(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111201367.6 (22)申请日 2021.10.15 (71)申请人 常熟理工学院 地址 215500 江苏省苏州市 常熟市南 三环 路99号 (72)发明人 张盛龙　林玲　覃冰　牟晟伯　 胡焰彬　胡志涛　李铭迪　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 张俊范 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种冲压发动机 推力性能的实时优化方法 (57)摘要 本发明公开了一种冲压发动机推力性能的 实时优化方法， 包括以冲压发动机各进气口的进 气口位置以及进气口入射角度构建多维度优化 空间， 采用拉丁超立方设计方法构建样本， 以CFD 方法计算推力并构造RBF神经网络近似预测模 型， 采用蛙跳算法优化， 在全局搜索时以RBF神经 网络计算个体适应度值。 本发明使发动机在实际 复杂工况下实时调整进气口的位置与入射角度， 满足发动机在实际运行过程中实时优化冲压发 动机的推力。 权利要求书2页 说明书7页 附图2页 CN 113971320 A 2022.01.25 CN 113971320 A 1.一种冲压发动机推力性能的实时优化方法， 其特 征在于， 包括以下步骤： S1、 以冲压发动机各进气口 的进气口位置以及进气口入射角度构建多维度优化空间； S2、 构建RBF神经网络并进行训练得到RBF 预测模型； S3、 采用蛙 跳算法实时优化， 具 备包括： S3‑0、 设定一时间长度Time， 并开始计时， 同时初始化种群参数， 设定子种群数目m、 每 个子种群中的青蛙个数n和最大迭代次数Tmax S3‑1、 随机生成一个 由m*n只青蛙组成的种群S(t)， m为子种群数目， n为每个子种群中 的青蛙个数， 每 个青蛙个体包括冲压发动机各进气口 的进气口位置以及进气口入射角度； S3‑2、 将S(t)经过归一化后作为待预测集合， 采用步骤S2得到的RBF预测模型预测S(t) 中每个青蛙个体sj在不同进气口位置和入射角度下的推力Fj； S3‑3、 将冲压发动机的推力的倒数 作为适应度值大小来评价每 个青蛙的好坏； S3‑4、 根据FF的大小对m*n个青蛙个体进行降序排列， 生成降序排列种群Z(t)， 然后将 所述降序排列种群Z(t)中的所有青蛙依次分配到m个子种群中， 生成新种群R(t)＝(R1, R2,…,Ro,…,Rm)， 其中每 个所述子种群Ro， o∈[1,…,m]包含n个青蛙个体； S3‑5、 采用随机权重策略调整每个所述子种群Ro中FF最大的青蛙的位置， 对青蛙个体进 行进化更新以更新所述 新种群R(t)； S3‑6、 以S3‑2同样方法计算所述更新后的新种群的适应度值大小， 更新整个种群中FF 最小的青蛙个 体； S3‑7、 令t＝t+1， 重复步骤S3 ‑4至S3‑7， 直到t＝Tmax时停止计算， 根据FF最小的青蛙个 体分别调整发动机的进气口位置和进气口入射角度； S3‑8、 当计时达 到Time时， 返回步骤S3 ‑1继续进行优化， 直至发动机停止 工作。 2.根据权利要求1所述的冲压发动机推力性 能的实时优化方法， 其特征在于， 所述步骤 S3‑5具体包括以下步骤： S3‑5.1、 令a＝1， a∈[1,m ]， 依次对m个子种群进行迭代更新操作； S3‑5.2、 令b＝1， b∈[1, ξ ]， 对每 个子种群进行最大次数为ξ 的迭代更新； S3‑5.3、 在每个Ro中， Qb表示推力最小的青蛙个体， Qw表示推力最大的青蛙个体， Qg表示 整个种群R(t)中推力最小的青蛙个 体， 采用如下公式替换推力最大的Q w个体位置： Dj(t+1)＝r1*(Qb‑Qw) Qw(t+1)＝Qw(t)+Dj(t+1) 其中， r1为0到1之间的随机数； S3‑5.4、 调整青蛙个体位置后， 重新计算青蛙个体的适应度 值FF， 然后对比青蛙个体适 应度值大小， 如果能够获得推力更小的青蛙个体， 就用该青蛙的位置取代推力最大 的青蛙 个体Qw； S3‑5.5、 如果不能找到， 用Qg取代Qb青蛙个体， 返回步骤S3 ‑5.3继续迭代计算， 如果迭 代过程中均不能获得推力更小的青蛙个体， 则随机生 成一个新青蛙个体取代Qw， 令b＝b+1， 重复步骤S3 ‑5.3至S3‑5.5， 直到b＝ξ； S3‑5.6、 令a＝a+1， 重复步骤S3 ‑5.2至S3‑5.6， 直到a＝m， 生成新种群。 3.根据权利要求1所述的冲压发动机推力性 能的实时优化方法， 其特征在于， 所述步骤权　利　要　求　书 1/2 页 2 CN 113971320 A 2S2、 构建RBF神经网络并进行训练得到RBF 预测模型， 具体包括， S2‑1、 采用拉丁超立方设计方法在该空间构建ψ个样本SS＝(ss1,ss2,…,ssk,…,ssψ)， 每个ssk包括发动机各进气口 的进气口位置以及进气口入射角度； S2‑2、 采用CFD方法计算每个样本ssk的推力大小Fk， 并构成样本集合SSS＝(sss1, sss2,…,sssk,…,sssψ)， 每个sssk包括发动机各进气口的进气口位置、 进气口入射角度以 及对应推力Fk； S2‑3、 将样本集合SSS归一化后作为RBF神经网络的输入数据； S2‑4、 计算RBF神经网络的预测输出； S2‑5、 计算采用CFD方法获得的样本推力和RBF预测输出值之间的误差是否不超过限 值， 如为是， 得到RBF 预测模型， 如为否， 进入步骤S2 ‑6； S2‑6、 采用梯度下降方法更新RBF神经网络的连接权值和节点中心， 然后返回到步骤 S2‑4。 4.根据权利要求3所述的冲压发动机推力性能的实时优化方法， 其特征在于， 所述CFD 方法获得的样本推力和RBF预测输出值之间的误差为 yk为采用 RBF方法得到的第k个节点实际输出推力值。 5.根据权利要求4所述的冲压发动机推力性 能的实时优化方法， 其特征在于， 所述限值 不大于0.0001。权　利　要　求　书 2/2 页 3 CN 113971320 A 3