基于自适应近似模型的RSCSSO及其应用研究

作者:刘明航;胡峪 刊名:飞行力学 上传者:曲丰

【摘要】为了更好地解决飞行器设计中多学科设计优化问题,在对传统的基于响应面RSCSSO研究的基础上,提出了改进的基于自适应近似模型的RSCSSO。为减少学科分析的次数,采用均匀实验设计代替学科级优化,直接获得性能优良的初始设计样本点;在系统级优化过程中引入自适应近似模型算法,并通过在迭代过程中对两种近似模型进行对比,选用精度高的近似模型提高系统级优化效率。采用改进的RSCSSO解决了一架飞翼布局手抛无人机设计优化问题,并与传统RSCSSO进行了对比。结果表明,改进的RSCSSO不但有更小的计算量,而且获得了更优的结果。

全文阅读

0引言飞行器设计过程是一个多学科参与的反复迭代过程,通常单独学科的最优解并不是整个系统的最优解。因此首要的问题是如何有效地解决各学科间的信息交流,以及由于学科分析产生的庞大的计算量问题。为了更好地解决这类复杂的系统优化问题,本文对传统的RSCSSO进行了研究和改进,提出了基于自适应近似模型的RSCSSO。采用改进的优化算法对一架小型飞翼布局手抛无人机进行了设计优化,并与传统的优化算法相比较,验证了所提算法的有效性和实用性。1传统的RSCSSO算法研究目前,为了解决复杂的耦合问题,提出了许多MDO算法[1]。1988年,Sobieszczanski-Sobieski[2]提出的并行子空间算法(CSSO),在每个子空间分别优化一组独立的设计变量,分解设计变量可以起到有效的降维作用,然后利用全局敏度方程(GSE)在系统级对这些设计变量进行协调。CSSO能够让各学科专家根据本学科的实际情况选择适合的分析、计算工具和优化方法,设计自由度高、人工干预性强;学科(子空间)划分与设计部门划分一致,便于组织协调,能够灵活有效地解决复杂的系统问题[3]。然而,由于CSSO算法是基于GSE的线性近似,因而子空间设计变量的可行域较小。因为在实际设计问题中,有些设计变量同时对几个子空间均有影响,子空间中设计变量互不重叠的要求不太合理。在求解GSE方程时需要对变量求导,无法求解离散问题[4],这些都局限了它的应用。1996年,RSCSSO在此基础上被提出,RSCSSO允许子空间设计变量共享,同一设计变量可以在几个子空间进行优化设计,并且能够解决离散型问题,适用范围更广。RSCSSO算法流程图如图1所示。图1RSCSSO算法流程图Fig.1TheRSCSSOalgorithmstructureflowchart通过对RSCSSO算法的研究分析,可以看出:(1)收敛准则和优化结果的好坏很大程度上依赖于系统级优化,而与学科级优化关系不大。(2)系统级优化和学科级优化的物理意义是一致的,只是优化的设计变量不完全一致。(3)根据数据库建立的近似模型精度直接影响系统级优化过程的质量。以上三点表明,学科级优化的目的仅在于提供性能优良(更加靠近全局最优解)的样本点,用这些点能够构建更加精确的近似模型,尤其在接近最优解的小范围内精确度更高。最后一点表明了近似模型的精度直接决定了收敛过程的快慢和优化算法的效率。因此,针对这些特点,本文对该算法进行了改进,提出了基于自适应近似模型的RSCSSO。2基于自适应近似模型的RSCSSO根据对传统RSCSSO的研究,由于近似模型的精度主要由两个因素决定,一个是初始样本点的质量,另一个是所选近似模型是否合适,因此对RSCS-SO进行了如下改进:(1)在RSCSSO算法中,用均匀实验设计代替学科级优化,直接获得性能优良的初始设计样本点,学科级只进行学科分析,以减小计算量[5]。(2)二次响应面和径向神经网络是两种常用的近似模型[6],由于对不同问题的近似模型的近似精度不同,所以本文提出自适应的近似模型方法。实验设计(DOE)是多学科优化设计的一个重要组成部分,主要目标是用最少的实验次数,建立设计变量和状态变量之间的关系。均匀实验所获得的样本点与正交实验相比,分布更加均匀、更具有代表性,所以用均匀实验设计的方法来直接获得性能良好的初始设计样本点,用以构造响应面[7]。在自适应近似模型中,引入变量相对误差均值e珋和相对误差标准差e来衡量近似模型的精度:e珋=1NNi=1ei(1)ei=y^i-yiyi(2)式中,yi为与ith样本点对应的状态变量的精确值;y^i

参考文献

引证文献

问答

我要提问