1.一种高负荷风扇/压气机端壁造型优化设计方法，其特征在于：该方法具体步骤为：
步骤一：给定设计变量初始值及取值范围，试验设计因素个数、水平及试验次数N即初始样本数，给定网格生成及流场计算所需模板、遗传算法和神经网络所需各参数，优化迭代最大次数Imax；实验设计方法和分析方法分别为：正交试验设计和直观分析法；
步骤二：根据试验设计提供的设计变量对压气机端壁进行参数化造型，生成对应的端壁型面；针对压气机中的非轴对称端壁，发展了两种端壁参数化造型，即轴向及周向函数控制法和离散点控制端壁曲面法；
步骤三：网格生成及流场求解，得到目标函数值及对应的第i个样本；
目前国际上已开发了大量的CFD流场数值模拟程序或软件，为压气机设计的快速发展提供了强大动力，就压气机的数值模拟而言，所采用的CFD数值模拟工具的模拟精度和计算速度都必须经过严格的考核，否则将会造成严重的后果；优化平台采用商用软件NUMECA进行定常粘性的三维数值模拟；
步骤四：如果i≤N，则i＝i+1并返回步骤二，继续初始样本点的生成，否则进入步骤五，即完成所有初始样本点的计算；
步骤五：根据得到的样本点，应用自适应遗传算法和BP算法的结合训练人工神经网络响应面，对应第j次训练，得到最佳网络结构；
针对叶轮机械中的三维气动数值优化问题，通过建立关于优化自变量和气动性能的近似模型，以此构建他们之间的映射关系，用函数求解替代耗时的三维CFD流场数值模拟可极大地加快优化速度，具有实际的应用价值；目前常用的近似模型有很多种类，其中响应面模型是应用最普遍的模型，采用一阶、二阶、三阶和四阶低阶多项式模型；这里应用的是人工神经网络响应面模型；
步骤六：以最佳神经网络网络结构为基础，利用自适应遗传算法对其进行全局寻优，得到基于响应面的目标函数最优值对应的设计变量，若j≥2，判断本次得到的设计变量与第j-1次得到的设计变量是否相同，若相同，则k＝k+1，否则k＝1；
遗传算法是一种通过模拟自然界进化过程解决最优化问题的计算模型，遗传算法中主要运行参数有：种群规模N、交叉概率pc、变异概率pm、最大进化代数nmax；
步骤七：根据得到的设计变量对端壁进行造型，网格生成、流场求解，得到设计变量对应于CFD的计算结果，优化平台采用商用软件NUMECA进行定常粘性的三维数值模拟；
步骤八：判断数据库中是否包含得到的新样本点，若没有，将该新样本点添加到数据库中，N＝N+1；
步骤九：判断k≤c经验系数且j≤Imax，若满足条件，进入步骤五，重复上述过程，否则进入步骤十；
步骤十：输出最优目标函数值及其对应的设计变量，以及迭代次数j相关参数，最后程序终止，端壁优化结束；
步骤十一：基于优化方法的函数验证
为了检验基于神经网络响应面优化平台的寻优性能，需要对其进行函数优化验证，这里分别选用多峰值的一元函数、二元函数进行验证。
2.根据权利要求1所述的一种高负荷风扇/压气机端壁造型优化设计方法，其特征在于：
在步骤一中所述的“正交试验设计和直观分析法”，建立的方法如下：
1)正交试验设计
试验设计的主要分支包括方差分析、正交试验设计、拉丁方设计、稳健设计和可靠性设计；优化平台中为神经网络响应面提供初始样本的试验设计采用正交试验设计，正交设计是多因子试验中最重要的一种设计方法，它是根据因子设计的分布原理，采用自由组合理论推导而成的正交表来安排试验，并对结果进行统计分布的多因子试验方法；数学上两个向量的内积之和为零，则称这两个向量正交，正交设计法的“正交”一词，就是从空间解析几何上两个向量正交的定义引申过来的，而在传统的科学试验设计中，随机完全区组设