💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
文献来源:
本文基于预训练的CNN(作为评估函数),采用遗传算法(GA)和模拟退火(SA)对翼型升阻比进行优化
摘要:翼型外形优化是翼型设计的基础部分在气动设计领域。在这个项目中,优化翼型轮廓是通过ge磁算法,使用预训练卷积神经网络(CNN)作为适应度函数评估翼型升阻比(CL/Cd)基于原始坐标
数据来自UIUC翼型数据集,三次插值和a采用B´ezier曲线拟合的方法,在一定的几何约束条件下生成光滑的翼型contour曲线。然后提出了一种无梯度局部搜索方法用来加快优化过程和一定数量的她的翼型个人选择复制新的con旅游为下一代b[3]。在尝试用遗传算法优化翼型后,对该方法进行了仿真退火也用于提高个人的CL/Cd。结果表明,翼型的性能平均为证明了3.8%;特别是在遗传算法中,我们发现预训练的CNN和local搜索,一般的优化过程是加速的大约33%。
关键词:翼型优化,CNN,升阻系数tio,无导数算法。
本课题选择遗传算法和模拟退火算法算法来实现。与预训练卷积神经网络(CNN)作为评估评估函数,每个翼型个体的升阻比(CL/Cd)作为核心响应气动特性的代表(如图1所示)工程中,不同的算法被证明效果更好不同的情况下,有适当的参数和初始值定义,改进可以很明显地观察到
详细文章讲解见第四部分。
📚2 运行结果
部分代码:
clear;
clc;
load foilChange.mat;
for i=1:9
figure;
hold on;
old=bezierPolyVal(foilRes(:,i));
new=bezierPolyVal(foilRes(:,i+1));
plot(old(:,1), old(:,2),'r','LineWidth',1);
plot(new(:,1), new(:,2),'b','LineWidth',1);
xlabel('x');
ylabel('y');
ipr=(ratioRes(i,2)-ratioRes(i,1))/ratioRes(i,1);
title(['Relative Ratio Improvement: ' num2str(ipr*100) '%']);
set(gcf, 'Position', [100, 100, 1000, 400])
legend('Old Foil', 'New Foil');
saveas(gcf, [num2str(i) '.png']);
end
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。