本發(fā)明涉及人工智能和群體智能，具體地，涉及基于ml的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命與輕量化設(shè)計(jì)方法。

背景技術(shù)：

1、全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸是船舶推進(jìn)系統(tǒng)的關(guān)鍵部件，其設(shè)計(jì)對(duì)船舶的燃油效率、航程和載荷能力具有重要影響。實(shí)現(xiàn)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的輕量化設(shè)計(jì)，能夠有效降低船舶的整體重量，提高經(jīng)濟(jì)性和環(huán)保性。同時(shí)，全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸在復(fù)雜的海洋環(huán)境中運(yùn)行，需要具備足夠的服役壽命和可靠性，以確保長(zhǎng)時(shí)間、高負(fù)荷條件下的安全運(yùn)行。因此，如何在保證全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命的前提下，實(shí)現(xiàn)其輕量化設(shè)計(jì)，已成為船舶工程領(lǐng)域的重要課題。

2、傳統(tǒng)的優(yōu)化設(shè)計(jì)方法通常采用啟發(fā)式算法，如遺傳算法、粒子群優(yōu)化算法等。這些算法具有良好的全局搜索能力，但在處理復(fù)雜的多目標(biāo)優(yōu)化問(wèn)題時(shí)，尤其是每次評(píng)估都需要調(diào)用耗時(shí)的有限元仿真模型，往往需要大量的計(jì)算資源和時(shí)間來(lái)進(jìn)行種群進(jìn)化和適應(yīng)度評(píng)估，導(dǎo)致整體優(yōu)化效率大幅降低，限制了設(shè)計(jì)周期的縮短和優(yōu)化效果的提升。全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的仿真評(píng)估涉及復(fù)雜的力學(xué)分析和服役壽命計(jì)算，傳統(tǒng)的啟發(fā)式算法在這種高計(jì)算成本的環(huán)境下效率較低。

3、ml（machine?learning，機(jī)器學(xué)習(xí)）技術(shù)通過(guò)學(xué)習(xí)和分析已有的仿真數(shù)據(jù)，可以建立快速的近似模型，替代復(fù)雜的仿真過(guò)程，只對(duì)篩選出的最佳候選個(gè)體向量進(jìn)行仿真。這種方法不僅大幅降低了計(jì)算成本和時(shí)間消耗，還在有限的設(shè)計(jì)周期內(nèi)提升了優(yōu)化效率，使工程師能夠探索和評(píng)估更多的設(shè)計(jì)方案，加速產(chǎn)品的開(kāi)發(fā)和創(chuàng)新。然而，目前許多優(yōu)化算法尚未充分整合機(jī)器學(xué)習(xí)的能力，未能完全發(fā)揮其在復(fù)雜結(jié)構(gòu)設(shè)計(jì)中的潛在優(yōu)勢(shì)；此外，傳統(tǒng)方法大多針對(duì)單一目標(biāo)進(jìn)行優(yōu)化，難以同時(shí)兼顧全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的服役壽命和輕量化設(shè)計(jì)，無(wú)法滿足實(shí)際工程中對(duì)多目標(biāo)優(yōu)化的需求。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的局限性或改進(jìn)技術(shù)需求，本發(fā)明提出了基于ml的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命與輕量化設(shè)計(jì)方法，其基于全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸結(jié)構(gòu)優(yōu)化設(shè)計(jì)涉及耗時(shí)復(fù)雜仿真特點(diǎn)，以及服役壽命和輕量化兩個(gè)目標(biāo)的設(shè)計(jì)需求，研究及設(shè)計(jì)了一種基于優(yōu)化種群在目標(biāo)空間中的分布狀態(tài)確定不同的進(jìn)化起點(diǎn)集的機(jī)器學(xué)習(xí)優(yōu)化設(shè)計(jì)方法。所述方法通過(guò)對(duì)優(yōu)化種群仿真得到的服役壽命與重量信息在目標(biāo)空間中的分布狀態(tài)，確定不同的進(jìn)化起點(diǎn)集，基于徑向基函數(shù)機(jī)器學(xué)習(xí)模型構(gòu)建進(jìn)化過(guò)程，結(jié)合兩類(lèi)參考點(diǎn)構(gòu)建的切比雪夫聚合函數(shù)，篩選出最佳候選個(gè)體子代向量進(jìn)行服役壽命與重量仿真，提高了對(duì)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸結(jié)構(gòu)服役壽命與輕量化兩個(gè)目標(biāo)的優(yōu)化效率。本發(fā)明所設(shè)計(jì)的基于ml的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命與輕量化設(shè)計(jì)方法能對(duì)適應(yīng)復(fù)雜結(jié)構(gòu)的多個(gè)目標(biāo)進(jìn)行同步優(yōu)化，不僅可用于全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸結(jié)構(gòu)服役壽命和輕量化設(shè)計(jì)，也為其他復(fù)雜結(jié)構(gòu)的多性能設(shè)計(jì)提供了一個(gè)可用的算法結(jié)構(gòu)。

