CN117725705B - 一种肋骨形状的优化方法、装置、设备及存储介质 - Google Patents
一种肋骨形状的优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117725705B CN117725705B CN202410176880.1A CN202410176880A CN117725705B CN 117725705 B CN117725705 B CN 117725705B CN 202410176880 A CN202410176880 A CN 202410176880A CN 117725705 B CN117725705 B CN 117725705B
- Authority
- CN
- China
- Prior art keywords
- parameter vector
- round
- target
- hysteresis effect
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 372
- 230000000694 effects Effects 0.000 claims abstract description 156
- 238000004088 simulation Methods 0.000 claims abstract description 127
- 230000006870 function Effects 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 abstract description 11
- 238000002474 experimental method Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 18
- 241000282461 Canis lupus Species 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 239000000463 material Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 241000282421 Canidae Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009863 impact test Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种肋骨形状的优化方法、装置、设备及存储介质,涉及计算机技术领域,该方法包括:获取假人肋骨的形状的第t轮参数向量集合,参数向量集合包括多组参数向量;根据多组参数向量和预先确定的迟滞效应仿真函数,得到多组迟滞效应模拟值;从多组迟滞效应模拟值中确定目标迟滞效应模拟值,目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,目标迟滞效应模拟值与第t轮目标参数向量对应,N为正整数;若目标迟滞效应模拟值满足预设条件,则根据第t轮目标参数向量中的最优参数向量,对肋骨形状进行优化。该方法能够缩短假人肋骨的开发周期,降低时间成本。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种肋骨形状的优化方法、装置、设备及存储介质。
背景技术
假人是评价车辆安全的检测装备和衡量车辆安全的技术砝码。通过使用假人代替真人进行碰撞试验,可以模拟出不同情况下人体的损伤情况。假人的胸部肋骨与真人的一致性,将会影响碰撞结果。
目前,通过冲击实验来验证假人的肋骨是否符合标准,但是,基于冲击实验的验证方式,不仅时间成本高,而且若肋骨不符合标准还需要人工手动调整假人的肋骨成分配比和/或肋骨形状参数,再次进行冲击实验。
可见,传统方案中,假人的肋骨开发周期长,时间成本高。
发明内容
本申请提供一种肋骨形状的优化方法、装置、设备及存储介质,能够缩短假人肋骨的开发周期,降低时间成本。
为达到上述目的,本申请采用如下技术方案:
第一方面,本申请提供了一种肋骨形状的优化方法,所述方法包括:
获取假人肋骨的形状的第t轮参数向量集合,所述参数向量集合包括多组参数向量,所述参数向量包括所述假人肋骨的第一半径、第二半径、横向长度、纵向宽度、厚度、螺纹孔距、倾斜角,所述t为正整数;
根据多组所述参数向量和预先确定的迟滞效应仿真函数,得到多组迟滞效应模拟值;
从所述多组迟滞效应模拟值中确定目标迟滞效应模拟值,所述目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,所述目标迟滞效应模拟值与第t轮目标参数向量对应,所述N为正整数;
若所述目标迟滞效应模拟值满足预设条件,则根据所述第t轮目标参数向量中的最优参数向量,对所述肋骨形状进行优化。
在一些可能的实现方式中,所述方法还包括:
若所述目标迟滞效应模拟值不满足预设条件,并且所述t达到最大迭代次数,则根据所述第t轮目标参数向量中的最优参数向量,对所述肋骨形状进行优化。
在一些可能的实现方式中,所述方法还包括:
若所述目标迟滞效应模拟值不满足预设条件,并且所述t未达到最大迭代次数,获取所述第t轮目标参数向量对应的第t轮目标距离影响因子;
如果所述第t轮目标距离影响因子的绝对值大于1,则利用从所述第t轮参数向量集合中随机选择的参数向量,对所述第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
在一些可能的实现方式中,所述方法还包括:
如果所述第t轮目标距离影响因子的绝对值小于或等于1,则根据所述第t轮目标参数向量,对所述第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
在一些可能的实现方式中,所述利用从所述第t轮参数向量集合中随机选择的参数向量,对所述第t轮参数向量集合进行更新,包括:
