本发明涉及数据处理技术领域，尤其涉及一种基于代理辅助进化算法的翼型优化方法、装置、计算机设备及存储介质。
背景技术：
进化算法又称元启发式算法，目前已被广泛应用于各种工程优化。然而，如果这些进化算法被应用于涉及计算昂贵模拟的昂贵优化问题时，计算成本将十分巨大。昂贵优化问题和普通的优化问题有很大区别，昂贵优化问题的响应函数通常是一个仿真模型，例如有限元分析(简记为fea)和计算流体动力学(简记为cfd)。
目前，将代理辅助和进化算法相结合的代理辅助进化算法在处理昂贵的优化问题上得到越来越多的关注，也就是对昂贵问题中所缺乏的样本数据点进行加点以提升样本数据点的总个数是需要重点考虑的。
常用的加点准则有poi加点准则(即基于改进概率的加点准则)，exi加点准则(即基于期望改进的加点准则)和lcb加点准则(即基于下置信界的加点准则)，这三种加点准则都在代理辅助和进化算法的应用中有效地加强代理模型的精度，从而加速算法的最终收敛。但是上述三种加点准则只是简单地使用一个单一的准则或者将多个准则组合成一个标量准则，导致在有限的数据样本中增加样本点的效果较差，而且所增加的样本点对代理模型的精度的提高较少。
技术实现要素：
本发明实施例提供了一种基于代理辅助进化算法的翼型优化方法、装置、计算机设备及存储介质，旨在解决现有技术中采用基于改进概率的加点准则、基于期望改进的加点准则或基于下置信界的加点准则在处理昂贵优化问题中的加点时，只是简单地使用一个单一的准则或者将多个准则组合成一个标量准则，导致在有限的数据样本中增加样本点的效果较差，而且所增加的样本点对代理模型的精度的提高较少的问题。
第一方面，本发明实施例提供了一种基于代理辅助进化算法的翼型优化方法，其包括：
判断是否接收到客户端发送的数据点加点请求；
若接收到客户端发送的数据点加点请求，获取样本库中的初始数据点集合，及根据初始数据点集合中数据点的总个数和预先设置的优化点总个数获取最大真实评价次数；其中，每一数据点包括机翼几何形状控制点对应的决策变量和与决策变量对应的评估值，每一决策变量为n维行向量或n维列向量；
判断所述初始数据点集合中数据点的总个数是否小于所述最大真实评价次数；
若所述初始数据点集合中数据点的总个数小于所述最大真实评价次数，以所述初始数据点集合中各数据点作为第一待训练代理模型的训练样本，得到对应的第一当前代理模型，根据所述第一当前代理模型及预设的第一个体筛选条件在根据第一类初始种群遗传进化生成的第一类最终种群进行搜索，得到的第一目标个体和第二目标个体；
将所述第一目标个体对应的数据点和所述第二目标个体对应的数据点均加入所述初始数据点集合，得到当前数据点集合；其中，所述第一目标个体对应的数据点由第一目标个体、及第一目标个体输入至预先存储的目标函数进行运算对应得到的第一真实函数值组成；所述第二目标个体对应的数据点由第二目标个体、及第二目标个体输入至所述目标函数对应得到的第二真实函数值组成；
获取所述当前数据点集合中各数据点按真实函数值进行升序排序且排序在预设的排名阈值之前的数据点以组成目标数据点集合，以目标数据点集合中各数据点作为第二待训练代理模型的训练样本，得到对应的第二当前代理模型，根据所述第二当前代理模型及预设的第二个体筛选条件在根据第二类初始种群遗传进化生成的第二类最终种群进行搜索，得到第三目标个体；
将所述第三目标个体对应的数据点加入所述当前数据点集合，得到最终数据点集合，将最终数据点集合作为初始数据点集合，返回执行判断所述初始数据点集合中数据点的总个数是否小于所述最大真实评价次数的步骤；其中，所述第三目标个体对应的数据点由第三目标个体、及第三目标个体输入至所述目标函数对应得到的第三真实函数值组成；以及
若所述初始数据点集合中数据点的总个数大于或等于所述最大真实评价次数，将所述初始数据点集合发送至所述客户端。
第二方面，本发明实施例提供了一种基于代理辅助进化算法的翼型优化装置，其包括用于执行上述第一方面所述的基于代理辅助进化算法的翼型优化方法的单元。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于代理辅助进化算法的翼型优化方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于代理辅助进化算法的翼型优化方法。
本发明实施例提供了一种基于代理辅助进化算法的翼型优化方法、装置、计算机设备及存储介质，由代理辅助和进化算法相结合并同时考虑代理模型的预测值和不确定性的方式，对有限的数据样本中快速增加数据点，而且所增加的样本点对代理模型的精度有提高。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于代理辅助进化算法的翼型优化方法的应用场景示意图；
图2为本发明实施例提供的基于代理辅助进化算法的翼型优化方法的流程示意图；
图3为本发明实施例提供的基于代理辅助进化算法的翼型优化方法的子流程示意图；
图4为本发明实施例提供的基于代理辅助进化算法的翼型优化方法的另一子流程示意图；
图5为本发明实施例提供的基于代理辅助进化算法的翼型优化方法的另一子流程示意图；
图6为本发明实施例提供的基于代理辅助进化算法的翼型优化装置的示意性框图；
图7为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的基于代理辅助进化算法的翼型优化方法的应用场景示意图；图2为本发明实施例提供的基于代理辅助进化算法的翼型优化方法的流程示意图，该基于代理辅助进化算法的翼型优化方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。
如图2所示，该方法包括步骤s110～s180。
s110、判断是否接收到客户端发送的数据点加点请求。
为了更清楚的理解本申请的技术方案，下面对所涉及到的终端进行介绍。本申请是在服务器的角度描述技术方案。
