基于Transformer的新能源皮卡车架MOP方法、设备、介质和程序产品

本发明涉及人工智能和群体智能，具体地，涉及基于transformer（变换器）的新能源皮卡车架mop（multi-objective optimization，多目标优化算法）方法、设备、介质和程序产品。

背景技术：

1、现有车架结构优化设计通常依赖有限元仿真、工程经验和参数化试算。设计人员根据车架纵梁、横梁及连接区域的几何参数建立有限元模型，通过静力学分析、扭转静力分析和模态分析评价结构性能，并根据仿真结果反复调整结构参数。面对多设计变量、多性能目标和高计算成本有限元仿真的车架优化问题，上述方法通常需要进行大量参数试算和有限元仿真，导致优化效率较低。尤其在新能源皮卡车架设计中，纵梁板厚、纵梁截面高度、纵梁截面宽度、横梁板厚、横梁截面高度、横梁截面宽度、横梁数目和纵梁数目等结构设计变量之间存在耦合关系，各结构设计变量对质量、扭转刚度和一阶固有频率的影响存在差异，难以仅依靠参数试算高效获得兼顾轻量化、扭转刚度和模态性能的帕累托优化结构。

2、为提高复杂结构的优化效率，现有技术已引入响应面模型、径向基函数模型、遗传算法、差分进化算法等方法，以替代部分高成本有限元计算或辅助搜索设计空间。上述方法能够在一定程度上减少精确仿真次数，但传统机器学习辅助进化优化方法通常采用预先设定的变异策略和进化参数，变异策略、缩放因子和交叉概率较多依赖人工经验确定，难以根据不同子问题在不同迭代阶段的搜索状态自适应调整搜索行为。当利用参考向量将多目标优化问题分解为多个子问题时，不同子问题可能具有不同的搜索方向、收敛程度、邻域分布状态和停滞程度，部分子问题需要增强全局勘探能力，部分子问题需要加强局部开发能力，部分子问题则需要在保持收敛趋势的同时跳出局部最优。若各子问题采用相同的变异策略和进化参数，容易出现部分目标区域搜索不足、重复搜索或搜索停滞，不利于帕累托解集的收敛性和分布性。

技术实现思路

1、本发明提出一种基于transformer的新能源皮卡车架mop方法、设备、介质和程序产品，旨在解决现有新能源皮卡车架多目标优化过程中有限元仿真评价成本较高、不同参考向量对应子问题的搜索状态存在差异而难以进行统一表征、固定变异策略及进化参数难以适应不同子问题和不同搜索阶段，以及候选个体筛选难以兼顾帕累托前沿收敛性和分布性的问题。

2、为实现上述目的，按照本发明的一个方面，提供了一种基于transformer的新能源皮卡车架mop方法，所述方法包括：

3、步骤（1）：基于新能源皮卡车架结构设计变量建立参数化三维模型和有限元模型，构建以质量、扭转刚度和一阶固有频率为目标的mop模型；

4、步骤（2）：采用拉丁超立方采样生成初始种群，采用单纯形法生成参考向量并将mop模型分解为多个子问题，仿真评估初始种群，建立数据库并构建径向基函数模型；

5、步骤（3）：确定理想参考点和天底参考点，对目标值进行归一化，将种群中个体向量关联至参考向量，确定各子问题的代表个体向量并构造状态矩阵序列；

6、步骤（4）：利用transformer模型处理状态矩阵序列，为各子问题确定变异策略、缩放因子和交叉概率，生成候选子代个体向量；

7、步骤（5）：利用径向基函数模型预测候选子代个体向量目标值，基于正向改进距离和负向偏离距离筛选并去重得到待评估个体向量进行仿真评估，更新数据库、种群及径向基函数模型，返回步骤（3）直至输出满足设计要求的帕累托优化结构。