其中,为从所述第t轮参数向量集合中随机选择的第i个参数向量,/>表示第t轮参数向量集合中第p个参数向量与随机选择的第i个参数向量的距离,/>不等于0,/>表示/>在/>影响下的移动距离,/>为/>对应的距离影响因子;/>为第t+1轮参数向量中的第p个参数向量,/>为第一自适应系数,/>为第二自适应系数,/>为第三随机标量,/>为第四随机标量,/>为不同于第t轮参数向量集合中第p个参数向量的第一随机参数向量,为不同于第t轮参数向量集合中第p个参数向量的第二随机参数向量。
在一些可能的实现方式中,所述根据所述第t轮目标参数向量,对所述第t轮参数向量集合进行更新,包括
其中,为第t轮目标参数向量中的第n个参数向量,/>为第t轮参数向量集合中第p个参数向量与第t轮目标参数向量中的第n个参数向量的距离,/>不等于0,/>表示/>在/>影响下的移动距离,/>为/>对应的距离影响因子;/>为第t+1轮参数向量中的第p个参数向量,/>为第一自适应系数,/>为第二自适应系数,/>为第三随机标量,/>为第四随机标量,/>为不同于第t轮参数向量集合中第p个参数向量的第一随机参数向量,/>为不同于第t轮参数向量集合中第p个参数向量的第二随机参数向量。
在一些可能的实现方式中,所述方法还包括:
获取对优化后的肋骨形状对应的肋骨进行测试得到的迟滞效应真实值;
如果所述迟滞效应真实值与所述最优参数向量对应的迟滞效应模拟值的差值大于预设差值阈值,则对所述预设条件和/或所述迟滞效应仿真函数进行更新。
第二方面,本申请提供了一种肋骨形状的优化装置,所述装置包括:
获取模块,用于获取假人肋骨的形状的第t轮参数向量集合,所述参数向量集合包括多组参数向量,所述参数向量包括所述假人肋骨的第一半径、第二半径、横向长度、纵向宽度、厚度、螺纹孔距、倾斜角,所述t为正整数;
模拟模块,用于根据多组所述参数向量和预先确定的迟滞效应仿真函数,得到多组迟滞效应模拟值;从所述多组迟滞效应模拟值中确定目标迟滞效应模拟值,所述目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,所述目标迟滞效应模拟值与第t轮目标参数向量对应,所述N为正整数;
优化模块,用于若所述目标迟滞效应模拟值满足预设条件,则根据所述第t轮目标参数向量中的最优参数向量,对所述肋骨形状进行优化。
在一些可能的实现方式中,所述优化模块,还用于若所述目标迟滞效应模拟值不满足预设条件,并且所述t达到最大迭代次数,则根据所述第t轮目标参数向量中的最优参数向量,对所述肋骨形状进行优化。
在一些可能的实现方式中,所述获取模块,还用于若所述目标迟滞效应模拟值不满足预设条件,并且所述t未达到最大迭代次数,获取所述第t轮目标参数向量对应的第t轮目标距离影响因子;如果所述第t轮目标距离影响因子的绝对值大于1,则利用从所述第t轮参数向量集合中随机选择的参数向量,对所述第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
在一些可能的实现方式中,所述获取模块,还用于如果所述第t轮目标距离影响因子的绝对值小于或等于1,则根据所述第t轮目标参数向量,对所述第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
在一些可能的实现方式中,所述获取模块,具体用于通过以下方式对所述第t轮参数向量集合进行更新:
其中,为从所述第t轮参数向量集合中随机选择的第i个参数向量,/>表示第t轮参数向量集合中第p个参数向量与随机选择的第i个参数向量的距离,/>不等于0,/>表示/>在/>影响下的移动距离,/>为/>对应的距离影响因子;/>为第t+1轮参数向量中的第p个参数向量,/>为第一自适应系数,/>为第二自适应系数,/>为第三随机标量,/>为第四随机标量,/>为不同于第t轮参数向量集合中第p个参数向量的第一随机参数向量,为不同于第t轮参数向量集合中第p个参数向量的第二随机参数向量。
在一些可能的实现方式中,所述获取模块,具体用于通过以下公式对所述第t轮参数向量集合进行更新:
其中,为第t轮目标参数向量中的第n个参数向量,/>为第t轮参数向量集合中第p个参数向量与第t轮目标参数向量中的第n个参数向量的距离,/>不等于0,/>表示/>在/>影响下的移动距离,/>为/>对应的距离影响因子;/>为第t+1轮参数向量中的第p个参数向量,/>为第一自适应系数,/>为第二自适应系数,/>为第三随机标量,/>为第四随机标量,/>为不同于第t轮参数向量集合中第p个参数向量的第一随机参数向量,/>为不同于第t轮参数向量集合中第p个参数向量的第二随机参数向量。
在一些可能的实现方式中,所述装置还包括更新模块;所述获取模块,还用于获取对优化后的肋骨形状对应的肋骨进行测试得到的迟滞效应真实值;
所述更新模块,用于如果所述迟滞效应真实值与所述最优参数向量对应的迟滞效应模拟值的差值大于预设差值阈值,则对所述预设条件和/或所述迟滞效应仿真函数进行更新。
第三方面,本申请提供了一种计算设备,包括存储器和处理器;
其中,在所述存储器中存储有一个或多个计算机程序,所述一个或多个计算机程序包括指令;当所述指令被所述处理器执行时,使得所述计算设备执行如第一方面中任一项所述的方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行如第一方面中任一项所述的方法。
由上述技术方案可知,本申请至少具有如下有益效果:
本申请提供了一种肋骨形状的优化方法,该方法包括获取假人肋骨的形状的第t轮参数向量集合,该参数向量集合包括多组参数向量,参数向量包括假人肋骨的第一半径、第二半径、横向长度、纵向宽度、厚度、螺纹孔距、倾斜角,t为正整数,然后根据多组参数向量和预先确定的迟滞效应仿真函数,得到多组迟滞效应模拟值,然后从多组迟滞效应模拟值中确定目标迟滞效应模拟值,该目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,该目标迟滞效应模拟值与第t轮目标参数向量对应,N为正整数;如果该目标迟滞效应模拟值满足预设条件,则根据第t轮目标参数向量中的最优参数向量,对该肋骨形状进行优化。在该方法中,通过改进的灰狼算法,生成多组参数向量集合,通过预设函数,模拟真实的冲击实验,在模拟值满足预设条件的情况下,才利用此时对应的目标参数向量对肋骨形状进行优化,如此不仅缩短了肋骨的开发周期,而且还降低了时间成本。并且,该方法与传统方法相比,无需真实地制作出肋骨材料以及真实实验,也无需手动调整肋骨材料的成分配比和/或形状参数,减少了工作人员的工作量,提高了效率。
