[发明专利]基于改进位置向量期望改善度的变体飞行器气动优化方法

说明书

本发明公开的改进位置向量期望改善度的变体飞行器气动优化方法，属于飞行器总体优化技术领域。选择初始参考翼型以及相关形状系数，确定设计工况；建立考虑结构一致性约束的优化模型求解变形后翼型的形状系数，建立高精度气动分析模型求解翼型的升力系数和阻力系数；建立高精度气动分析模型的Kriging代理模型，优化Kriging代理模型获得伪非支配解，判断Kriging代理模型的预测方差是否大于阈值；如果预测方差不小于阈值则采用位置向量期望改善度准则获取新增的样本点用于更新Kriging代理模型，否则从伪非支配解中筛选新增样本点更新Kriging代理模型。通过筛选新增样本点提高Kriging代理模型在Pareto前沿的精度，改善优化后的非支配解的最优性和分布性，同时提高优化效率，节省成本。

技术领域

本发明涉及一种基于改进位置向量期望改善度的变体飞行器气动优化方法，属于飞行器总体优化技术领域。

背景技术

传统飞行器普遍采用固定气动布局，只有在特定飞行条件下才能达到最优气动性能，执行多任务能力有限。而变体飞行器能够根据不同的飞行环境及作战任务，自主改变气动外形，从而改善气动性能。变体飞行器中的变翼型飞行器能够通过改变翼型的弯度或厚度调整升阻比以适应不同的飞行条件，或借助翼型的前后缘变形使得翼型获得不同的前后缘弯度，替代传统控制面操控飞行器。精准高效的翼型几何参数化方法是开展翼型气动设计优化、提升飞行器性能的关键步骤。考虑机翼内部支撑结构及驱动装置对变形能力的限制，需要定制考虑结构一致性约束的翼型几何参数化方法。类别形状转换法(Class ShapeTransformation,CST)是用解析表达式描述翼型外形的一种翼型几何参数化方法，通过调节形状系数生成不同的翼型外形，可以通过解析形式描述结构一致性约束。

变翼型飞行器的高精度气动分析模型计算耗时极高，传统多目标优化算法需要进行数千次仿真调用以评估优化目标，很大程度上限制了传统多目标优化算法在计算复杂的飞行器气动外形优化设计中的应用。代理模型通过少量的样本点信息构造预测模型，可以大幅减少计算成本，得到了广泛应用。Kriging代理模型是一种估计方差最小的无偏最优估计插值模型，基于Kriging代理模型的多目标优化算法利用Kriging代理模型的预测方差信息，有效地平衡优化算法的非支配解的分布性与最优性。位置向量期望改善度(ExpectedAngle-Penalized Length Improvement,EAPLI)准则引导序列采样，从而不断更新目标函数的Kriging代理模型，能够平衡非支配解集的分布性与最优性，显著加快优化过程，但仍存在部分目标函数Kriging代理模型预测精度较高时，非支配解难以收敛到Pareto前沿的问题。

为了更好的说明本发明的技术方案，下面对涉及到的相关数学基础做一定介绍。

位置向量期望改善度：

在多目标优化中，通常从最优性和分布性两个方面考察样本点的质量。样本点的最优性可以直接通过位置向量的长度来描述：位置向量的长度越短，样本点的最优性越好，样本点的分布性可以通过位置向量与其最接近参考向量(目标空间中均匀分布的一系列向量)的夹角θ来描述：夹角θ角度越小说明样本点与参考向量之间的距离越近，表明样本点的分布性更好。采用罚函数思想定义角度约束长度(Angle-Penalized Length,APL)，可以兼顾样本点的最优性和分布性，APL表达式如下：

式(1)中Z^*是参考向量起始点；α是罚系数；θ表示位置向量和参考向量V之间的夹角；γ_v是角度θ归一化参数；||f(x)||是位置向量的长度。若非支配解x的目标向量f(x)与参考向量V_j之间的夹角在所有参考向量中最小，则可称非支配解x与参考向量V_j相关联，由此，可将每个参考向量的关联的非支配解对应的APL值的最小值作为APL_ref值，参考向量V的考虑角度约束的位置向量长度改善度(Angle-Penalized Length Improvement,APLI)的表达式如下：