8、进一步地，所述步骤（1）具体包括：

9、步骤1.1，根据新能源皮卡车架结构布置、制造工艺、零部件安装空间和结构参数可调范围确定纵梁板厚、纵梁截面高度、纵梁截面宽度、横梁板厚、横梁截面高度、横梁截面宽度、横梁数目和纵梁数目的取值范围，构建结构设计变量向量和多维设计空间；

10、步骤1.2，根据新能源皮卡车架的非承载式底盘结构、材料属性、承载部件布置和典型行驶工况，在catia中建立新能源皮卡车架参数化三维模型，并根据材料密度和参数化三维模型的几何体积获得车架质量；

11、步骤1.3，将参数化三维模型导入hypermesh中进行几何清理、中面抽取、壳单元网格划分、材料属性赋予、板厚属性定义、连接关系定义、载荷施加和边界条件设置，得到新能源皮卡车架有限元模型；

12、步骤1.4，利用optistruct对所述有限元模型进行扭转静力分析，提取左右加载点的垂向位移，根据单侧垂向加载力、左右加载点间距计算扭转载荷矩，并由左右加载点位移差计算车架扭转角，最终计算得到扭转刚度；

13、步骤1.5，利用optistruct对所述有限元模型进行自由模态分析，求解有限元刚度矩阵和质量矩阵对应的模态特征方程，获得各阶圆频率和振型，从而获得一阶固有频率；

14、步骤1.6，根据新能源皮卡车架设计变量向量、车架质量、扭转刚度和一阶固有频率，构建mop数学模型，具体表达式如下：

15、，

16、上式中，

x表示新能源皮卡车架结构设计变量向量，表示由各结构设计变量取值范围构成的多维设计空间，s.t.表示新能源皮卡车架结构设计变量向量

x被约束在各结构设计变量取值范围构成的多维设计空间中，表示纵梁板厚，表示纵梁截面高度，表示纵梁截面宽度，表示横梁板厚，表示横梁截面高度，表示横梁截面宽度，表示横梁数目，表示纵梁数目，表示新能源皮卡车架材料密度，表示结构设计变量向量

x对应的参数化模型几何体积，表示结构设计变量向量

x对应的新能源皮卡车架质量，表示扭转静力工况下施加的单侧垂向加载力，

b表示左右加载点间距，表示结构设计变量向量

x对应的扭转载荷矩，表示扭转静力分析中左侧加载点垂向位移，表示扭转静力分析中右侧加载点垂向位移，表示结构设计变量向量

x对应的车架扭转角，表示结构设计变量向量

x对应的新能源皮卡车架扭转刚度，表示结构设计变量向量

x对应的有限元刚度矩阵，表示结构设计变量向量

x对应的有限元质量矩阵，表示第

q阶振型，表示第

q阶圆频率，表示第一阶圆频率，表示结构设计变量向量

x对应的新能源皮卡车架一阶固有频率，表示新能源皮卡车架多目标优化目标函数向量，表示将扭转刚度最大化目标转换为最小化目标，表示将一阶固有频率最大化目标转换为最小化目标，find表示在多维设计空间中寻找结构设计变量向量

x的优选解，min表示对多目标优化目标函数向量进行最小化优化。

17、进一步地，所述步骤（2）具体包括：

18、步骤2.1，根据结构设计变量数量、优化目标数量和预设仿真评估预算确定初始个体向量数量

np，在多维设计空间中采用拉丁超立方采样生成

np个初始个体向量形成初始种群；

19、步骤2.2，根据优化目标数量采用单纯形法在由三个目标构成的目标空间中生成

nv个参考向量，并利用

nv个参考向量将新能源皮卡车架多目标优化问题分解为

nv个子问题；

20、步骤2.3，对初始种群中的各初始个体向量进行质量计算、扭转静力分析和自由模态分析，获得对应的质量、扭转刚度和一阶固有频率目标值，并将初始个体向量及其目标值存入数据库；

