一种基于大语言模型和多智能体协同的飞行器气动外形优化自动化方法

本技术属于智能优化设计，具体涉及一种基于大语言模型和多智能体协同的飞行器气动外形优化自动化方法。

背景技术：

1、气动外形优化是飞行器研制过程中决定飞行性能的关键环节。典型的气动外形优化流程包括：基于初始外形定义设计变量，通过参数化方法描述飞行器外形，根据参数化外形生成计算网格，利用计算流体力学方法求解流场并获得气动性能参数，计算目标函数值及约束条件值，采用伴随方法或有限差分法计算目标函数对设计变量的梯度，优化器根据梯度信息更新设计变量，以更新后的设计变量重新生成网格并再次执行流场求解，如此循环迭代直至满足收敛条件。

2、上述优化流程中，每一轮设计变量更新后均需重新生成计算网格。设计变量随迭代进程持续变化，每一轮迭代对应的外形均不同于前一轮，因而每一轮迭代均需为新外形重新构建计算网格。目前，这一网格重建环节在工程实践中完全依赖人工操作：工程师将优化器输出的新设计变量转换为几何外形，导入网格生成工具，设置网格参数，启动生成过程，生成后检查网格质量，若质量不达标则调整参数重新生成。这一人工操作环节使优化流程无法实现从设计变量更新到流场求解的全自动衔接，构成优化闭环中最为显著的人工断点。

3、收敛判断是优化流程中的另一依赖人工经验的环节。基于梯度的气动优化中，收敛状态需综合目标函数变化量、约束违反程度、最优性条件满足程度以及最大迭代次数限制等多维指标进行判定。不同优化问题对应的收敛特征差异显著，工程实践中依赖工程师对上述指标的综合分析做出终止决策，缺乏标准化的自动判据。此外，气动优化通常同时包含升力约束、厚度约束、前缘半径约束等多项约束条件，各项约束在优化进程中相互耦合，约束满足状态的监控和优化策略的相应调整同样依赖人工逐轮执行。

4、为减少优化过程中的人工介入，近年来部分研究尝试将人工智能技术引入气动优化领域。基于深度学习的代理模型方法采用神经网络建立设计变量到气动性能的映射关系，以替代计算流体力学求解实现快速性能预测。该类方法的核心特征在于用数据驱动的黑箱模型替代物理求解器，代理模型的预测精度依赖于训练样本的覆盖范围，在远离训练样本的设计空间区域预测误差显著增大，且无法利用伴随方法获得精确梯度，优化精度受限于代理模型自身的精度。部分研究采用大语言模型生成优化脚本或参数配置文件，再由人工审核后执行，大语言模型在此类方案中输出文本形式的代码或配置，不具备直接驱动求解器和优化器执行的能力，也不具备对优化进程的实时监控和动态决策能力。基于深度学习的外形直接预测方法采用端到端的神经网络从设计空间直接映射最优外形，完全回避了计算流体力学求解和迭代优化过程，预测结果缺乏物理可解释性且泛化能力有限。

5、上述人工智能技术在气动优化中的应用具有共同的技术特征：人工智能模型被用作替代者，即替代计算流体力学求解器、替代梯度优化器或替代工程师生成脚本。以替代者角色部署的人工智能方案均未解决优化闭环中各环节的自动化衔接问题，网格重建的人工断点、收敛判断的经验依赖以及多约束管理的人工介入在现有方案中依然存在。

6、因此，现有气动外形优化技术中，优化闭环各环节之间的自动化衔接尚未实现，网格重建、收敛判断和多约束管理均依赖人工操作或经验判断，无法形成从设计变量更新到优化结果输出的全自动闭环。

技术实现思路

1、针对现有气动外形优化流程依赖人工操作和经验导致优化闭环无法全自动化运行的问题，本技术提供一种基于大语言模型和多智能体协同的飞行器气动外形优化自动化方法，通过编排智能体统一调度网格重建、流场求解、伴随梯度计算和优化器更新各环节，实现设计变量更新后网格重建的自动触发、多指标收敛的自动判定以及多约束满足状态的自动监控。

2、为了实现上述技术目的，本技术具体通过以下技术方案实现：

3、在本技术的一方面，提供一种基于大语言模型和多智能体协同的飞行器气动外形优化自动化方法，包括以下步骤：

4、s1：编排智能体接收自然语言形式的优化需求，对所述优化需求进行解析，提取结构化优化配置信息；所述结构化优化配置信息包括：初始外形定义、初始设计变量、来流条件参数、目标函数定义、约束条件定义、优化器类型指定和终止条件参数；