应当理解的是,本申请中对技术特征、技术方案、有益效果或类似语言的描述并不是暗示在任意的单个实施例中可以实现所有的特点和优点。相反,可以理解的是对于特征或有益效果的描述意味着在至少一个实施例中包括特定的技术特征、技术方案或有益效果。因此,本说明书中对于技术特征、技术方案或有益效果的描述并不一定是指相同的实施例。进而,还可以任何适当的方式组合本实施例中所描述的技术特征、技术方案和有益效果。本领域技术人员将会理解,无需特定实施例的一个或多个特定的技术特征、技术方案或有益效果即可实现实施例。在其他实施例中,还可在没有体现所有实施例的特定实施例中识别出额外的技术特征和有益效果。
附图说明
图1为本申请实施例提供的一种肋骨形状的优化方法的流程图;
图2为本申请实施例提供的一种肋骨形状的示意图;
图3为本申请实施例提供的又一种肋骨形状的优化方法的流程图;
图4为本申请实施例提供的一种肋骨形状的优化装置的结构示意图;
图5为本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
本申请说明书和附图说明中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于限定特定顺序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
为了下述各实施例的描述清楚简洁,首先给出相关技术的简要介绍:
车辆碰撞实验是通过模拟交通事故情况,测试车辆在碰撞时的安全性能和结构强度的一种方法。这些实验通常由汽车制造商或独立的安全组织进行,以确保车辆在发生碰撞时可以提供最佳的保护。
在汽车碰撞实验中,使用了一种被称为“汽车碰撞测试假人”(也叫做碰撞测试模型或碰撞测试人体模型)的仿生人体模型。这种模型的目的是模拟真实人体在车辆碰撞事故中的生理反应,以评估车辆的安全性能。在这些假人模型中,包括对肋骨的建模,以便更全面地了解碰撞对假人身体的影响。
阻尼材料是假人肋骨的重要组成部分。假人胸部受到载荷冲击后,肋骨阻尼材料的迟滞效应可以反映假人肋骨与真实人体结构的相似性。在汽车碰撞假人领域,一般根据上述迟滞效应来评估假人肋骨设计的合理性。
假人肋骨的响应评价指标包括肋骨冲击力峰值、肋骨压缩量峰值、肋骨迟滞效应(由滞后率表示),对于不同冲击速率下,评价指标限值不同。低速工况下,冲击力峰值应在2.38~2.73 KN,压缩量峰值应在21.5~26.5 mm。迟滞效应可由前两者计算,迟滞评价标准即滞后率处于60%~75%。
传统方案中,通过冲击实验来验证假人肋骨是否符合标准。然而,基于冲击实验的评判方法时间成本高,若肋骨不符合标准,则需要手动调整成分配比或形状尺寸,再进行冲击实验,直至假人肋骨符合标准。可见,传统方案中,假人的肋骨开发周期长,时间成本高。
有鉴于此,本申请实施例提供了一种肋骨形状的优化方法,该方法包括:获取假人肋骨的形状的第t轮参数向量集合,该参数向量集合包括多组参数向量,参数向量包括假人肋骨的第一半径、第二半径、横向长度、纵向宽度、厚度、螺纹孔距、倾斜角,t为正整数,然后根据多组参数向量和预先确定的迟滞效应仿真函数,得到多组迟滞效应模拟值,然后从多组迟滞效应模拟值中确定目标迟滞效应模拟值,该目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,该目标迟滞效应模拟值与第t轮目标参数向量对应,N为正整数,如果该目标迟滞效应模拟值满足预设条件,则根据第t轮目标参数向量中的最优参数向量,对肋骨形状进行优化。
在该方法中,通过灰狼算法,生成多组参数向量集合,通过预设函数,模拟真实冲击实验,在模拟值满足预设条件的情况下,才利用此时对应的目标参数向量对肋骨形状进行优化,如此不仅缩短了肋骨的开发周期,而且还降低了时间成本。并且,该方法与传统方法相比,无需真实的制作出肋骨材料以及进行真实实验,也无需手动调整肋骨材料的成分配比,减少了工作人员的工作量,提高了效率。
需要说明的是,上述肋骨形状的优化方法可以由电子设备执行,该电子设备可以是终端,也可以是服务器。其中,终端包括但不限于计算机、笔记本电脑、手机等,服务器包括但不限于边缘服务器、云服务器。
为了使得本申请的技术方案更加清楚、易于理解,下面以电子设备的角度,结合附图对本申请实施例提供的肋骨形状的优化方法进行介绍。如图1所示,该图为本申请实施例提供的一种肋骨形状的优化方法的流程图,该方法包括:
S101、电子设备获取假人肋骨的形状的第t轮参数向量集合,该参数向量集合包括多组参数向量,参数向量包括假人肋骨的第一半径、第二半径、横向长度、纵向宽度、厚度、螺纹孔距和倾斜角,t为正整数。
如图2所示,该图为本申请实施例提供的一种肋骨形状的示意图。肋骨形状的参数向量可以通过肋骨的第一半径201、第二半径202、横向长度203、纵向宽度204、厚度205、螺纹孔距206以及倾斜角207表征。多组参数向量组成参数向量集合。
t=1时,电子设备可以通过以下公式,得到第1轮参数向量集合:
其中,为p组参数向量中的第q个元素,例如p=1,q=2,/>表示第1组参数向量中的第二半径202。/>为参数向量集合中的参数向量总数,例如30。/>表示第q个元素的取值上界,/>表示第q个元素的取值下界,/>表示第五随机标量。
t大于1时,在不同的情况下,电子设备通过不同的方式,生成t+1轮参数向量集合,后续进行介绍。
S102、电子设备根据多组参数向量和预先确定的迟滞效应仿真函数,得到多组迟滞效应模拟值。
迟滞效应仿真函数可以通过样本肋骨数据进行拟合得到,其中,样本肋骨数据包括肋骨形状的样本参数向量以及该肋骨形状进行冲击实验后对应的迟滞效应样本值。
在预先确定该迟滞效应仿真函数后,电子设备可以将多组参数向量作为该迟滞效应仿真函数的输入,得到多组迟滞效应模拟值。如此,无需进行真实的冲击实验,也能够得到肋骨形状的参数向量对应的迟滞效应值。
S103、电子设备从多组迟滞效应模拟值中确定目标迟滞效应模拟值,该目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,该目标迟滞效应模拟值与第t轮目标参数向量对应,N为正整数。