21、步骤2.4，利用数据库中所有个体向量信息构建径向基函数模型。

22、进一步地，所述步骤（3）具体包括：

23、步骤3.1，根据数据库和当前种群中的目标值确定理想参考点和天底参考点，并利用理想参考点和天底参考点对质量、扭转刚度和一阶固有频率对应的目标值进行归一化处理，得到当前种群中各个体向量的归一化目标值，其中，理想参考点以及天底参考点由下式确定：

24、，

25、，

26、上式中，表示理想参考点在第

j个目标的取值，表示天底参考点在第

j个目标的取值，

db为数据库，表示xi为数据库中个体向量，表示数据库中第

i个体向量xi的第

j个目标值，表示最小化数据库中个体向量xi的第

j个目标值，表示最大化数据库中个体向量xi的第

j个目标值，

m是目标数；

27、步骤3.2，计算当前种群中各个体向量的归一化目标值与各参考向量之间的垂直距离，将每个个体向量与垂直距离最小的参考向量建立关联关系，并根据关联关系确定每个参考向量对应子问题的关联个体集合；对于存在关联个体集合的子问题，计算关联个体集合中各个体向量在该子问题下的切比雪夫聚合值，并选择切比雪夫聚合值最小的个体向量作为该子问题的代表个体；对于不存在关联个体集合的子问题，先从邻域子问题的代表个体中选择在当前子问题下切比雪夫聚合值最小的个体向量作为代表个体，若邻域子问题中不存在代表个体，则从当前种群中选择切比雪夫聚合值最小的个体向量作为代表个体，其中切比雪夫聚合值由下式计算：

28、，

29、上式中，是基于理想参考点构建的切比雪夫聚合函数，为第

i个个体向量，是参考向量在第

j个目标上的分量；

30、步骤3.3，围绕每个子问题的参考向量和代表个体按照顺序形成每个子问题对应的状态矩阵，并对状态矩阵中的不同量纲数据进行归一化处理；状态矩阵由参考向量方向、代表个体目标状态、邻域搜索状态、变量扰动响应和历史改进状态组成；其中，参考向量方向由该子问题参考向量在质量、扭转刚度和一阶固有频率三个目标方向上的分量表示；代表个体目标状态由代表个体的归一化目标值、代表个体与参考向量之间的垂直距离以及代表个体在当前子问题下的切比雪夫聚合值表示；邻域搜索状态由邻域子问题代表个体的切比雪夫聚合值分布、当前子问题关联个体数量以及邻域目标空间分散程度表示；变量扰动响应由代表个体的结构设计变量在局部扰动前后的目标值变化和切比雪夫聚合值变化表示；历史改进状态由该子问题在前序迭代中的历史成功率、停滞次数、最近一次改进量表示；

31、步骤3.4，将各子问题的状态矩阵按照参考向量编号顺序排列，形成状态矩阵序列。

32、进一步地，所述步骤（4）具体包括：

33、步骤4.1，对状态矩阵序列中的状态量进行归一化处理，并按照特征来源将第

j个子问题的状态特征划分为参考向量特征组、目标搜索特征组、邻域分布特征组、变量响应特征组和历史进化特征组，第

j个子问题的状态特征表示为：

34、，

35、上式中，表示第

j个子问题的参考向量特征组，表示第

j个子问题的目标搜索特征组，表示第

j个子问题的邻域分布特征组，表示第

j个子问题的变量响应特征组，表示第

j个子问题的历史进化特征组；

36、步骤4.2，利用特征映射模块分别对所述参考向量特征组、目标搜索特征组、邻域分布特征组、变量响应特征组和历史进化特征组进行特征映射，将映射后的特征进行融合，并叠加表征参考向量编号顺序的位置编码，得到第

