买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种机器学习优化设计方法及系统，包括：根据载荷受力分析与边界条件构建翼形结构刚度仿真模型与对应的数学优化模型；基于拉丁超立方采样确定初始优化种群；推导空间导向与维度导向的搜索重心重构函数；基于重心扰动变异产生候选子代种群；采用翼形仿真数据构造径向基函数预测模型；基于可行性规则筛选最优个体，并采用翼形结构刚度仿真模型进行评估，更新种群并转至步骤，直至优化结构满足要求。本发明将翼形结构刚度优化问题转化为数学优化模型，融入两种搜索重心重构函数定位进化节点，并通过径向基函数预测信息引导进化，提高算法针对翼形结构刚度优化问题的优化效率。

主权项：1.一种机器学习优化设计方法，其特征在于，所述方法包括：根据载荷受力分析与边界条件构建翼形结构刚度仿真模型，并基于实际工况确定刚度与重量分别作为优化目标与优化约束来构造对应的数学优化模型，其中，在满足翼形结构轻量化要求的前提下最大化翼形结构刚度；以关键结构的优化参数为设计变量，基于拉丁超立方采样确定初始优化种群，并采用所述翼形结构刚度仿真模型与所述数学优化模型获得所述初始优化种群的刚度目标值与重量约束值；获取与所述初始优化种群对应的种群信息，并根据所述种群信息分别推导出空间导向与维度导向的搜索中心重构函数，并对应获得两个搜索重心，以定位出对应的高潜力进化节点；分别以两个所述搜索重心为基准向量，采用正态分布随机数分别对两个所述搜索重心中的重心维度参数值进行扰动，以对应产生两个候选子代种群；根据历史翼形结构仿真刚度数据以及重量数据构建出对应的径向基函数机器学习预测模型，并通过所述径向基函数机器学习预测模型对应预测出两个所述候选子代种群对应的刚度目标值与重量约束值；基于可行性规则从两个所述候选子代种群中分别筛选出对应的最优个体，通过所述翼形结构刚度仿真模型根据所述刚度目标值以及所述重量约束值对应评估两个所述最优个体，并更新优化种群与对应的关键迭代信息；通过所述翼形结构刚度仿真模型输出对应的优化结构，并实时判断所述优化结构是否满足刚度与重量要求，若判断到所述优化结构满足所述刚度与重量要求，则对应输出所述优化结构；所述基于实际工况确定刚度与重量分别作为优化目标与优化约束来构造对应的数学优化模型的算法为： 上式中，为翼形结构刚度；为翼形结构重量；为翼形结构刚度优化问题中的关键结构优化参数向量；f和t分别为诺依曼边界Γt上的体积力密度和预设的表面牵引力；为赫维赛德函数；为翼形结构拓扑描述函数；u为位移场；Uad为虚拟位移向量v的可允许集合；是翼形结构重量上界值；V是翼形结构体积随机变量；S是翼形结构位移随机变量；为关键结构优化参数的上下界；为结构材料密度；为结构优化参数的数目；所述根据历史翼形结构仿真刚度数据以及重量数据构建出对应的径向基函数机器学习预测模型，并通过所述径向基函数机器学习预测模型对应预测出两个所述候选子代种群对应的刚度目标值与重量约束值的步骤包括：针对所述刚度数据，构造带一阶多项式的径向基函数机器学习预测模型的数学表达式为： 上式中，为针对刚度构建的径向基函数机器学习预测模型；为第个个体对应的权重参数；表示第个个体的基函数；表示为一阶多项式；针对所述重量数据，构造带一阶多项式的径向基函数机器学习预测模型的数学表达式为： 上式中，为针对重量构建的径向基函数机器学习预测模型；为第个个体对应的权重参数；表示为一阶多项式；分别采用与对两个候选子代种群的刚度目标值与重量约束值进行预测。

全文数据：

权利要求：

百度查询： 南昌大学 一种机器学习优化设计方法及系统