；其中，当前问题的最优解和最差解可以通过发动机模型仿真器评估得到(即评估每个解，找到最优解和最差解，两个解的目标函数之差即可计算出来)；在得到该算法的奖励后，赋予每个算法一个最初的信度，再开始对算法进行选择，以此得到与新问题匹配的最优算法。
具体地，在本实施例的一种实现方式中，步骤S400包括以下步骤：
步骤S401，通过分配后的算法投资组合对所述待优化的目标参数进行优化，得到优化后的目标参数；
步骤S402，将所述优化后的目标参数输入所述航空发动机仿真模型，得到对应的实际输出值；
步骤S403，计算所述实际输出值与所述期望输出值之间的差值，并根据优化目标函数将所述优化后的目标参数标定为满足工作场景的性能指标的参数。
在本实施例中，在通过算法投资组合给每个算法分配对应的计算资源后，即可利用分配后的算法组合对待优化的目标参数进行优化，从而得到优化后的目标参数；之后，将优化后的目标参数输入航空发动机仿真模型中，利用测量得到实际输出值即可确定优化后的参数是否满足工作场景的性能指标；即计算得到实际输出值与期望输出值之间的差值，以优化目标函数为判定依据，若两者的差值满足优化目标函数的条件，即可将此次优化后的参数(即输入的可调节参数)标定为满足工作场景的性能指标的参数。
本实施例通过上述技术方案达到以下技术效果：
本实施例提出了将算法投资组合概念应用到发动机参数的动态标定问题中，提出一种算法投资组合框架，满足发动机模型参数动态标定中的计算资源分配，使得针对不同工作场景的发动机模型参数标定问题的最优算法能够被分配到最大的计算资源，从而提升动态标定问题在各个阶段的优化效率，提高参数标定的鲁棒性和稳定性。
示例性设备
基于上述实施例，本发明还提供一种终端，包括：通过***总线连接的处理器、存储器、接口、显示屏以及通讯模块；其中，所述处理器用于提供计算和控制能力；所述存储器包括存储介质以及内存储器；所述存储介质存储有操作***和计算机程序；所述内存储器为所述存储介质中的操作***和计算机程序的运行提供环境；所述接口用于连接外部设备，例如，移动终端以及计算机等设备；所述显示屏用于显示相应的信息；所述通讯模块用于与云端服务器或移动终端进行通讯。
所述计算机程序被所述处理器执行时用以实现一种发动机模型参数动态标定优化方法的操作。
本领域技术人员可以理解的是，图5中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端，其中，包括：处理器和存储器，所述存储器存储有发动机模型参数动态标定优化程序，所述发动机模型参数动态标定优化程序被所述处理器执行时用于实现如上所述的发动机模型参数动态标定优化方法的操作。
在一个实施例中，提供了一种存储介质，其中，所述存储介质存储有发动机模型参数动态标定优化程序，所述发动机模型参数动态标定优化程序被所述处理器执行时用于实现如上所述的发动机模型参数动态标定优化方法的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
综上，本发明提供了一种发动机模型参数动态标定优化方法，方法包括：获取待优化的目标参数，并根据待优化的目标参数及工作场景确定对应的动态优化问题；根据动态优化问题调用算法投资组合，并通过算法之间优化信息交互和共享策略更新算法投资组合中各算法的最优解；根据各算法获得的最优解确定各算法对应的优化提升，并根据确定的优化提升度向各算法分配对应的计算资源；通过分配后的算法投资组合对待优化的目标参数进行优化，并根据航空发动机仿真模型的实际输出值与期望输出值，将优化后的目标参数标定为满足性能指标的参数。本发明将算法投资组合应用到发动机参数的动态标定问题中，提高参数标定的鲁棒性和稳定性。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种发动机模型参数动态标定优化方法，其特征在于，所述发动机模型参数动态标定优化方法包括：
获取待优化的目标参数，并根据所述待优化的目标参数及工作场景确定对应的动态优化问题；
根据所述动态优化问题调用算法投资组合，并通过算法之间优化信息交互和共享策略更新所述算法投资组合中各算法的最优解；其中，所述算法之间优化信息交互和共享策略为根据各算法对应的优化种群设置归档集，利用所述归档集共享及更新各算法的最优解；
根据各算法获得的最优解确定各算法对应的优化提升，并根据确定的优化提升度向各算法分配对应的计算资源；
通过分配后的算法投资组合对所述待优化的目标参数进行优化，并根据航空发动机仿真模型的实际输出值与期望输出值，将优化后的目标参数标定为满足性能指标的参数。
2.根据权利要求1所述的发动机模型参数动态标定优化方法，其特征在于，所述获取待优化的目标参数，并根据所述待优化的目标参数及工作场景确定对应的动态优化问题，包括：
获取若干个待调节的航空发动机模型参数，得到所述待优化的目标参数；
确定所述航空发动机模型的工作场景；其中，所述工作场景为如下任意一种或组合：巡航场景、起飞场景以及着陆场景；
根据所述待优化的目标参数及所述工作场景进行建模，得到对应的动态优化问题。
3.根据权利要求1所述的发动机模型参数动态标定优化方法，其特征在于，所述根据动态优化问题调用算法投资组合，并通过算法之间优化信息交互和共享策略更新所述算法投资组合中各算法的最优解，包括：
根据所述动态优化问题调用多个不同的算法，并根据调用的算法组建算法投资组合；
确定各算法对应的优化种群，设置各算法对应的归档集；
将各算法在每一次迭代中所寻找的最优解存入对应的归档集中，以更新各算法的最优解。
4.根据权利要求3所述的发动机模型参数动态标定优化方法，其特征在于，所述将各算法在每一次迭代中所寻找的最优解存入对应的归档集中，之后包括：
确定各算法对应的优化种群中最差解，将所述最差解替换为对应的归档集中的最优解。
5.根据权利要求1所述的发动机模型参数动态标定优化方法，其特征在于，所述根据各算法获得的最优解确定各算法对应的优化提升，并根据确定的优化提升度向各算法分配对应的计算资源，包括：
确定各算法的当前迭代中得到的最优解与上一次迭代中得到的最优解的提升度；
根据置信度上界算法及所述提升度向各算法分配对应的计算资源。
6.根据权利要求5所述的发动机模型参数动态标定优化方法，其特征在于，所述根据置信度上界算法及所述提升度向各算法分配对应的计算资源，包括：
根据所述提升度确定对应算法在当前迭代中的奖励值；
将所述奖励值代入所述置信度上界算法中，赋予对应算法在当前迭代中的信度值；
根据迭代顺序更新各算法对应的信度值，并根据更新后的信度值向各算法分配对应的计算资源。
7.根据权利要求6所述的发动机模型参数动态标定优化方法，其特征在于，所述置信度上界算法为：
Figure FDA0003734959820000021
Figure FDA0003734959820000022
其中，s＝Tj(n)表示算法j在前n次迭代过程中共被选择的次数；
Figure FDA0003734959820000023
为第j个算法在n次迭代后的平均收益值；
μj,t为算法j在t次被选择时的收益。
8.根据权利要求1所述的发动机模型参数动态标定优化方法，其特征在于，所述通过分配后的算法投资组合对所述待优化的目标参数进行优化，并根据航空发动机仿真模型的实际输出值与期望输出值，将优化后的目标参数标定为满足性能指标的参数，包括：
通过分配后的算法投资组合对所述待优化的目标参数进行优化，得到优化后的目标参数；
将所述优化后的目标参数输入所述航空发动机仿真模型，得到对应的实际输出值；
计算所述实际输出值与所述期望输出值之间的差值，并根据优化目标函数将所述优化后的目标参数标定为满足工作场景的性能指标的参数。
9.一种终端，其特征在于，包括：处理器以及存储器，所述存储器存储有发动机模型参数动态标定优化程序，所述发动机模型参数动态标定优化程序被所述处理器执行时用于实现如权利要求1-8中任意一项所述的发动机模型参数动态标定优化方法的操作。
10.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质存储有发动机模型参数动态标定优化程序，所述发动机模型参数动态标定优化程序被处理器执行时用于实现如权利要求1-8中任意一项所述的发动机模型参数动态标定优化方法的操作。
CN202210794133.5A 2022-07-07 2022-07-07 一种发动机模型参数动态标定优化方法 Pending CN115269177A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210794133.5A CN115269177A (zh) 2022-07-07 2022-07-07 一种发动机模型参数动态标定优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210794133.5A CN115269177A (zh) 2022-07-07 2022-07-07 一种发动机模型参数动态标定优化方法

