基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法

本申请涉及飞行器电磁散射特性优化领域，具体而言，涉及基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法。

背景技术：

1、机翼前缘首先与入射电磁波发生相互作用，其外形和材料组成直接影响飞行器的雷达散射特性。蜂窝吸波结构兼具较高的比刚度和较宽的吸收频带，适合布置于飞行器承载构件。然而，薄壁、多层和周期性的蜂窝微结构会造成全波网格数量大、单次计算时间长；加载梯度蜂窝的机翼前缘结构则更加复杂，在结构优化需要反复进行大量电磁求解时，直接全波仿真难以承担适应度评价负荷。

2、传统粒子群优化算法的惯性权重、个体学习项和社会学习项通常采用固定值或预设变化规律，不能依据每个粒子的实时搜索状态调节探索与开发程度，容易产生过早收敛或收敛迟缓。

3、因此，需要一种能够兼顾蜂窝微结构等效建模、快速电磁响应预测和状态相关自适应搜索的机翼前缘优化设计技术。

技术实现思路

1、本申请提供基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，旨在降低三维电磁建模和优化迭代的计算复杂度，同时改善固定粒子群控制参数造成的搜索效率不足，从而输出二维散射宽度等效量较小的具体机翼前缘结构参数。

2、本发明实施例提供了基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，包括：

3、步骤s1、将梯度蜂窝机翼前缘等效为长柱体，并提取垂直于轴向的二维截面；

4、步骤s2、将所述二维截面内各层蜂窝吸波结构等效为单轴各向异性均匀介质，将所述单轴各向异性均匀介质沿弦向排布，形成等效介质截面模型；

5、步骤s3、在预设工艺约束条件下对各结构参数进行采样，对采样到的结构参数组合通过所述等效介质截面模型进行二维电磁散射求解，得到单位轴向长度的二维散射宽度等效量；

6、步骤s4、以所述结构参数组合和对应的所述单位轴向长度的二维散射宽度等效量构建训练集，训练神经网络模型；

7、步骤s5、构建粒子群，其中每一粒子对应一组结构参数组合，通过软演员-评论家算法根据粒子状态输出粒子群控制参数，基于所述粒子群控制参数更新各粒子的位置；所述粒子状态包括粒子位置、粒子速度、个体最优位置和全局最优位置；

8、步骤s6、通过训练完成的神经网络模型预测位置更新后的粒子对应的所述单位轴向长度的二维散射宽度等效量，并根据预测结果更新所述个体最优位置和所述全局最优位置；

9、步骤s7、迭代执行步骤s5和步骤s6直至满足预设终止条件，输出单位轴向长度的二维散射宽度等效量最小值对应的结构参数组合。

10、优选地，将梯度蜂窝机翼前缘等效为长柱体，需满足如下前提条件：

11、在用于等效的轴向区段内，以下几何结构参数不随轴向坐标的变化而改变，包括：机翼前缘外轮廓、各蜂窝吸波层的分层界面、蜂窝壁方向、填充率、梯度结构参数、蜂窝层及内部结构之间的相对位置；

12、在用于等效的轴向区段内，等效电磁参数不随轴向坐标的变化而改变；

13、入射波传播方向位于垂直于轴向的二维截面平面内。

14、优选地，将所述二维截面内各层蜂窝吸波结构等效为单轴各向异性均匀介质，具体为：

15、采用hashin-shtrikman上界，根据各层蜂窝结构的吸波介质的复介电常数、自由空间介电常数以及空气夹杂体积分数，计算得到包括横向等效介电常数和轴向等效介电常数的单轴各向异性均匀介质；

