[发明专利]异源数据驱动的飞行器高效近似优化方法

说明书

本发明公开的异源数据驱动的飞行器高效近似优化方法，属于飞行器工程优化技术领域。本发明采用基于距离识别的模糊聚类选点策略从备选样本点集中选取可行性与最优性更好的优质局部高/低精度样本点，引导优化过程快速向全局可行最优点收敛；通过选取的高/低精度样本点构造飞行器系统分析模型的Co‑kriging代理模型，充分利用工程中存在的不同精度的多源仿真分析模型，实现复杂飞行器工程系统的保精度快响应预示，有利用提高涉及高耗时分析模型的飞行器系统优化问题求解效率和鲁棒性，提升复杂飞行器系统性能。本发明适合应用于包含高精度分析模型的飞行器复杂工程系统优化领域，解决相应相关工程问题。

技术领域

本发明涉及一种异源数据驱动的飞行器高效近似优化方法，属于飞行器工程优化技术领域。

背景技术

随着学科建模技术、数值计算技术以及计算机软硬件的发展，高精度分析模型在飞行器优化的工程实践中应用日趋广泛，例如气动学科的计算流体力学(ComputationalFluid Dynamics,CFD)模型、结构学科的有限元分析(Finite Element Analysis,FEA)模型等。应用高精度分析模型可以改善结果可信度，提高飞行器质量，但是同时提高了计算成本。此外飞行器优化过程中反复调用高精度分析模型寻找最优方案，进一步加剧了计算复杂性。为缓解上述问题，基于代理模型的优化方法(Metamodel-based Design andOptimization,MBDO)得到深入研究，旨在通过构造合理的近似模型引导优化过程快速收敛到最优解，从而降低计算成本，缩短设计周期。其中，基于动态代理模型的优化方法(又称自适应MBDO方法)能够有效提升优化效率与全局收敛性，成为当前研究热点。

追峰采样近似优化方法是一类典型的自适应MBDO方法，通过构造概率密度函数引导设计空间内的有偏采样，具有效率高，支持并行计算，鲁棒性强等特点。在标准MPS的基础上针对离散连续混合、高维、强约束等问题衍生出一系列方法，在优化效率和收敛性能方面具有显著优势。然而，包括MPS衍生方法在内的大多数自适应MBDO方法中，代理模型构造依赖单一的高精度响应信息，仍然需要消耗大量计算资源。

事实上，飞行器工程实践中往往存在不同精度的多源仿真模型。多模型融合方法(Multi-model Fusion,MMF)是一种有效融合多源模型信息的代理模型方法，已在飞行器工程领域得到应用，但对于涉及高维强约束复杂飞行器系统的优化问题，基于多模型融合的自适应MBDO方法仍面临优化效率与收敛性能不足的技术挑战。

针对上述问题，本发明将多模型融合方法引入追峰采样框架，提出一种异源数据驱动的飞行器高效近似优化方法(Multi-Model Fusion based Mode Pursuing Samplingmethod,MMF-MPS)。

为了更好地说明本发明的技术方案，下面对所涉及的相关代理模型技术、方法介绍如下。

(1)Co-Kriging代理模型

考虑高精度样本点集X_e及其对应的高精度模型响应值Y_e、低精度样本点集及其对应的低精度模型响应值Y_c，将高低精度模型响应值视为服从协同高斯过程，得到Co-Kriging代理模型基本形式如下：

Z_e(x)＝ηZ_c(x)+Z_d(x) (1)

式(1)中，η为比例系数，Z_e和Z_c分别表示高低精度模型响应值服从的高斯过程，Z_d表示Z_e与ηZ_c之间的差值。根据高斯过程理论，Co-Kriging代理模型预测值表达式为：

式(2)中，为Co-Kriging代理模型的预测值，C为协方差矩阵，表达式为：