电子设备会输出每组参数向量对应的迟滞效应模拟值,在得到多组(全部)参数向量对应的迟滞效应模拟值后,可以从多组迟滞效应模拟值中确定目标迟滞效应模拟值,该目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,该目标迟滞效应模拟值与第t轮目标参数向量对应,N为正整数。为了便于理解,后续以N=3为例进行介绍。
在一些实施例中,电子设备可以通过各个迟滞效应模拟值的适应度进行筛选,电子设备可以通过以下公式,计算迟滞效应模拟值的适应度:
其中,表示第p个迟滞效应模拟值的适应度,/>表示第p个参数向量对应的迟滞效应模拟值,/>表示迟滞最大值,例如0.75,/>表示迟滞最小值,例如0.6。
其中,迟滞效应模拟值的适应度越小,表征该迟滞效应模拟值对应的参数向量越好,在得到每个迟滞效应模拟值的适应度后,可以由小到大进行排序,进而得到排名前N的模拟值,即,上述目标迟滞效应模拟值。
需要说明的是,电子设备也可以通过由大到小的方式进行排序,基于类似的原理,确定目标迟滞效应模拟值,具体方式不再赘述。
S104、若目标迟滞效应模拟值满足预设条件,则电子设备根据第t轮目标参数向量中的最优参数向量,对肋骨形状进行优化。
预设条件可以是预先设置的条件,例如,本实施例中,预设条件可以是目标迟滞效应模拟值对应的适应度在预设范围内,例如处于区间[ ]内。
如果目标迟滞效应模拟式满足上述预设条件,则电子设备根据第t轮目标参数向量中的最优参数向量,对肋骨形状进行优化。从而无需人工手动调整肋骨的成分配比和/或形状参数,缩短肋骨的开发周期,提高效率。
S105、若目标迟滞效应模拟值不满足预设条件,并且t达到最大迭代次数,则电子设备根据第t轮目标参数向量中的最优参数向量,对肋骨形状进行优化。
如果目标迟滞效应模拟值不满足预设条件,并且t达到最大迭代次数,则电子设备根据t轮目标参数向量中的最优参数向量,对肋骨形状进行优化。
S106、若目标迟滞效应模拟值不满足预设条件,并且t未达到最大迭代次数,则电子设备获取第t轮目标参数向量对应的第t轮目标距离影响因子。
如果目标迟滞效应模拟值不满足预设条件,并且t未达到最大迭代次数,则电子设备获取第t轮目标参数向量对应的第t轮目标距离影响因子。
在一些实施例中,电子设备可以通过以下公式计算第t轮目标距离影响因子:
其中,表示第t轮目标距离影响因子,/>表示第t轮的线性影响因子,表示最大迭代次数,/>为第一随机标量。在一些示例中,t=1时可以得到/>,可以是-2到2的随机数。
S107、如果第t轮目标距离影响因子的绝对值大于1,则电子设备利用从第t轮参数向量集合中随机选择的参数向量,对第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
在得到第t轮的目标距离影响因子后,可以比较该目标距离影响因子的绝对值与1的大小关系,如果第t轮目标距离影响因子的绝对值大于1,则电子设备利用从第t轮参数向量集合中随机选择的参数向量,对第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
在该种情况中,表征灰狼算法处于探索阶段,灰狼个体将背向某一随机个体(而不是最优解)逃离,这样提供了更多的探索方向,增强了算法的全局搜索能力,有助于突破局部最优停滞。
具体地,电子设备利用从所述第t轮参数向量集合中随机选择的参数向量,对第t轮参数向量集合进行更新,可以通过以下公式实现:
其中,为从所述第t轮参数向量集合中随机选择的第i个参数向量,/>表示第t轮参数向量集合中第p个参数向量与随机选择的第i个参数向量的距离,/>不等于0,/>表示/>在/>影响下的移动距离,/>为/>对应的距离影响因子;/>为第t+1轮参数向量中的第p个参数向量,/>为第一自适应系数,/>为第二自适应系数,/>为第三随机标量,/>为第四随机标量,/>为不同于第t轮参数向量集合中第p个参数向量的第一随机参数向量,为不同于第t轮参数向量集合中第p个参数向量的第二随机参数向量。在上述示例中N可以等于3。
电子设备可以通过以下公式计算上述第t轮参数向量集合中第p个参数向量与随机选择的第i个参数向量的距离:
其中,表示第t轮参数向量集合中第p个参数向量与随机选择的第i个参数向量的距离,/>表示/>的随机影响因子,/>为从所述第t轮参数向量集合中随机选择的第i个参数向量,/>为第t轮参数向量中的第p个参数向量。
在一些示例中,电子设备可以通过以下公式,确定第一自适应系数和第二自适应系数/>:
其中,为第一自适应系数,/>为第二自适应系数,t为迭代次数,/>为最大迭代次数。
在得到第t+1轮的参数向量集合后,再利用t+1轮参数向量集合替换t轮参数向量集合,返回到S101,进行迭代。
S108、如果第t轮目标距离影响因子的绝对值小于或等于1,则电子设备根据第t轮目标参数向量,对第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
如果第t轮目标距离影响因子的绝对值小于或等于1,则电子设备根据第t轮目标参数向量,对第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。在这种情况中,灰狼算法处于开发阶段,灰狼个体朝向最优解收敛,保证了算法的局部搜索能力和收敛性能。
具体地,电子设备根据第t轮目标参数向量,对第t轮参数向量集合进行更新,可以通过以下公式实现:
其中,为第t轮目标参数向量中的第n个参数向量,/>为第t轮参数向量集合中第p个参数向量与第t轮目标参数向量中的第n个参数向量的距离,/>不等于0,/>表示/>在/>影响下的移动距离,/>为/>对应的距离影响因子;/>为第t+1轮参数向量中的第p个参数向量,/>为第一自适应系数,/>为第二自适应系数,/>为第三随机标量,/>为第四随机标量,/>为不同于第t轮参数向量集合中第p个参数向量的第一随机参数向量,/>为不同于第t轮参数向量集合中第p个参数向量的第二随机参数向量。
电子设备可以通过以下公式计算上述第t轮参数向量集合中第p个参数向量与第t轮目标参数向量中的第n个参数向量的距离:
其中,表示第t轮参数向量集合中第p个参数向量与第t轮目标参数向量中的第n个参数向量的距离,/>表示/>的随机影响因子,/>为第t轮目标参数向量中的第n个参数向量,/>为第t轮参数向量中的第p个参数向量。
其中,第一自适应系数和第二自适应系数/>可以参见S107,此处不再赘述。在得到第t+1轮的参数向量集合后,然后再利用t+1轮参数向量集合替换t轮参数向量集合,返回到S101。
在一些实施例中,电子设备还可以获取对优化后的肋骨形状对应的肋骨进行测试得到的迟滞效应真实值,如果迟滞效应真实值与最优参数向量对应的迟滞效应模拟值的差值大于预设差值阈值,则对上述预设条件和/或迟滞效应仿真函数进行更新,从而进行进一步优化。
示例性的,电子设备可以通过以下公式对预设条件进行优化:
其中,为迟滞效应真实值与最优参数向量对应的迟滞效应模拟值的差值,/>为迟滞效应真实值,/>为迟滞效应模拟值;/>为调整后的迟滞最大值,/>为调整后的迟滞最小值,/>表示迟滞最大值,/>表示迟滞最小值。
在一些示例中,电子设备还可以基于上述对迟滞效应仿真函数进行优化,从而提高迟滞效应仿真函数的准确度。
基于上述内容描述,本申请实施例提供了一种肋骨形状的优化方法,该方法包括获取假人肋骨的形状的第t轮参数向量集合,该参数向量集合包括多组参数向量,参数向量包括假人肋骨的第一半径、第二半径、横向长度、纵向宽度、厚度、螺纹孔距、倾斜角,t为正整数,然后根据多组参数向量和预先确定的迟滞效应仿真函数,得到多组迟滞效应模拟值,然后从多组迟滞效应模拟值中确定目标迟滞效应模拟值,该目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,该目标迟滞效应模拟值与第t轮目标参数向量对应,N为正整数;如果该目标迟滞效应模拟值满足预设条件,则根据第t轮目标参数向量中的最优参数向量,对该肋骨形状进行优化。在该方法中,通过灰狼算法,生成多组参数向量集合,通过预设函数,模拟真实的冲击实验,在模拟值满足预设条件的情况下,才利用此时对应的目标参数向量对肋骨形状进行优化,如此不仅缩短了肋骨的开发周期,而且还降低了时间成本。并且,该方法与传统方法相比,无需真实地制作出肋骨材料以及真实地进行实验,也无需手动调整肋骨材料的成分配比和/或形状参数,减少了工作人员的工作量,提高了效率。
进一步的,本申请对传统的灰狼算法进行了改进,引入了两个新的机制:自适应包围机制和随机性离散机制。自适应包围机制根据算法的距离影响因子的绝对值|A|的取值,自动调整灰狼位置(参数向量)更新方式,使搜索方向多样化,增强了算法的全局搜索性能;随机性离散机制在传统灰狼算法种群更新公式的基础上,额外引入了两只随机灰狼的影响,并通过自适应系数自动调整算法的搜索倾向,以平衡算法的局部和全局搜索性能。本申请提出的改进灰狼算法与传统灰狼算法相比,具有更高的收敛精度,更适用于汽车碰撞假人肋骨形状的优化。
进一步的,本申请中,首次将灰狼算法应用于汽车碰撞假人的肋骨形状优化,在计算机仿真层面,搜索最优肋骨形状的参数配置,能够在不手动改变肋骨成分配比的前提下,使肋骨满足设计要求,从而显著降低开发周期和开发成本。此外,结合实际的实验分析结果,对算法优化过程的停止条件进行调整和修改,以提高优化的效率和准确性,使优化结果符合实际预期。与仅基于实验的传统优化方法不同,本方法的实验分析仅用于调整迟滞评价标准,以校对迟滞效应仿真函数。当迟滞效应仿真函数与冲击实验趋于一致后,通过迟滞效应仿真函数进行分析,从而替代冲击实验。因此,本方法能够有效减少冲击实验的实施次数。
如图3所示,该图为本申请实施例提供的又一种肋骨形状的优化方法的流程图,该方法包括:
S301、初始化灰狼算法参数以及种群。
在一些示例中,电子设备初始化、/>、/>、/>,示例性的,A为-2到2的随机数,C为0-2的随机数,/>为0,/>为1。用户可以输入种群(如参数向量总数)的大小P以及问题维度Q,本实施例中,P可以是30,Q可以是7。初始化种群的公式可以参见上述实施例(),此处不再赘述。/>
S302、计算每个灰狼个体的适应度。
在得到初始化种群后,即第一轮的参数向量集合,先计算参数向量集合中各个参数向量对应的迟滞效应模拟值,再基于该迟滞效应模拟值计算适应度。具体计算过程参见上述示例,此处不再赘述。
S303、选出适应度前3的三个灰狼个体。
在计算完全部参数向量的适应度后,得到三个适应度最优的3个参数向量,、/>、/>分别是种群中最优、次优、第三优的参数向量。
S304、判断是否满足预设条件。
电子设备可以判断、/>、/>各自对应的迟滞效应模拟值是否满足预设条件。如果不满足,则执行S305,如果满足,则执行S310。
S305、判断迭代次数t是否达到最大迭代次数max_iter。
如果没有达到,则执行S306,如果达到,则执行S310。
S306、判断的绝对值是否大于1。
如果是,则执行S307;如果否,则执行S308。
S307、利用从第t轮种群中随机选择的灰狼,对第t轮种群进行更新。
S308、根据第t轮目标灰狼,对第t轮种群进行更新。
其中,灰狼个体可以用参数向量表征,目标灰狼可以用目标参数向量表征。
S309、更新参数、/>、/>、/>、/>。
在更新完成参数后,返回到S302。
S310、输出。
需要说明的是,该实施例的介绍相对简单,具体的实现方式可以参见上述实施例。
上文结合图1至图3对本申请实施例提供的肋骨形状的优化方法进行了详细介绍,下面将结合附图对本申请实施例提供的装置、设备进行介绍。
如图4所示,该图为本申请实施例提供的一种肋骨形状的优化装置的结构示意图,该装置包括:
获取模块401,用于获取假人肋骨的形状的第t轮参数向量集合,所述参数向量集合包括多组参数向量,所述参数向量包括所述假人肋骨的第一半径、第二半径、横向长度、纵向宽度、厚度、螺纹孔距、倾斜角,所述t为正整数;
模拟模块402,用于根据多组所述参数向量和预先确定的迟滞效应仿真函数,得到多组迟滞效应模拟值;从所述多组迟滞效应模拟值中确定目标迟滞效应模拟值,所述目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,所述目标迟滞效应模拟值与第t轮目标参数向量对应,所述N为正整数;
优化模块403,用于若所述目标迟滞效应模拟值满足预设条件,则根据所述第t轮目标参数向量中的最优参数向量,对所述肋骨形状进行优化。
