Page 137 - 《爆炸与冲击》2023年第2期
P. 137

第 43 卷             陈源捷,等: 基于ESGA遗传算法的水射流自驱旋转喷头优化设计                               第 2 期

               一定扫掠时间内各观测点的累计冲击时间,由式(6)可知,因为射流冲击轨迹与载体平移速度、喷头布
               局、喷距、转速有关,所以与轨迹相关的参数均会影响喷头扫掠累计冲击时间。
                2.2    遗传算法介绍
                   遗传算法是建立在达尔文所奠定的自然进化原理之上的搜索算法,也是历史上最早提出的基于种
               群的随机算法之一,最早由            Holland [19]  于  1975  提出。遗传算法是一类为问题的最优解搜索解空间的算
               法,将自然界中的进化概念转置到计算机中,模拟自然界进化过程中的繁殖、交叉和基因突变现象,利用
               遗传算子将个体随机组合,从而形成新一代,种群进化几代后根据优胜劣汰的原则从可能的解的种群中
               找出最优的个体。针对复杂并且大规模的优化问题,遗传算法通常是具有竞争力的,其应用领域已拓展
               到许多学科,如组合优化、机器学习、函数优化、图像处理等。
                2.3    目标函数建立
                   船壁除锈的实际工况给定之后,影响射流能量分布的设计变量为喷头的布局参数(喷嘴的局部坐
                                                                                          [             ] ⊤
                                                                                                          。
               标),对于一种确定的布局方案以及工况,可以计算出旋转射流喷头的冲击时间列阵                                      T 1 ,T 2 ,T 3 ,··· ,T n a
                                                         T  和标准差    S  为:
               将其看作一组随机子样,可以得到该集合的均值
                                                           1  ∑
                                                              n a
                                                       T =      T i                                     (8)
                                                           n a
                                                             i=1
                                                      Ã
                                                          1  ∑ (     ) 2
                                                             n a
                                                  S =            T i −T                                 (9)
                                                        n a −1
                                                             i=1
                        T  可以反映出该布局方案下射流在观测点处的冲击时间平均水平,S                              用来衡量观测点处冲击
               式中:均值
               能量分布的均匀度,其值越小,表明射流冲击能量分布越均匀。为了方便说明,将旋转射流喷头布局优
               化模型写成如下形式:
                                              
                                                X i = (x i ,y i )  i = 1,2,3,··· ,n
                                              
                                                      Ã
                                              
                                                               n a
                                                           1  ∑ (      ) 2                             (10)
                                              F (X) =            T i −T
                                              
                                                        n a −1
                                                              i=1
               式中:X 为求解的决策变量;x 为第             i 个喷嘴到喷头中心沿          x 轴方向的距离;y 为第         i 个喷嘴到喷头中心
                                                                                   i
                     i
                                         i
               沿  y 轴方向的距离;F(X) 为求解的目标函数,为了使射流的冲击能量分布更均匀,求解目标函数的最小
               值,且满足约束条件:
                                              X i − X min           X max − X i
                                          1−          ≥0,       1−         ≥0                          (11)
                                             X max − X min         X max − X min

                                              g i (x) = x i − x j −d min ≥0  i , j                     (12)


               式中:X    、X  n  分别为喷头几何设计变量值的上、下限;d                  n  为任意两个喷嘴在       x 轴方向上的最小距离。
                     max  mi                                      mi
               在构造上述优化问题的遗传优化算法模型时,首先对设定的决策变量进行试算,令其自动满足决策变量
               上、下限的约束,用于减少优化过程中计算的工作量,这样只剩下线性不等式约束条件。由于遗传算法
               适用于无约束优化问题的求解,所以需要进一步简化约束条件,对于无法简化的约束条件,采用罚函数
               将约束条件转化到目标函数中。即对式(12)的线性不等式约束建立罚函数:
                                                      ß
                                                       0         g i (x)<0
                                                c i (x) =                                              (13)
                                                       g i (x)   g i (x)≥0
                   结合原先的评价函数,将带约束的优化问题转化为无约束优化问题,并且由于遗传算法的原理是寻
               找目标函数的最大值,最终进一步变换的目标函数表达式为:
                                                               Ã
                                                [            ]
                                                       n c             n a
                                                      ∑            1  ∑ (      ) 2
                                        Φ(X) = − 1+ K    c i (x)          T i −T                       (14)
                                                                 n a −1
                                                       i=1             i=1
                                                         024201-7
   132   133   134   135   136   137   138   139   140   141   142