一種提高室內(nèi)環(huán)境反向設(shè)計效率的模糊控制方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)與室內(nèi)環(huán)境的設(shè)計，特別是涉及一種提高室內(nèi)環(huán)境反向設(shè)計 效率的模糊控制方法。
【背景技術(shù)】
[0002] 遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的反向設(shè)計方法可應(yīng)用于室內(nèi)環(huán)境領(lǐng)域。反向設(shè)計過 程同時受遺傳算法搜索能力和神經(jīng)網(wǎng)絡(luò)預(yù)測能力的影響。模糊控制技術(shù)能夠分別與遺傳算 法和神經(jīng)網(wǎng)絡(luò)相結(jié)合，提尚這兩者的計算效率，進(jìn)而提尚反向設(shè)計的效率。
[0003] 模糊控制技術(shù)是一種常用的控制方法，它不需要被控對象的精確數(shù)學(xué)模型，推理 過程模仿人的思維過程，能夠解決許多復(fù)雜而無法建立精確數(shù)學(xué)模型系統(tǒng)的控制問題。模 糊控制方法中有以下幾個重要概念：
[0004] (1)論域：包含控制變量或控制目標(biāo)所有可選數(shù)值的集合，一般以字母U表示。
[0005] (2)確切量：真實的輸入與輸出值。
[0006] (3)模糊量：使用模糊語言變量表達(dá)的輸入與輸出值。一般包括"負(fù)大"（NB)、"負(fù) 中"（NM)、"負(fù)小"（NS)、"零"（Z0)、"正小"（PS)、"正中"（PM)、"正大"（PB)等。語言變量的 數(shù)量一般根據(jù)模糊控制的精度要求確定，語言變量越多，控制的精度越高。
[0007] (4)隸屬度：若對論域U中的任一元素X，都有一個數(shù)μ(X)e[0, 1]與之對應(yīng)，則 稱μ為U上的模糊集，μ(X)稱為X對μ的隸屬度。經(jīng)典集合對事物只用簡單 地表示"屬于"或"不屬于"的分類，而模糊集合中隸屬度是〇到1之間連續(xù)變化的值，隸屬 度μ(X)越接近于1，表示X屬于μ的程度越高，μ(X)越接近于〇表示X屬于μ的程度 越低。
[0008] (5)隸屬函數(shù)：當(dāng)X在U中變動時，μ(X)就是一個函數(shù)，稱為μ的隸屬函數(shù)。用 取值于區(qū)間[0，1]的隸屬函數(shù)μ(X)表征X屬于μ的程度高低。使用模糊控制的過程中， 常用的隸屬函數(shù)按形狀可分為矩形、梯形三角形及曲線分布等隸屬函數(shù)。
[0009] 模糊控制主要包括模糊化、模糊推理與反模糊化三個過程。模糊化是將輸入的確 切量以適當(dāng)?shù)谋壤D(zhuǎn)換為模糊量，并利用語言變量來描述物理量。首先，求出輸入量相對于 語言變量各定性值的隸屬度，然后將輸入量進(jìn)行尺度變換，使其變換到各自論域范圍，并進(jìn) 行模糊處理，再用相應(yīng)的模糊集合表示。模糊推理是模糊控制器的關(guān)鍵，它利用模糊控制規(guī) 貝 1J，根據(jù)輸入的模糊量得出相應(yīng)的輸出模糊量。模糊規(guī)則以模糊條件句的形式，建立了狀態(tài) 變量與控制變量之間的聯(lián)系。模糊條件句一般表示為"若Α則Β"的形式，所有模糊條件句 的集合可用模糊規(guī)則表的形式表示。反模糊化是將模糊推理中產(chǎn)生的模糊量轉(zhuǎn)化為精確量 的過程，常見的反模糊化方法包括最大隸屬度值法、加權(quán)平均法、中位數(shù)法等

【發(fā)明內(nèi)容】

[0010] 基于上述的現(xiàn)有技術(shù)，本發(fā)明提出了一種提高室內(nèi)環(huán)境反向設(shè)計效率的模糊控制 方法，將模糊控制方法應(yīng)用于遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的反向設(shè)計方法，分別實現(xiàn)對反 向設(shè)計過程中的計算概率和進(jìn)化區(qū)間進(jìn)行控制。
