[发明专利]材料多热物性参数反演测量用并行模拟退火快速优化方法

说明书

本发明是材料多热物性参数反演测量用并行模拟退火快速优化方法。包括：确定优化变量的变化范围，确定初始点,计算初始目标函数值对各线程分别进行迭代试探；各个线程都迭代完毕后，选择最优解，并将最优解以及对应的速度传递回每条线程，作为下一个温度下的初始迭代速度；所述方法在材料多物性参数间接测量中的优势及应用。本发明克服了材料多热物性参数间接测量过程中数据处理算法的收敛困难、识别结果稳定性差、数据处理时间长、效率低等问题，将在提高测试效率、降低测试成本，缩短测试周期、节约能源等方面发挥其突出优势，有实际应用潜力，可以推广应用于航空航天、军事国防、能源化工、大气科学以及建筑等领域。

技术领域

本发明涉及基于材料多热物性参数反演测量用并行模拟退火快速优化方法，属于材料热物性测量技术领域及计算机仿真与智能优化技术领域。

背景技术

材料的热物性不仅是材料实际服役过程中精细热分析与优化设计的重要参量，也是材料表征与评价以及新材料开发的重要依据。在材料热物性的测量方法中，有些材料的热物性参数采用直接测量方法存在测试难度大、测试设备复杂、测试周期长等方面的问题，因此一般采用间接测量方法。间接测量的基本原理是将容易实验测得的物理量与理论预测的物理量进行比较，然后采用最小二乘拟合法获得所需的材料的热物性。这种测量方法不仅可以实现多个物性参数的测量，还可以同热物性参数一同实现材料或者试件几何尺寸及边界条件等参数的同步测量。因此，这种材料热物性测试方法具有资金、人力投入量低、测试效率高、节约能源等特点而广泛应用于航天器的热防护、太阳能发电、建筑、化工等各工程技术领域。。

在材料热物性间接测量过程中，识别结果的可靠性极大的依赖于选择的非线性优化策略。逆问题的病态特征经常使梯度解析算法(Levenberg-Marquardt方法和高斯线性化方法)由于给定初值不当出现收敛困难或者陷入局部最优解，特别是实验数据噪音大，识别的结果可能会超过该参数的实际物理意义范畴，因此为了克服逆问题的病态特征常采用随机优化算法。与常用的遗传算法、粒子群优化算法等随机优化算法相比，模拟退火算法较少受到初始条件及初始点的限制，具有更好鲁棒性和全局搜索能力，可求解具有多局部极小值的全局优化问题。然而，随着常规的模拟退火算法由于其固有的密集计算特性，存在的主要问题是运行时间长和计算内存大，随着问题规模不断扩大，逆向测量参数数量的增多，基于单核的串行模拟退火所消耗时间迅速增长，计算所需内存量增大，往往不能满足人们的实时处理数据要求，成为大型数据库求解的主要瓶颈。模拟退火的并行实现技术能大幅度地提高其性能，能从本质上减少处理数据的时间。

发明内容

本发明的目的是提出材料多热物性参数反演测量用并行模拟退火快速优化方法，以解决材料多热物性参数间接测量过程中数据处理算法的收敛困难、识别结果稳定性差、数据处理时间长、效率低等问题。

材料多热物性参数反演测量用并行模拟退火快速优化方法，所述优化方法包括以下步骤：

S100、设定待测的材料的多热物性参数：将与设定的热物理参数具有数学物理关联的实验测量物理量及理论预测物理量进行最小二乘法，获得最小二乘逆问题算法中的目标函数F(X)，其中X为未知参数矢量，即待测的材料的多热物理参数；

S200、确定优化变量变化范围，确定初始点X0，设定初始温度、最终温度、并行线程数NL、同一温度下马尔科夫链长L、温度衰减系数和收敛准则优化过程控制参数，计算相应的初始目标函数值E(X10)，E(X20)，…E(XN0)；

S300、当温度T＝Tn时，各线程分别进行根据S400至S700实行L次迭代试探；

S400、各个线程都迭代完毕后，将每条线程的最优目标函数值传递到主线程并进行比较，选择其中的最优解，并将该最优解以及其对应的速度传递回每条线程，作为下一个温度下的初始迭代速度；

S500、若不满足迭代终止条件，则执行S600；若满足迭代终止条件，则结束运行，当前速度即为最优速度模型；