公开(公告)号：CN116680763B

公开(公告)日：2024-05-17

申请号：CN202310700966.5

申请日：2023-06-13

Applicant: 北京大学长沙计算与数字经济研究院 ,  北京大学

Inventor： 杨超 ,  王曦立 ,  尹鹏飞 ,  张博

IPC: G06F30/10 ,  G06N3/04 ,  G06F17/13 ,  G06F111/06

Abstract: 本发明涉及形状优化方法及计算机存储介质和终端设备，包括：根据偏微分方程约束的形状待优化问题，确定状态、伴随、正则方程；构建状态、伴随、正则方程神经网络代理模型；设定优化目标初始形状，将初始形状边界离散为若干形状表征点；在当前形状内部与边界分别采样若干配置点；优化状态损失函数，更新状态方程代理模型；优化伴随损失函数，更新伴随方程代理模型；优化正则损失函数，更新正则方程代理模型；计算形状表征点对应的形状优化方向，更新当前形状；判断是否结束形状更新。本发明利用神经网络求解方程的无网格特性，突破了传统网格依赖形状优化方法的瓶颈，可用于求解不同领域的形状待优化问题。

公开(公告)号：CN116680763A

公开(公告)日：2023-09-01

申请号：CN202310700966.5

申请日：2023-06-13

Applicant: 北京大学长沙计算与数字经济研究院 ,  北京大学

Inventor： 杨超 ,  王曦立 ,  尹鹏飞 ,  张博

IPC: G06F30/10 ,  G06N3/04 ,  G06F17/13 ,  G06F111/06

Abstract: 本发明涉及形状优化方法及计算机存储介质和终端设备，包括：根据偏微分方程约束的形状待优化问题，确定状态、伴随、正则方程；构建状态、伴随、正则方程神经网络代理模型；设定优化目标初始形状，将初始形状边界离散为若干形状表征点；在当前形状内部与边界分别采样若干配置点；优化状态损失函数，更新状态方程代理模型；优化伴随损失函数，更新伴随方程代理模型；优化正则损失函数，更新正则方程代理模型；计算形状表征点对应的形状优化方向，更新当前形状；判断是否结束形状更新。本发明利用神经网络求解方程的无网格特性，突破了传统网格依赖形状优化方法的瓶颈，可用于求解不同领域的形状待优化问题。

公开(公告)号：CN115185192A

公开(公告)日：2022-10-14

申请号：CN202211117007.2

申请日：2022-09-14

Applicant: 北京大学

Inventor： 杨超 ,  尹鹏飞 ,  肖光强

IPC: G05B13/04 ,  G06N3/04 ,  G06F17/11

Abstract: 本公开的实施例提供了一种含参优化控制问题的求解方法、装置、设备以及存储介质，涉及控制系统技术领域。该方法包括：构建含参优化控制问题对应的控制函数近似解网络、状态函数近似解网络和伴随函数近似解网络，从含参优化控制问题对应的样本空间中采集样本点，根据采集到的样本点对构建的网络进行训练，以便训练完成的控制函数近似解网络、状态函数近似解网络和伴随函数近似解网络，分别输出控制函数近似解、状态函数近似解和伴随函数近似解，并将其确定为含参优化控制问题的最优解。以此方式，可以将伴随框架引入到神经网络框架中，以对含参优化控制问题进行快速求解，进而一次性求解任意参数的含参优化控制问题。