j个子问题的初始特征向量：

37、，

38、上式中，表示第

j个子问题输入transformer编码器前的初始特征向量，表示特征组标识，

w、

o、

n、

v、

h分别对应参考向量特征组、目标搜索特征组、邻域分布特征组、变量响应特征组和历史进化特征组的标识，表示第

j个子问题中第类特征组经归一化处理后、输入特征映射层前的状态特征向量，表示第

j个子问题中第类特征组经特征映射后得到的特征向量，表示第

j个子问题的参考向量特征组经特征映射后得到的特征向量，表示第

j个子问题的目标搜索特征组经特征映射后得到的特征向量，表示第

j个子问题的邻域分布特征组经特征映射后得到的特征向量，表示第

j个子问题的变量响应特征组经特征映射后得到的特征向量，表示第

j个子问题的历史进化特征组经特征映射后得到的特征向量，和分别表示第类特征组对应的映射权重矩阵和偏置项，表示非线性激活函数，和分别表示融合映射层的权重矩阵和偏置项，表示第

j个子问题对应的位置编码；

39、步骤4.3，将各子问题的初始特征向量按照参考向量编号顺序组成输入特征序列，并输入transformer编码器，通过多头自注意力机制和前馈网络提取不同子问题之间的上下文关联，所述transformer编码器的第

l层按照下式进行特征更新：

40、，

41、上式中，

l表示transformer编码器的层序号，表示第

l层编码器的输入特征序列，即第层编码器输出的上下文特征序列，表示层归一化，表示对进行层归一化后得到的特征序列，

r表示多头自注意力模块中的注意力头序号，且，

r表示注意力头数量，、、分别表示第

l层编码器中第

r个注意力头对应的查询映射权重矩阵、键映射权重矩阵和值映射权重矩阵，表示第

l层编码器中第

r个注意力头输出的注意力特征，表示归一化指数函数，表示第

l层编码器中第1个注意力头输出的注意力特征，表示第

l层编码器中第

r个注意力头输出的注意力特征，上标表示矩阵转置，

dh表示单个注意力头的特征维度，、和分别表示第

l层编码器中第

r个注意力头对应的查询矩阵、键矩阵和值矩阵，表示对各注意力头的输出特征进行拼接，和分别表示第

l层编码器中多头自注意力输出映射的权重矩阵和偏置向量，下标

o表示输出映射，表示将第

l层编码器中多头自注意力模块的输出特征与输入特征序列进行残差连接后得到的特征序列，表示第

l层编码器中多头自注意力模块的输出特征，表示第

l层编码器中的前馈网络特征处理函数，表示第

l层transformer编码器输出的上下文特征，和分别表示第

l层编码器中逐位置前馈网络中第一线性映射层的权重矩阵和偏置向量，表示预设非线性激活函数，和分别表示第

l层编码器中逐位置前馈网络中第二线性映射层的权重矩阵和偏置向量；

42、经过预设层数的transformer编码器依次进行特征更新后，获得各子问题对应的最终上下文特征；

43、步骤4.4，将各子问题的最终上下文特征输入输出决策模块，通过策略分类分支、缩放因子分类分支和交叉概率分类分支，分别得到变异策略类别概率、缩放因子类别概率和交叉概率类别概率：

44、，

45、上式中，表示第

j个子问题经过transformer编码器得到的最终上下文特征，表示变异策略类别概率，表示缩放因子类别概率，表示交叉概率类别概率，、、分别表示策略分类分支、缩放因子分类分支和交叉概率分类分支的权重矩阵，、、分别表示策略分类分支、缩放因子分类分支和交叉概率分类分支的偏置项；

46、步骤4.5，根据概率最大原则确定第

j个子问题对应的变异策略、缩放因子

fj和交叉概率

crj，缩放因子

f从预设缩放因子候选集合{0.1,0.3,0.5,0.7,0.9}中确定，交叉概率

cr从预设交叉概率候选集合{0.1,0.3,0.5,0.7,0.9}中确定；

47、步骤4.6，针对第

j个子问题，根据该子问题的代表个体向量及其邻域子问题的代表个体向量构建父代候选池，并从所述父代候选池中选取生成变异向量所需的父代个体向量；

48、步骤4.7，根据步骤4.5确定的变异策略、和缩放因子

fj，利用步骤4.6选取的父代个体向量生成第

j个子问题的变异向量；其中，考虑到多目标优化问题被参考向量分解为多个子问题后，不同子问题在不同搜索阶段的搜索需求，所述变异策略包括侧重于全局勘探的第一类变异策略、侧重于局部开发的第二类变异策略以及兼顾全局勘探和局部开发的第三类变异策略，具体如下：

49、针对子问题尚处于搜索初期或面临搜索停滞、需要在设计空间中广泛探索以定位潜在优良区域，设计第一类变异策略，侧重于全局勘探，以随机个体为基点，通过具有幂律尾特性的长程随机扰动因子，使试探向量能够在搜索空间中产生随机位移，从而快速覆盖尚未被充分搜索的设计区域，第一类变异策略可由下式确定：

50、，

51、上式中，表示从父代候选池中随机选取的第一个父代个体向量，表示从父代候选池中随机选取的第二个父代个体向量，表示从父代候选池中随机选取的第三个父代个体向量，表示从父代候选池中随机选取的第四个父代个体向量，表示从父代候选池中随机选取的第五个父代个体向量，

fj为transformer模型为第

j个子问题输出的扰动缩放因子，表示levy飞行差分扰动项的幅值调节系数，取值为0.01，表示采用mantegna算法生成的levy飞行随机步长，表示levy飞行随机步长的分布参数，取值为1.5，因此，levy飞行随机步长由下式确定：

52、，

53、其中，和为相互独立的第一正态分布随机变量和第二正态分布随机变量，并满足：

54、，

55、其中，表示均值为0、方差为的正态分布，表示第一正态分布随机变量的标准差，表示第二正态分布随机变量的绝对值，表示伽马函数，表示正弦函数，

π表示圆周率；

56、针对子问题已发现较优解、需要在其附近进行精细开发以提升收敛精度，设计第二类变异策略，侧重于局部开发，以子问题邻域内当前聚合函数值最小的最优个体向量为搜索起点，沿随机父代差向量方向进行改进的第二类变异策略可由下式确定：

57、，

58、上式中，为第

j个子问题邻域内当前聚合函数值最小的最优个体向量，表示第

j个子问题的变异个体向量，为柯西扰动缩放因子，取值为0.01，表示位置参数0、尺度参数1的标准柯西分布随机数；

59、针对有的子问题已建立收敛基础，需要在维持收敛趋势与跳出局部最优之间取得平衡，设计第三类变异策略，侧重于勘探与开发的动态平衡，以当前个体向量为出发点，同时包含指向最优个体的收敛方向分量以具有指数衰减尾特性的集中型随机扰动因子对辅助分量进行可控缩放，从而在维持向最优解收敛的大方向前提下以受控方式注入搜索多样性，实现渐进式稳健改进，第三类变异策略可由下式确定：

60、，

61、上式中，为当前个体向量，为高斯扰动缩放因子，取值为0.01，为标准正态分布随机数；

62、步骤4.8，根据第

j个子问题对应的交叉概率

crj，对第

j个子问题的变异向量和父代个体向量执行交叉操作，生成交叉个体向量；对交叉个体向量中各结构设计变量逐一进行边界检查，使其中的纵梁板厚、纵梁截面高度、纵梁截面宽度、横梁板厚、横梁截面高度、横梁截面宽度、横梁数目和纵梁数目均处于所述多维设计空间对应的取值范围内，即当相应结构设计变量小于其取值下限时，将该结构设计变量修正为所述取值下限，当相应结构设计变量大于其取值上限时，将该结构设计变量修正为所述取值上限，当相应结构设计变量处于其取值下限和取值上限之间时，保持该结构设计变量的取值不变，边界处理得到第

j个子问题的候选子代个体向量。

63、进一步地，所述步骤（5）具体包括：

64、步骤5.1，利用构建的径向基函数模型对各候选子代个体向量的质量、扭转刚度和一阶固有频率进行预测，获得各候选子代个体向量对应的预测目标值，并根据预测目标值执行非支配排序，得到预测非支配候选集合；