第一是客户端，客户端可以理解为用户终端，用户终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备，用户终端发送数据点加点请求至服务器。
第二是服务器，服务器接收客户端发送的数据点加点请求，以服务器中已存储的初始数据点集合为基础，通过代理模型和遗传进化算法相结合对初始数据点集合进行有选择性的加入样本点得到数据点集合。服务器中得到数据点集合发送至客户端。
在本实施例中，通过服务器检测是否接收到客户端发送的数据点加点请求，当服务器接收到客户端发送的数据点加点请求求时则执行后续的步骤s120，当服务器未接收到客户端发送的路径规划请求时则等待预设的延迟时间后再次执行步骤s110。
s120、若接收到客户端发送的数据点加点请求，获取样本库中的初始数据点集合，及根据初始数据点集合中数据点的总个数和预先设置的优化点总个数获取最大真实评价次数；其中，每一数据点包括机翼几何形状控制点对应的决策变量和与决策变量对应的评估值，每一决策变量为n维行向量或n维列向量。
在本实施例中，样本库中的初始数据点集合中的初始总个数是已知的(例如70个初始数据点)，初始数据点集合中每一个数据点包括机翼几何形状控制点对应的决策变量，例如是由一个b-样条曲线组成的14个控制点来作为机翼几何形状控制点，这14个控制点的位置组成了初始数据点集合中的一个数据点对应的决策变量。而且每一决策变量的评估值可以估计如下式(1)进行计算得到：
其中，在式(1)中fairfoil_j表示初始数据点集合第j个数据点的决策变量对应的评估值，d1j表示第j个数据点的决策变量在预先设置的流体动力学设计条件1下进行cfd模拟得到的阻力，d2j表示表示第j个数据点的决策变量在预先设置的流体动力学设计条件2下进行cfd模拟得到的阻力，l1j表示第j个数据点的决策变量在预先设置的流体动力学设计条件1下进行cfd模拟得到的升力系数，l2j表示表示第j个数据点的决策变量在预先设置的流体动力学设计条件2下进行cfd模拟得到的升力系数；
而且由于预先设置了优化点总个数(例如优化点总个数为84个)，此时由初始数据点集合中数据点的总个数与预先设置的优化点总个数之和，获取最大真实评价次数(例如最大真实评价次数＝70 84＝154)，其中获取所述最大真实评价次数是为了确定后续步骤s130-s170的迭代次数，从而将样本库中的初始数据点集合增加多个目标数据点，实现对机翼的翼型设计昂贵优化问题中数据点数量不足的缺陷进行改进。
s130、判断所述初始数据点集合中数据点的总个数是否小于所述最大真实评价次数。
在本实施例中，由于初始数据点集合中数据点的初始总个数是小于所述最大真实评价次数的，此时需要多次迭代后续的步骤s130-s170，直至若所述初始数据点集合中数据点的总个数大于或等于所述最大真实评价次数，将所述初始数据点集合发送至所述客户端。通过迭代过程不断的增加性能较好的数据点至初始数据点集合，从而实现昂贵优化问题的数据点加点。
s140、若所述初始数据点集合中数据点的总个数小于所述最大真实评价次数，以所述初始数据点集合中各数据点作为第一待训练代理模型的训练样本，得到对应的第一当前代理模型，根据所述第一当前代理模型及预设的第一个体筛选条件在根据第一类初始种群遗传进化生成的第一类最终种群进行搜索，得到的第一目标个体和第二目标个体。
在本实施例中，当所述初始数据点集合中数据点的总个数小于所述最大真实评价次数，此时需以初始数据点集合中数据点为基础，逐渐遗传进化生成多个目标数据点不断增加至初始数据点集合。
在机翼的翼形昂贵优化问题中，整个可行域的若干处子区域必然存在更加优越的解个体，所以探索可行域中有前途的搜索区域是全局搜索阶段的主要目的(也即步骤s140的主要目的)。在全局搜索阶段中，使用一个第一当前代理模型来作为全局搜索阶段的代理模型。代理模型建立之后，进化算法开始在整个可行域中进行搜索的过程中，代理模型用来得到目标个体的预测值，同时每个目标个体对应的不确定性值也被获取。
在一实施例中，所述第一待训练代理模型包括第一待训练克里斯金模型、第一待训练径向基函数模型、第一待训练多项式响应面模型；所述第一当前代理模型包括第一克里斯金模型、第一径向基函数模型、第一多项式响应面模型。
其中，所述第一克里斯金模型即第一kriging模型，所述第一待训练径向基函数模型即第一rbf模型，第一多项式响应面模型即第一pr模型，上述三个代理模型是现有的代理模型，此处对其模型表达式不再赘述。
由于第一当前代理模型包括上述3个代理模型，故为了提高代理模型的精度，某一数据点输入至第一当前代理模型的最终预测值为该数据点输入上述三个模型分别对应的预测值求加权和。
在一实施例中，步骤s140中以所述初始数据点集合中各数据点作为第一待训练代理模型的训练样本，得到对应的第一当前代理模型，包括：
将所述初始数据点集合中各数据点的决策变量作为所述第一待训练克里斯金模型的输入，将各决策变量对应的评估值作为所述第一待训练克里斯金模型的输出，对所述第一待训练克里斯金模型进行训练，得到第一克里斯金模型；
将所述初始数据点集合中各数据点的决策变量作为所述第一待训练径向基函数模型的输入，将各决策变量对应的评估值作为所述第一待训练径向基函数模型的输出，对所述第一待训练径向基函数模型进行训练，得到第一径向基函数模型；
将所述初始数据点集合中各数据点的决策变量作为所述第一待训练多项式响应面模型的输入，将各决策变量对应的评估值作为所述第一待训练多项式响应面模型的输出，对所述第一待训练多项式响应面模型进行训练，得到第一多项式响应面模型。
在本实施例中，以所述初始数据点集合中包括的所有数据点作为所述第一待训练克里斯金模型、所述第一待训练径向基函数模型、及所述第一待训练多项式响应面模型的训练样本，通过训练对应得到第一克里斯金模型、第一径向基函数模型、第一多项式响应面模型。通过上述过程，实现第一当前代理模型的获取。
在一实施例中，如图3所示，步骤s140中根据所述第一当前代理模型及预设的第一个体筛选条件在根据第一类初始种群遗传进化生成的第一类最终种群进行搜索，得到的第一目标个体和第二目标个体，包括：
s1401、根据所述初始数据点集合中决策变量的向量特征维数，以拉丁超立方体设计随机生成ng个变量解，以组成第一类初始种群；其中，每一变量解为第一类初始种群中的一个个体，每一变量解的特征维数与决策变量的特征维数相同；
s1402、获取第一类当前迭代代数，判断所述第一类当前迭代代数是否达到预设的最大迭代代数；其中，所述第一类当前迭代代数的初始值为1；
s1403、若所述第一类当前迭代代数未达到所述最大迭代代数，对所述第一类初始种群进行模拟二进制交叉和多项式变异，得到与所述第一类初始种群有相同个体总个数的第一类子种群；
s1404、将所述第一类初始种群与所述第一类子种群进行合并，得到第一类混合种群；
s1405、将所述第一类混合种群中的每一个个体均输入至所述第一当前代理模型，得到与所述第一类混合种群中的每一个个体对应的预测值，根据所述第一类混合种群中的每一个个体对应的预测值获取每一个个体对应的不确定性值；
s1406、将所述第一类混合种群中的每一个个体根据对应的不确定性值进行升序排序，得到第一类排序后混合种群；
s1407、根据预设的分组数量q，将所述第一类排序后混合种群进行平均划分，得到q组第一类子混合种群；其中，q＝ng；
s1408、分别获取q组第一类子混合种群中每一组子混合种群中不确定性值为最小值的个体，以组成第一类当前种群，将所述第一类当前种群作为第一类初始种群；
s1409、将所述第一类当前迭代代数加一以作为第一类当前迭代代数，返回执行步骤s1402；
s1410、若所述第一类当前迭代代数达到所述最大迭代代数，将所述第一类初始种群作为所述第一类最终种群，获取所述第一类最终种群中预测值最小的个体以作为第一目标个体，并获取所述第一类最终种群中不确定性值最大的个体以作为第二目标个体。
在本实施例中，由于所述初始数据点集合中决策变量的向量特征维数是已知的，为了生成多个个体的特征维数与所述决策变量的向量特征维数相同，可以参考决策变量的向量特征维数，通过拉丁超立方体设计随机生成ng个变量解(其中ng的取值为正整数)。
其中，拉丁超立方体设计即拉丁超立方体抽样(即要在n维向量空间里抽取m个样本)，通过这一方式能随机生成多个变量解，以组成第一类初始种群。其中每一变量解为第一类初始种群中的一个个体，每一变量解的特征维数与决策变量的特征维数相同。通过初始化随机生成多个变量解，是为了以此为进化生成性能更佳的目标个体。
当获取了第一类初始种群后，可以多次迭代执行步骤s1402-s1409，直至所述第一类当前迭代代数达到所述最大迭代代数，将多次迭代后的第一类初始种群作为所述第一类最终种群，获取所述第一类最终种群中预测值最小的个体以作为第一目标个体，并获取所述第一类最终种群中不确定性值最大的个体以作为第二目标个体。
在上述种群进化的过程中，采用了模拟二进制交叉和多项式变异，第一类子种群的生成是每次随机从第一类当前种群中选择两个个体进行模拟二进制交叉，直到交叉得到ng个第一类新个体，再根据变异概率和多项式变异对ng个第一类新个体进行变异，得到ng个多项式变异后第一类新个体，这ng个多项式变异后第一类新个体组成第一类子种群。此处多次随机在第一类当前种群中挑选两个个体进行二进制交叉的过程也类似于一种迭代过程，直到新个体数达到第一类初始种群对应的种群大小ng，才停止上述多次二进制交叉的处理过程。另外，二进制交叉和多项式变异均为常规处理过程，此处不再赘述。
在根据所述第一类初始种群得到第一类子种群，且将两者进行混合得到第一类混合种群后(该第一类混合种群中个体的总个数为2ng)，此时将第一类混合种群中的每一个体输入至所述第一当前代理模型，得到与所述第一类混合种群中的每一个个体对应的预测值，根据所述第一类混合种群中的每一个个体对应的预测值获取每一个个体对应的不确定性值。获取所述第一类混合种群中的每一个个体对应的预测值，及每一个个体对应的不确定性值，也是便于将上述两个值作为挑选目标数据点(也即目标个体)的参考参数值。
之后将所述第一类混合种群中的每一个个体根据对应的不确定性值进行升序排序，得到第一类排序后混合种群，此时第一类排序后混合种群中根据预设的分组数量q进行划分，由于该第一类排序后混合种群中个体的总个数为2ng，故划分的q组第一类子混合种群中每一组第一类子混合种群所包括的个体个数为2ng/q。较佳的，将q的取值设置为ng，则每一组第一类子混合种群所包括的个体个数为2，此时从每一组第一类子混合种群所包括的2个个体中均挑选出不确定性值为最小值的个体，从而重新组成包括ng个个体的第一类当前种群。此时第一类初始种群经过一次迭代后，若所述第一类当前迭代代数加一后未达到所述最大迭代代数，则重复执行步骤s1403-s1409多次，直至所述第一类当前迭代代数达到所述最大迭代代数，将最终的所述第一类初始种群作为所述第一类最终种群。此时，获取所述第一类最终种群中预测值最小的个体以作为第一目标个体，并获取所述第一类最终种群中不确定性值最大的个体以作为第二目标个体。
在一实施例中，如图4所示，步骤s1405中将所述第一类混合种群中的每一个个体均输入至所述第一当前代理模型，得到与所述第一类混合种群中的每一个个体对应的预测值，包括：
s14051、将所述第一类混合种群中的每一个个体均输入至所述第一克里斯金模型，得到与所述第一类混合种群中的每一个个体对应的第一子类型预测值；
s14052、将所述第一类混合种群中的每一个个体均输入至所述第一径向基函数模型，得到与所述第一类混合种群中的每一个个体对应的第二子类型预测值；
s14053、将所述第一类混合种群中的每一个个体均输入至所述第一多项式响应面模型，得到与所述第一类混合种群中的每一个个体对应的第三子类型预测值；
s14054、获取所述第一克里斯金模型对应的第一权重值，获取所述第一径向基函数模型对应的第二权重值，并获取所述第一多项式响应面模型对应的第三权重值；
s14055、调用预先存储的预测值权值求和模型获取所述混合种群中每一个体对应的预测值；所述预测值权值求和模型为：
其中，
在本实施例中，在计算所述第一类混合种群中的每一个个体对应的预测值时，是先计算该个体分别输入至所述第一克里斯金模型、所述第一径向基函数模型及所述多项式响应面模型后，分别对应得到的与该个体对应的第一子类型预测值、第二子类型预测值、及第三子类型预测值。此时对该个体对应的第一子类型预测值、第二子类型预测值、及第三子类型预测值进行加权求和，即可得到该个体对应的预测值，具体计算过程参照步骤s14055。而且通过加权求和之一方式，能使得该个体输入至所述第一当前代理模型得到的预测值准确度更高，便于后续以预测值为标准筛选出性能较佳的个体作为目标个体。
在一实施例中，步骤s1405中根据所述第一类混合种群中的每一个个体对应的预测值获取每一个个体对应的不确定性值，包括：
重复执行获取所述第一类混合种群中的个体xi对应的第一子类型预测值
在本实施例中，获取所述第一类混合种群中的每一个个体对应的不确定性值时以获取其中一个个体x1为例，是先获取个体x1对应的第一子类型预测值
s150、将所述第一目标个体对应的数据点和所述第二目标个体对应的数据点均加入所述初始数据点集合，得到当前数据点集合；其中，所述第一目标个体对应的数据点由第一目标个体、及第一目标个体输入至预先存储的目标函数进行运算对应得到的第一真实函数值组成；所述第二目标个体对应的数据点由第二目标个体、及第二目标个体输入至所述目标函数对应得到的第二真实函数值组成。
在本实施例中，由于初始数据点集合中的每一数据点都包括决策变量和与决策变量对应的评估值，故在获取了所述第一目标个体和所述第二目标个体后，分别计算第一目标个体输入至预先存储的目标函数进行运算对应得到的第一真实函数值、和第二目标个体输入至所述目标函数对应得到的第二真实函数值，由第一目标个体及第一真实函数值组成所述第一目标个体对应的数据点，由第二目标个体及第二真实函数值组成所述第二目标个体对应的数据点。
当在初始数据点集合中加入了所述第一目标个体对应的数据点和所述第二目标个体对应的数据点后，若总数据点个数还是小于所述最大真实评价次数，此时还需执行步骤s160及其之后的步骤，直至所述初始数据点集合中数据点的总个数大于或等于所述最大真实评价次数，将所述初始数据点集合发送至所述客户端。通过步骤s140-s150，实现了在第一类最终种群快速筛选得到第一目标个体和第二目标个体，这两个个体对应的数据点可作为此轮迭代结束后被选中的两个数据点增加至所述初始数据点集合，得到当前数据点集合。
s160、获取所述当前数据点集合中各数据点按真实函数值进行升序排序且排序在预设的排名阈值之前的数据点以组成目标数据点集合，以目标数据点集合中各数据点作为第二待训练代理模型的训练样本，得到对应的第二当前代理模型，根据所述第二当前代理模型及预设的第二个体筛选条件在根据第二类初始种群遗传进化生成的第二类最终种群进行搜索，得到第三目标个体。
在本实施例中，当通过全局搜索完成了对所述初始数据点集合的第一轮数据点加点过程后，此时再通过局部搜索的方式完成对所述当前数据点集合的第二轮数据点加点过程，从而得到此轮迭代过程结束后的最终数据点集合。
在一实施例中，如图5所示，步骤s160包括：
s1601、调用预先存储的第二待训练径向基函数模型以作为所述第二当前代理模型；
s1602、将所述目标数据点集合中各数据点对应的决策变量作为所述第二待训练径向基函数模型的输入，将各决策变量对应的评估值作为所述第二待训练径向基函数模型的输出，对所述第二待训练径向基函数模型进行训练，得到第二径向基函数模型，以将所述第二径向基函数模型作为所述第二当前代理模型；
s1603、获取所述目标数据点集合中各数据点对应的决策变量，以组成第二类初始种群；其中，所述目标数据点集合中每一数据点对应的决策变量与所述第二类初始种群中的一个个体相对应；
s1604、获取第二类当前迭代代数，判断所述第二类当前迭代代数是否达到预设的最大迭代代数；其中，所述第二类当前迭代代数的初始值为1；
s1605、若所述第二类当前迭代代数未达到所述最大迭代代数，对所述第二类初始种群进行模拟二进制交叉和多项式变异，得到与所述第二类初始种群有相同个体总个数的第二类子种群；
s1606、将所述第二类初始种群与所述第二类子种群进行合并，得到第二类混合种群；
s1607、将所述第二类混合种群中的每一个个体均输入至所述第二径向基函数模型，得到与所述第二类混合种群中的每一个个体对应的预测值；
s1608、将所述第二类混合种群中的每一个个体根据对应的预测值进行升序排序，得到排序后第二类混合种群；
s1609、获取所述排序后第二类混合种群中排序在所述排名阈值之前的个体，以组成第二类当前种群，将所述第二类当前种群作为第二类初始种群；
s1610、将所述第二类当前迭代代数加一以作为第二类当前迭代代数，返回执行步骤s1604；
s1611、若所述第二类当前迭代代数达到所述最大迭代代数，将所述第二类初始种群作为所述第二类最终种群，获取所述第二类最终种群中预测值最小的个体以作为第三目标个体。
在本实施例中，通过局部搜索的方式在所述当前数据点集合中搜索满足第二个体筛选条件的第三目标个体。
获取第三目标个体的具体过程中，先是获取所述当前数据点集合中各数据点按真实函数值进行升序排序、且排序在预设的排名阈值之前的数据点以组成目标数据点集合，然后以所述目标数据点集合中各数据点对应的决策变量，组成第二类初始种群。
获取了第二类初始种群后，可以多次迭代执行步骤s1604-s1611，直至所述第二类当前迭代代数达到所述最大迭代代数，将多次迭代后的第二类初始种群作为所述第二类最终种群，获取所述第二类最终种群中预测值最小的个体以作为第三目标个体。
在一实施例中，步骤s1605中包括：
在所述第二类初始种群中任意挑选两个个体以依次进行二进制交叉，直到生成m个交叉处理后第二类新个体，对m个交叉处理后第二类新个体进行多项式变异，由多项式变异后的第二类新个体组成第二类子种群；其中，m＝所述排名阈值-1。
其中，在上述种群进化的过程中，采用了模拟二进制交叉和多项式变异，第二类子种群的生成是每次随机从第二类当前种群中选择两个个体进行模拟二进制交叉，直到交叉得到m个交叉处理后第二类新个体(其中m的取值为正整数)，再根据变异概率和多项式变异对m个第交叉处理后第二类新个体进行变异，得到m个多项式变异后第二类新个体，这m个多项式变异后第二类新个体组成第二类子种群。此处多次随机在第二类当前种群中挑选两个个体进行二进制交叉的过程也类似于一种迭代过程，直到新个体数达到第二类初始种群对应的第二种群大小m，才停止上述多次二进制交叉的处理过程。
在根据所述第二类初始种群得到第二类子种群，且将两者进行混合得到第二类混合种群后(该第二类混合种群中个体的总个数为2m)，此时将第二类混合种群中的每一个体输入至所述第二当前代理模型，得到与所述第二类混合种群中的每一个个体对应的预测值。获取所述第二类混合种群中的每一个个体对应的预测值，也是便于将预测值作为挑选目标数据点(也即目标个体)的参考参数值。
之后将所述第二类混合种群中的每一个个体根据对应的预测值进行升序排序，得到第二类排序后混合种群，此时在第二类排序后混合种群中获取排序在所述排名阈值之前的个体，以组成第二类当前种群，从而重新组成包括m个个体的第二类当前种群。此时第二类初始种群经过一次迭代后，若所述第二类当前迭代代数加一后未达到所述最大迭代代数，则重复执行步骤s1604-s1611多次，直至所述第二类当前迭代代数达到所述最大迭代代数，将最终的所述第二类初始种群作为所述第二类最终种群。此时，获取所述第二类最终种群中预测值最小的个体以作为第三目标个体。
s170、将所述第三目标个体对应的数据点加入所述当前数据点集合，得到最终数据点集合，将最终数据点集合作为初始数据点集合，返回执行步骤s130；其中，所述第三目标个体对应的数据点由第三目标个体、及第三目标个体输入至所述目标函数对应得到的第三真实函数值组成。
在本实施例中，当在当前数据点集合中加入了所述第三目标个体对应的数据点后，若总数据点个数还是小于所述最大真实评价次数，此时还需执行步骤返回执行步骤s120及其之后的步骤，直至所述初始数据点集合中数据点的总个数大于或等于所述最大真实评价次数，将所述初始数据点集合发送至所述客户端。通过步骤s160-s170，实现了在第二类最终种群快速筛选得到第三目标个体，这一第三目标个体对应的数据点可作为此轮迭代结束后被选中的一个数据点增加至所述当前数据点集合，得到最终数据点集合，并将最终数据点集合在此轮迭代结束后更新作为新的初始数据点集合，返回执行步骤s120。
s180、若所述初始数据点集合中数据点的总个数大于或等于所述最大真实评价次数，将所述初始数据点集合发送至所述客户端。
在本实施例中，当在服务器中完成了初始数据点集合的获取之后，即可发送至客户端。客户端可根据多次迭代后最终状态的初始数据点集合中更多个数的数据点进一步进行机翼的翼形优化。
该方法实现了由代理辅助和进化算法相结合并同时考虑代理模型的预测值和不确定性的方式，对有限的数据样本中快速增加数据点，而且所增加的样本点对代理模型的精度有提高。
本发明实施例还提供一种基于代理辅助进化算法的翼型优化装置，该基于代理辅助进化算法的翼型优化装置用于执行前述基于代理辅助进化算法的翼型优化方法的任一实施例。具体地，请参阅图6，图6是本发明实施例提供的基于代理辅助进化算法的翼型优化装置的示意性框图。该基于代理辅助进化算法的翼型优化装置100可以被配置于服务器中。
如图6所示，基于代理辅助进化算法的翼型优化装置100包括加点请求检测单元110、初始数据点集合获取单元120、数据点总个数判断单元130、全局搜索单元140、第一轮加点单元150、局部搜索单元160、第二轮加点单元170、及加点后集合发送单元180。
其中，加点请求检测单元110，用于判断是否接收到客户端发送的数据点加点请求。
初始数据点集合获取单元120，用于若接收到客户端发送的数据点加点请求，获取样本库中的初始数据点集合，及根据初始数据点集合中数据点的总个数和预先设置的优化点总个数获取最大真实评价次数；其中，每一数据点包括机翼几何形状控制点对应的决策变量和与决策变量对应的评估值，每一决策变量为n维行向量或n维列向量。
数据点总个数判断单元130，用于判断所述初始数据点集合中数据点的总个数是否小于所述最大真实评价次数。
全局搜索单元140，用于若所述初始数据点集合中数据点的总个数小于所述最大真实评价次数，以所述初始数据点集合中各数据点作为第一待训练代理模型的训练样本，得到对应的第一当前代理模型，根据所述第一当前代理模型及预设的第一个体筛选条件在根据第一类初始种群遗传进化生成的第一类最终种群进行搜索，得到的第一目标个体和第二目标个体。
在一实施例中，所述第一待训练代理模型包括第一待训练克里斯金模型、第一待训练径向基函数模型、第一待训练多项式响应面模型；所述第一当前代理模型包括第一克里斯金模型、第一径向基函数模型、第一多项式响应面模型。
在一实施例中，所述全局搜索单元140，包括：
第一代理模型训练单元，用于将所述初始数据点集合中各数据点的决策变量作为所述第一待训练克里斯金模型的输入，将各决策变量对应的评估值作为所述第一待训练克里斯金模型的输出，对所述第一待训练克里斯金模型进行训练，得到第一克里斯金模型；
第二代理模型训练单元，用于将所述初始数据点集合中各数据点的决策变量作为所述第一待训练径向基函数模型的输入，将各决策变量对应的评估值作为所述第一待训练径向基函数模型的输出，对所述第一待训练径向基函数模型进行训练，得到第一径向基函数模型；
第三代理模型训练单元，用于将所述初始数据点集合中各数据点的决策变量作为所述第一待训练多项式响应面模型的输入，将各决策变量对应的评估值作为所述第一待训练多项式响应面模型的输出，对所述第一待训练多项式响应面模型进行训练，得到第一多项式响应面模型。
在一实施例中，所述全局搜索单元140，还包括：
第一类初始种群生成单元，用于根据所述初始数据点集合中决策变量的向量特征维数，以拉丁超立方体设计随机生成ng个变量解，以组成第一类初始种群；其中，每一变量解为第一类初始种群中的一个个体，每一变量解的特征维数与决策变量的特征维数相同；
第一类当前迭代代数判断单元，用于获取第一类当前迭代代数，判断所述第一类当前迭代代数是否达到预设的最大迭代代数；其中，所述第一类当前迭代代数的初始值为1；
第一类种群交叉变异单元，用于若所述第一类当前迭代代数未达到所述最大迭代代数，对所述第一类初始种群进行模拟二进制交叉和多项式变异，得到与所述第一类初始种群有相同个体总个数的第一类子种群；
第一类混合种群获取单元，用于将所述第一类初始种群与所述第一类子种群进行合并，得到第一类混合种群；
第一类参数获取单元，用于将所述第一类混合种群中的每一个个体均输入至所述第一当前代理模型，得到与所述第一类混合种群中的每一个个体对应的预测值，根据所述第一类混合种群中的每一个个体对应的预测值获取每一个个体对应的不确定性值；
第一类排序单元，用于将所述第一类混合种群中的每一个个体根据对应的不确定性值进行升序排序，得到第一类排序后混合种群；
第一类种群划分单元，用于根据预设的分组数量q，将所述第一类排序后混合种群进行平均划分，得到q组第一类子混合种群；其中，q＝ng；
第一类种群筛选单元，用于分别获取q组第一类子混合种群中每一组子混合种群中不确定性值为最小值的个体，以组成第一类当前种群，将所述第一类当前种群作为第一类初始种群；
第一类当前迭代代数二次判断单元，用于将所述第一类当前迭代代数加一以作为第一类当前迭代代数，返回执行获取第一类当前迭代代数，判断所述第一类当前迭代代数是否达到预设的最大迭代代数的步骤；
第一类目标个体获取单元，用于若所述第一类当前迭代代数达到所述最大迭代代数，将所述第一类初始种群作为所述第一类最终种群，获取所述第一类最终种群中预测值最小的个体以作为第一目标个体，并获取所述第一类最终种群中不确定性值最大的个体以作为第二目标个体。
在一实施例中，所述第一类参数获取单元，包括：
第一子类型预测值获取单元，用于将所述第一类混合种群中的每一个个体均输入至所述第一克里斯金模型，得到与所述第一类混合种群中的每一个个体对应的第一子类型预测值；
第二子类型预测值获取单元，用于将所述第一类混合种群中的每一个个体均输入至所述第一径向基函数模型，得到与所述第一类混合种群中的每一个个体对应的第二子类型预测值；
第三子类型预测值获取单元，用于将所述第一类混合种群中的每一个个体均输入至所述第一多项式响应面模型，得到与所述第一类混合种群中的每一个个体对应的第三子类型预测值；
权重值获取单元，用于获取所述第一克里斯金模型对应的第一权重值，获取所述第一径向基函数模型对应的第二权重值，并获取所述第一多项式响应面模型对应的第三权重值；
权重求和单元，用于调用预先存储的预测值权值求和模型获取所述混合种群中每一个体对应的预测值；所述预测值权值求和模型为：
其中，
在一实施例中，所述第一类种群交叉变异单元，还用于：
重复执行获取所述第一类混合种群中的个体xi对应的第一子类型预测值
第一轮加点单元150，用于将所述第一目标个体对应的数据点和所述第二目标个体对应的数据点均加入所述初始数据点集合，得到当前数据点集合；其中，所述第一目标个体对应的数据点由第一目标个体、及第一目标个体输入至预先存储的目标函数进行运算对应得到的第一真实函数值组成；所述第二目标个体对应的数据点由第二目标个体、及第二目标个体输入至所述目标函数对应得到的第二真实函数值组成。
局部搜索单元160，用于获取所述当前数据点集合中各数据点按真实函数值进行升序排序且排序在预设的排名阈值之前的数据点以组成目标数据点集合，以目标数据点集合中各数据点作为第二待训练代理模型的训练样本，得到对应的第二当前代理模型，根据所述第二当前代理模型及预设的第二个体筛选条件在根据第二类初始种群遗传进化生成的第二类最终种群进行搜索，得到第三目标个体。
在一实施例中，所述局部搜索单元160，包括：
第四代理模型获取单元，用于调用预先存储的第二待训练径向基函数模型以作为所述第二当前代理模型；
第四代理模型训练单元，用于将所述目标数据点集合中各数据点对应的决策变量作为所述第二待训练径向基函数模型的输入，将各决策变量对应的评估值作为所述第二待训练径向基函数模型的输出，对所述第二待训练径向基函数模型进行训练，得到第二径向基函数模型，以将所述第二径向基函数模型作为所述第二当前代理模型；
第二类初始种群生成单元，用于获取所述目标数据点集合中各数据点对应的决策变量，以组成第二类初始种群；其中，所述目标数据点集合中每一数据点对应的决策变量与所述第二类初始种群中的一个个体相对应；
第二类当前迭代代数判断单元，用于获取第二类当前迭代代数，判断所述第二类当前迭代代数是否达到预设的最大迭代代数；其中，所述第二类当前迭代代数的初始值为1；
第二类种群交叉变异单元，用于若所述第二类当前迭代代数未达到所述最大迭代代数，对所述第二类初始种群进行模拟二进制交叉和多项式变异，得到与所述第二类初始种群有相同个体总个数的第二类子种群；
第二类混合种群获取单元，用于将所述第二类初始种群与所述第二类子种群进行合并，得到第二类混合种群；
第二类参数获取单元，用于将所述第二类混合种群中的每一个个体均输入至所述第二径向基函数模型，得到与所述第二类混合种群中的每一个个体对应的预测值；
第二类排序单元，用于将所述第二类混合种群中的每一个个体根据对应的预测值进行升序排序，得到排序后第二类混合种群；
第二类种群筛选单元，用于获取所述排序后第二类混合种群中排序在所述排名阈值之前的个体，以组成第二类当前种群，将所述第二类当前种群作为第二类初始种群；
第二类当前迭代代数二次判断单元，用于将所述第二类当前迭代代数加一以作为第二类当前迭代代数，返回执行所述获取第二类当前迭代代数，判断所述第二类当前迭代代数是否达到预设的最大迭代代数的步骤；
第二类目标个体获取单元，用于若所述第二类当前迭代代数达到所述最大迭代代数，将所述第二类初始种群作为所述第二类最终种群，获取所述第二类最终种群中预测值最小的个体以作为第三目标个体。
第二轮加点单元170，用于将所述第三目标个体对应的数据点加入所述当前数据点集合，得到最终数据点集合，将最终数据点集合作为初始数据点集合，返回执行判断所述初始数据点集合中数据点的总个数是否小于所述最大真实评价次数的步骤；其中，所述第三目标个体对应的数据点由第三目标个体、及第三目标个体输入至所述目标函数对应得到的第三真实函数值组成。
加点后集合发送单元180，用于若所述初始数据点集合中数据点的总个数大于或等于所述最大真实评价次数，将所述初始数据点集合发送至所述客户端。
该装置实现了由代理辅助和进化算法相结合并同时考虑代理模型的预测值和不确定性的方式，对有限的数据样本中快速增加数据点，而且所增加的样本点对代理模型的精度有提高。
上述基于代理辅助进化算法的翼型优化装置可以实现为计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图7，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于代理辅助进化算法的翼型优化方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于代理辅助进化算法的翼型优化方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图7中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于代理辅助进化算法的翼型优化方法。
本领域技术人员可以理解，图7中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图7所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的基于代理辅助进化算法的翼型优化方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
1.一种基于代理辅助进化算法的翼型优化方法，其特征在于，包括：
判断是否接收到客户端发送的数据点加点请求；
若接收到客户端发送的数据点加点请求，获取样本库中的初始数据点集合，及根据初始数据点集合中数据点的总个数和预先设置的优化点总个数获取最大真实评价次数；其中，每一数据点包括机翼几何形状控制点对应的决策变量和与决策变量对应的评估值，每一决策变量为n维行向量或n维列向量；
判断所述初始数据点集合中数据点的总个数是否小于所述最大真实评价次数；
若所述初始数据点集合中数据点的总个数小于所述最大真实评价次数，以所述初始数据点集合中各数据点作为第一待训练代理模型的训练样本，得到对应的第一当前代理模型，根据所述第一当前代理模型及预设的第一个体筛选条件在根据第一类初始种群遗传进化生成的第一类最终种群进行搜索，得到的第一目标个体和第二目标个体；
将所述第一目标个体对应的数据点和所述第二目标个体对应的数据点均加入所述初始数据点集合，得到当前数据点集合；其中，所述第一目标个体对应的数据点由第一目标个体、及第一目标个体输入至预先存储的目标函数进行运算对应得到的第一真实函数值组成；所述第二目标个体对应的数据点由第二目标个体、及第二目标个体输入至所述目标函数对应得到的第二真实函数值组成；
获取所述当前数据点集合中各数据点按真实函数值进行升序排序且排序在预设的排名阈值之前的数据点以组成目标数据点集合，以目标数据点集合中各数据点作为第二待训练代理模型的训练样本，得到对应的第二当前代理模型，根据所述第二当前代理模型及预设的第二个体筛选条件在根据第二类初始种群遗传进化生成的第二类最终种群进行搜索，得到第三目标个体；
将所述第三目标个体对应的数据点加入所述当前数据点集合，得到最终数据点集合，将最终数据点集合作为初始数据点集合，返回执行判断所述初始数据点集合中数据点的总个数是否小于所述最大真实评价次数的步骤；其中，所述第三目标个体对应的数据点由第三目标个体、及第三目标个体输入至所述目标函数对应得到的第三真实函数值组成；以及
若所述初始数据点集合中数据点的总个数大于或等于所述最大真实评价次数，将所述初始数据点集合发送至所述客户端。
2.根据权利要求1所述的基于代理辅助进化算法的翼型优化方法，其特征在于，所述第一待训练代理模型包括第一待训练克里斯金模型、第一待训练径向基函数模型、第一待训练多项式响应面模型；所述第一当前代理模型包括第一克里斯金模型、第一径向基函数模型、第一多项式响应面模型；
所述以所述初始数据点集合中各数据点作为第一待训练代理模型的训练样本，得到对应的第一当前代理模型，包括：
将所述初始数据点集合中各数据点的决策变量作为所述第一待训练克里斯金模型的输入，将各决策变量对应的评估值作为所述第一待训练克里斯金模型的输出，对所述第一待训练克里斯金模型进行训练，得到第一克里斯金模型；
将所述初始数据点集合中各数据点的决策变量作为所述第一待训练径向基函数模型的输入，将各决策变量对应的评估值作为所述第一待训练径向基函数模型的输出，对所述第一待训练径向基函数模型进行训练，得到第一径向基函数模型；
将所述初始数据点集合中各数据点的决策变量作为所述第一待训练多项式响应面模型的输入，将各决策变量对应的评估值作为所述第一待训练多项式响应面模型的输出，对所述第一待训练多项式响应面模型进行训练，得到第一多项式响应面模型。
3.根据权利要求2所述的基于代理辅助进化算法的翼型优化方法，其特征在于，所述根据所述第一当前代理模型及预设的第一个体筛选条件在根据第一类初始种群遗传进化生成的第一类最终种群进行搜索，得到的第一目标个体和第二目标个体，包括：