5、s2：所述编排智能体通过标准化协议桥接层执行工具链发现操作，查询可用子智能体集群，确认所述子智能体集群中包含网格重建子智能体、cfd求解子智能体、伴随梯度计算子智能体和优化器子智能体；

6、s3：所述编排智能体调度所述网格重建子智能体，根据所述初始设计变量生成初始计算网格；所述编排智能体调度所述cfd求解子智能体，基于所述初始计算网格执行流场数值求解，获得目标函数值和约束条件值；

7、s4：所述编排智能体按照优化闭环执行迭代优化，在每一轮迭代中依次执行以下子步骤：

8、s41：所述编排智能体调度所述伴随梯度计算子智能体，基于当前cfd求解结果执行伴随方程求解，获得目标函数和约束条件对当前设计变量的梯度向量；

9、s42：所述编排智能体调度所述优化器子智能体，基于当前设计变量、所述梯度向量、以及当前约束条件值，按照优化算法更新设计变量，生成新一轮设计变量；

10、s43：所述编排智能体检测到所述优化器子智能体输出新一轮设计变量后，自动调度所述网格重建子智能体，根据所述新一轮设计变量重新生成计算网格；

11、s44：所述编排智能体调度所述cfd求解子智能体，基于所述新一轮设计变量的计算网格执行流场数值求解，获得迭代的目标函数值和约束条件值；

12、s45：所述编排智能体根据收敛判据集合判断优化是否收敛，所述收敛判据集合至少包括目标函数变化量判据和约束可行性判据；当所述目标函数变化量判据和所述约束可行性判据同时满足时，所述编排智能体判定优化收敛并终止迭代；当不满足收敛条件时，继续执行下一轮迭代；

13、步骤s5：所述编排智能体输出优化结果报告。

14、在一个实施方式，所述编排智能体由大语言模型驱动，所述编排智能体作为优化闭环的唯一调度中枢，所述子智能体集群中的各子智能体之间不直接通信，全部由所述编排智能体通过所述标准化协议桥接层统一调度。

15、在一个实施方式，所述标准化协议桥接层基于json-rpc 2.0协议实现，所述标准化协议桥接层提供以下接口：

16、tools/list接口，用于所述编排智能体发现可用的子智能体工具链；

17、get_skill_input_info接口，用于所述编排智能体获取子智能体的输入参数规格并进行参数自省校验；

18、tools/call接口，用于所述编排智能体以结构化调用方式向子智能体下发任务并接收执行结果。

19、在一个实施方式，步骤s43中，所述网格重建子智能体重建计算网格时自动执行网格质量检查，所述网格质量检查包括非正交度检查、长宽比检查和歪斜率检查；当网格质量不满足预设阈值时，所述网格重建子智能体调整网格参数后重新生成，直至网格质量满足要求或达到重试上限。

20、在一个实施方式，所述收敛判据集合还包括kkt最优性条件判据和最大迭代次数判据；当所述目标函数变化量判据和所述约束可行性判据同时满足时，或当所述最大迭代次数判据满足时，所述编排智能体判定优化收敛并终止迭代。

21、在一个实施方式，当达到所述最大迭代次数且所述目标函数变化量判据和所述约束可行性判据未同时满足时，所述编排智能体输出当前最优结果并向用户提供调整建议，所述调整建议包括：增加最大迭代次数、调整约束松弛度、更换优化器类型。

22、在一个实施方式，步骤s43中，所述编排智能体检测到所述优化器子智能体输出新一轮设计变量后，通过所述标准化协议桥接层将所述新一轮设计变量映射为所述网格重建子智能体的输入参数。

23、在一个实施方式，所述约束条件定义包括气动约束和几何约束；所述气动约束为升力系数约束，所述几何约束包括厚度约束以及前缘半径约束。

24、在一个实施方式，步骤s45中，所述编排智能体在计算所述约束可行性判据时自动检查所有约束条件的满足程度，当检测到任一约束违反时，所述编排智能体在下一轮迭代的步骤s42中自动调整优化策略，所述调整优化策略包括：向优化器传递惩罚项以增大约束违反的代价、限制设计变量搜索步长使新设计变量不超出可行域、或将设计变量搜索限制在满足约束的子空间内。

25、在一个实施方式，所述优化器类型由用户在所述自然语言形式的优化需求中指定，或由所述编排智能体根据优化问题特征自动推荐；所述优化器类型包括ipopt内点法优化器、snopt序列二次规划优化器和slsqp序列最小二乘规划优化器；不同优化器类型对应的优化器子智能体以统一的标准化接口接入所述标准化协议桥接层。

