代理模型的微蜂群優(yōu)化及在葉輪機械中的應(yīng)用.pdf

1、當前復(fù)雜工程問題的數(shù)值仿真或物理實驗依舊耗時昂貴，特別是基于計算流體力學(Computational Fluid Dynamics，CFD)的葉輪機械優(yōu)化設(shè)計問題。代理模型技術(shù)可以減少這些復(fù)雜、耗時、易錯的計算過程，提高計算效率。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，但對于特定工程設(shè)計問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)，以支持進一步的總體優(yōu)化設(shè)計。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)用于求解混流泵導葉葉片的優(yōu)化問題，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、且實際模型可獲取的樣本很少導致算法初始化時只能提供有限的個體。為驗證MABC算法的迭代速度和求解精度，分別采用標準遺傳算法、蜂群算法、微蜂群算法對標準測試函數(shù)進行比較，測試結(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)的選擇問題。由于真實模型中輸入

4、與輸出映射關(guān)系往往是隱式的，難以用確定的函數(shù)式進行表達，本文首先給出了一般代理模型的建模步驟，包括實驗設(shè)計、代理模型選擇以及模型評價。然后針對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)，并采用工程實例進行預(yù)測比較，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)測效果。
　　(3)在以上工作的基礎(chǔ)上，以葉輪機械中的混流泵為例，本文利用上述方法，針對其過流部件進行優(yōu)化設(shè)計。首先對混流

5、泵導葉模型進行參數(shù)化提取，研究混流泵導葉出口相對蝸殼進口位置的偏轉(zhuǎn)角以及導葉包角大小對泵外特性，即水力效率和揚程的影響;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)）逼近原真實模型;最后采用本文的微蜂群算法對RBF-ANN進行優(yōu)化求解，計算結(jié)果表明了本文給出的微蜂群方法適用于混流泵過流部件的優(yōu)化設(shè)計。
　　本文提出的基于代理模型的微蜂群優(yōu)化方法，有助于計算智能理論進展，可為葉輪機械或其它復(fù)雜工程設(shè)計問