在一些可能的实现方式中,所述优化模块403,还用于若所述目标迟滞效应模拟值不满足预设条件,并且所述t达到最大迭代次数,则根据所述第t轮目标参数向量中的最优参数向量,对所述肋骨形状进行优化。
在一些可能的实现方式中,所述获取模块401,还用于若所述目标迟滞效应模拟值不满足预设条件,并且所述t未达到最大迭代次数,获取所述第t轮目标参数向量对应的第t轮目标距离影响因子;如果所述第t轮目标距离影响因子的绝对值大于1,则利用从所述第t轮参数向量集合中随机选择的参数向量,对所述第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
在一些可能的实现方式中,所述获取模块401,还用于如果所述第t轮目标距离影响因子的绝对值小于或等于1,则根据所述第t轮目标参数向量,对所述第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
在一些可能的实现方式中,所述获取模块401,具体用于通过以下方式对所述第t轮参数向量集合进行更新:
其中,为从所述第t轮参数向量集合中随机选择的第i个参数向量,/>表示第t轮参数向量集合中第p个参数向量与随机选择的第i个参数向量的距离,/>不等于0,/>表示/>在/>影响下的移动距离,/>为/>对应的距离影响因子;/>为第t+1轮参数向量中的第p个参数向量,/>为第一自适应系数,/>为第二自适应系数,/>为第三随机标量,/>为第四随机标量,/>为不同于第t轮参数向量集合中第p个参数向量的第一随机参数向量,为不同于第t轮参数向量集合中第p个参数向量的第二随机参数向量。
在一些可能的实现方式中,所述获取模块401,具体用于通过以下公式对所述第t轮参数向量集合进行更新:
其中,为第t轮目标参数向量中的第n个参数向量,/>为第t轮参数向量集合中第p个参数向量与第t轮目标参数向量中的第n个参数向量的距离,/>不等于0,/>表示/>在/>影响下的移动距离,/>为/>对应的距离影响因子;/>为第t+1轮参数向量中的第p个参数向量,/>为第一自适应系数,/>为第二自适应系数,/>为第三随机标量,/>为第四随机标量,/>为不同于第t轮参数向量集合中第p个参数向量的第一随机参数向量,/>为不同于第t轮参数向量集合中第p个参数向量的第二随机参数向量。
在一些可能的实现方式中,所述装置还包括更新模块;所述获取模块401,还用于获取对优化后的肋骨形状对应的肋骨进行测试得到的迟滞效应真实值;
所述更新模块,用于如果所述迟滞效应真实值与所述最优参数向量对应的迟滞效应模拟值的差值大于预设差值阈值,则对所述预设条件和/或所述迟滞效应仿真函数进行更新。
根据本申请实施例的肋骨形状的优化装置可对应于执行本申请实施例中描述的方法,并且肋骨形状的优化装置的各个模块/单元的上述和其它操作和/或功能分别为了实现图1所示实施例中的各个方法的相应流程,为了简洁,在此不再赘述。
本申请实施例还提供了一种计算设备。该计算设备具体用于实现如图4所示实施例中肋骨形状的优化装置的功能。
如图5所示,该图为本申请实施例提供的一种计算设备的结构示意图,该计算设备700包括总线701、处理器702、通信接口703和存储器704。处理器702、存储器704和通信接口703之间通过总线701通信。
总线701可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器702可以为中央处理器(central processing unit,CPU)、图形处理器(graphics processing unit,GPU)、微处理器(micro processor,MP)或者数字信号处理器(digital signal processor,DSP)等处理器中的任意一种或多种。
通信接口703用于和外部通信。
存储器704可以包括易失性存储器(volatile memory),例如随机存取存储器(random access memory,RAM)。存储器704还可以包括非易失性存储器(non-volatilememory),例如只读存储器(read-only memory,ROM),快闪存储器,硬盘驱动器(hard diskdrive, HDD)或固态驱动器(solid state drive,SSD)。
存储器704中存储有可执行代码,处理器702执行该可执行代码以执行前述肋骨形状的优化方法。
具体地,在实现图4所示实施例的情况下,且图4实施例中所描述的肋骨形状的优化装置的各模块或单元为通过软件实现的情况下,执行图4中的各模块/单元功能所需的软件或程序代码可以部分或全部存储在存储器704中。处理器702执行存储器704中存储的各单元对应的程序代码,执行前述肋骨形状的优化方法。
本申请实施例还提供了一种计算机可读存储介质。所述计算机可读存储介质可以是计算设备能够存储的任何可用介质或者是包含一个或多个可用介质的数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘)等。该计算机可读存储介质包括指令,所述指令指示计算设备执行上述应用于肋骨形状的优化装置的肋骨形状的优化方法。
本申请实施例还提供了一种计算机程序产品,所述计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。
所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。
所述计算机程序产品被计算机执行时,所述计算机执行前述肋骨形状的优化方法的任一方法。该计算机程序产品可以为一个软件安装包,在需要使用前述肋骨形状的优化方法的任一方法的情况下,可以下载该计算机程序产品并在计算机上执行该计算机程序产品。
上述各个附图对应的流程或结构的描述各有侧重,某个流程或结构中没有详述的部分,可以参见其他流程或结构的相关描述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种肋骨形状的优化方法,其特征在于,包括:
获取假人肋骨的形状的第t轮参数向量集合,所述参数向量集合包括多组参数向量,所述参数向量包括所述假人肋骨的第一半径、第二半径、横向长度、纵向宽度、厚度、螺纹孔距、倾斜角,所述t为正整数;
