買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜南昌大學申請的專利一種機器學習引導的動態種群優化設計方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119066983B 。

龍圖騰網通過國家知識產權局官網在2025-05-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411534758.3，技術領域涉及：G06F30/27；該發明授權一種機器學習引導的動態種群優化設計方法是由楊贊;盧航旭;杜興;陳艷慧;魯翠媛;張坤;劉相勇;陳晉;袁彬設計研發完成，并于2024-10-31向國家知識產權局提交的專利申請。

本一種機器學習引導的動態種群優化設計方法在說明書摘要公布了：本發明公開了一種機器學習引導的動態種群優化設計方法，適用于全回轉推進器驅動軸輕量化設計問題，包括：考慮驅動軸結構參數與服役約束進行種群與參數初始化；基于迭代信息與多目標非支配排序法確定動態種群；構造適應種群個體潛力的進化操作來產生候選子代池；在每個候選子代個體鄰域范圍內確定機器學習模型建模樣本；構造高斯過程機器學習模型，并推導候選子代個體期望提升量；根據松弛因子與多目標非支配排序法篩選真實子代個體，并更新種群；構造基于高斯過程的局部搜索定位局部高潛力個體，更新迭代信息。本發明綜合考慮重量目標與疲勞約束來設計算法優化軌跡，提高了算法針對全回轉推進器驅動軸輕量化設計問題的全局適應性與收斂速度。

本發明授權一種機器學習引導的動態種群優化設計方法在權利要求書中公布了：1.一種機器學習引導的動態種群優化設計方法，其特征在于，所述方法適用于全回轉推進器驅動軸輕量化設計問題，所述方法包括：步驟一：將全回轉推進器驅動軸輕量化設計問題轉化為在滿足疲勞壽命約束條件下最小化驅動軸重量的計算耗時的昂貴約束優化問題，其中，驅動軸的各軸段直徑以及長度對應為驅動軸輕量化設計時所需要優化的結構參數，結合驅動軸與軸承的配合關系給出驅動軸各個軸段直徑以及長度結構參數的取值范圍，從而，結構參數及取值范圍組成了昂貴約束優化問題的設計空間，將在ANSYSWorkbench中獲得的驅動軸重量目標值作為昂貴約束優化問題的優化目標，將在ANSYSnCodeDesignLife進行疲勞壽命分析獲得的驅動軸的疲勞壽命作為昂貴約束優化問題的優化約束，尋找設計空間內部的最優結構參數取值組合來在滿足驅動軸疲勞壽命約束的前提下最小化驅動軸的重量目標值，首先，在結構參數及取值范圍組成的設計空間內部進行種群初始化，產生包含多個種群個體的種群，每個個體包含了一組驅動軸各個軸段的直徑及長度取值，對應于一個驅動軸，然后，將每個個體對應的驅動軸導入ANSYSWorkbench中進行靜力學分析并獲得驅動軸的重量目標值，并將靜力學分析結果與驅動軸的周期性交變載荷導入ANSYSnCodeDesignLife中進行疲勞壽命分析，獲得驅動軸的疲勞壽命約束值，將當前種群所有個體以及對應的重量目標值與疲勞壽命約束值用于構建數據庫，根據驅動軸輕量化設計指標對種群進化的迭代參數包括總迭代次數、收斂條件進行初始化，再基于種群每個個體對應的驅動軸疲勞壽命約束值來計算在優化過程中的初始約束松弛因子；步驟二：基于當前迭代次數與數據庫中驅動軸疲勞壽命約束值及重量目標值計算截斷參數，根據截斷參數篩選包含所有驅動軸信息的數據庫中個體來組成當前數據庫，以當前數據庫中個體多樣性、驅動軸重量目標值與驅動軸疲勞壽命約束及驅動軸受載邊界條件約束違反值為三個目標，基于多目標非支配排序法從當前數據庫中篩選個體來構成動態種群；所述步驟二中的基于當前迭代次數與數據庫中驅動軸疲勞壽命約束值及重量目標值計算截斷參數，根據截斷參數篩選包含所有驅動軸信息的數據庫中個體來組成當前數據庫，具體包括如下子步驟：計算隨迭代次數變化的衰減參數，具體公式如下： ，上式中，表示衰減參數值，t表示迭代次數，Maxt表示方法允許迭代的最大次數；計算截斷參數，具體公式如下： ，上式中，表示截斷參數值，與為兩個常數；計算包含所有驅動軸信息的數據庫中個體的綜合約束違反值，具體公式如下： ，上式中，代表數據庫中第個個體，也是第個個體對應的驅動軸各個軸段直徑及長度結構參數取值組合所形成的驅動軸，表示針對個體的疲勞壽命與邊界條件約束的綜合約束違反值，表示針對個體的全回轉推進器疲勞壽命約束值，表示全回轉推進器的第個邊界條件約束在個體的約束值，表示邊界條件約束的個數；表示迭代次數為時的約束松弛因子；按照綜合約束違反值從小到大對數據庫中所有個體進行排序，選擇前個個體形成當前數據庫，其中，表示數據庫中所有個體的數目；步驟三：以動態種群中個體的重量目標值與疲勞壽命及邊界條件約束違反值為指標，采用可行性規則對動態種群中個體進行排序，根據排序值設計相應的差分變異操作來產生候選子代池，在候選子代池中每個候選子代對應一個通過差分變異操作得到的新的驅動軸的結構參數取值組合，可行性規則包括如下三條規則：（1）滿足所有約束的個體均優于不滿足所有約束的個體；（2）如果兩個個體都滿足所有約束，則目標值更小的個體更優；（3）如果兩個個體都不滿足所有約束，則約束違反值更小的個體更優；步驟四：基于歐氏距離確定每個候選子代個體的鄰域，考慮個體重量目標值、疲勞壽命及邊界條件約束可行性以及多樣性從鄰域內篩選用于構建高斯過程機器學習模型的建模樣本；步驟五：針對每個候選子代個體，采用確定的建模樣本構建高斯過程機器學習模型，并推導候選子代個體的期望提升量；步驟六：基于迭代信息與初始約束松弛因子更新當前約束松弛因子，采用約束支配準則從候選子代池中篩選真實子代個體，對真實子代個體進行評估，并根據評估后的真實子代個體對應的重量目標值與疲勞壽命約束值更新當前種群；所述步驟六中的基于迭代信息與初始約束松弛因子更新當前約束松弛因子，具體計算公式如下： ，上式中，表示迭代次數為時的約束松弛因子，表示方法允許迭代的最大次數；步驟七：構造基于高斯過程的局部搜索定位局部區域子代個體，更新迭代信息，判斷方法在當前迭代中所得到的最優結構參數對應的驅動軸是否達到全回轉推進器驅動軸輕量化設計的重量與疲勞壽命指標，若達到則輸出方法所得最優結構參數，否則轉至步驟二，直至達到重量與疲勞壽命指標。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南昌大學，其通訊地址為：330000 江西省南昌市紅谷灘新區學府大道999號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。