智能设计方法 第7章 智能设计方法的应用技术.ppt

3模糊逻辑在智能设计中的应用单级评价模型的建立标??在指标集中的重要地位。在??与??求出之后，则评判模型为：

??=????(7-15)

式中：“。”表示矩阵乘法运算；????为向量??的第??个分量，也即模糊综合评价中对j个评语的隶属度，记??=??1,??2,,????，它是一个模糊子集，其中：

????=?????=1????∧??????,??=1,2,,??(7-16)3模糊逻辑在智能设计中的应用电机设计方案评价实例对一台高速主轴电机初始设计的结果进行评价。该电机P=3.5kW，U=350V，f=1000Hz，2极机。经过概念设计过程得到一个初始设计方案，下面按上述方法首先对各子目标进行评价，结果如表7-8所示。

表7-8电机设计方案单目标评价结果

在此基础上再进行综合评价,结果如表7-9所示。由表7-9可以看出此方案应判定为合格方案。可以在此基础上进一步进行优化设计。

表7-9电机设计方案综合评价结果谢谢#多保真度代理模型torch.nn.ELU(),#修正self.HFM=torch.nn.Sequential(torch.nn.Linear(2,4),torch.nn.ELU(),torch.nn.Linear(4,1))defforward(self,x1):y1=self.LFM(x1)x2=torch.cat((x1,y1),1)torch.nn.Linear(4,1))#多保真度代理模型x=x.cuda()y2=self.HFM(x2)returny2#训练函数defTrain(x,y,model,optimizer,criterion):iftorch.cuda.is_available():030405060102#多保真度代理模型y=y.cuda()

out=model(x)#调用模型

loss=criterion(out,y)#损失计算

cost=loss.cpu().data.numpy()

loss.backward()#计算梯度

optimizer.step()

optimizer.zero_grad()#更新模型各层参数

returncost

#测试函数

defTest(x,model,criterion):

iftorch.cuda.is_available():#多保真度代理模型x=x.cuda()1out=model(x)2returnout.cpu()3#主程序4if__name__==__main__:5#生成HFD训练数据集（5个数据点）6HFD=LFunction(5,2,7.5)7HFD=torch.tensor(HFD.astype(np.float32))8#多保真度代理模型x,y=torch.unsqueeze(HFD[:,0],1),torch.unsqueeze(HFD[:,1],1)

#模型初始化

model=LHFModule()

iftorch.cuda.is_available():

model=model.cuda()

#导入上述第一部分已训练好的低保真度模型参数并使其冻结，不参与训练

prename=./Module/LFtest02.pt

pretrained_dict=torch.load(prename,map_location=cuda:0)#多保真度代理模型net_dict=model.state_dict()

net_dict.update({k:vfork,vinpretrained_dict.items()ifkinnet_dict})

model.load_state_dict(net_dict,strict=True)

forname1,param1inmodel.named_parameters():

forname2,param2inpretrained_dict.items():

ifname1==name2:#多保真度代理模型param1.requires_grad=False

#优化器定义

optimizer=torch.optim.Adam(model.parameters(),lr=0.001)

#损失函数定义

criterion=torch.nn.MSELoss()

#开始训练

iteration=2000#迭代次数

nam