[发明专利]一种耦合遗传算法、神经网络与数值模拟的反向设计方法

说明书

技术领域

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

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。

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。

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

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。

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：

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。

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

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；

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；

图3为目标函数值随遗传代数的变化曲线图；

图4为反向设计过程中的计算量增长曲线图；

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；

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；

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

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。

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1.04×1.04m，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℃，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。

本发明具体实施方式描述如下：

1、遗传算法与CFD相结合的反向设计