根据所述初始数据点集合中决策变量的向量特征维数，以拉丁超立方体设计随机生成ng个变量解，以组成第一类初始种群；其中，每一变量解为第一类初始种群中的一个个体，每一变量解的特征维数与决策变量的特征维数相同；
获取第一类当前迭代代数，判断所述第一类当前迭代代数是否达到预设的最大迭代代数；其中，所述第一类当前迭代代数的初始值为1；
若所述第一类当前迭代代数未达到所述最大迭代代数，对所述第一类初始种群进行模拟二进制交叉和多项式变异，得到与所述第一类初始种群有相同个体总个数的第一类子种群；
将所述第一类初始种群与所述第一类子种群进行合并，得到第一类混合种群；
将所述第一类混合种群中的每一个个体均输入至所述第一当前代理模型，得到与所述第一类混合种群中的每一个个体对应的预测值，根据所述第一类混合种群中的每一个个体对应的预测值获取每一个个体对应的不确定性值；
将所述第一类混合种群中的每一个个体根据对应的不确定性值进行升序排序，得到第一类排序后混合种群；
根据预设的分组数量q，将所述第一类排序后混合种群进行平均划分，得到q组第一类子混合种群；其中，q＝ng；
分别获取q组第一类子混合种群中每一组子混合种群中不确定性值为最小值的个体，以组成第一类当前种群，将所述第一类当前种群作为第一类初始种群；
将所述第一类当前迭代代数加一以作为第一类当前迭代代数，返回执行判断所述第一类当前迭代代数是否达到预设的最大迭代代数的步骤；
若所述第一类当前迭代代数达到所述最大迭代代数，将所述第一类初始种群作为所述第一类最终种群，获取所述第一类最终种群中预测值最小的个体以作为第一目标个体，并获取所述第一类最终种群中不确定性值最大的个体以作为第二目标个体。
4.根据权利要求3所述的基于代理辅助进化算法的翼型优化方法，其特征在于，所述将所述第一类混合种群中的每一个个体均输入至所述第一当前代理模型，得到与所述第一类混合种群中的每一个个体对应的预测值，包括：
将所述第一类混合种群中的每一个个体均输入至所述第一克里斯金模型，得到与所述第一类混合种群中的每一个个体对应的第一子类型预测值；
将所述第一类混合种群中的每一个个体均输入至所述第一径向基函数模型，得到与所述第一类混合种群中的每一个个体对应的第二子类型预测值；
将所述第一类混合种群中的每一个个体均输入至所述第一多项式响应面模型，得到与所述第一类混合种群中的每一个个体对应的第三子类型预测值；
获取所述第一克里斯金模型对应的第一权重值，获取所述第一径向基函数模型对应的第二权重值，并获取所述第一多项式响应面模型对应的第三权重值；
调用预先存储的预测值权值求和模型获取所述混合种群中每一个体对应的预测值；所述预测值权值求和模型为：
其中，
5.根据权利要求4所述的基于代理辅助进化算法的翼型优化方法，其特征在于，所述根据所述第一类混合种群中的每一个个体对应的预测值获取每一个个体对应的不确定性值，包括：
重复执行获取所述第一类混合种群中的个体xi对应的第一子类型预测值
6.根据权利要求3所述的基于代理辅助进化算法的翼型优化方法，其特征在于，所述以目标数据点集合中各数据点作为第二待训练代理模型的训练样本，得到对应的第二当前代理模型，根据所述第二当前代理模型及预设的第二个体筛选条件在根据第二类初始种群遗传进化生成的第二类最终种群进行搜索，得到第三目标个体，包括：
调用预先存储的第二待训练径向基函数模型以作为所述第二当前代理模型；
将所述目标数据点集合中各数据点对应的决策变量作为所述第二待训练径向基函数模型的输入，将各决策变量对应的评估值作为所述第二待训练径向基函数模型的输出，对所述第二待训练径向基函数模型进行训练，得到第二径向基函数模型，以将所述第二径向基函数模型作为所述第二当前代理模型；
获取所述目标数据点集合中各数据点对应的决策变量，以组成第二类初始种群；其中，所述目标数据点集合中每一数据点对应的决策变量与所述第二类初始种群中的一个个体相对应；
获取第二类当前迭代代数，判断所述第二类当前迭代代数是否达到预设的最大迭代代数；其中，所述第二类当前迭代代数的初始值为1；
若所述第二类当前迭代代数未达到所述最大迭代代数，对所述第二类初始种群进行模拟二进制交叉和多项式变异，得到与所述第二类初始种群有相同个体总个数的第二类子种群；
将所述第二类初始种群与所述第二类子种群进行合并，得到第二类混合种群；
将所述第二类混合种群中的每一个个体均输入至所述第二径向基函数模型，得到与所述第二类混合种群中的每一个个体对应的预测值；
将所述第二类混合种群中的每一个个体根据对应的预测值进行升序排序，得到排序后第二类混合种群；
获取所述排序后第二类混合种群中排序在所述排名阈值之前的个体，以组成第二类当前种群，将所述第二类当前种群作为第二类初始种群；
将所述第二类当前迭代代数加一以作为第二类当前迭代代数，返回执行判断所述第二类当前迭代代数是否达到预设的最大迭代代数的步骤；
若所述第二类当前迭代代数达到所述最大迭代代数，将所述第二类初始种群作为所述第二类最终种群，获取所述第二类最终种群中预测值最小的个体以作为第三目标个体。
7.根据权利要求6所述的基于代理辅助进化算法的翼型优化方法，其特征在于，所述对所述第二类初始种群进行模拟二进制交叉和多项式变异，得到与所述第二类初始种群有相同个体总个数的第二类子种群，包括：
在所述第二类初始种群中任意挑选两个个体以依次进行二进制交叉，直到生成m个交叉处理后第二类新个体，对m个交叉处理后第二类新个体进行多项式变异，由多项式变异后的第二类新个体组成第二类子种群；其中，m＝所述排名阈值-1。
8.一种基于代理辅助进化算法的翼型优化装置，其特征在于，包括用于执行如权利要求1至7任一项所述的基于代理辅助进化算法的翼型优化方法的单元。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于代理辅助进化算法的翼型优化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于代理辅助进化算法的翼型优化方法。
技术总结