[发明专利]基于代理辅助进化算法的翼型优化方法及装置

说明书

本发明公开了基于代理辅助进化算法的翼型优化方法、装置、计算机设备及存储介质，通过对样本库中的初始数据点集合中进行多次全局搜索和局部搜索，以将样本库中的初始数据点集合中的数据点个数增加至大于或等于最大真实评价次数，实现了由代理辅助和进化算法相结合并同时考虑代理模型的预测值和不确定性的方式，对有限的数据样本中快速增加数据点，而且所增加的样本点对代理模型的精度有提高。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于代理辅助进化算法的翼型优化方法、装置、计算机设备及存储介质。

背景技术

进化算法又称元启发式算法，目前已被广泛应用于各种工程优化。然而，如果这些进化算法被应用于涉及计算昂贵模拟的昂贵优化问题时，计算成本将十分巨大。昂贵优化问题和普通的优化问题有很大区别，昂贵优化问题的响应函数通常是一个仿真模型，例如有限元分析(简记为FEA)和计算流体动力学(简记为CFD)。

目前，将代理辅助和进化算法相结合的代理辅助进化算法在处理昂贵的优化问题上得到越来越多的关注，也就是对昂贵问题中所缺乏的样本数据点进行加点以提升样本数据点的总个数是需要重点考虑的。

常用的加点准则有PoI加点准则(即基于改进概率的加点准则)，ExI加点准则(即基于期望改进的加点准则)和LCB加点准则(即基于下置信界的加点准则)，这三种加点准则都在代理辅助和进化算法的应用中有效地加强代理模型的精度，从而加速算法的最终收敛。但是上述三种加点准则只是简单地使用一个单一的准则或者将多个准则组合成一个标量准则，导致在有限的数据样本中增加样本点的效果较差，而且所增加的样本点对代理模型的精度的提高较少。

发明内容

本发明实施例提供了一种基于代理辅助进化算法的翼型优化方法、装置、计算机设备及存储介质，旨在解决现有技术中采用基于改进概率的加点准则、基于期望改进的加点准则或基于下置信界的加点准则在处理昂贵优化问题中的加点时，只是简单地使用一个单一的准则或者将多个准则组合成一个标量准则，导致在有限的数据样本中增加样本点的效果较差，而且所增加的样本点对代理模型的精度的提高较少的问题。

第一方面，本发明实施例提供了一种基于代理辅助进化算法的翼型优化方法，其包括：

判断是否接收到客户端发送的数据点加点请求；

若接收到客户端发送的数据点加点请求，获取样本库中的初始数据点集合，及根据初始数据点集合中数据点的总个数和预先设置的优化点总个数获取最大真实评价次数；其中，每一数据点包括机翼几何形状控制点对应的决策变量和与决策变量对应的评估值，每一决策变量为n维行向量或n维列向量；

判断所述初始数据点集合中数据点的总个数是否小于所述最大真实评价次数；

若所述初始数据点集合中数据点的总个数小于所述最大真实评价次数，以所述初始数据点集合中各数据点作为第一待训练代理模型的训练样本，得到对应的第一当前代理模型，根据所述第一当前代理模型及预设的第一个体筛选条件在根据第一类初始种群遗传进化生成的第一类最终种群中进行搜索，得到第一目标个体和第二目标个体；

将所述第一目标个体对应的数据点和所述第二目标个体对应的数据点均加入所述初始数据点集合，得到当前数据点集合；其中，所述第一目标个体对应的数据点由第一目标个体、及第一目标个体输入至预先存储的目标函数进行运算对应得到的第一真实函数值组成；所述第二目标个体对应的数据点由第二目标个体、及第二目标个体输入至所述目标函数对应得到的第二真实函数值组成；

获取所述当前数据点集合中各数据点按真实函数值进行升序排序且排序在预设的排名阈值之前的数据点以组成目标数据点集合，以目标数据点集合中各数据点作为第二待训练代理模型的训练样本，得到对应的第二当前代理模型，根据所述第二当前代理模型及预设的第二个体筛选条件在根据第二类初始种群遗传进化生成的第二类最终种群中进行搜索，得到第三目标个体；