一种耦合遗传算法、神经网络与数值模拟的反向设计方法
【技术领域】
[0001] 本发明涉及建筑的室内环境设计领域，特别是一种耦合遗传算法、神经网络与数 值模拟的室内环境反向设计方法。
【背景技术】
[0002] 遗传算法是一种典型的最优化方法，它把优化过程看成是生物种群的进化过程， 每个变量可能的解表示成一个染色体的片段，所有变量可能的解按顺序排列成一条完整的 染色体，每条染色体代表进化过程中的一个个体。与其它优化算法相比，遗传算法更易探索 整个设计空间，并找到全局最优解。数值模拟技术能够获得详细的室内环境数据，与实验测 量方法相比，操作简单，成本低廉，计算流体力学（CFD)模型是在室内环境领域中应用最为 广泛的计算模型。
[0003] 使用遗传算法与CFD相结合，对室内环境进行反向设计时，通过遗传算法的交叉、 变异过程产生新个体，利用CFD获得新个体的设计目标值。但设计过程中可能产生较多新 个体，因此会产生较多CFD计算过程，导致此反向设计方法的计算量大。
[0004] 为减少反向设计计算量，可使用人工神经网络作为CFD模型的替代模型，应用于 室内环境反向设计。当使用遗传算法与神经网络相结合进行反向设计时，利用遗传算法的 交叉、变异过程产生新个体，利用神经网络计算新个体的设计目标值。由于神经网络计算时 间远小于CFD计算时间，此方法可达到降低反向设计计算量的目的。但此方法受神经网络 预测误差的影响，可能导致设计过程不收敛。因此，有必要研究新的反向设计方法，在保证 设计方法收敛性的同时，降低反向设计计算量。
【发明内容】
[0005] 针对上述的现有技术及存在的问题，本发明提出了一种耦合遗传算法、神经网络 与数值模拟的反向设计方法，在保证反向设计过程收敛的基础上，通过耦合遗传算法、神经 网络与数值模拟方法，降低反向设计方法的计算量。
[0006] 本发明提出了一种耦合遗传算法、神经网络与数值模拟的反向设计方法，该方法 包括以下步骤：
[0007] 步骤1、根据设计对象确定设计变量与设计目标；
[0008] 步骤2、使用抽样方法，产生神经网络训练样本，对神经网络进行训练；
[0009] 步骤3、利用遗传算法的交叉、变异过程同时得到多组符合设计要求的设计变量 值，从中搜索满足设计要求的个体；使用神经网络与CFD方法计算新个体的适应度，即设计 目标值，具体计算过程如下：首先使用神经网络预测新个体的设计目标值，神经网络的输入 为设计变量值，输出为设计目标值；若设计目标值达到设定的阈值，使用计算流体力学方法 计算新个体的真实设计目标值，根据设计变量值确定设计对象的边界条件，使用流体力学 方法计算得到设计对象内部的速度、温度等的分布，进而可以得到设计目标值，即为个体的 适应度。
[0010] 步骤4、通过非支配排序方法对种群中的个体进行排序，并使用锦标赛算法进行选 择，利用选择操作产生新种群：若新种群符合收敛标准，设计过程结束，否则继续进行交叉 变异过程，产生新种群。
[0011] 与只使用遗传算法与数值模拟相结合的方法相比，耦合遗传算法、神经网络与数 值模拟方法在保证反向设计收敛性的同时，减少反向设计计算量42. 1 %。
【附图说明】
[0012] 图1为本发明的一种耦合遗传算法、神经网络与数值模拟的反向设计方法的算法 模型图；
[0013]图2为本发明具体实施例的Blay模型示意图；（a)Blay模型的几何结构，（b)网格 划分；
[0014]图3为目标函数值随遗传代数的变化曲线图；
[0015]图4为反向设计过程中的计算量增长曲线图；
[0016]图5为使用遗传算法与神经网络相结合时，目标函数随遗传代数变化曲线图；
[0017] 图6为使用遗传算法与神经网络、CFD相结合时，目标函数变化曲线图；
[0018]图7为使用遗传算法与神经网络、CFD相结合时，计算量随遗传代数变化曲线图。
【具体实施方式】
[0019] 以下结合附图及【具体实施方式】，进一步详述本发明的技术方案。
[0020] 反向设计的对象分别为Blay模型以及客机座舱模型。如图2所示，为Blay模型 的几何结构及网格划分。Blay模型的外部结构为正方形，尺寸为1.04X1. 04m，包含一个入 口和一个出口，入口尺寸为0. 018m，出口尺寸为0. 022m。入口速度为0. 57m/s，入口温度为 15°C，送风角度为水平方向，四周使用无滑移的壁面边界条件，壁面温度均设为恒温条件， 监测点位于出口附近。
[0021] 本发明【具体实施方式】描述如下：
[0022] 1、遗传算法与CFD相结合的反向设计
