(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110108797.7 (22)申请日 2021.01.27 (65)同一申请的已公布的文献号 申请公布号 CN 112784375 A (43)申请公布日 2021.05.11 (73)专利权人 江苏大学 地址 212013 江苏省镇江市学府路3 01号 (72)发明人 王文杰　裴吉　陈金维　袁寿其　 甘星城　龚小波　张猛　 (74)专利代理 机构 北京东方盛凡知识产权代理 事务所(普通 合伙) 11562 代理人 王颖 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/23(2020.01)G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/12(2006.01) G06F 111/06(2020.01) G06F 111/08(2020.01) G06F 111/10(2020.01) G06F 113/08(2020.01) G06F 119/14(2020.01) 审查员 陈雨杉 (54)发明名称 一种基于离散型遗传算法的高效低脉动叶 片泵优化方法 (57)摘要 本发明公开一种基于离散型遗传算法的高 效低脉动叶片泵优化方法， 包含以下步骤： 步骤 1、 将基本遗传算法中的连续设计变量转化成离 散设计变量， 得到离散型遗传算法； 步骤2、 通过 标准测试函数对 所述离散型遗传算法进行测试； 步骤3、 若所述离散型遗传算法的测试结果满足 预设要求， 则通过测试后的所述离散型遗传算法 对叶片泵进行 非定常特性优化。 采用本发明的技 术方案， 以满足对叶片泵运行稳定性和可靠性的 需求。 权利要求书2页 说明书8页 附图4页 CN 112784375 B 2022.01.04 CN 112784375 B 1.一种基于离散型遗传算法的高效低脉动叶片泵优化方法， 其特征在于， 包含以下步 骤： 步骤1、 将基本遗传算法中的连续设计变量转化成离散设计变量， 得到离散型遗传算 法， 其中， 在基本遗传算法GA中采用二值码串表示每个参数值在各参数取值范围中的位置， 并对二值码串表示的位置进行选择、 交叉、 变异操作， 获得新一代染色体； 同时引入均匀两 点交叉法、 锦标赛选择法、 精英保留策略法和自适应遗传概率法， 得到所述离散型遗传算 法； 步骤2、 通过 标准测试函数对所述离 散型遗传算法进行测试； 步骤3、 若所述离散型遗传算法的测试结果满足预设要求， 则通过测试后的所述离散型 遗传算法对叶片泵 进行非定常特性优化； 其中， 步骤3中， 所述对叶片泵 进行非定常特性优化具体为： 步骤301、 确定优化目标， 以泵效率和隔舌处监测点的压力脉动主频幅值 为优化目标； 步骤302、 确定优化参数和计算域， 采取叶轮出口直径D2、 叶轮出口宽度b2、 叶片出口倒 角半径R2、 叶片进口安放角β1、 叶片出口安放角β2、 叶片包角 θ为优化参数， 上述优化参数的 取值范围即为计算 域； 所述计算 域具体为： D2∈[130,131,132,13 3,134,13 5,136]mm； b2∈[15,16,17,18,19,20]mm； R2∈[1.0,1.5,2.0,2.5]mm； β1∈[40,44,48,52,56, 60]°； β2∈[20,24,28,32,3 6,40]°； θ∈[85,90,95,10 0,105,110,115,120,125,13 0]°； 步骤303、 设置算法参数， 包括： 种群数np、 最大迭代数niter、 交叉率pc、 变异率pm、 离散变 量数n及其对应取值； 步骤304、 采用拉丁超立方抽样方法在离散计算域内对染色体进行初始化， 得到初始种 群Database＝{case1， case2， case3，……， case99， case100}； 步骤305、 将步骤304所得的染色体参数通过ANSYSWorkbench调用ANSYSBladeGen建立 每个染色体对应的叶轮水体模型； 步骤306、 将步骤305中所得的叶轮水体模型通过ANSYSWorkbench导入ANSYSTurboGrid 中绘制叶轮网格； 步骤307、 将步骤306中所得的叶轮水体网格通过ANSYSWorkbench代入ANSYSCFX 中进行 定常数值模拟； 步骤308、 以步骤307中所得的定常数值模拟结果为初始结果， 通过ANSYSWorkbench代 入ANSYSCF X中进行非定常数值模拟； 步骤309、 对步骤308中得到的数据进行处理得到效率值和压力脉动主频幅值， 获得染 色体对计算 域的适应度f＝{f1， f2， f3，……， f99， f100}； 步骤310、 找出种群中适应度值最大的染色体， 其适应度值为 所对应的各决策变量 值 t为当前迭代次数； 步骤311、 判断步骤304中的迭代次数是否达到1000次， 若是， 则停止迭代， 输出优化结 果； 若否， 转至步骤312； 步骤312、 利用锦标赛选择法选择部分个体， 利用精英保留策略， 将上一迭代中种群的 最优个体保留至下一代； 步骤313、 根据交叉概 率选择个 体并两两进行交叉操作， 生成新的个 体；权　利　要　求　书 1/2 页 2 CN 112784375 B 2步骤314、 根据变异概 率选择个 体并对其进行变异操作， 生成新的个 体； 步骤315、 将父代、 子代、 局部解进行种群合并， 生成新一代种群， 迭代次数加一， 返回步 骤305继续迭代， 直至结果满足迭代 停止条件， 输出优化结果。 2.如权利要求1所述的基于离散型遗传算法的高效低脉动叶片泵优化方法， 其特征在 于， 步骤303参数设置为： 种群规模np＝100， 最大迭代数niter＝1000， 交叉率pc＝0.85， 变异 率pm＝0.05。 3.如权利要求1所述的基于离散型遗传算法的高效低脉动叶片泵优化方法， 其特征在 于， 采用标准测试函数包括： Ack ley、 BukinN.6、 Drop ‑Wave、 Griewan k。 4.如权利要求3所述的基于离散型遗传算法的高效低脉动叶片泵优化方法， 其特征在 于， 每个测试函数在不同维数时分别独立运行20次， 数量级为4， 通过所述离散型遗传算法 收敛所需的收敛率、 平均迭代 次数、 最大/小迭代 次数、 中位值、 标准差六方面进行对比； 其 中， 所述收敛率为在20次实验中最大迭代次数为1000时算法求解达到目标要求的次数； 若 所述离散型遗传算法满足预设求 解精度， 则认为收敛， 否则不收敛。权　利　要　求　书 2/2 页 3 CN 112784375 B 3