[发明专利]基于神经网络的飞行器气动外形优化方法、装置及介质

权利要求书

1.一种基于神经网络的飞行器气动外形优化方法，其特征在于，所述方法包括：

步骤S100：基于现有飞行器外形数据库，通过WGAN-div模型构建飞行器外形数据库；

步骤S200：训练卷积神经网络以完成飞行器外形设计到外形参数的转换；

步骤S300：训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据，所述MMoE-3D模型的输出由两组模型构成，分别代表亚声速模型和超声速模型；

步骤S400：初始化DE算法的种群生成第一种群；

步骤S500：将生成的第一种群输入WGAN-div模型的生成器，获得飞行器外形设计；

步骤S600：通过卷积神经网络将飞行器外形设计转换为外形参数；

步骤S700：将飞行器外形参数、坐标信息和飞行条件输入MMoE-3D模型，并通过所述MMoE-3D模型计算优化的目标值；

步骤S800：种群变异生成新的种群；

步骤S900：重复步骤S500-S800，输出优化的飞行器外形，并验证所述优化的飞行器外形是否满足要求，在不满足要求的情况下，返回步骤S300并扩充训练数据集以调整所述MMoE-3D模型。

2.根据权利要求1所述的方法，其特征在于，所述基于现有飞行器外形数据库，通过WGAN-div模型利用如下公式(1)和公式(2)构建飞行器外形数据库：

G＝g(z，θ) 公式(1)

z～N(0，1)，z∈(-3，3) 公式(2)

其中，G代表WGAN-div模型的飞行器外形生成器，z代表截断正态分布的潜在向量，θ代表所述飞行器外形生成器中的超参数。

3.根据权利要求1所述的方法，其特征在于，通过如下公式(3)训练卷积神经网络以完成飞行器外形设计到外形参数的转换：

其中，C代表飞行器外形设计和外形参数之间的关系，ε代表卷积神经网络参数。

4.根据权利要求1所述的方法，其特征在于，通过如下公式(4)训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据：

其中，M代表气动数据和飞行器外形的潜在非线性关系，代表M的预测值,a代表坐标信息，c代表飞行条件，∈代表卷积神经网络参数。

5.根据权利要求1-4任一项所述的方法，其特征在于，通过如下公式(5)验证所述优化的飞行器外形是否满足要求：

其中，F是优化的目标函数，C代表飞行器外形设计和外形参数之间的关系，z代表截断正态分布的潜在向量，θ代表所述飞行器外形生成器中的超参数。

6.根据权利要求5所述的方法，其特征在于，所述优化的目标函数F表示为：

其中，w₁是升力与阻力值的权重，设置为2/7，w₂是阻力项的权重，设置为1/7，w₃是与压力中心变化率函数的相关权重，设置为4/7。

7.一种基于神经网络的飞行器气动外形优化装置，其特征在于，所述装置包括处理器，所述处理器被配置为：

基于现有飞行器外形数据库，通过WGAN-div模型构建飞行器外形数据库；

训练卷积神经网络以完成飞行器外形设计到外形参数的转换；

训练MMoE-3D模型去预测由生成器生成的飞行器的气动数据，所述MMoE-3D模型的输出由两组模型构成，分别代表亚声速模型和超声速模型；

初始化DE算法的种群生成第一种群；

将生成的第一种群输入WGAN-div模型的生成器，获得飞行器外形设计；

通过卷积神经网络将飞行器外形设计转换为外形参数；

将飞行器外形参数、坐标信息和飞行条件输入MMoE-3D模型，并通过所述MMoE-3D模型计算优化的目标值；

种群变异生成新的种群；

将新的种群作为WGAN-div模型的生成器的输入，输出优化的飞行器外形，并验证所述优化的飞行器外形是否满足要求，在不满足要求的情况下，扩充训练数据集以调整所述MMoE-3D模型。