2、為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種基于ml的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命與輕量化設(shè)計(jì)方法，所述方法包括：

3、步驟（1）：根據(jù)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸所受的靜態(tài)載荷，在pro/e中構(gòu)建全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的幾何模型并進(jìn)行受力分解，將幾何模型導(dǎo)入ansys?workbench中進(jìn)行靜力學(xué)分析并讀取全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的重量，將靜力學(xué)分析結(jié)果與全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸所承受的時(shí)序載荷共同導(dǎo)入ansys?ncode?designlife中，其中，靜態(tài)載荷為全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸固定時(shí)所受的支撐載荷，時(shí)序載荷為全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸工作時(shí)所受的隨時(shí)間變化的動(dòng)態(tài)載荷；根據(jù)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸材料屬性采用goodman方法對(duì)ansys?ncode?designlife軟件中服役壽命s-n曲線進(jìn)行修正，在ansys?ncode?designlife進(jìn)行仿真獲得全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的服役壽命，以各軸段半徑、各軸段長(zhǎng)度以及軸段數(shù)目為結(jié)構(gòu)設(shè)計(jì)參數(shù)，以全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命和重量為兩個(gè)優(yōu)化目標(biāo)，推導(dǎo)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命與輕量化設(shè)計(jì)問(wèn)題的數(shù)學(xué)優(yōu)化模型；

4、步驟（2）：在考慮材料強(qiáng)度、制造工藝和空間限制的情況下，確定各軸段半徑、各軸段長(zhǎng)度以及軸段數(shù)目的取值范圍，構(gòu)建由各軸段半徑、各軸段長(zhǎng)度以及軸段數(shù)目組成的多維設(shè)計(jì)空間，其中一個(gè)維度代表一個(gè)結(jié)構(gòu)設(shè)計(jì)參數(shù)；根據(jù)多維設(shè)計(jì)空間的維度以及計(jì)算資源，確定需要采樣的個(gè)體向量數(shù)目 n，在多維設(shè)計(jì)空間內(nèi)，通過(guò)單純形法產(chǎn)生 n個(gè)均勻分布的參考向量；在多維設(shè)計(jì)空間內(nèi)，通過(guò)均勻采樣方法產(chǎn)生 n個(gè)均包含各軸段半徑、各軸段長(zhǎng)度以及軸段數(shù)目取值的個(gè)體向量，這 n個(gè)個(gè)體向量組成優(yōu)化種群；利用ansys?ncodedesignlife對(duì)優(yōu)化種群中的每個(gè)個(gè)體向量進(jìn)行服役壽命和重量仿真，得到服役壽命與重量?jī)蓚€(gè)目標(biāo)值，將所有個(gè)體向量信息存入數(shù)據(jù)庫(kù)；

