[发明专利]一种基于深度学习的多精度优化算法实现气动优化设计的方法

权利要求书

1.一种基于深度学习的多精度优化算法实现气动优化设计的方法，其特征在于，该方法具体包括：

步骤S1：采用拉丁超立方取样(LHS)从机翼设计空间中生成样本点并进行归一化处理，归一化后分别组成高精度训练数据集X_hi和低精度训练数据集X_lo；其中，所述机翼设计空间包括机翼剖面形状的几何参数和机翼平面形状的几何参数，每个参数的边界值为该参数对应的待优化机翼基准模型的基准值±扰动值，所述扰动值不大于基准值的百分之10；生成的每个样本点包括机翼剖面形状的几何参数和机翼平面形状的几何参数，共同表示一个飞行器机翼的几何外形；

步骤S2，并行计算高精度数据集和低精度数据集的气动力系数，其中，和分别表示计算得到的高精度数据集和低精度数据集的所需优化的一个或多个气动力系数；

步骤S3，构建初始的多精度深度神经网络代理模型并训练；所述多精度深度神经网络代理模型由三个全连接神经网络组成；其中第一个神经网络NN_L(x,θ)用于拟合低精度数据，输入为低精度数据集X_lo的样本，输出为y_lo，第二个和第三个神经网络分别用于拟合低精度气动力系数和高精度气动力系数之间的线性F_l和非线性F_nl关系，它们均以第一个神经网络NN_L(x,θ)的输出y_lo作为第一个输入，辅以高精度数据集X_hi的样本作为第二个输入，最后通过α拟合得到高精度气动力系数，该多精度深度神经网络代理模型由下式表示：

y_hi＝αF_l(x,y_lo)+(1-α)F_nl(x,y_lo),α∈[0,1]

其中，α为该模型的超参数，x为表示样本点，θ,β_i,i＝1,2分别为三个神经网络的超参数，y_lo和y_hi分别表示模型输出的高精度数据集和低精度数据集的所需优化的一个或多个气动力系数；

步骤S4，通过粒子群优化算法(PSO)对当前的多精度深度神经网络代理模型进行全局优化；寻找当前代理模型的最优解，其中，优化时待预测的输入变量x同时输入于训练好的三个神经网络；

步骤S5，将当前代理模型的最优解作为高精度数据集的更新样本点加入到高精度数据集中；

步骤S6，通过低精度的加点准则得到低精度更新样本点X_lo,update，将更新的低精度样本点添加到低精度数据集中；

步骤S7，并行计算高精度更新的样本点和低精度更新的样本点X_lo,update的气动力系数；

步骤S8，使用更新后的高低精度数据集重新训练多精度深度神经网络代理模型；

步骤S9，使用粒子群优化算法对新的多精度深度神经网络进行全局优化，寻找当前代理模型的最优解；

步骤S10，将高精度数据集中的最优解作为本次迭代的最优解；检查本次迭代的最优解是否满足算法的收敛准则，若满足，则以该最优解作为优化结果输出，终止迭代；若不满足，则回到步骤S5继续迭代优化。

2.如权利要求1所述的方法，其特征在于，所述步骤S6，低精度加点准则具体为：

通过使加入的新样本点与其余样本点之间的最小欧氏距离(Euclidean Distance)最大化，使得加入后的样本点均匀分布在整个样本空间中；则低精度样本点数据集的加点方法可以转化为下述优化问题：

max min d(x^new,x)x^new∈X,x is[X_lo,X_hi]

其中，其中x^new、x表示两个不同的样本点；d(.,.)表示欧氏距离，X表示机翼设计空间；采用粒子群优化算法(PSO)对上述优化问题进行优化；将优化得到的最优解用于更新低精度数据集。