[发明专利]基于数据挖掘和遗传算法的飞行器气动优化方法

摘要

本发明公开了一种基于数据挖掘和遗传算法的飞行器气动优化方法，用于解决使用传统遗传算法进行气动优化时收敛速度缓慢的问题，且该方法在最终优化进行阶段无需人工干预，能实现自动迭代计算，提高了优化效率。技术方案为首先通过半经验估算的方法获取设计样本库，然后对样本库进行数据挖掘，利用聚类分析、方差分析和决策树分析获取高可信度的优化规则，再将这些规则作为先验知识融合到遗传算法中，具体表现为根据先验规则对交叉规则、变异规则进行动态设置，最后将融合改进后的遗传算法用于基于高精度流体仿真的气动优化，获取优异的设计参数。相较于传统的基于遗传算法的优化方法，本发明大大提高了收敛速度，对飞行器气动优化具有很大的工程价值。

主权项

1.一种基于数据挖掘和遗传算法的飞行器气动优化方法，其特征在于包括以下步骤：步骤一，建立飞行器气动外形的参数化方法，选取参数化后的参数作为设计变量。参数化方法为根据给定的优化问题，选取能确定飞行器气动外形的几何参数，以飞行器翼面优化为例，包括翼展、翼尖弦长、翼根弦长、翼面前缘后掠角度等；步骤二，针对给定的气动优化问题，通过试验设计的方法在设计空间中采样，使样本充分分布在设计空间中，然后使用具有高可信度的估算方法计算这些样本的气动性能，从而建立估算样本数据库；步骤三，对估算样本库进行数据挖掘，首先使用方差分析来获取不同设计参数对设计结果的影响，接着使用聚类分析的方法将样本数据离散化，得到估算样本的聚类数据库，然后使用决策树方法对聚类数据库进行处理，提取具有高可信度的优化规则，形成优化规则库；步骤四，将上一步提取的优化规则与遗传算法进行融合，用于指导遗传过程的交叉和变异环节，具体分为两个方面，一是根据个体状态和匹配规则动态设置交叉、变异的概率，二是根据匹配的优化规则动态地选择个体变异的方式；步骤五，将上述融合后的遗传算法应用于基于高精度流体仿真的气动优化，通过迭代计算获取优化设计参数。