(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111290143.7 (22)申请日 2021.11.02 (71)申请人 河北恒昇 立辰信息科技有限公司 地址 056000 河北省邯郸市复兴区铁西大 街与果园路交叉口西南角华北汽车城 内L1-S6-18 (72)发明人 沈峰　 (74)专利代理 机构 北京律远专利代理事务所 (普通合伙) 11574 代理人 张燕 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06F 111/06(2020.01) (54)发明名称 一种应用 于罗茨式动力机的混合式优化方 法 (57)摘要 本发明公开了一种应用于罗茨式动力机的 混合式优化方法， 利用粒子群和模拟退火混合优 化算法对罗茨 式动力机叶片参数进行优化， 包括 如下步骤： (一)初始化： 初始化种群根据仿真数 据设定维度， 然后对定值进行定义并赋值。 通过 采用本发明设计的优化方法， 通采用优化模型判 别器来选定粒子群算法和模拟退火算法混合优 化算法对叶片参数进行优化， 通过粒子群算法使 所有粒子在多维超体中找到最优解， 它通过追随 当前搜索到的最优值来寻找全局最优， 通过模拟 退火算法进行二次优化， 用来弥补粒子群算法陷 入局部最优解的不足， 从而对泄压口数量、 大小、 位置、 叶片啮合点与轴中心的距离、 叶片齿数、 叶 片齿间空隙等模型参数进行优化。 权利要求书2页 说明书5页 附图4页 CN 114169218 A 2022.03.11 CN 114169218 A 1.一种应用于罗茨式动力机的混合式优化方法， 其特征在于： 利用粒子群和模拟退火 混合优化 算法对罗茨式动力机叶片参数进行优化， 包括如下步骤： (一)初始化： 初始化种群根据仿真数据设定维度， 然后对定值进行定义并赋值， 初始化叶片数， 可变 参数的范围(仿真数据的最大值 最小值来确定)， 并且给 可变参数设置随机变量； (二)计算 适应值： 根据fitnes s function， 计算每 个粒子的适应值； (三)求个 体最佳适应值： 对每个粒子， 将其当前适应值与 其个体历史最佳位置(pbest)对应的适应值作比较， 如 果当前的适应值更高， 则用当前位置更新粒子个体的历史最优位置pbest， 更新个体最优 时， 适应度函数if判断条件选取 大于号表示 为拐点最大； (四)求群 体最佳适应值： 对每个粒子， 将其当前适应值与全局最佳位置(gbest)对应的适应值作比较， 如果当前 的适应值更高， 则用当前位置更新粒子群体的历史最优位置gbest， 更新全局最优时同样选 取大于号表示 为拐点最大； (五)更新粒子位置和速度： 根据公式更新每 个粒子的速度与位置， 将叶片数和变量范围设定为终止条件； (六)判断算法是否结束： 若未达到终止条件， 则转第2步， 迭代后找到最优解， 完成初次优化任务； (七)二次优化： 针对问题选定合适的目标函数f作为能量函数E； 初始化最大温度， 降温系数， 最小温度 (退出循环条件)； (八)计算 其能量E0： 设定起始迭代次数t＝0， 产生初始状态X0， 计算其能量E0； (九)计算 其能量E1： 以目前解 为中心由状态产生 函数产生 新的邻近解X1计算其能量E1； (十)比较两状态的能量： 采用Metropolis接受法则比较两状态的能量， 判决是否接受X1， 若接受， 则令当前状态 等于X1， 若不接受， 则令当前状态等于X0； (十一)判断终止条件： 判断温度是否 达到终止温度， 若是则顺序执 行step 7； 若否则转至step  3重复执行； (十二)得 出最优解： 当前解作为 最优解输出。 2.根据权利要求1所述的一种应用于罗茨式动力 机的混合式优化方法， 其特征在于： 所 述步骤一中优化对 象包括叶片参数在不同工况下变化对理论输入转矩、 阻力转矩、 输出转 矩、 理论流量、 效率影响的较优值。 3.根据权利要求1所述的一种应用于罗茨式动力 机的混合式优化方法， 其特征在于： 所 述步骤一中首先是选取最优优化算法， 对于普通优化方法可以基于启发式算法思想找出局 部或全局的最优解， 但是多个普通优化方法间如何判断为最优优化算法， 即是否为最优拟权　利　要　求　书 1/2 页 2 CN 114169218 A 2合模型中的局部或全局 最优解， 所以需要一种优化算法判别器， 用来找出多种普通优化方 法中全局最优解或局部最优解。 4.根据权利要求3所述的一种应用于罗茨式动力 机的混合式优化方法， 其特征在于： 所 述步骤三中的优化算法判别器针对叶片参数优化， 以优化下面这组参数为例， 自变量为进 口绝对压力、 出口绝对压力、 叶片数、 转子叶顶圆半径、 转子1的O1D1、 转子2的O2D2， 因变量为 理论输入转矩， 具体包括以下步骤： S1、 初始化种群根据仿真数据自变量个数设定维度为6， 进口绝对压力、 出口绝对压力、 转子叶顶圆半径为定值对其定义并分别赋值3、 0.1、 49 9.6， 初始化叶片数为3、 4、 6、 8； S2、 仿真数据的最大值最小值来确定， 转子1的O1D1是可变参数， 范围设置为146 ‑393， 转 子2的O2D2是可变参数 范围设置为173 ‑500， 同时给 可变参数设置随机变量； S3、 更新个体最优时， 适应度函数if判断条件选取大于号表示为拐点最大， 更新全局最 优时同样选取 大于号表示 为拐点最大； S4、 将叶片数3、 4、 6、 8和变量范围146 ‑393、 173‑500设定为终止条件； S5、 设定迭代次数10 0， 粒子群数3 0， 输出最优值结果如图3所示。 5.根据权利要求1所述的一种应用于罗茨式动力 机的混合式优化方法， 其特征在于： 所 述步骤一中的二次优化包括以下步骤： S1、 初始化 最大温度10 00， 降温系数0.90， 最小温度1e ‑3(退出循环条件)； S2、 设置一个温度， 根据仿真数据给随机函数传入维度6， 进口绝对压力、 出口绝对压 力、 转子叶顶圆半径为定值对其定义并分别赋值3、 0.1、 49 9.6， 初始化叶片数为3、 4、 6、 8 S3、 设置可变参数的范围， 转子1的O1D1范围设置为146 ‑393， 转子2的O2D2范围设置为 173‑500； S4、 每个温度迭代5 0次， 找最优解； S5、 设置自变量进行波动， 自变量变化后仍要求在[0， 10]之间； S6、 将叶片数3、 4、 6、 8和变量范围146 ‑393、 173‑500设为判定范围； S7、 迭代结束， 找到最优解得到结果如图5所示。权　利　要　求　书 2/2 页 3 CN 114169218 A 3