[0011] 1.本發(fā)明提出了一種提高室內(nèi)環(huán)境反向設(shè)計效率的模糊控制方法，其特征在于， 該方法將模糊控制方法應(yīng)用于遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的反向設(shè)計方法，分別實現(xiàn)對反 向設(shè)計過程中的計算概率和進(jìn)化區(qū)間進(jìn)行控制，其中：
[0012] 所述計算概率控制的具體流程包括：
[0013] 確定模糊控制的輸入、模糊變量詞集、模糊控制規(guī)則以及隸屬函數(shù)；
[0014] 使用神經(jīng)網(wǎng)絡(luò)預(yù)測個體的設(shè)計目標(biāo)值，若設(shè)計目標(biāo)值滿足設(shè)計要求，計算模糊控 制的輸入值，即神經(jīng)網(wǎng)絡(luò)的預(yù)測成功率和目標(biāo)距離，
[0015] 預(yù)測成功率SR計算公式如下：
[0016] SR= 100%Xn(Ecfd)/η(Eann)
[0017] 其中，n(EeFD)為CFD計算值滿足設(shè)計標(biāo)準(zhǔn)的個體數(shù)量，n(EANN)為神經(jīng)網(wǎng)絡(luò)預(yù)測值 滿足設(shè)計要求的個體數(shù)量；
[0018] 目標(biāo)距離D計筧公式如下：
[0019]
[0020] 其中，η為設(shè)計目標(biāo)個數(shù)，匕為第i個設(shè)計目標(biāo)的預(yù)測值，Si為第i的設(shè)計目標(biāo)的 設(shè)計標(biāo)準(zhǔn)）；
[0021] 使用模糊控制器獲得計算概率；
[0022] 若計算概率大于0. 5,使用CFD計算當(dāng)前個體的設(shè)計目標(biāo)值；
[0023] 否則，所述計算概率控制流程結(jié)束；
[0024] 所述進(jìn)化區(qū)間控制的具體流程包括：
[0025] 確定模糊控制的輸入、模糊變量詞集、模糊控制規(guī)則以及隸屬函數(shù)；
[0026] 同時使用神經(jīng)網(wǎng)絡(luò)和CFD計算預(yù)測個體的設(shè)計目標(biāo)值，確定模糊控制的輸入值， 即獲得個體設(shè)計目標(biāo)值后，使用非支配排序方法，對所有個體進(jìn)行排序，然后按照個體的排 序結(jié)果，賦給每個個體一個0~1之間的值，此值即為虛擬適應(yīng)度值：個體越優(yōu)，虛擬適應(yīng)值 越高，個體的虛擬適應(yīng)度即為模糊控制器的輸入值；
[0027] 使用模糊控制計算各變量的進(jìn)化區(qū)間，進(jìn)化區(qū)間定義為新個體的變量區(qū)間，即變 量的可選范圍，當(dāng)個體距離目標(biāo)值越近，其進(jìn)化區(qū)間越小，距離目標(biāo)值越遠(yuǎn)，進(jìn)化區(qū)間越 大；
[0028] 利用遺傳算法的交叉變異過程，根據(jù)進(jìn)化區(qū)間確定每個新預(yù)測個體的設(shè)計變量 值：首先利用交叉變異過程確定新個體的編碼，然后根據(jù)進(jìn)化區(qū)間確定每個新個體的變化 范圍，根據(jù)個體編碼和變化范圍見的對應(yīng)關(guān)系，確定新個體的設(shè)計變量值。
[0029] 與現(xiàn)有技術(shù)中相比，本發(fā)明在反向設(shè)計方法中加入模糊控制技術(shù)，提高反向設(shè)計 方法的計算效率。
【附圖說明】
[0030] 圖1為反向設(shè)計方法流程圖。
[0031] 圖2為本發(fā)明的反向設(shè)計實施例的模型示意圖；
[0032] 圖3為計算量隨遺傳代數(shù)變化曲線。遺傳算法計算到28代時，反向設(shè)計過程收斂， 總計算量為139,即計算了 139個CFD算例；
[0033]圖4控制計算概率時，輸入變量的隸屬度分布曲線圖；
[0034] 圖5控制計算概率時，輸出變量的隸屬度分布曲線圖；
[0035] 圖6控制進(jìn)化區(qū)間時，輸入變量的隸屬度分布曲線圖；
[0036] 圖7控制進(jìn)化區(qū)間時，輸出變量的隸屬度分布曲線圖；
[0037] 圖8對計算概率和進(jìn)化區(qū)間進(jìn)行模糊后，反向設(shè)計計算量變化曲線圖。
【具體實施方式】
[0038] 以下結(jié)合附圖及【具體實施方式】，進(jìn)一步詳述本發(fā)明的技術(shù)方案。
[0039] 本發(fā)