根据多组所述参数向量和预先确定的迟滞效应仿真函数,得到多组迟滞效应模拟值;
从所述多组迟滞效应模拟值中确定目标迟滞效应模拟值,所述目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,所述目标迟滞效应模拟值与第t轮目标参数向量对应,所述N为正整数;
若所述目标迟滞效应模拟值满足预设条件,则根据所述第t轮目标参数向量中的最优参数向量,对所述肋骨形状进行优化;
所述方法还包括:
若所述目标迟滞效应模拟值不满足预设条件,并且所述t达到最大迭代次数,则根据所述第t轮目标参数向量中的最优参数向量,对所述肋骨形状进行优化;
所述方法还包括:
若所述目标迟滞效应模拟值不满足预设条件,并且所述t未达到最大迭代次数,获取所述第t轮目标参数向量对应的第t轮目标距离影响因子;
如果所述第t轮目标距离影响因子的绝对值大于1,则利用从所述第t轮参数向量集合中随机选择的参数向量,对所述第t轮参数向量集合进行更新,得到第t+1轮参数向量集合;
所述方法还包括:
如果所述第t轮目标距离影响因子的绝对值小于或等于1,则根据所述第t轮目标参数向量,对所述第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
2.根据权利要求1所述的方法,其特征在于,所述利用从所述第t轮参数向量集合中随机选择的参数向量,对所述第t轮参数向量集合进行更新,包括:
其中,为从所述第t轮参数向量集合中随机选择的第i个参数向量,/>表示第t轮参数向量集合中第p个参数向量与随机选择的第i个参数向量的距离,/>不等于0,/>表示/>在/>影响下的移动距离,/>为/>对应的距离影响因子;/>为第t+1轮参数向量中的第p个参数向量,/>为第一自适应系数,/>为第二自适应系数,/>为第三随机标量,/>为第四随机标量,/>为不同于第t轮参数向量集合中第p个参数向量的第一随机参数向量,/>为不同于第t轮参数向量集合中第p个参数向量的第二随机参数向量。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第t轮目标参数向量,对所述第t轮参数向量集合进行更新,包括
其中,为第t轮目标参数向量中的第n个参数向量,/>为第t轮参数向量集合中第p个参数向量与第t轮目标参数向量中的第n个参数向量的距离,/>不等于0,/>表示/>在影响下的移动距离,/>为/>对应的距离影响因子;/>为第t+1轮参数向量中的第p个参数向量,/>为第一自适应系数,/>为第二自适应系数,/>为第三随机标量,/>为第四随机标量,/>为不同于第t轮参数向量集合中第p个参数向量的第一随机参数向量,/>为不同于第t轮参数向量集合中第p个参数向量的第二随机参数向量。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
获取对优化后的肋骨形状对应的肋骨进行测试得到的迟滞效应真实值;
如果所述迟滞效应真实值与所述最优参数向量对应的迟滞效应模拟值的差值大于预设差值阈值,则对所述预设条件和/或所述迟滞效应仿真函数进行更新。
5.一种肋骨形状的优化装置,其特征在于,所述装置包括:
获取模块,用于获取假人肋骨的形状的第t轮参数向量集合,所述参数向量集合包括多组参数向量,所述参数向量包括所述假人肋骨的第一半径、第二半径、横向长度、纵向宽度、厚度、螺纹孔距、倾斜角,所述t为正整数;
模拟模块,用于根据多组所述参数向量和预先确定的迟滞效应仿真函数,得到多组迟滞效应模拟值;从所述多组迟滞效应模拟值中确定目标迟滞效应模拟值,所述目标迟滞效应模拟值为多组迟滞效应模拟值中的排名前N的模拟值,所述目标迟滞效应模拟值与第t轮目标参数向量对应,所述N为正整数;
优化模块,用于若所述目标迟滞效应模拟值满足预设条件,则根据所述第t轮目标参数向量中的最优参数向量,对所述肋骨形状进行优化;
所述优化模块,还用于若所述目标迟滞效应模拟值不满足预设条件,并且所述t达到最大迭代次数,则根据所述第t轮目标参数向量中的最优参数向量,对所述肋骨形状进行优化;
所述获取模块,还用于若所述目标迟滞效应模拟值不满足预设条件,并且所述t未达到最大迭代次数,获取所述第t轮目标参数向量对应的第t轮目标距离影响因子;如果所述第t轮目标距离影响因子的绝对值大于1,则利用从所述第t轮参数向量集合中随机选择的参数向量,对所述第t轮参数向量集合进行更新,得到第t+1轮参数向量集合;
所述获取模块,还用于如果所述第t轮目标距离影响因子的绝对值小于或等于1,则根据所述第t轮目标参数向量,对所述第t轮参数向量集合进行更新,得到第t+1轮参数向量集合。
6.一种计算设备,其特征在于,包括存储器和处理器;
其中,在所述存储器中存储有一个或多个计算机程序,所述一个或多个计算机程序包括指令;当所述指令被所述处理器执行时,使得所述计算设备执行如权利要求1至4中任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410176880.1A CN117725705B (zh) | 2024-02-08 | 2024-02-08 | 一种肋骨形状的优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410176880.1A CN117725705B (zh) | 2024-02-08 | 2024-02-08 | 一种肋骨形状的优化方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117725705A CN117725705A (zh) | 2024-03-19 |
CN117725705B true CN117725705B (zh) | 2024-05-31 |
Family
ID=90200200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410176880.1A Active CN117725705B (zh) | 2024-02-08 | 2024-02-08 | 一种肋骨形状的优化方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725705B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989502A (zh) * | 2019-12-12 | 2021-06-18 | 厦门雅迅网络股份有限公司 | 变速箱档位数和传动比的计算方法及存储介质 |