65、步骤5.2，分别计算预测非支配候选集合中的各候选子代个体向量相对于当前数据库中帕累托参考集合的正向改进距离和负向偏离距离，其中正向改进距离用于衡量候选子代个体向量相对于当前帕累托参考集合在目标空间中的潜在改进程度，负向偏离距离用于衡量候选子代个体向量偏离当前帕累托参考集合的程度；

66、步骤5.3，基于正向改进距离筛选一个具有前沿扩展能力的个体向量，基于负向偏离距离筛选一个具有收敛改进能力的个体向量，并对筛选得到的个体向量进行重复性删除后，得到需要进行精确仿真评估的待评估个体向量；

67、步骤5.4，对待评估个体向量进行质量计算、扭转静力分析和自由模态分析，获得其质量、扭转刚度和一阶固有频率目标值，将待评估个体向量及其目标值存入数据库，并更新当前种群和径向基函数模型；

68、步骤5.5，判断数据库中的帕累托集合是否满足车架质量、扭转刚度和一阶固有频率的设计要求，若满足，则输出帕累托集合中各个体向量对应的新能源皮卡车架帕累托优化结构，否则返回步骤（3），直至获得满足设计要求的帕累托优化结构。

69、第二方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述一种基于transformer的新能源皮卡车架mop方法的步骤。

70、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述一种基于transformer的新能源皮卡车架mop方法的步骤。

71、第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现前述一种基于transformer的新能源皮卡车架mop方法的步骤。

72、总结而言，本发明与现有技术相比，本发明提供的一种基于transformer的新能源皮卡车架mop方法、设备、介质和程序产品较现有技术的局限性有以下改进：

73、1．考虑新能源皮卡车架多目标优化中不同参考向量对应子问题的目标搜索方向、邻域收敛状态、变量扰动响应和历史改进状态存在差异的问题，本发明为各子问题构造状态矩阵序列，使不同子问题的当前搜索状态能够被结构化表征，为transformer模型进行状态感知决策提供基础；

74、2．针对传统进化方法中各子问题采用固定变异策略而导致部分区域搜索不足或者重复搜索的问题，本发明利用transformer模型为各子问题确定对应的变异策略，使不同子问题能够根据其搜索状态选择侧重于全局勘探、侧重于局部开发或者兼顾全局勘探和局部开发的变异策略；

75、3．针对传统进化方法中缩放因子

f和交叉概率

cr依赖人工经验设定、难以适应不同搜索阶段的问题，本发明利用transformer模型分别确定每个子问题对应的缩放因子

f和交叉概率

cr，使变异幅度和交叉强度能够随子问题状态变化而自适应调整，从而提高候选子代个体向量的针对性与质量；

76、4．针对新能源皮卡车架质量计算、扭转静力分析和自由模态分析等评价过程计算成本较高的问题，本发明利用径向基函数模型预测候选子代个体向量目标值，基于正向改进距离和负向偏离距离筛选并去重得到待评估个体向量，仅对待评估候选子代个体向量进行精确仿真评估，从而减少不必要的有限元仿真评价，并兼顾帕累托前沿的扩展能力和收敛改进能力；

77、5．本发明能够针对涉及复杂仿真的新能源皮卡车架多目标结构优化问题进行优化，提高复杂仿真的优化效率，并且可以针对轻量化、抗扭性能和模态性能等多个目标进行协同权衡优化，获得满足不同设计需求的帕累托优化结构，有利于新能源皮卡车架及其他复杂结构的优化应用，具有实用性。