Publications (1)

Publication Number Publication Date
CN115269177A true CN115269177A (zh) 2022-11-01

Family

ID=83763406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210794133.5A Pending CN115269177A (zh) 2022-07-07 2022-07-07 一种发动机模型参数动态标定优化方法

Country Status (1)

Country Link
CN (1) CN115269177A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116521344A (zh) * 2023-05-12 2023-08-01 广州卓勤信息技术有限公司 一种基于资源总线的ai算法调度方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116521344A (zh) * 2023-05-12 2023-08-01 广州卓勤信息技术有限公司 一种基于资源总线的ai算法调度方法及***
CN116521344B (zh) * 2023-05-12 2023-10-03 广州卓勤信息技术有限公司 一种基于资源总线的ai算法调度方法及***

Similar Documents

Publication Publication Date Title
WO2021036810A1 (zh) 证据的验证方法、***、装置、设备及可读存储介质
CN108595268B (zh) 一种基于MapReduce的数据分配方法、装置及计算机可读存储介质
CN112513886B (zh) 信息处理方法、信息处理装置和信息处理程序
WO2023051505A1 (zh) 一种任务求解方法及其装置
CN112287182A (zh) 图数据存储、处理方法、装置及计算机存储介质
WO2022083527A1 (zh) 确定逻辑核布局的方法、模型训练方法、电子设备、介质
JP2020531949A (ja) ブロックチェーン内のデータベース・ハッシュコードの遅延更新
CN109996247B (zh) 网络化资源调配方法、装置、设备及存储介质
CN111311005B (zh) 配送路径的规划方法、装置、介质及计算机设备
CN115269177A (zh) 一种发动机模型参数动态标定优化方法
CN114168318A (zh) 存储释放模型的训练方法、存储释放方法及设备
US10642817B2 (en) Index table update method, and device
CN115829297A (zh) 装配式建筑的工作包生成方法、装置、终端及存储介质
CN111860405A (zh) 图像识别模型的量化方法、装置、计算机设备及存储介质
CN112966054A (zh) 基于企业图谱节点间关系的族群划分方法和计算机设备
CN114462353A (zh) 芯片存储器功耗优化方法、装置、电子设备及存储介质
CN113010570B (zh) 电网设备矢量数据查询方法、装置、计算机设备和介质
CN117407921A (zh) 基于必连和勿连约束的差分隐私直方图发布方法及***
CN117076563A (zh) 一种应用于区块链的剪枝方法和装置
CN112561138B (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN112748850B (zh) 用于存储管理的方法、设备和计算机程序产品
CN114020418A (zh) 一种包含轮盘赌算法的粒子群优化的虚拟机放置方法
CN113342781A (zh) 一种数据迁移的方法、装置、设备及存储介质
WO2024066562A1 (zh) 目标函数的求解方法、装置及计算设备集群
CN112118135A (zh) 云边协同架构工业互联网平台的最小资源配置方法和装置

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