5、步驟（3）：基于優(yōu)化種群仿真結(jié)果在以全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命和重量這兩個(gè)優(yōu)化目標(biāo)所構(gòu)成的目標(biāo)空間的分布狀態(tài)構(gòu)建進(jìn)化起點(diǎn)集，針對(duì)每個(gè)進(jìn)化起點(diǎn)集，在由各軸段半徑、各軸段長(zhǎng)度以及軸段數(shù)目結(jié)構(gòu)設(shè)計(jì)參數(shù)組成的多維設(shè)計(jì)空間內(nèi)部，隨機(jī)在進(jìn)化起點(diǎn)集中選擇一個(gè)初始個(gè)體向量實(shí)施兩步漸進(jìn)式進(jìn)化操作產(chǎn)生候選子代個(gè)體向量，在兩步漸進(jìn)式進(jìn)化操作中，根據(jù)基于理想?yún)⒖键c(diǎn)構(gòu)建的切比雪夫聚合函數(shù)從第一步維度擾動(dòng)變異操作產(chǎn)生的候選子代個(gè)體向量中篩選得到第一類(lèi)子種群與最好的第一類(lèi)候選子代個(gè)體向量，并將最好的第一類(lèi)候選子代個(gè)體向量作為第二步維度擾動(dòng)變異操作的起點(diǎn)來(lái)執(zhí)行第二步維度擾動(dòng)變異操作，并根據(jù)基于天底參考點(diǎn)構(gòu)建的切比雪夫聚合函數(shù)從第二步維度擾動(dòng)變異操作產(chǎn)生的候選子代個(gè)體向量中篩選得到第二類(lèi)子種群；

6、步驟（4）：針對(duì)每類(lèi)子種群，采用基于徑向基函數(shù)機(jī)器學(xué)習(xí)模型的內(nèi)層進(jìn)化獲得最優(yōu)候選子種群，并根據(jù)兩類(lèi)參考點(diǎn)構(gòu)建兩個(gè)切比雪夫聚合函數(shù)，基于每個(gè)切比雪夫聚合值從最優(yōu)候選子種群中篩選對(duì)應(yīng)的最優(yōu)候選子代個(gè)體向量；

7、步驟（5）：采用全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸結(jié)構(gòu)服役壽命與重量仿真模型對(duì)最優(yōu)候選子代個(gè)體向量進(jìn)行仿真評(píng)估，更新精確種群及數(shù)據(jù)庫(kù)；

8、步驟（6）：設(shè)計(jì)優(yōu)化種群更新策略，采用步驟（4）中針對(duì)第一類(lèi)子種群所獲得的最優(yōu)候選子種群對(duì)優(yōu)化種群進(jìn)行更新，并且對(duì)步驟（5）中仿真評(píng)估結(jié)果進(jìn)行判斷，若服役壽命與重量滿足設(shè)計(jì)要求，則輸出根據(jù)數(shù)據(jù)庫(kù)篩選的帕累托集合中所有個(gè)體向量對(duì)應(yīng)的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸優(yōu)化結(jié)構(gòu)，否則轉(zhuǎn)至步驟（3），直至優(yōu)化結(jié)構(gòu)滿足設(shè)計(jì)要求。

9、進(jìn)一步地，所述步驟（1）中根據(jù)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸材料屬性采用goodman方法對(duì)ansys?ncode?designlife軟件中服役壽命s-n曲線進(jìn)行修正，在ansys?ncode?designlife進(jìn)行仿真獲得全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的服役壽命，以各軸段半徑、各軸段長(zhǎng)度以及軸段數(shù)目為結(jié)構(gòu)設(shè)計(jì)參數(shù)，以全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命和重量為兩個(gè)優(yōu)化目標(biāo)，推導(dǎo)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命與輕量化設(shè)計(jì)問(wèn)題的數(shù)學(xué)優(yōu)化模型，具體步驟如下：

10、第一步，根據(jù)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸材料屬性采用goodman方法對(duì)ansys?ncodedesignlife軟件中服役壽命s-n曲線進(jìn)行修正，其中，goodman方法具體包含以下步驟：

11、?以材料對(duì)應(yīng)的應(yīng)力范圍表示橫坐標(biāo)，以材料對(duì)應(yīng)的平均應(yīng)力表示縱坐標(biāo)，繪制goodman圖，其中，圖中的直線表示材料的許用應(yīng)力線，許用應(yīng)力線通過(guò)計(jì)算材料的極限拉伸強(qiáng)度和0.2%屈服強(qiáng)度來(lái)獲得；

