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！

龙图腾网恭喜南昌大学申请的专利一种机器学习引导的动态种群优化设计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119066983B 。

龙图腾网通过国家知识产权局官网在2025-05-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411534758.3，技术领域涉及：G06F30/27；该发明授权一种机器学习引导的动态种群优化设计方法是由杨赞;卢航旭;杜兴;陈艳慧;鲁翠媛;张坤;刘相勇;陈晋;袁彬设计研发完成，并于2024-10-31向国家知识产权局提交的专利申请。

本一种机器学习引导的动态种群优化设计方法在说明书摘要公布了：本发明公开了一种机器学习引导的动态种群优化设计方法，适用于全回转推进器驱动轴轻量化设计问题，包括：考虑驱动轴结构参数与服役约束进行种群与参数初始化；基于迭代信息与多目标非支配排序法确定动态种群；构造适应种群个体潜力的进化操作来产生候选子代池；在每个候选子代个体邻域范围内确定机器学习模型建模样本；构造高斯过程机器学习模型，并推导候选子代个体期望提升量；根据松弛因子与多目标非支配排序法筛选真实子代个体，并更新种群；构造基于高斯过程的局部搜索定位局部高潜力个体，更新迭代信息。本发明综合考虑重量目标与疲劳约束来设计算法优化轨迹，提高了算法针对全回转推进器驱动轴轻量化设计问题的全局适应性与收敛速度。

本发明授权一种机器学习引导的动态种群优化设计方法在权利要求书中公布了：1.一种机器学习引导的动态种群优化设计方法，其特征在于，所述方法适用于全回转推进器驱动轴轻量化设计问题，所述方法包括：步骤一：将全回转推进器驱动轴轻量化设计问题转化为在满足疲劳寿命约束条件下最小化驱动轴重量的计算耗时的昂贵约束优化问题，其中，驱动轴的各轴段直径以及长度对应为驱动轴轻量化设计时所需要优化的结构参数，结合驱动轴与轴承的配合关系给出驱动轴各个轴段直径以及长度结构参数的取值范围，从而，结构参数及取值范围组成了昂贵约束优化问题的设计空间，将在ANSYSWorkbench中获得的驱动轴重量目标值作为昂贵约束优化问题的优化目标，将在ANSYSnCodeDesignLife进行疲劳寿命分析获得的驱动轴的疲劳寿命作为昂贵约束优化问题的优化约束，寻找设计空间内部的最优结构参数取值组合来在满足驱动轴疲劳寿命约束的前提下最小化驱动轴的重量目标值，首先，在结构参数及取值范围组成的设计空间内部进行种群初始化，产生包含多个种群个体的种群，每个个体包含了一组驱动轴各个轴段的直径及长度取值，对应于一个驱动轴，然后，将每个个体对应的驱动轴导入ANSYSWorkbench中进行静力学分析并获得驱动轴的重量目标值，并将静力学分析结果与驱动轴的周期性交变载荷导入ANSYSnCodeDesignLife中进行疲劳寿命分析，获得驱动轴的疲劳寿命约束值，将当前种群所有个体以及对应的重量目标值与疲劳寿命约束值用于构建数据库，根据驱动轴轻量化设计指标对种群进化的迭代参数包括总迭代次数、收敛条件进行初始化，再基于种群每个个体对应的驱动轴疲劳寿命约束值来计算在优化过程中的初始约束松弛因子；步骤二：基于当前迭代次数与数据库中驱动轴疲劳寿命约束值及重量目标值计算截断参数，根据截断参数筛选包含所有驱动轴信息的数据库中个体来组成当前数据库，以当前数据库中个体多样性、驱动轴重量目标值与驱动轴疲劳寿命约束及驱动轴受载边界条件约束违反值为三个目标，基于多目标非支配排序法从当前数据库中筛选个体来构成动态种群；所述步骤二中的基于当前迭代次数与数据库中驱动轴疲劳寿命约束值及重量目标值计算截断参数，根据截断参数筛选包含所有驱动轴信息的数据库中个体来组成当前数据库，具体包括如下子步骤：计算随迭代次数变化的衰减参数，具体公式如下： ，上式中，表示衰减参数值，t表示迭代次数，Maxt表示方法允许迭代的最大次数；计算截断参数，具体公式如下： ，上式中，表示截断参数值，与为两个常数；计算包含所有驱动轴信息的数据库中个体的综合约束违反值，具体公式如下： ，上式中，代表数据库中第个个体，也是第个个体对应的驱动轴各个轴段直径及长度结构参数取值组合所形成的驱动轴，表示针对个体的疲劳寿命与边界条件约束的综合约束违反值，表示针对个体的全回转推进器疲劳寿命约束值，表示全回转推进器的第个边界条件约束在个体的约束值，表示边界条件约束的个数；表示迭代次数为时的约束松弛因子；按照综合约束违反值从小到大对数据库中所有个体进行排序，选择前个个体形成当前数据库，其中，表示数据库中所有个体的数目；步骤三：以动态种群中个体的重量目标值与疲劳寿命及边界条件约束违反值为指标，采用可行性规则对动态种群中个体进行排序，根据排序值设计相应的差分变异操作来产生候选子代池，在候选子代池中每个候选子代对应一个通过差分变异操作得到的新的驱动轴的结构参数取值组合，可行性规则包括如下三条规则：（1）满足所有约束的个体均优于不满足所有约束的个体；（2）如果两个个体都满足所有约束，则目标值更小的个体更优；（3）如果两个个体都不满足所有约束，则约束违反值更小的个体更优；步骤四：基于欧氏距离确定每个候选子代个体的邻域，考虑个体重量目标值、疲劳寿命及边界条件约束可行性以及多样性从邻域内筛选用于构建高斯过程机器学习模型的建模样本；步骤五：针对每个候选子代个体，采用确定的建模样本构建高斯过程机器学习模型，并推导候选子代个体的期望提升量；步骤六：基于迭代信息与初始约束松弛因子更新当前约束松弛因子，采用约束支配准则从候选子代池中筛选真实子代个体，对真实子代个体进行评估，并根据评估后的真实子代个体对应的重量目标值与疲劳寿命约束值更新当前种群；所述步骤六中的基于迭代信息与初始约束松弛因子更新当前约束松弛因子，具体计算公式如下： ，上式中，表示迭代次数为时的约束松弛因子，表示方法允许迭代的最大次数；步骤七：构造基于高斯过程的局部搜索定位局部区域子代个体，更新迭代信息，判断方法在当前迭代中所得到的最优结构参数对应的驱动轴是否达到全回转推进器驱动轴轻量化设计的重量与疲劳寿命指标，若达到则输出方法所得最优结构参数，否则转至步骤二，直至达到重量与疲劳寿命指标。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。