申请/专利权人：沈阳工业大学

申请日：2021-07-19

公开（公告）日：2024-03-22

公开（公告）号：CN113779819B

主分类号：G06F30/23

分类号：G06F30/23;G06F30/27;G06F111/06;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.12.28#实质审查的生效;2021.12.10#公开

摘要：本发明涉及工程优化技术领域，具体涉及一种考虑混合不确定因素（概率型和区间型）的电工装备的智能鲁棒性优化方法。该方法主要针对电气工程领域的实际工程问题中多种类型的不确定因素同时存在的情况下，采用三层嵌套优化模型和全局优化算法在设计空间内搜寻鲁棒最优解，有效避免了只考虑单一不确定因素优化模型的解易保守且误差大的问题；同时，本发明还提供了一种智能鲁棒性优化设计流程，更加迅速、便捷的对电工装备进行设计。

主权项：1.考虑混合不确定因素的电工装备的智能鲁棒性优化方法，其特征在于，所述优化方法是在同时存在概率型和区间型不确定因素的基础上，通过三层嵌套优化模型和粒子群优化算法进行工程问题的寻优，具体实现步骤如下：步骤1：分析实际工程问题，确定设计变量、不确定因素类型及优化目标、约束函数；步骤2：根据各个设计变量的的取值范围进行拉丁超立方采样，并应用有限元法计算各样本点的目标函数值和约束函数值；步骤3：根据样本点及其目标函数值和约束函数值，分别构建目标函数和约束函数的代理模型，并检查模型精度是否满足工程精度要求；如果模型精度不满足要求，则进一步增加采样点，返回步骤2；如果满足要求，则转步骤4；步骤4：基于所建立的目标函数和约束函数的代理模型开展鲁棒性优化搜索；步骤5：基于整个优化过程，开发出一种智能鲁棒性优化算法；该算法由不同的程序设计模块实现，包含主程序模块，试验设计模块，不确定因素分析模块和拉丁超立方采样模块，代理模型构建模块，结合鲁棒性优化方法和优化算法的预测优化模块；所述步骤4中，对于混合不确定因素的鲁棒性优化方法采用的是三层嵌套模型；顶层模型主要采用区间算法来计算各目标函的上下界及其中点和半径；第二层子模型主要采用泰勒近似算法及中心点法来计算目标函数中点和半径的均值和方差；底层在设计空间内搜寻最优解；首先，对于在一定约束条件下，目标函数最小化的问题，本发明所涉及的混合不确定因素优化问题的数学表述形式为公式1： 其中，fxr,xI是待优化的目标函数，gixr,xI≤0为约束条件；n维设计变量向量x均含有不确定因素，分为概率型和区间型，分别用xr和xI表示；x＝[xr,xI]，xr＝[xr1，xr2,...xrk]，k+t＝n；xrL和xrU为概率型设计变量的上限和下限；xIL和xIU为区间型设计变量的上限和下限；顶层模型处理区间型变量，其中概率型设计变量取其均值μxr；对于区间型变量xI，其在不确定因素影响下，其波动范围为[xI-ΔxI,xI+ΔxI]，其中ΔxI为最大的波动值；采用区间算法来计算目标函数的上下界及相应的中点和半径，目标函数fxI,xr在区间[xI-ΔxI,xI+ΔxI]内波动的最小值和最大值分别表示为fLxI,μxr和fUxI,μxr，则目标函数的中点fmxI,μxr和半径frxI,μxr可通过公式2和公式3表示： 在顶层模型的基础上，第二层子模型处理概率型变量；在此过程中，采用泰勒近似算法及中心点法来衡量概率型变量对目标函数的影响，采用泰勒近似方法计算目标函数的中点fmxI,μxr对应的均值μfm和标准差σfm见公式4：μfmxI,μxr≈fmxI,μxr 其中σ2xri是为第i个概率型变量的方差，式中用到了目标函数的梯度信息，对于不易获得梯度信息的问题采用蒙特卡罗法来获取均值和标准差： 式中N是蒙特卡罗实验的仿真次数，对于半径frxI,μxr的均值μfr和标准差σfr可采用同样的公式4或5来获得；底层在设计空间内对下述优化问题进行求解： 其中，对于约束函数的鲁棒性，将概率型随机变量xr看成[xr-3σ,xr+3σ]范围内的区间变量，寻找约束函数的上限giU，使其满足约束即可。

全文数据：

权利要求：

百度查询： 沈阳工业大学 考虑混合不确定因素的电工装备的智能鲁棒性优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD