代理模型的微蜂群優(yōu)化及在葉輪機(jī)械中的應(yīng)用.pdf

1、當(dāng)前復(fù)雜工程問(wèn)題的數(shù)值仿真或物理實(shí)驗(yàn)依舊耗時(shí)昂貴，特別是基于計(jì)算流體力學(xué)(Computational Fluid Dynamics，CFD)的葉輪機(jī)械優(yōu)化設(shè)計(jì)問(wèn)題。代理模型技術(shù)可以減少這些復(fù)雜、耗時(shí)、易錯(cuò)的計(jì)算過(guò)程，提高計(jì)算效率。盡管目前有通用化商業(yè)軟件(NUMECA和ISIGHT等)提供代理模型優(yōu)化功能，但對(duì)于特定工程設(shè)計(jì)問(wèn)題仍需要研究開放的、可定制的、模塊化的高效代理優(yōu)化技術(shù)，以支持進(jìn)一步的總體優(yōu)化設(shè)計(jì)。本文將代理模型技術(shù)與蜂群智能

2、相結(jié)合，給出一種基于代理模型的微蜂群優(yōu)化方法，并應(yīng)用于求解混流泵導(dǎo)葉葉片的優(yōu)化問(wèn)題，以提高混流泵的水力效率。
　　本文工作內(nèi)容如下:
　　(1)在優(yōu)化方法研究方面，給出一種全局優(yōu)化的微蜂群算法(Micro Artificial BeeColony，MABC)。該算法在人工蜂群算法(Artificial Bee Colony，ABC)的基礎(chǔ)上，將初始種群變小，并在下一步迭代重新初始化。這是由于代理模型優(yōu)化求解要求算法快速迭代，

3、且實(shí)際模型可獲取的樣本很少導(dǎo)致算法初始化時(shí)只能提供有限的個(gè)體。為驗(yàn)證MABC算法的迭代速度和求解精度，分別采用標(biāo)準(zhǔn)遺傳算法、蜂群算法、微蜂群算法對(duì)標(biāo)準(zhǔn)測(cè)試函數(shù)進(jìn)行比較，測(cè)試結(jié)果表明了本文方法的有效性。
　　(2)在代理模型方面，本文給出一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial BasisFunction Artificial Neural Network, RBF-ANN)的代理模型方法，考察了核函數(shù)的選擇問(wèn)題。由于真實(shí)模型中輸入

4、與輸出映射關(guān)系往往是隱式的，難以用確定的函數(shù)式進(jìn)行表達(dá)，本文首先給出了一般代理模型的建模步驟，包括實(shí)驗(yàn)設(shè)計(jì)、代理模型選擇以及模型評(píng)價(jià)。然后針對(duì)本文研究的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF-ANN)代理模型，在徑向基層選擇五種不同的核函數(shù)，并采用工程實(shí)例進(jìn)行預(yù)測(cè)比較，結(jié)果表明核函數(shù)為多二次函數(shù)的RBF-ANN具有較好的預(yù)測(cè)效果。
　　(3)在以上工作的基礎(chǔ)上，以葉輪機(jī)械中的混流泵為例，本文利用上述方法，針對(duì)其過(guò)流部件進(jìn)行優(yōu)化設(shè)計(jì)。首先對(duì)混流

5、泵導(dǎo)葉模型進(jìn)行參數(shù)化提取，研究混流泵導(dǎo)葉出口相對(duì)蝸殼進(jìn)口位置的偏轉(zhuǎn)角以及導(dǎo)葉包角大小對(duì)泵外特性，即水力效率和揚(yáng)程的影響;然后根據(jù)工程分析獲取的樣本，利用RBF-ANN代理模型（核函數(shù)為多二次函數(shù)）逼近原真實(shí)模型;最后采用本文的微蜂群算法對(duì)RBF-ANN進(jìn)行優(yōu)化求解，計(jì)算結(jié)果表明了本文給出的微蜂群方法適用于混流泵過(guò)流部件的優(yōu)化設(shè)計(jì)。
　　本文提出的基于代理模型的微蜂群優(yōu)化方法，有助于計(jì)算智能理論進(jìn)展，可為葉輪機(jī)械或其它復(fù)雜工程設(shè)計(jì)問(wèn)