计、拉丁法设计、因子设计，都包含正交设计的思想；在多因子试验中，当因子及水平数目增加时，若进行全面试验，将全部处理在一次试验中安排，试验处理个数及试验单元数就会急剧增加，要在一次试验内安排全部处理常常是不可能的；压气机端壁型面有12个离散控制点，即有12个因子，各取3个水平，这个试验全面实施要531441次，其工作量惊人；为了解决多因子全面实施试验次数过多，条件难以控制的问题，有必要挑选出部分代表性很强的处理组合来做试验，这些有代表性的部分处理组合，通过正交表确定；
正交表是正交设计中合理安排试验，并对数据进行统计分析的主要工具，表1列出了
4
较简单的正交表L9(3)，其含义为：L代表正交表，右下角数字9表示有9行，最多能进行9次试验；括号内的指数4表示有4列，即最多允许安排的因子数是4个；括号内的数字3表示此表的主要部分只有3种数字，试验的因子有3种水平：即水平1、2、3，由表看出：每一列中，不同的数字出现的次数相等；
正交表的性质决定了正交设计有3个特点，即1)整齐可比；2)均衡分散；3)简单易行；
在试验初期，正交设计采用很少的实验单元筛选众多因子，在试验中期，它进一步扩大试验规模进行各因子间交互作用的分析，在试验后期，它能进行各种模型优化试验设计；在实际试验中适用于：水平数相同或不同的试验，单一指标或多指标的试验；利用正交表能对试验结果作直观分析、极差分析、方差分析、回归分析和协方差分析；
表1 正交表L9(34)
由于正交试验设计能够有效的处理多水平试验问题，该方法不仅保证设计点均匀的散布在试验范围内，以较少的试验点获得最多的信息，而且同样保证设计点的正交可对比性，方便试验结果的对比分析；对于叶轮机械的气动优化设计，正交设计方法能很好的研究设计变量的变化如何影响目标函数和约束，也是获取关于设计空间性质的有效方法；它从大量输入变量中筛选对目标函数影响最大的变量作为优化问题的设计变量，从而减小问题的计算规模；另外，正交试验设计能够获取设计空间的结构化信息，便于构造问题的响应面模型，从试验设计的样本数据中获得近似最优解；
2)直观分析法
针对压气机三维气动数值优化这类复杂问题，通过直观分析法了解各因素对指标的影响程度和影响规律，找出对指标影响较大的因素及其较优解范围，缩小对指标影响较小的因素甚至忽略该因素，进而确定下一阶段不同因素的试验范围；
表2为采用正交试验设计得到的极小化过渡段总压损失的直观分析表，表中的Ki(i＝
1,2,3)表示各个因素的不同水平i所对应的指标即总压损失之和；表中 表示各个因素的不同水平i所对应的指标和的平均值；因素的极差R定义为该因素不同水平所对应的指标和的平均值得最大值与最小值之差；
表2 采用正交试验得到的过渡段总压损失直观分析表
直观分析法指的就是通过极差分析因素对指标的影响程度的方法，通过直观分析法了解到各因素对指标的影响程度，有以下两个方面的应用：一是调整因素的变化范围，对于压气机优化而言，分析阶段为了避免不合理端壁几何型面的出现，一般索取因素的变化范围较小，而直观分析后，能适当扩大某些影响力较大的因素的变化范围；二是筛选出某些影响力较大的因素进行相应的优化研究，即减少优化变量的个数，这样能提高响应面模型的模拟精度，缩短优化时间。
3.根据权利要求1所述的一种高负荷风扇/压气机端壁造型优化设计方法，其特征在于：在步骤二中所述的“轴向及周向函数控制法和离散点控制端壁曲面法”，建立的方法如下：
1)轴向及周向函数控制法
该端壁造型方法通过直接控制端壁变化量来调整端壁型面，新的端壁型面需在原型端壁面基础上减去端壁变化量，即:
Rnew(i,j)＝Rorig+ΔR
其中，端壁的变化量分别由轴向和周向不同的三角函数进行控制，其控制函数为：
ΔR＝A(z)×r(θ)
上述公式中，A(z)和r(θ)的具体定义如下：
r(θ)＝cosθ
端壁造型的轴向控制函数采用正弦函数的三次方，是为了端壁造型在起点和终点处能够平缓光滑地过渡；
式中符号说明如下：
A(z)——轴向控制函数；r(θ)——周向控制函数；
ZL——造型起点；ZM——最大幅值点；
ZT——造型终点；a——幅值控制系数；
θ——周向坐标；
2)离散点控制型面法
该方法采用三次B样条曲面进行端壁参数化定义，由于B样条曲面是由特征多边形控制，因此，采用该方法对端壁型面的控制即是对特征多边形顶点的控制；顶点个数及其位置的选取直接影响非轴对称端壁的造型结果；
控制点个数选取：对于任一曲线，若要实现上凸或下凹，至少需三个控制点；若要实现凹凸型线，则至少需要四个顶点；对端壁造型来说，还需考虑造型始末位置处的光滑连续，即需要增加两个控制点来满足上述条件，因此，非轴对称端壁在轴向方向上的控制顶点至少需要五个，对于周向方向，由于要实现凹凸端壁型面，因此，至少需要六个控制顶点；
为增加端壁在轴向的自由度，即端壁在轴向方向上同样能够实现凹和凸的变化，在给定轴向上取6个控制点，周向控制点同样为6个，形成6×6的控制网；生成端壁曲面时，首先固定轴向位置，由控制点生成样条曲线，当所有轴向位置的样条曲线生成完后，利用B样条曲面插值依次通过各轴向位置对应的样条曲线；
端壁边界的控制点为固定点，是为了保证造型端壁边界在轴向的连续性；空心方框点主要控制周向方向的造型，根据实际情况选择固定或者移动，但要保证两边相对应点的对称性；菱形点为受约束的控制点，圆形控制点能自由移动，对应给定轴向位置的一系列控制点，要保证上述点在同一个垂直于轴向截面的平面内；上述所有控制点应保证具有相同的轴向坐标，当所有轴向位置对应的曲线生成后，利用B样条曲面依次通过所有样条曲线，即对应的非轴对称端壁；对于上述空心方框控制点，若均选择可移动条件时，存在一个特例：
任一轴向位置控制点生成的样条曲线为一段圆弧，此时对应的样条曲面非常接近于轴对称端壁造型对应的回转曲面，即在理论上利用该方法能生成轴对称端壁曲面，因此，该参数化方法包含了轴对称和非轴对称的搜索空间。
4.根据权利要求1所述的一种高负荷风扇/压气机端壁造型优化设计方法，其特征在于：在步骤三中所述的“网格生成及流场求解”，所采用的数值求解软件及设置如下：
商用软件NUMECA是专门针对叶轮机械发展起来的一个启动数值模拟软件，包含网格生成模块IGG/Autogrid、流场数值求解模块FINE，使用上述两个模块对压气机进行网格划分和流场数值求解，下面进行介绍：
IGG/AutoGrid用于生成任何几何形状的结构网格，网格拓扑结构选择H&I型或HOH型，IGG/AutoGrid方便地对各个方向的网格点数、网格的疏密性、正交性进行调整以获得高质量网格，其中AutoGrid是NUMECA专门针对叶轮机械网格生成而开发的模块，采用AutoGrid5对非轴对称端壁网格进行划分；
FINE用于求解Reynolds平均的Navier-Stokes方程组，能处理二维/三维、定常/非定常、可压/不可压、有粘/无粘问题；湍流模型包括Baldwin-Lomax零方程模型、Spalart-Allmaras一方程模型、κ-ε多种形式的两方程模型；空间离散方法采用的是有限体积法，对流项的空间离散格式包括带二阶、四阶粘性的中心差分格式和迎风格式，时间离散格式为Runge-Kutta显式格式，FINE嵌有当地时间步长、隐式残差平均、多重网格多种加速收敛技术，并使用多块并行计算技术；它方便地设置进口、出口、周期性和固壁边界条件；FINE在求解定常多叶片排流场时，在叶片排交界面上采用的处理方法是混合平面法即Mixing Plane Approach，FINE求解流场具有鲁棒性强、收敛速度快、模拟精度高优点。
