-
公开(公告)号：CN113935256B
公开(公告)日：2024-07-12
申请号：CN202111139437.X
申请日：2021-09-27
Applicant: 北京理工大学 , 北京理工大学长三角研究院(嘉兴)
IPC: G06F30/28 , G06F113/08 , G06F119/14
Abstract: 本发明公开的基于误差修正的高维复杂飞行器系统降阶表征方法，属于飞行器工程优化技术领域。本发明利用Kriging代理模型近似Cut‑HDMR的各阶组元函数，并采用一种基于比例采点策略的序列采样方法提高Kriging代理模型的构造收敛速度；在完成Cut‑HDMR各阶组元函数构造后，基于少量随机高精度样本点信息构造误差Kriging模型修正预测值，充分利用工程中存在的先验随机信息，从而进一步提高全局近似精度。本发明利用工程中存在的少量先验随机高精度样本点信息，能够有效降低高维复杂飞行器系统近似成本，提升高维复杂飞行器系统近似精度。本发明适合应用于包含高精度分析模型的高维复杂飞行器系统优化领域。
-
公开(公告)号：CN113935256A
公开(公告)日：2022-01-14
申请号：CN202111139437.X
申请日：2021-09-27
Applicant: 北京理工大学 , 北京理工大学长三角研究院(嘉兴)
IPC: G06F30/28 , G06F113/08 , G06F119/14
Abstract: 本发明公开的基于误差修正的高维复杂飞行器系统降阶表征方法，属于飞行器工程优化技术领域。本发明利用Kriging代理模型近似Cut‑HDMR的各阶组元函数，并采用一种基于比例采点策略的序列采样方法提高Kriging代理模型的构造收敛速度；在完成Cut‑HDMR各阶组元函数构造后，基于少量随机高精度样本点信息构造误差Kriging模型修正预测值，充分利用工程中存在的先验随机信息，从而进一步提高全局近似精度。本发明利用工程中存在的少量先验随机高精度样本点信息，能够有效降低高维复杂飞行器系统近似成本，提升高维复杂飞行器系统近似精度。本发明适合应用于包含高精度分析模型的高维复杂飞行器系统优化领域。
-
公开(公告)号：CN113657045A
公开(公告)日：2021-11-16
申请号：CN202110912785.X
申请日：2021-08-10
Applicant: 北京理工大学
IPC: G06F30/28 , G06F30/23 , G06F30/15 , G06F111/10 , G06F113/08 , G06F119/14
Abstract: 本发明公开的基于多层协同高斯过程的复杂飞行器模型降阶表征方法，属于飞行器工程优化技术领域。本发明考虑同时存在多个低精度飞行器模型的情况，通过采用基于预测误差的相关矩阵近似方法，采用拉格朗日乘子法直接求解出多模型融合比例系数向量的预测值解析形式，降低超参数极大似然估计的计算量；本发明能够有效融合高精度飞行器模型的信息和多个低精度飞行器模型的信息构建降阶表征复杂飞行器模型，实现对复杂飞行器系统的高效降阶表征，缓解复杂飞行器系统优化面临的计算复杂性问题，提升复杂飞行器系统优化效率。本发明能够用于高效优化复杂飞行器系统，进而提高复杂飞行器系统整体性能，解决相关工程技术问题。
-
公开(公告)号：CN109117954A
公开(公告)日：2019-01-01
申请号：CN201810914539.6
申请日：2018-08-13
Applicant: 北京理工大学
Abstract: 本发明公开的基于混合径向基神经网络的黑箱系统设计优化方法，属于工程设计中的优化技术领域。本发明采用混合径向基神经网络对黑箱系统进行近似建模，并代替原始系统模型进行设计优化；通过求解单个径向基神经网络RBFNN中的参数，使得单个RBFNN的近似性能最优；构建求解权重系数的二次规划问题，对目标函数中的每个权重系数增加惩罚项，提高混合径向基神经网络ERBFNN的近似精度。本发明通过挖掘和利用不同RBFNN的优势，并利用拉格朗日乘子法求解单个代理模型的权重系数，能够避免繁琐优化过程，对于黑箱系统的高精度、高效率近似建模以及提高黑箱系统设计优化质量具有重要意义。本发明适用于包含高精度分析模型或存在黑箱系统的工程设计优化领域。
-
公开(公告)号：CN108491668B
公开(公告)日：2021-06-08
申请号：CN201810340892.8
申请日：2018-04-17
Applicant: 北京理工大学
IPC: G06F30/15 , G06F30/27 , G06F111/10 , G06F111/06 , G06F111/04
Abstract: 本发明公开的一种基于动态多模型融合的飞行器系统优化方法，属于飞行器设计中的多学科优化技术领域。本发明实现方法如下：采用Co‑Kriging方法对飞行器系统设计中存在的高低精度分析模型进行融合，并代替原始模型进行优化设计；优化过程中，采用双采样方法实现Co‑Kriging代理模型的更新与管理；通过信赖域采样提高优化搜索的局部收敛能力，通过预测方差采样提高优化过程的全局探索能力，从而引导优化过程快速收敛到最优解。本发明能够克服传统优化方法只能处理单一精度分析模型、优化成本高、多源响应信息无法得到充分利用等缺陷，能够实现飞行器系统设计中不同精度仿真模型的高效融合与优化，对降低飞行器系统设计优化成本，提高系统设计性能等方面具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN109977576A
公开(公告)日：2019-07-05
申请号：CN201910264129.6
申请日：2019-04-03
Applicant: 北京理工大学
Abstract: 本发明公开的一种基于代理模型的卫星星座系统多学科设计优化方法，属于航天器星座应用领域。本发明基于Walker‑δ星座构型与小型对地观测卫星结构，综合考虑星座构型与卫星子系统设计需求，建立卫星星座系统重点学科分析模型；采用基于支持向量机的序列径向基函数与离散‑连续变量采样方法，以卫星星座系统质量为目标函数，对预选的设计变量进行优化；通过离散‑连续变量采样方法实现离散变量在连续空间内的映射，利用RBF代理模型代替原分析模型，采用SVM辨识兴趣区间，在区间内序列采样对RBF代理模型进行更新与管理，从而高效获取满足星座构型与卫星子系统的需求，且卫星星座系统总质量尽可能小的设计方案，进而降低卫星星座系统计算成本、提高优化效率。
-
公开(公告)号：CN109063355A
公开(公告)日：2018-12-21
申请号：CN201810926429.1
申请日：2018-08-15
Applicant: 北京理工大学
IPC: G06F17/50
CPC classification number: G06F17/5018
Abstract: 本发明公开的基于粒子群优化与Kriging模型的近似优化方法，属于工程优化设计技术领域。本发明实现方法如下：利用粒子群进化引导简单样本点向全局最优解聚集，采用模糊c‑均值聚类方法对简单样本点进行聚类开展兴趣区域辨识，实现在平衡局部搜索与全局探索的基础上充分挖掘设计空间信息。通过在兴趣区域序列新增高精度样本点，不断更新Kriging模型，引导优化快速向全局最优解收敛。本发明能够有效提升优化方法的全局探索能力与局部搜索能力，降低复杂工程系统优化过程中的计算成本，尽可能避免遗漏全局最优解，提高设计结果的可靠性。本发明适合应用于包含高精度分析模型的复杂工程系统设计优化领域，能够解决相应相关工程问题。
-
公开(公告)号：CN113657029A
公开(公告)日：2021-11-16
申请号：CN202110912712.0
申请日：2021-08-10
Applicant: 北京理工大学
IPC: G06F30/27 , G06F30/15 , G06F111/04
Abstract: 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。
-
公开(公告)号：CN112329140A
公开(公告)日：2021-02-05
申请号：CN202011200643.2
申请日：2020-10-30
Applicant: 北京理工大学
IPC: G06F30/15 , G06F30/17 , G06F30/28 , G06F111/04 , G06F111/06 , G06F113/08 , G06F119/14
Abstract: 本发明公开的改进位置向量期望改善度的变体飞行器气动优化方法，属于飞行器总体优化技术领域。选择初始参考翼型以及相关形状系数，确定设计工况；建立考虑结构一致性约束的优化模型求解变形后翼型的形状系数，建立高精度气动分析模型求解翼型的升力系数和阻力系数；建立高精度气动分析模型的Kriging代理模型，优化Kriging代理模型获得伪非支配解，判断Kriging代理模型的预测方差是否大于阈值；如果预测方差不小于阈值则采用位置向量期望改善度准则获取新增的样本点用于更新Kriging代理模型，否则从伪非支配解中筛选新增样本点更新Kriging代理模型。通过筛选新增样本点提高Kriging代理模型在Pareto前沿的精度，改善优化后的非支配解的最优性和分布性，同时提高优化效率，节省成本。
-
公开(公告)号：CN112231839A
公开(公告)日：2021-01-15
申请号：CN202011146456.0
申请日：2020-10-23
Applicant: 北京理工大学
Abstract: 本发明公开的针对高耗时约束的飞行器追峰采样智能探索方法，属于飞行器设计中的优化设计技术领域。本发明利用高精度样本点信息训练飞行器系统高精度分析模型的径向基函数网络预示性能指标响应，利用KS方程聚合高耗时约束并根据样本点支配关系定义过滤器，利用过滤器从当前最优样本点坐标扰动后得到的大量简单样本点中筛选出优质简单样本点，根据过滤器筛选情况与优化改善情况选择新增样本点，反复迭代直至达到给定的最大模型调用次数，最终输出优化结果。本发明能够在确保设计优化最优性和收敛性的前提下，有效降低飞行器近似优化设计过程中高精度分析模型调用次数，提高存在高耗时约束的飞行器系统优化效率，降低时间成本，缩短工程设计周期。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.022 seconds)
