الگوریتمی مبتنی‌ بر قدرت تعمیم‌دهی شبکه‌های عصبی برای همگرایی سریع الگوریتم ژنتیک در طراحی بهینه‌ی آیرودینامیکی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی هوافضا- دانشگاه صنعتی امیرکبیر

2 دانشکده مهندسی هوافضا - دانشگاه صنعتی امیرکبیر

چکیده

در این نوشتار یک الگوریتم بهینه‌سازی ترکیبی، متشکل از الگوریتم ژنتیک و شبکه‌های عصبی در طراحی بهینه‌ی اشکال آیرودینامیکی برمبنای مدل‌سازی عددی جریان ارائه شده است. در این روش به‌همراه جست‌وجوی حالت بهینه با الگوریتم ژنتیک برازندگی تعدادی از کروموزوم‌های تولیدشده در نسل‌های گذشته به یک شبکه‌ی عصبی تعلیم داده می‌شود. سپس با یک راهکار مناسب از علم شبکه‌ی عصبی مزبور و قدرت تعمیم‌دهی آن برای شناسایی کروموزوم‌های برتر در فضاهای طراحی ناشناخته (تعلیم نگرفته توسط شبکه عصبی) و بازتولید الگوریتم ژنتیک استفاده می‌شود. به این ترتیب با کاهش تعداد ارزیابی‌ها توسط کد C‌F‌D، که بخش عمده‌ی زمان محاسباتی کل فرایند بهینه‌سازی را تشکیل می‌دهد، زمان رایانه‌یی مورد نیاز به‌میزان چشمگیری کاهش می‌یابد. روش ارائه شده در نوشتار حاضر برای طراحی بهینه‌ی مقطع آیرودینامیکی در شرایط جریان حدود صوت مورد استفاده قرار گرفته است. ارزیابی حالت‌های منتخب با حل عددی معادلات اویلر تراکم‌پذیر بر روی شبکه محاسباتی بی‌سازمان صورت گرفته و از شیوه‌ی جابه‌جایی خودکار شبکه‌ی محاسباتی به‌جای تولید مجدد آن استفاده شده است. همچنین برای پارامتری‌کردن شکل مقطع آیرودینامیکی، از روش P‌A‌R‌S‌E‌C با ۹ پارامتر هندسی استفاده شده است. نتایج به دست آمده حاکی از آن است که استفاده از روش ترکیبی حاضر منجر به کاهش زمان رایانه‌یی در حدود ۵۰٪ در مقایسه با الگوریتم ژنتیک متداول در طراحی مقطع آیرودینامیکی می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

A NEURAL NETWORK BASED ACCELERATION TECHNIQUE OF GENETIC ALGORITHM CONVERGENCE IN AERODYNAMIC DESIGN OPTIMIZATION

نویسندگان [English]

  • N. Foladi 1
  • A. Jahangiriyan 2
1 Dept . of Aerospace Engineering Amir Kabir University
2 Dept . of Aerospace Engineering Amir Kabir University
چکیده [English]

Wing section optimization is aceomplished using a combined strategy consisting of a genetic algorithm (GA ) and an artificial neural network (A::-..r:K) . A real coded genetic algmi.t hm is utilized for an op­ timum search in design space. The numerical so­ lution of inviscid flow governing equations is used for evaluation of the design candidates. In order to red uce the number of these
time consuming eval­ uations required by GA, every M generat ion, all chromosomes fitness are trained to a neural net ­ work. Then, a control based genetic local search is handled by AX': as a fitness estimator to find new promising regions in design space. It is demon­ strated that this approach could save considerable computational time in application fields, such as
aerodynamic design . Results are presented for a constrained optimization of an airfoil at transonic flow conditions. The PARSEC method of airfoil generator and unstructured grid movement tech­ nique are used in this work. Event ually, optimum airfoil geometry is achieved by about 50% less com­ putational effort compared with the conventional GA method.

کلیدواژه‌ها [English]

  • -