[0023] 使用遗传算法与CFD相结合对Blay模型进行反向设计。设计变量为入口速度与 温度，设计目标为监测点处速度与温度。根据数值计算结果，得到监测点处的速度大小为 0. 1325m/s，温度大小为17.67Γ，进而得到了Blay模型反向设计的目标函数：
[0024]
[0025] 遗传算法的交叉概率为0.8,变异概率为0. 1，最大遗传代数为100代，反向设计 的收敛条件为FBlay= 0。如图3所示，为目标函数值随遗传代数的变化曲线，当计算到第 33代时，反向设计过程收敛，得到的解为（0. 57,15)，即入口速度为0. 57m/s，入口温度为 15。。。
[0026] 如图4所示的反向设计过程中的计算量增长曲线，是使用遗传算法进行反向设计 时的计算量增长曲线，使用CFD的case数量表示计算量大小。当得到最优解时，共计算了 235个case，即执行了 235次CFD计算。
[0027] 2、遗传算法与神经网络相结合的反向设计
[0028] 使用遗传算法与神经网络相结合的方法对Blay模型进行反向设计，使用人工神 经网络对Blay模型监测点处的数据进行预测，神经网络的输入为入口的速度及温度值，输 出为监测点处的速度及温度值。使用拉丁超立方体抽样方法，产生80组入口速度与温度的 组合作为输入参数，使用这些输入参数作为边界条件对Blay模型进行CFD计算，得到每组 输入参数对应的输出参数，即监测点处的速度及温度值，每组输入参数及其对应的输出参 数构成一个完整的训练样本，使用所有训练样本对神经网络进行训练，将训练好的神经网 络与遗传算法相结合，应用于Blay模型的反向设计。
[0029] 如图5所示，反向设计过程中，使用遗传算法与神经网络相结合时，目标函数随遗 传代数变化曲线；计算开始阶段，目标函数曲线下降较快，但计算到第20代之后保持不变。 当遗传算法计算到1〇〇代时，目标函数值未达到〇。因此，使用此方法时，反向设计未收敛。
[0030] 3、遗传算法与神经网络、CFD相结合的反向设计
[0031] 使用与遗传算法与神经网络、CFD相结合的方法对Blay模型的进行反向设计。首 先使用训练好的神经网络对新个体的目标值进行预测，并根据设计目标的预测值计算Fblay 值，若此值低于〇. 1，使用CFD对该个体进行计算，获得该个体的真实的Fblay值。
[0032] 图6为目标函数值随遗传代数变化曲线，当计算到第34代时，反向设计过程收敛， 得到的解为（0.57,15)。
[0033] 如图7所示，为使用遗传算法与神经网络、CFD相结合时，计算量随遗传代数变化 曲线，反向设计过程需计算136个case，与使用遗传算法和CFD相结合的方法相比，计算量 减少了 42. 1%。
【主权项】
1. 一种耦合遗传算法、神经网络与数值模拟的反向设计方法，其特征在于，该方法包括 以下步骤： 步骤1、根据设计对象确定设计变量与设计目标； 步骤2、使用抽样方法，产生神经网络训练样本，对神经网络进行训练； 步骤3、利用遗传算法的交叉、变异过程同时得到多组符合设计要求的设计变量值，从 中搜索满足设计要求的个体；使用神经网络与CFD方法计算新个体的适应度，即设计目标 值；具体计算过程如下：首先使用神经网络预测新个体的设计目标值，神经网络的输入为 设计变量值，输出为设计目标值；若设计目标值达到设定的阈值，使用计算流体力学方法计 算新个体的真实设计目标值，根据设计变量值确定设计对象的边界条件，使用流体力学方 法计算得到设计对象内部的速度、温度等的分布，进而可以得到设计目标值，即为个体的适 应度； 步骤4、通过非支配排序方法对种群中的个体进行排序，并使用锦标赛算法进行选择， 利用选择操作产生新种群：若新种群符合收敛标准，设计过程结束，否则继续进行交叉变异 过程，产生新种群。
【专利摘要】本发明公开了一种耦合遗传算法、神经网络与数值模拟的反向设计方法，根据设计对象确定设计变量与设计目标；使用抽样方法，产生神经网络训练样本，对神经网络进行训练；利用遗传算法的交叉、变异过程同时得到多组符合设计要求的设计变量值，从中搜索满足设计要求的个体；使用神经网络与CFD方法计算新个体的适应度；使用神经网络预测新个体的设计目标值，若设计目标值达到设定的阈值，使用计算流体力学方法计算新个体的真实设计目标值；利用选择操作产生新种群：若新种群符合收敛标准，设计过程结束，否则继续进行交叉变异过程，产生新种群。与只使用遗传算法与数值模拟相结合的方法相比，本发明在保证反向设计收敛性的同时，减少反向设计计算量42.1％。<!-- 2 -->
【IPC分类】G06F17/50
【公开号】CN105389442
【申请号】CN201510915452
【发明人】尤学一, 张天虎
【申请人】天津大学
【公开日】2016年3月9日
【申请日】2015年12月9日