16、所述横向等效介电常数和轴向等效介电常数的主轴与二维截面坐标系对齐，且无交叉耦合项。

17、优选地，所述结构参数包括机翼前缘界面形貌的几何参数以及蜂窝吸波结构层间梯度的结构参数。

18、优选地，通过软演员-评论家算法根据粒子状态输出粒子群控制参数，具体为：

19、为每一粒子配置独立的软演员-评论家智能体，所述智能体包括actor网络、第一critic网络、第二critic网络和目标网络；

20、所述actor网络用于将粒子状态映射为动作概率分布，输出粒子群控制参数；

21、所述粒子群控制参数包括惯性权重和随机因子；

22、所述第一critic网络、第二critic网络用于评估当前粒子状态和动作的价值，并采用两者输出值中的较小值进行策略评价；

23、所述目标网络用于稳定训练过程，并采用软更新方式更新。

24、优选地，基于所述粒子群控制参数更新各粒子的位置，具体为：

25、根据粒子群控制参数更新粒子的搜索速度，表达式为:

26、

27、式中，和分别为第个粒子更新后和更新前的速度向量，为惯性权重，和分别为个体学习因子和社会学习因子，分别用于调节粒子向个体历史最优位置和群体全局最优位置移动的程度，和分别为个体学习项和社会学习项对应的随机调节因子，为第个粒子的个体历史最优位置，为第个粒子的当前位置向量；

28、基于更新后的粒子的搜索速度更新粒子的位置，表达式为：

29、

30、式中，和分别为粒子在第次迭代和第次迭代中的位置。

31、优选地，完成更新各粒子的位置后，还包括：

32、若更新后的粒子的位置对应的结构参数组合超出预设工艺约束条件，则进行边界处理或重新采样，保留满足预设工艺约束条件的粒子。

33、优选地，根据预测结果更新所述个体最优位置和所述全局最优位置，具体为：

34、若预测值小于粒子当前个体最优位置对应的单位轴向长度的二维散射宽度等效量，则将该粒子的个体历史最优位置更新为预测值；

35、从各粒子的个体最优位置对应的单位轴向长度的二维散射宽度等效量中选取最小值对应的位置，更新为全局最优位置。

36、优选地，还包括奖惩机制，具体为：

37、若更新全局最优值时给予软演员-评论家智能体第一预设奖励值，若仅更新个体历史最优时给予软演员-评论家智能体第二预设奖励值；

38、所述第一预设奖励值大于所述第二预设奖励值；

39、若产生更新时对软演员-评论家智能体施加预设惩罚值。

40、本申请至少具有如下优点或有益效果：

41、（1）本发明通过将三维机翼前缘结构等效为二维截面问题，并结合hashin-shtrikman上界将复杂蜂窝结构等效为单轴各向异性均匀介质，大幅降低了电磁散射求解的维度与复杂度。

42、（2）本发明将软演员-评论家算法与粒子群搜索算法深度融合，为每一粒子配置独立的软演员-评论家智能体，实现粒子群控制参数的自适应、动态调整，有效克服了传统粒子群算法易陷入局部最优的问题。

43、（3）本发明引入差异化的奖惩机制，根据搜索过程中性能改进的程度给予差异化的奖励信号，引导软演员-评论家智能体学习更优的控制策略，进一步提升优化效率和求解质量。

1.基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，其特征在于，包括：

2.根据权利要求1所述的基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，其特征在于，将梯度蜂窝机翼前缘等效为长柱体，需满足如下前提条件：

3.根据权利要求1所述的基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，其特征在于，将所述二维截面内各层蜂窝吸波结构等效为单轴各向异性均匀介质，具体为：

4.根据权利要求1所述的基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，其特征在于，所述结构参数包括机翼前缘界面形貌的几何参数以及蜂窝吸波结构层间梯度的结构参数。

5.根据权利要求1所述的基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，其特征在于，通过软演员-评论家算法根据粒子状态输出粒子群控制参数，具体为：

6.根据权利要求1所述的基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，其特征在于，基于所述粒子群控制参数更新各粒子的位置，具体为：

7.根据权利要求1所述的基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，其特征在于，完成更新各粒子的位置后，还包括：

8.根据权利要求1所述的基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，其特征在于，根据预测结果更新所述个体最优位置和所述全局最优位置，具体为：

9.根据权利要求8所述的基于神经网络的梯度蜂窝机翼前缘电磁散射优化设计方法，其特征在于，还包括奖惩机制，具体为：