12、?根據(jù)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的實(shí)際工作中所承受的各種載荷條件，計(jì)算全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的實(shí)際應(yīng)力范圍和平均應(yīng)力；

13、?將實(shí)際應(yīng)力點(diǎn)繪制在goodman圖上，通過(guò)與許用應(yīng)力線的比較，修正全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的服役壽命s-n曲線；

14、根據(jù)修正的服役壽命s-n曲線，在ansys?ncode?designlife進(jìn)行仿真獲得全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的服役壽命；

15、第二步，以各軸段半徑、各軸段長(zhǎng)度以及軸段數(shù)目為結(jié)構(gòu)設(shè)計(jì)參數(shù)，以全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命和重量為兩個(gè)優(yōu)化目標(biāo)，推導(dǎo)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命與輕量化設(shè)計(jì)問(wèn)題的數(shù)學(xué)優(yōu)化模型，具體表達(dá)式如下：

16、，

17、上式中，x表示全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸結(jié)構(gòu)設(shè)計(jì)參數(shù)，表示第1個(gè)軸段的半徑，表示第 m個(gè)軸段的半徑，表示第1個(gè)軸段的長(zhǎng)度，表示第 m個(gè)軸段的長(zhǎng)度，表示軸段的數(shù)目，表示全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的重量，表示全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的密度，表示在結(jié)構(gòu)設(shè)計(jì)參數(shù) x時(shí)對(duì)應(yīng)的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的體積，表示在結(jié)構(gòu)設(shè)計(jì)參數(shù)為 x時(shí)對(duì)應(yīng)的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸形函數(shù)，表示全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸在goodman方法下對(duì)應(yīng)的服役壽命，與材料匹配的常數(shù)c的取值范圍是2.56至3.85，表示全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸所采用材料的屈服強(qiáng)度載荷，表示全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸所采用材料的屈服應(yīng)力，表示全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸所采用材料的屈服應(yīng)變，k、m、n分別對(duì)應(yīng)于全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸所采用材料的屈服強(qiáng)度載荷、屈服應(yīng)力以及屈服應(yīng)變的調(diào)節(jié)系數(shù)，表示全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸結(jié)構(gòu)設(shè)計(jì)參數(shù)所構(gòu)成的多維設(shè)計(jì)空間，find表示求結(jié)構(gòu)優(yōu)化參數(shù)的最優(yōu)解，min表示對(duì)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的重量進(jìn)行最小化和對(duì)全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的服役壽命進(jìn)行最大化，s.t.表示需滿足的約束。

18、進(jìn)一步地，所述步驟（3），具體步驟如下：

19、第一步，根據(jù)在ansys?ncode?designlife仿真獲得的服役壽命和重量?jī)蓚€(gè)目標(biāo)值，執(zhí)行基于最大最小值的歸一化操作；

20、第二步，計(jì)算歸一化操作后的目標(biāo)值與各個(gè)參考向量之間的最小垂直距離，將優(yōu)化種群中每個(gè)個(gè)體向量與有最小垂直距離的參考向量進(jìn)行聯(lián)系：

21、第三步，對(duì)于有個(gè)體向量相聯(lián)系的參考向量，將對(duì)應(yīng)聯(lián)系的所有個(gè)體向量作為參考向量的進(jìn)化起點(diǎn)；

22、第四步，對(duì)于沒(méi)有個(gè)體向量相聯(lián)系的參考向量，根據(jù)垂直距離從小到大選擇距離參考向量最近的鄰近參考向量，并將鄰近參考向量聯(lián)系的所有個(gè)體向量作為參考向量的進(jìn)化起點(diǎn)集；

23、第五步，針對(duì)每個(gè)參考向量的進(jìn)化起點(diǎn)集，隨機(jī)選擇一個(gè)初始個(gè)體向量，在由各軸段半徑、各軸段長(zhǎng)度以及軸段數(shù)目結(jié)構(gòu)設(shè)計(jì)參數(shù)組成的多維設(shè)計(jì)空間內(nèi)部執(zhí)行第一步維度擾動(dòng)變異操作，并基于理想?yún)⒖键c(diǎn)構(gòu)建切比雪夫聚合函數(shù)，并從第一步維度擾動(dòng)變異操作產(chǎn)生的候選子代個(gè)體向量中篩選出第一類(lèi)子種群與最好的第一類(lèi)候選子代個(gè)體向量；