CN113923737A (zh) * | 2021-10-11 | 2022-01-11 | 中铁二院工程集团有限责任公司 | 一种lte-m***智能越区切换方法 |
CN113987938A (zh) * | 2021-10-27 | 2022-01-28 | 北京百度网讯科技有限公司 | 工艺参数优化方法、装置、设备以及存储介质 |
CN115758922A (zh) * | 2022-10-26 | 2023-03-07 | 同济大学 | 一种用于风环境测试场营造的风场数字孪生体*** |
CN115857311A (zh) * | 2022-11-02 | 2023-03-28 | 盐城工学院 | 一种微振动抑制平台的迟滞补偿控制方法 |
CN116992738A (zh) * | 2023-08-29 | 2023-11-03 | 西南石油大学 | 一种高压电脉冲破岩数值模拟方法 |
-
2024
- 2024-02-08 CN CN202410176880.1A patent/CN117725705B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989502A (zh) * | 2019-12-12 | 2021-06-18 | 厦门雅迅网络股份有限公司 | 变速箱档位数和传动比的计算方法及存储介质 |
CN113923737A (zh) * | 2021-10-11 | 2022-01-11 | 中铁二院工程集团有限责任公司 | 一种lte-m***智能越区切换方法 |
CN113987938A (zh) * | 2021-10-27 | 2022-01-28 | 北京百度网讯科技有限公司 | 工艺参数优化方法、装置、设备以及存储介质 |
CN115758922A (zh) * | 2022-10-26 | 2023-03-07 | 同济大学 | 一种用于风环境测试场营造的风场数字孪生体*** |
CN115857311A (zh) * | 2022-11-02 | 2023-03-28 | 盐城工学院 | 一种微振动抑制平台的迟滞补偿控制方法 |
CN116992738A (zh) * | 2023-08-29 | 2023-11-03 | 西南石油大学 | 一种高压电脉冲破岩数值模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117725705A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021233069A1 (zh) | 量化训练、图像处理方法及装置、存储介质 | |
KR20190028531A (ko) | 복수의 기계 학습 태스크에 대해 기계 학습 모델들을 훈련 | |
WO2019018375A1 (en) | NEURONAL ARCHITECTURE RESEARCH FOR CONVOLUTION NEURAL NETWORKS | |
CN110597878A (zh) | 一种多模态数据的跨模态检索方法、装置、设备及介质 | |
EP3944105A1 (en) | Systems and methods for design parameter selection | |
CN104573277A (zh) | 一种车辆悬架***性能分解方法 | |
US20220229640A1 (en) | Systems and methods for design parameter selection | |
CN112288124A (zh) | 信息处理程序、信息处理方法和信息处理设备 | |
CN110580897B (zh) | 音频校验方法、装置、存储介质及电子设备 | |
US9098673B2 (en) | Structural optimization for vehicle crashworthiness | |
CN117725705B (zh) | 一种肋骨形状的优化方法、装置、设备及存储介质 | |
CN109960841B (zh) | 一种流体表面张力的仿真方法、终端设备及存储介质 | |
JP2022003423A (ja) | 学習方法、学習装置及びプログラム | |
US20220019869A1 (en) | Hardware-optimized neural architecture search | |
US8700686B1 (en) | Robust estimation of time varying parameters | |
CN112417463A (zh) | 软件漏洞预测方法、装置、计算机设备及存储介质 | |
CN116306879A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及*** | |
CN113554097B (zh) | 模型量化方法、装置、电子设备和存储介质 | |
CN115062777A (zh) | 卷积神经网络的量化方法、神经网络、设备及存储介质 | |
CN114595627A (zh) | 模型量化方法、装置、设备及存储介质 | |
CN114358260A (zh) | 一种神经网络模型搭建方法、装置、设备及存储介质 | |
EP4189606A1 (en) | Neural architecture and hardware accelerator search | |
CN116152907A (zh) | 手势重建方法、装置以及电子设备 | |
CN115809695A (zh) | 一种基于物理信息神经网络的模型训练方法及相关装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |