[发明专利]发动机模型的优化方法、装置、计算机设备及存储介质

说明书

本发明实施例公开了一种发动机模型的优化方法、装置、计算机设备及存储介质。该方法包括：根据预设解数量设置初始种群；获取初始种群在发动机模型上的第一输出集；根据第一输出集确定初始种群中每组发动机模型参数的第一适应度值；根据第一适应度值对初始种群进行选择、交叉以及变异操作，获得进化种群，初始种群和进化种群构成待选种群；获取进化种群在发动机模型上的第二输出集；根据第一输出集和第二输出集确定待选种群中每组发动机模型参数的第二适应度值；根据第二适应度值在待选种群中选取发动机模型参数构成新种群；若满足终止条件，使用新种群中的发动机模型参数对发动机模型进行优化。避免了对参考点集的依赖，使优化过程更加简单通用。

技术领域

本发明实施例涉及发动机技术领域，尤其涉及一种发动机模型的优化方法、装置、计算机设备及存储介质。

背景技术

在发动机正式使用之前，要求发动机模型的设计要具有一定的可靠性，因此，就需要在不同的测试状态下均能够保持正常的运行状态，而在每个测试状态下，一般还需要使一些指标达到预期的数值。因此，假定测试状态的数量为k，且在每个测试状态下需要h个指标需要优化，那么就需要对k*h个指标同时进行优化。但发动机的设计一般涉及到流体力学原理等复杂的数学模型，往往不可导、非凸或非连续，因此在优化的过程中，传统的数学方法很难有效的解决。

目前解决上述问题一般是采用将所得到的多目标问题转化为单目标问题的方式进行求解，但转化为单目时，很容易造成目标间的冲突，即很难平衡大量基准维度之间的选择，很可能需要以牺牲某些维度的性能而使总体的目标值降低，这样很难在现实生活中应用。另一种方案是采用基于支配关系或者基于分解的多目标优化方法进行求解，但往往在现实生活中，k*h的数值较大，是一个相对很高的维度，因此会出现大量的非支配解，基于支配关系的多目标优化方法(如NSGAII和SPEA2)处理起来选择压力过低，处理难度较大，而对于基于分解的多目标优化方法(如MOEA/D)，需要参考点集，当需要的种群数量很大时，调用发动机模型的次数便会增多，而发动机模型的调用往往很昂贵，因此在使用较大种群的情况下将十分浪费计算时间。

发明内容

本发明实施例提供一种发动机模型的优化方法、装置、计算机设备及存储介质，以实现在解决高维度的发动机参数优化问题的同时，避免因高维度而带来的众多非支配解和低选择压力的问题，以及对参考点集的依赖。

第一方面，本发明实施例提供了一种发动机模型的优化方法，该方法包括：

步骤a)根据预设解数量设置初始种群，所述初始种群中的每个元素表示一组发动机模型参数；

步骤b)将所述初始种群中各组发动机模型参数代入发动机模型，以获取所述初始种群在所述发动机模型上的第一输出集；

步骤c)根据所述第一输出集确定所述初始种群中每组发动机模型参数的第一适应度值；

步骤d)根据所述第一适应度值对所述初始种群进行选择、交叉以及变异操作，以获得进化种群；所述初始种群和所述进化种群构成待选种群；

步骤e)将所述进化种群中各组发动机模型参数代入所述发动机模型，以获取所述进化种群在所述发动机模型上的第二输出集；

步骤f)根据所述第一输出集和所述第二输出集确定所述待选种群中每组发动机模型参数的第二适应度值；

步骤g)根据所述第二适应度值在所述待选种群中选取发动机模型参数构成新种群，所述新种群中发动机模型参数的组数为所述预设解数量；

步骤h)若未满足终止条件，则根据所述新种群更新所述初始种群，以及根据所述新种群中各组发动机模型参数在所述发动机模型上的输出更新所述第一输出集，并返回执行步骤c)；若满足所述终止条件，则使用所述新种群中的发动机模型参数对所述发动机模型进行优化。

第二方面，本发明实施例还提供了一种发动机模型的优化装置，该装置包括：