24、第六步，將基于理想?yún)⒖键c(diǎn)篩選出的最好的第一類(lèi)候選子代個(gè)體向量作為起點(diǎn)，在由各軸段半徑、各軸段長(zhǎng)度以及軸段數(shù)目結(jié)構(gòu)設(shè)計(jì)參數(shù)組成的多維設(shè)計(jì)空間內(nèi)部執(zhí)行第二步維度擾動(dòng)變異操作，并基于天底參考點(diǎn)構(gòu)建切比雪夫聚合函數(shù)，并從第二步維度擾動(dòng)變異操作產(chǎn)生的候選子代個(gè)體向量中篩選出第二類(lèi)子種群；

25、理想?yún)⒖键c(diǎn)與天底參考點(diǎn)分別由下面兩式確定：

26、，

27、，

28、上式中，表示理想?yún)⒖键c(diǎn)在第 j個(gè)目標(biāo)的取值，表示天底參考點(diǎn)在第 j個(gè)目標(biāo)的取值， db為數(shù)據(jù)庫(kù)， op為優(yōu)化種群，表示數(shù)據(jù)庫(kù)中第 j個(gè)目標(biāo)值，表示基于徑向基函數(shù)機(jī)器學(xué)習(xí)模型的第 j個(gè)目標(biāo)值，m是目標(biāo)數(shù)；

29、基于理想?yún)⒖键c(diǎn)與天底參考點(diǎn)的切比雪夫聚合函數(shù)由下面兩式確定：

30、，

31、，

32、上式中，是基于理想?yún)⒖键c(diǎn)構(gòu)建的切比雪夫聚合函數(shù)，是基于天底參考點(diǎn)構(gòu)建的切比雪夫聚合函數(shù)，是參考向量在第 i個(gè)目標(biāo)上的分量，為當(dāng)前個(gè)體的目標(biāo)值，表示在數(shù)據(jù)庫(kù)中理想?yún)⒖键c(diǎn)在的第 i個(gè)目標(biāo)值，表示在數(shù)據(jù)庫(kù)中天底參考點(diǎn)在的第 i個(gè)目標(biāo)值， m是目標(biāo)數(shù)。

33、進(jìn)一步地，所述步驟（4），具體步驟如下：

34、第一步，針對(duì)每類(lèi)子種群，在內(nèi)層進(jìn)化中，設(shè)置基于徑向基函數(shù)機(jī)器學(xué)習(xí)模型近似評(píng)估的最大次數(shù)，在近似評(píng)估的最大次數(shù)內(nèi)，采取自適應(yīng)差分進(jìn)化操作產(chǎn)生候選子代個(gè)體向量公式如下：

35、，

36、上式中，表示從當(dāng)前子種群的前 p%中隨機(jī)選擇一個(gè)個(gè)體向量，表示當(dāng)前個(gè)體向量，和表示從當(dāng)前子種群與被替換的個(gè)體向量組成的集合中隨機(jī)選擇的兩個(gè)個(gè)體向量，縮放因子 f控制個(gè)體向量變異的幅度；

37、第二步，針對(duì)產(chǎn)生的候選子代個(gè)體向量，設(shè)計(jì)兩層篩選策略，分別結(jié)合候選子代個(gè)體向量之間的距離，和兩類(lèi)子種群對(duì)應(yīng)的參考點(diǎn)類(lèi)型所構(gòu)建的兩個(gè)切比雪夫聚合函數(shù)計(jì)算出的聚合度值信息，獲得針對(duì)第一類(lèi)子種群和第二類(lèi)子種群的最優(yōu)候選子代個(gè)體向量與最優(yōu)候選子種群，其中，兩層篩選策略具體步驟如下：