5.根据权利要求1所述的一种高负荷风扇/压气机端壁造型优化设计方法，其特征在于：在步骤五中所述的“自适应遗传算法和BP算法的结合训练人工神经网络响应面”，建立的方法如下：
人工神经网络是由大量的处理单元相互连接而成的网络，其中处理单元称为神经元，它是一个多输入、单输出的非线性阈值元件；神经元i的输入和输出直接的关系能描述为式中x1,x2,…,xn为神经元的n个输入变量，wij为连接权值，θi为阈值，f(ui)为激活函数，oi为神经元i的输出；若将阈值θi看出是一个对应于输入x0＝-1的连接权值，则令wi0＝θi，上式写成
其中x0＝-1
常用的激活函数有线性函数、高斯函数、Sigmoid函数；线性函数形式简单，一般应用于函数逼近一类的问题；高斯函数更多用于径向基函数人工神经网络即Radial Basis Function Neural Net-work，RBFNN中，Sigmoid函数又称S型函数，是在人工神经网络中应用较为普遍的一类激发函数，其表达式为：
式中λ为增益参数，其值的大小影响Sigmoid函数曲线中部的非饱和斜率；Sigmoid函数的一阶导数有以下关系式
f'(u)＝λf(u)[1-f(u)]
神经网络的设计针对网络结构进行，也能针对权值参数进行，后者网络结构根据经验人为指定；这里采用前馈神经网络，即前一层神经元的状态只影响后一层神经元的状态，而后面神经元的信息不会反馈到前面的神经元；三层前馈神经网络有一个输入层、一个隐层和一个输出层，其中隐层和输出层的神经元为计算节点；计算结点的基函数都取为线性函数，隐层激活函数取单极性Sigmoidal函数，作函数逼近时输出层激活函数取线性函数，否则取单极性Sigmoidal函数；前馈神经网络是一种有导学习，其训练过程需要初始样本集，其中包括样本输入信息和样本输出信息；通过训练过程，神经网络将学习中获得的有用信息记忆到连接权值当中，也就是连接权值产生相应的变化，使神经网络的实际输出信息尽可能逼近初始样本的期望输出信号，这里利用遗传算法和BP算法所组成的混合算法优化设计最优的权值参数；对神经网络的权值参数进行优化设计需要明确初始样本集、优化对象、目标函数和优化算法，采用正交试验设计的方法为神经网络响应面提供初始样本集，集合中各个初始样本点包括输入变量和期望输出值，优化对象为神经网络的权值参数，对于一个给定的神经网络，权值参数确定之后，神经网络响应面也就确定了，该响应面就能对系统输入变量和系统期望输出值作出逼近映射，目标函数为实际输出与期望输出之间的误差；由初始样本所确定的输出值为神经网络的期望输出，而由该神经网络在初始样本输入的情况下拟合输出的值为实际输出，实际输出与期望输出之间的误差越小，说明在当前网络权值情况下神经网络响应面对原系统的拟合情况越好，所以将神经网络的优化目标函数即映射函数确定为实际输出与期望输出的误差函数。
6.根据权利要求1所述的一种高负荷风扇/压气机端壁造型优化设计方法，其特征在于：在步骤六中所述的“自适应遗传算法”，建立的方法如下：
