目标函数的设置PMVPD-天津大学研究生e-Learning平台.PPT

* |PMV|, PD 和空气龄加权最小值对应的送风参数为: 计算结果 V=1.38m/s, θ=32°,T=291.3K θ V * 结果分析及改进 从整个监测面来看，PMV 值、PD值和空气龄值总体都较小，都能满足设计要求。 从局部来看，脚部PD值较大，因此有必要单独分析脚部PD值变化规律 空气龄的大小如何界定尚无统一的标准，但是对空气龄要求过高会增加能耗，因此可以尝试适当放宽对空气龄的要求 基于以上的分析，PD值监测面改为脚部区域，空气龄要求范围增加到130s，重新进行座舱环境反向设计 * 参数设置 1. PMV，PD和空气龄的加权 2. σ值 初始σ值：10 σ值减小规律：前30步：σ=0.9592σ0，30步之后：σ=0.9747σ0 3. 提议分布 前30步：均匀分布，以当前点为中心±30%区间范围 30~90步：正态分布，当前参数为均值，标准差5%区间* L(i) 90步之后：似Cauchy分布 u为[0,1]之间均匀分布的随机数；[Ai,Bi]为Xi的取值范围，sgn（x）为符号函数 标准Cauchy分布与标准正态分布的对比。图中实线为标准Cauchy分布 4. fmin 初始阶段不设置fmin， 31步开始取前30步的目标函数最小值作为fmin，并且每3步将fmin改为次小值 * 计算结果 PMV,PD空气龄加权值的迭代图 温度迭代图 速度迭代图 角度迭代图 当速度的大小和角度范围在1.2~1.35 m/s， 35~50°之内,温度在 290.5~292K范围之内时，基本都满足设计要求 * 计算结果 |PMV|, PD 和空气龄加权最小值对应的送风参数为: V=1.33m/s, θ=47°,T=292K θ V 总结与展望 改进的M-H算法 模拟退火法 发展历程 Metropolis提出，Hastings推广，多种改进 Metropolis提出， Kirkpatrick推广，多种改进 提议 分布 作用 生成候选解 生成候选解 形式 均匀分布、正态分布、Cauchy分布等 均匀分布、正态分布、Cauchy分布等 接受 概率 公式 形式 f 不限于指数形式 通常含有指数形式 考虑了提议分布的影响 未考虑提议分布的影响 σ与T的对比 作用 使得接受概率渐趋严格 使得接受概率渐趋严格 物理意义 衡量目标函数的波动程度的参数 类比退火过程的温度 最差底线 有 无 并行搜索 较多 较少 * 1. 此方法与模拟退火法的比较： P * 总结与展望 几条结论 改进的Metropolis-Hastings能够较为快速准确的计算出满足要求的送风参数，但是也存在着收敛到局部最优解的可能。 监测面的选取对于计算结果影响较大，当监测面选取较大时，总体平均值容易掩盖局部较差的PMV和PD值。 MD82机舱模型中，人体周围总的PD值一般较小，但是脚部的PD值始终较大，这个问题今后将通过改变风口位置来解决 总结与展望 3. 待完善的问题： 监测区域的设置： 分成多个更小区域？ 计算较差区域的百分比 ？ 送风参数范围的精确确定： 目前只是估计的一个范围，如何提高精度？ 目标函数的设置： PMV、PD、空气龄的权重是否应该相等？ 其他目标函数？ 由串行搜索到并行搜索： 多条Markov链同时搜索？ 与遗传算法、粒子群算法等方法结合？ 如何确保得到全局最优解： 判定全局最优的标准是什么？ 与其他全局优化方法结合？ * * 谢谢！ * 整个过程分为内外循环：内循环是选择过程，决定是否接受新的候选解；外循环中，σ数值越大，D值变化引起的目标函数变化越小，所以新的候选解越容易被接受。整个过程σ不断减小，对候选解的接受要求越来越高，最终完全收敛到最优解。至于什么时机减小σ值，取决于外循环中采样的稳定性。 C A R E C A R E * * * 基于改进的Metropolis-Hastings算法的座舱环境反向设计 天津大学 尤学一 胡祥龙 * 大纲 改进的Metropolis-Hastings(M-H)算法简介 飞机座舱环境反向设计 总结与展望 * * Metropolis-Hastings(M-H)算法 基本思