38、根據(jù)產(chǎn)生的候選子代個(gè)體向量的參考點(diǎn)類(lèi)型，基于切比雪夫聚合值篩選出3 n個(gè)候選子代個(gè)體向量；

39、計(jì)算距離最近的候選子代個(gè)體向量之間的距離，以距離和切比雪夫聚合值為兩個(gè)目標(biāo)執(zhí)行非支配排序獲取排名層級(jí)；

40、根據(jù)排名層級(jí)的升序規(guī)則，以切比雪夫聚合值為篩選指標(biāo)，挑選出 n個(gè)候選子代個(gè)體向量，形成最優(yōu)候選子種群；

41、從每個(gè)參考向量對(duì)應(yīng)的最優(yōu)候選子種群中篩選一個(gè)最優(yōu)候選個(gè)體向量，將所有參考向量對(duì)應(yīng)的最優(yōu)候選個(gè)體向量合并形成子代個(gè)體集；

42、根據(jù)理想?yún)⒖键c(diǎn)構(gòu)建切比雪夫聚合函數(shù)，并從子代個(gè)體集篩選針對(duì)第一類(lèi)子種群的最優(yōu)候選子代個(gè)體向量；

43、根據(jù)天底參考點(diǎn)構(gòu)建切比雪夫聚合函數(shù)，并從子代個(gè)體集篩選針對(duì)第二類(lèi)子種群的最優(yōu)候選子代個(gè)體向量。

44、進(jìn)一步地，所述步驟（5）中更新精確種群的步驟，具體如下：

45、第一步，在ansys?workbench中對(duì)每個(gè)最優(yōu)候選子代個(gè)體向量進(jìn)行靜力學(xué)分析并讀取全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸的重量，將靜力學(xué)分析結(jié)果與全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸所承受的時(shí)序載荷共同導(dǎo)入ansys?ncode?designlife中進(jìn)行服役仿真，獲得最優(yōu)候選子代個(gè)體向量的服役壽命和重量，并將最優(yōu)候選子代個(gè)體向量信息存儲(chǔ)到數(shù)據(jù)庫(kù)中，保存至數(shù)據(jù)庫(kù)中的最優(yōu)候選子代個(gè)體向量在后續(xù)步驟中均被統(tǒng)一命名為個(gè)體向量；

46、第二步，根據(jù)非支配排序法更新精確種群。

47、進(jìn)一步地，所述步驟（6），具體步驟如下：

48、第一步，對(duì)每個(gè)子區(qū)間，在更新之后的精確種群以及內(nèi)層進(jìn)化得到的第一類(lèi)子種群中，根據(jù)垂直距離找到與參考向量有聯(lián)系的個(gè)體向量；

49、第二步，計(jì)算與參考向量相聯(lián)系的精確種群個(gè)體向量的切比雪夫聚合值，選擇具有最小切比雪夫聚合值的個(gè)體向量作為最優(yōu)候選子代個(gè)體向量；

50、第三步，計(jì)算與參考向量相聯(lián)系的第一類(lèi)子種群個(gè)體向量的切比雪夫聚合值，選擇具有最小切比雪夫聚合值的個(gè)體向量作為最優(yōu)候選子代個(gè)體向量；

51、第四步，當(dāng)參考向量不與精確種群中個(gè)體相聯(lián)系，用第一類(lèi)子種群中針對(duì)該參考向量的最優(yōu)候選子代個(gè)體向量作為更新的優(yōu)化種群個(gè)體向量；

52、第五步，當(dāng)參考向量與精確種群中個(gè)體相聯(lián)系，對(duì)比第一類(lèi)子種群中針對(duì)該參考向量的最優(yōu)候選子代個(gè)體向量與精確種群中針對(duì)該參考向量的最優(yōu)候選子代個(gè)體向量的切比雪夫聚合值，選擇具有最小切比雪夫聚合值的最優(yōu)候選子代個(gè)體向量作為更新的優(yōu)化種群個(gè)體向量；