遗传算法中，交叉概率pc和变异概率pm是影响遗传算法优化性能的两个重要参数，对于交叉概率，如果其值过大，则具有高适应度值的优良个体被破坏的可能性就大；若过小，则会导致遗传算法进展缓慢，甚至停滞；对于变异概率，其值过大，则遗传算法可能会变成纯粹的随机搜索算法；但其值若过小，则不容易产生新的个体结构；由于很难找到适合于所有优化问题的最佳交叉、变异概率，故引入了自适应遗传算法即Adaptive Genetic Algorithm，其思路是：当种群中个体的适应度值趋于一致时，增大pc和pm，当种群中个体的适应度值分散时则减小pc和pm；同时，对于适应度值高于种群平均适应度值的个体则采用较小的pc和pm；而对于适应度值低于种群平均适应度值的个体则采用较大的pc和pm；变异概率和变异概率按以下公式自适应调整：
式中Favg、Fmax分别为种群的平均适应度值和种群中适应度值的最大值； 和分别为pc调整的上限和下限， 和 分别为pm调整的上限和下限；取值分别为
7.根据权利要求1所述的一种高负荷风扇/压气机端壁造型优化设计方法，其特征在于：在步骤十一中所述的“基于优化方法的函数验证”，验证的方法如下：
为了检验基于神经网络响应面优化平台的寻优性能，需要对其进行函数优化验证，这里分别选用多峰值的一元函数、二元函数进行验证；
1)一元函数验证
该多峰值函数表达式为：
求其最大值，其中最大函数值fmax＝2.72275，对上述函数分别进行了基于自适应遗传算法即AGA和基于人工神经网络结合遗传算法即RSM+AGA的优化；其中AGA运行参数为：群体大小M＝50，交叉概率pc＝0.9，变异概率pm＝0.05；RSM+AGA组合寻优中，神经网络响应面初始训练样本集中的初始样本点为11个，并且均匀分布，即首先需要进行11次目标函数的求解；根据初始的11个样本点训练得到的相应面，其拟合的曲线与真实函数曲线在最大值附近误差较大，但经过循环迭代后，最终的响应面模型具有较高的拟合精度，响应面曲线完全与真实函数曲线重合；
表3给出了利用AGA和RSM+AGA优化结果对比，AGA的寻优结果为2.723012，其适应度函数是由真实函数求解而来，因此不需要对优化结果进行校核；RSM+AGA组合寻优结果为2.7228497，优化变量对应的真实函数的校核结果为2.722750，其预测误差为0.004％，达到了较高的预测精度，两种最终的寻优结果较为接近，但是AGA寻优过程中目标函数求解500次，而RSM+AGA组合寻优只需进行13次函数求解，如果目标函数是求解耗时的气动数值优化问题，则RSM+AGA组合寻优将大大减少计算量；
表3 优化结果对比
优化策略 AGA RSM+AGA
变量值 -1.161817 -1.170532
优化结果 2.723012 2.7228497
校核结果 2.723012 2.722750
求解次数 500 13
2)二元函数验证
二元函数选取Rosenbrock进行优化平台的验证，其表达式为：
该函数只有一个全局最小值fmin(1,1)＝0，有两个局部极大值点(2.048,-2.048)和(-2.048,-2.048)，后者为全局极大值fmax＝3905.9262；利用优化平台进行寻优的最终结果如下表4所示；
表4 Rosenbrock函数寻优结果
从优化结果看出，基于响应面模型的优化平台能准确地得到接近理论值的优化结果，无论是求取函数最大值还是最小值，基于响应面的寻优策略均能逼近最优结果，并且函数的最大求解次数仅为37，与单纯的AGA寻优相比显著降低了计算量；根据上述不同函数优化验证的结果可知，RSM+AGA组合寻优具有良好的准确性和计算效率，因此，发展的优化平台在减少计算量的同时能较可靠的进行目标的全局优化。