26、在一个实施方式，所述编排智能体包含持久记忆模块，所述持久记忆模块跨会话保存历史优化经验，所述历史优化经验包括：特定外形在特定工况下的收敛迭代轮数、各设计变量对目标函数的参数敏感性排序、优化过程中起主导作用的约束活跃度统计；在新优化任务启动时，所述编排智能体自动检索并加载相关历史优化经验至上下文，所述历史优化经验用于优化调度决策和收敛预判。

27、在一个实施方式，所述子智能体集群还包括结构有限元分析子智能体，所述结构有限元分析子智能体用于在气动-结构耦合优化中执行结构变形计算和气动载荷传递；在气动-结构耦合优化模式中，所述编排智能体交替调度所述cfd求解子智能体、所述伴随梯度计算子智能体、所述优化器子智能体和所述结构有限元分析子智能体，形成气动载荷计算、结构响应计算、外形更新和网格重建的松耦合迭代闭环。

28、在一个实施方式，所述优化结果报告包括：最优外形数据文件、优化历程曲线、初始外形与最优外形的气动性能对比表、约束满足状态汇总、以及设计变量灵敏度分析结果。

29、本技术的有益效果在于：

30、（1）消除网格重建人工断点，首次实现气动外形优化的全闭环自动化运行。现有气动优化流程中，设计变量每次更新后均需工程师手动重建计算网格，该人工断点使全自动化闭环无法实现。本技术通过编排智能体自动感知设计变量变化并即时调度网格重建子智能体，实现了“优化器更新设计变量—自动触发网格重建—cfd求解—伴随梯度计算—优化器再次更新”的无人值守闭环。实施例中，naca0012翼型ipopt减阻优化的21轮迭代共自动触发网格重建21次（每次约22s），全流程耗时35-50min，全程无需任何人工介入；对于50轮工业级优化任务，可在2-3h内自动完成，将传统数周的优化周期压缩至小时级。

31、（2）将大语言模型从参谋提升为指挥官，实现了优化闭环的全流程智能编排。现有技术中，大语言模型仅能生成优化脚本或提供参数建议，无法直接驱动求解器和优化器执行。本技术以编排智能体为调度中枢，通过标准化协议同时调度网格重建、cfd求解、伴随梯度计算和优化器四类专业子智能体协同工作，使大语言模型直接担任优化闭环的"指挥官"角色，填补了现有技术的空白。

32、（3）建立多指标融合的自动化收敛决策机制，消除对工程师人工经验判断的依赖。梯度优化的收敛判断涉及目标函数变化量、约束违反程度、kkt最优性条件和最大迭代次数等多维指标，传统方式依赖工程师综合经验做出终止决策。本技术的编排智能体在每轮迭代后自动评估上述全部指标，根据预设多级阈值自动判断优化收敛状态—收敛达标时自动终止并生成优化总结，未收敛时自动建议调整迭代次数、约束松弛度或优化器类型。实施例中，编排智能体在第21轮自动判定达到最大迭代次数后终止优化，并输出了包含阻力系数变化、升力约束满足度和厚度约束的多维度分析报告。

33、（4）实现多约束气动优化的全自动约束监控与策略调整。气动优化通常涉及气动约束（如升力不低于某值）和几何约束（如厚度不减小、前缘半径不减小），各约束相互耦合，传统方式需人工逐轮检查约束满足情况。本技术的编排智能体在每轮迭代中自动检查所有约束的满足程度，在约束违反时自动调整优化策略（如向优化器传递惩罚项或限制搜索步长）。实施例中，21轮迭代的约束可行性恒为0.0，升力约束和厚度约束始终满足，全过程无需人工干预。

34、（5）支持多优化器和多学科子智能体的灵活扩展，具备良好的通用性。编排智能体与子智能体之间通过标准化json-rpc 2.0协议通信，子智能体的内部实现（求解器类型、优化器算法、网格生成器）对编排层完全透明。更换优化器或扩增子智能体仅需新增子智能体暴露符合协议规范的工具接口，无需修改编排智能体的核心调度逻辑，保证了本技术对不同工具链的广泛适应性和持续可扩展性。

35、（6）通过持久记忆机制实现优化经验的跨任务积累与复用，优化效率随使用次数递增。编排智能体跨会话保存用户偏好、环境配置和优化经验（如特定翼型在特定工况下的收敛轮数、各设计变量的参数敏感性、约束活跃度等）。在新优化任务启动时，相关历史经验自动注入编排智能体上下文，使其无需重复探索即可做出更优的调度决策和收敛预判，实现优化效率的持续提升。