53、第六步，根據(jù)非支配排序獲得數(shù)據(jù)庫(kù)中個(gè)體向量的帕累托集合，并判斷帕累托集合中所有個(gè)體向量對(duì)應(yīng)的服役壽命與重量值和全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸實(shí)際工況下服役壽命與輕量化設(shè)計(jì)指標(biāo)的滿足關(guān)系，若滿足設(shè)計(jì)指標(biāo)，則輸出當(dāng)前所得到的帕累托集合中所有個(gè)體向量對(duì)應(yīng)的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸優(yōu)化結(jié)構(gòu)，否則，進(jìn)入下一次迭代循環(huán)，直到滿足設(shè)計(jì)指標(biāo)。

54、另一方面，本發(fā)明提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)前述實(shí)施例所述的基于ml的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命與輕量化設(shè)計(jì)方法的步驟。

55、第三方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述實(shí)施例所述的基于ml的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命與輕量化設(shè)計(jì)方法的步驟。

56、總結(jié)而言，本發(fā)明與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種基于ml的全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸服役壽命與輕量化設(shè)計(jì)方法較現(xiàn)有技術(shù)的局限性有以下改進(jìn)：

57、考慮均勻采樣方法產(chǎn)生的優(yōu)化種群經(jīng)過(guò)仿真得到的服役壽命與重量?jī)蓚€(gè)目標(biāo)值，在目標(biāo)空間中分布不均勻的問(wèn)題，設(shè)計(jì)了基于優(yōu)化種群仿真結(jié)果在目標(biāo)空間的分布狀態(tài)構(gòu)建進(jìn)化起點(diǎn)集的方法，確保了服役壽命與重量?jī)蓚€(gè)目標(biāo)值在參考向量劃分的子空間中被均勻考慮；隨機(jī)在進(jìn)化起點(diǎn)集中選擇一個(gè)初始個(gè)體向量實(shí)施兩步漸進(jìn)式進(jìn)化策略，并把第一步進(jìn)化得到的最優(yōu)個(gè)體向量作為第二步的起點(diǎn)，有針對(duì)性地提升了優(yōu)化個(gè)體的質(zhì)量；同時(shí)，在兩步進(jìn)化中分別采取不同參考點(diǎn)類(lèi)型構(gòu)建的切比雪夫聚合函數(shù)進(jìn)行篩選，有針對(duì)性地得到兩類(lèi)具有不同收斂特性的子種群；基于兩類(lèi)參考點(diǎn)類(lèi)型構(gòu)建的切比雪夫聚合函數(shù)分別篩選出最優(yōu)候選子代個(gè)體向量進(jìn)行服役壽命與質(zhì)量仿真；在優(yōu)化過(guò)程中，只對(duì)最優(yōu)候選子代個(gè)體向量進(jìn)行服役壽命與質(zhì)量仿真，其余候選個(gè)體向量的服役壽命與目標(biāo)值均由徑向基函數(shù)機(jī)器學(xué)習(xí)模型預(yù)測(cè)得到，有效地加快了優(yōu)化效率，使得可以在有限的設(shè)計(jì)周期內(nèi)得到符合全回轉(zhuǎn)推進(jìn)器驅(qū)動(dòng)軸結(jié)構(gòu)設(shè)計(jì)要求的結(jié)構(gòu)設(shè)計(jì)參數(shù)；設(shè)計(jì)了優(yōu)化種群更新策略，采用最優(yōu)候選子種群對(duì)優(yōu)化種群進(jìn)行更新，綜合考慮經(jīng)過(guò)仿真的個(gè)體向量以及進(jìn)化過(guò)程中產(chǎn)生的個(gè)體向量，有助于在進(jìn)化過(guò)程中提供更好的起點(diǎn)，從而提升優(yōu)化質(zhì)量；本發(fā)明能針對(duì)涉及復(fù)雜仿真的多目標(biāo)問(wèn)題進(jìn)行優(yōu)化，提高了復(fù)雜仿真的優(yōu)化效率，并且可以針對(duì)多個(gè)目標(biāo)同時(shí)進(jìn)行優(yōu)化以達(dá)到整體最優(yōu)，有利于各種復(fù)雜結(jié)構(gòu)的優(yōu)化應(yīng)用，具有實(shí)用性。