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！

申请/专利权人：江南大学

摘要：基于迁移学习的船体外形设计代理辅助优化方法，属于船型设计领域。首先，利用两种不同类型的船体形状参数表示的样本，通过实施两阶段TrAdaBoost.R2迁移学习算法构建代理模型。这两种参数表示分别基于船舶尺度系数用作源域和几何参数用作目标域。其次，我们提出了一种代理模型更新策略，定期将当前最佳估计适应度值和最大不确定性的两个CFD模拟位置分别添加到目标域，以重构替代模型。最后，采用了结合粒子迁移方案的改进量子粒子群优化QPSO算法作为优化器，以使其更好地适应替代模型的重构。

主权项：1.基于迁移学习的船体外形设计代理辅助优化方法，其特征在于，步骤如下：步骤1：船体外形设计代理辅助优化方法的输入包括：由公开船模实验数据集组成的源域数据DS、由目标域船型数据集组成的无标签样本S1到用于表示昂贵函数或CFD仿真计算过程的f·、目标域数据的特征空间维度D、粒子群优化过程的粒子数M和连续优化过程的迭代次数T；源域数据DS中的样本是含标签的，仅含有船舶尺度系数一类参数；目标域船型数据集中的无标签样本包括船舶尺度系数和几何参数两类参数；步骤2：使用f·计算目标域船型数据集中不同船型样本的总阻力系数CT为fS1到无标签样本S1到以及总阻力系数CT构成完整的目标域数据DT0，目标域数据特征空间的维度为D＝Dg+Dd，其中，基于几何参数的特征空间为Dg维，基于船体尺度系数的特征空间为Dd维；步骤3：构建基于DS和DT0的初始代理模型将步骤6的粒子群优化轮次n初始化为0；其中代理模型使用基于TrAdaBoost和AdaBoost.R2的两阶段TrAdaBoost.R2算法实现，在两个阶段调整样本的权重；在第一阶段，仅逐渐向下调整源实例的权重直至达到下限值，该下限值通过F倍交叉验证确定；在第二阶段，目标实例的权重按AdaBoost.R2算法中的正常方式更新，源实例的权重保持不变；步骤4：初始化每个粒子Xn,i,0，并通过代理模型评估适应度值步骤5：初始化每个粒子的个体最佳位置Pn,i,0并找到全局最佳位置Gn,0；步骤6：判断是否|fGn,T-fGn-1,T|ε时，其中，ε为设定的阈值精度，用于判断本轮优化结果的适应度值fGn,T与上一轮循环优化结果的适应度值fGn-1,T的差值大小，当差值大于ε时，循环执行步骤7至步骤16，否则输出优化结果Gn,T；步骤7：对于迭代次数t从1到T进行循环，对于粒子i从1到M进行循环，对于粒子分量j从1到D进行循环；步骤8：在步骤7的循环中更新粒子Xn,i,t+1；其中粒子更新过程具体使用QPSO算法实现，第t次迭代中第i个粒子的位置表示为然后，每个粒子的第j个分量应根据方程更新，其中是每个粒子的局部吸引子，pi,n的每个维度由公式给出，收缩-扩张系数α被设计用于控制QPSO算法的收敛速度，是所有粒子的pbest位置的平均值，和是在区间0,1上的两个不同的随机数；步骤9：在步骤7的循环中，每轮使用步骤8更新完粒子后评估适应度值并更新Pn,i,t和Gn,t；其中每个粒子的个体最佳pbest位置Pn,i,t记录了粒子i自初始化以来找到的最佳先前位置，全局最佳gbest位置Gn,t是当前迭代中所有个体最佳位置中的最佳位置；步骤10：从所有粒子中找出在其和f·之间具有最大差异的粒子，作为具有最大不确定性的Xumax粒子；与其他粒子相比，将Xumax添加到DTn+1能够显著提高代理对群体分布区域的拟合精度；步骤11：计算fGn,T和fXumax；步骤12：更新DTn+1＝DTn∩Gn,T∩Xumax；选择加入DTn的Gn,T是因为它的实际适应度值fGn,T是所有fXn,i,T和fPn,i,T中最好的，其中，实际适应度值fGn,T是Gn,T的CFD仿真计算结果；因此，通过将Gn,T添加到DTn+1，来提高最优解所在区域的拟合精度；如果Gn,T确实是具有良好fGn,T的位置，则更新后的进一步增加找到高质量解的可能性；相反，及时消除由Gn,T引起的误导，因为QPSO算法中粒子的搜索行为在很大程度上受到gbest位置的影响；步骤13：基于DS和DTn+1构建代理模型步骤14：使用公式计算需要转移粒子数量Mtr；其中为DS所有实例权重的总和，为构建后的DTn所有实例权重的总和；步骤15：计算并将结果排序，选择结果最小的Mtr个粒子保留并迁移至粒子群Xn+1,0；步骤16：重新初始化剩余的M-Mtr个粒子至Xn+1,0，令n＝n+1；步骤17：步骤6的循环结束后输出最终解Gn,T及其适应度值fCn,T。

全文数据：

权利要求：

百度查询： 江南大学 基于迁移学习的船体外形设计代理辅助优化方法