基于多目標(biāo)遺傳算法的流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)設(shè)計

摘要：為滿足復(fù)雜流體力學(xué)問題的多目標(biāo)優(yōu)化需求，優(yōu)化輔助教學(xué)效果，文章利用多目標(biāo)遺傳算法，設(shè)計了一種更高準(zhǔn)確性、更強(qiáng)針對性流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)。首先，對計算服務(wù)器、存儲設(shè)備、顯示設(shè)備以及輸入輸出設(shè)備進(jìn)行選型設(shè)計，為系統(tǒng)運(yùn)行提供硬件支持。其次，設(shè)計流體力學(xué)仿真計算數(shù)據(jù)庫，分類存儲與流體力學(xué)仿真計算相關(guān)的數(shù)據(jù)。最后，在此基礎(chǔ)上，利用多目標(biāo)遺傳算法進(jìn)行流體力學(xué)仿真計算，以輸出滿足多個約束條件的最優(yōu)解。測試結(jié)果表明，該系統(tǒng)應(yīng)用后，在仿真計算資源輔助分配的正確性上始終保持著顯著的優(yōu)勢，適用于實際流體力學(xué)仿真計算的輔助教學(xué)。

關(guān)鍵詞：多目標(biāo)遺傳算法；流體力學(xué)；仿真；計算；輔助教學(xué)系統(tǒng)

中圖分類號：G642""文獻(xiàn)標(biāo)志碼：A

0"引言

流體力學(xué)仿真計算作為研究流體運(yùn)動的關(guān)鍵工具，其教學(xué)須與時俱進(jìn)，須要開發(fā)流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)，促進(jìn)學(xué)生對流體力學(xué)知識的深入理解與掌握，這也成為教學(xué)創(chuàng)新的重要方向。目前，國內(nèi)外已有一些學(xué)者和機(jī)構(gòu)致力于流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)的研究和開發(fā)。這些系統(tǒng)大多采用先進(jìn)的計算機(jī)技術(shù)和數(shù)值計算方法，能夠模擬各種復(fù)雜的流體運(yùn)動現(xiàn)象并提供豐富的數(shù)據(jù)分析和可視化工具。然而，這些系統(tǒng)往往存在一些問題。其中，馮梅^［1］提出的基于Web技術(shù)的計算輔助教學(xué)系統(tǒng)只提供基礎(chǔ)的流體力學(xué)仿真計算功能，缺乏針對特定問題或復(fù)雜場景的深入分析和解決方案；缺少對學(xué)生學(xué)習(xí)效果的實時反饋和評估機(jī)制，無法有效監(jiān)控學(xué)生的學(xué)習(xí)進(jìn)度和掌握程度。張小寒^［2］提出的基于人工智能的計算輔助教學(xué)系統(tǒng)只支持單一目標(biāo)的優(yōu)化求解，無法滿足復(fù)雜流體力學(xué)問題的多目標(biāo)優(yōu)化需求，這限制了系統(tǒng)在實際工程中的應(yīng)用范圍和效果。

多目標(biāo)遺傳算法作為一種啟發(fā)式優(yōu)化算法，通過不斷迭代進(jìn)化來逼近最優(yōu)解，能夠同時處理多個目標(biāo)函數(shù)，為流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)提供一組滿足多個目標(biāo)的優(yōu)化解^［3］。因此，本文利用多目標(biāo)遺傳算法，開展了流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)研究。

1"系統(tǒng)總體設(shè)計

本文基于多目標(biāo)遺傳算法對流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)展開設(shè)計，總體設(shè)計如圖1所示。

根據(jù)圖1內(nèi)容，本文聚焦于系統(tǒng)硬件平臺的搭建，以確保能夠高效運(yùn)行復(fù)雜的流體仿真計算。在軟件設(shè)計層面，構(gòu)建了流體力學(xué)仿真計算數(shù)據(jù)庫，用于存儲和管理仿真數(shù)據(jù)，為仿真計算提供堅實的數(shù)據(jù)支撐。設(shè)計并實現(xiàn)了基于多目標(biāo)遺傳算法的仿真計算模塊，該模塊能夠優(yōu)化仿真參數(shù)，提高仿真精度與效率，同時兼顧多個教學(xué)目標(biāo)。本文通過集成先進(jìn)的算法與計算機(jī)技術(shù)，為流體力學(xué)教學(xué)提供了一種創(chuàng)新、高效的輔助教學(xué)工具。

2"流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)硬件設(shè)計

系統(tǒng)硬件設(shè)計主要圍繞高性能計算平臺展開，包括高性能計算服務(wù)器、存儲設(shè)備、顯示設(shè)備以及輸入輸出設(shè)備等。計算服務(wù)器配置精良，搭載Intel Xeon Gold 6248R 24核48線程處理器，配備512 GB DDR4 ECC REG內(nèi)存及NVIDIA Quadro RTX 6000顯卡，主板支持多處理器與多通道內(nèi)存，確保流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)的高效運(yùn)行與穩(wěn)定性能。

計算服務(wù)器專用于流體力學(xué)仿真，配備RAID 5磁盤陣列保障數(shù)據(jù)安全，輔以網(wǎng)絡(luò)附加存儲（Network Attached Storage，NAS）設(shè)備實現(xiàn)多用戶并發(fā)訪問與數(shù)據(jù)備份。顯示設(shè)備集成高分辨率顯示器與投影儀，前者支持多屏與3D顯示，后者則高亮高解析，共同優(yōu)化仿真展示效果^［4］。

輸入/輸出設(shè)備用于用戶與系統(tǒng)之間的交互，其選型及配置參數(shù)如表1所示。

3"流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)軟件設(shè)計

3.1"流體力學(xué)仿真計算數(shù)據(jù)庫設(shè)計

收集并深入分析流體力學(xué)仿真計算相關(guān)數(shù)據(jù)，涵蓋實驗、理論及用戶輸入等。基于分析結(jié)果，明確數(shù)據(jù)庫架構(gòu)，包括數(shù)據(jù)類型、表結(jié)構(gòu)、字段及關(guān)系^［5］。識別實體并定義屬性，轉(zhuǎn)換為關(guān)系表，選用MyISAM引擎構(gòu)建數(shù)據(jù)庫，以高效存儲仿真計算數(shù)據(jù)。本文設(shè)計的流體力學(xué)仿真計算數(shù)據(jù)庫如表2所示。

將收集到的數(shù)據(jù)加載到數(shù)據(jù)庫中并進(jìn)行數(shù)據(jù)校驗和測試，定期備份數(shù)據(jù)庫以防止數(shù)據(jù)丟失并測試備份的恢復(fù)能力。

3.2"基于多目標(biāo)遺傳算法的仿真計算模塊設(shè)計

本模塊旨在利用多目標(biāo)遺傳算法進(jìn)行仿真計算，以優(yōu)化流體力學(xué)或其他相關(guān)領(lǐng)域的計算問題。通過多目標(biāo)遺傳算法，可以在滿足多個約束條件的同時，找到一組最優(yōu)解^［6］。明確仿真計算的目標(biāo)和約束條件，設(shè)定種群大小為100，迭代200次，交叉概率0.8，變異概率0.01并保留20%精英個體。

依據(jù)用戶參數(shù)動態(tài)生成初始種群，每個個體代表問題潛在解。采用特定評估機(jī)制計算個體適應(yīng)度值，以量化其對問題的適應(yīng)性。適應(yīng)度值的計算方法基于一個特定的數(shù)學(xué)公式，該公式將用于量化個體在解決問題上的表現(xiàn)，具體公式如下所述：

F（x）=∑ni=1wi·fi（x）（1）

其中，wi表示每個目標(biāo)函數(shù)分配的權(quán)重；fi（x）表示單個目標(biāo)函數(shù)；x表示種群中的一個個體；i表示目標(biāo)函數(shù)的索引。依據(jù)個體適應(yīng)度篩選優(yōu)秀父代，執(zhí)行交叉與變異操作以生成新種群，隨后進(jìn)行非支配排序與擁擠距離評估，迭代優(yōu)化直至滿足終止條件。系統(tǒng)內(nèi)置接口確保參數(shù)接收與結(jié)果反饋的順暢，同時監(jiān)控仿真過程并記錄日志。最終，優(yōu)化結(jié)果經(jīng)可視化處理，以直觀形式呈現(xiàn)給用戶，實現(xiàn)高效、精準(zhǔn)的流體力學(xué)仿真計算與優(yōu)化。

4"系統(tǒng)測試

4.1"測試準(zhǔn)備

基于設(shè)計流程，搭建流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)，并設(shè)定實驗測試環(huán)境：采用Windows 10操作系統(tǒng)，編程語言為Python 3.8，仿真軟件選用ANSYS Fluent 2022，遺傳算法庫則選用DEAP。如此，用以全面評估系統(tǒng)性能與效率。

配置設(shè)計系統(tǒng)的測試環(huán)境，安裝流體力學(xué)仿真軟件，收集或生成流體力學(xué)仿真的初始參數(shù)和邊界條件數(shù)據(jù)。為驗證系統(tǒng)性能，設(shè)計600個測試用例，對比本文提出的基于多目標(biāo)遺傳算法的流體力學(xué)計算輔助教學(xué)系統(tǒng)與馮梅^［1］提出的基于Web技術(shù)的輔助教學(xué)系統(tǒng)和張小寒^［2］提出的基于人工智能的輔助教學(xué)系統(tǒng)，即為對照組1和對照組2，在實際操作中的表現(xiàn)，全面評估并凸顯本文系統(tǒng)的優(yōu)勢。

4.2"測試結(jié)果

為了全面評估這一性能，將教學(xué)資源的有效分配設(shè)為系統(tǒng)測試的核心評估指標(biāo)，記錄實驗過程中仿真計算教學(xué)資源的分配數(shù)據(jù)。實驗結(jié)果如圖2所示。

在圖2所示的數(shù)據(jù)集中，存在一部分?jǐn)?shù)據(jù)被識別為錯誤數(shù)據(jù)，而有效數(shù)據(jù)與錯誤數(shù)據(jù)的比例大致為1∶1。在逐步增加數(shù)據(jù)量的背景下，本文所構(gòu)建的基于多目標(biāo)遺傳算法的流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)，在資源分配的正確性上，始終保持著顯著優(yōu)勢，這一表現(xiàn)超過了2個設(shè)定的對照組。

5"結(jié)語

本文研發(fā)的流體力學(xué)仿真計算輔助教學(xué)系統(tǒng)，以多目標(biāo)遺傳算法為核心，不僅具有深遠(yuǎn)的學(xué)術(shù)研究意""義，還承載著巨大的實際應(yīng)用價值。該系統(tǒng)憑借多目標(biāo)遺傳算法的強(qiáng)大功能，能夠精準(zhǔn)地求解復(fù)雜的流體力學(xué)問題。更為值得一提的是，該系統(tǒng)在面向不同學(xué)習(xí)水平的學(xué)生時，能夠以其卓越的精準(zhǔn)度和個性化適配能力，進(jìn)行精準(zhǔn)的教學(xué)資源輔助分配。

參考文獻(xiàn)

［1］馮梅.基于Web技術(shù)的計算機(jī)專業(yè)本科階段遠(yuǎn)程輔助教學(xué)系統(tǒng)設(shè)計［J］.信息與電腦（理論版），2024（1）：111-113.

［2］張小寒.基于人工智能的輔助教學(xué)系統(tǒng)應(yīng)用研究［J］.長江信息通信，2022（11）：235-237.

［3］程小紅.線上線下混合式智能輔助教學(xué)系統(tǒng)關(guān)鍵技術(shù)設(shè)計與實現(xiàn)［J］.辦公自動化，2023（6）：36-38.

［4］曹世豪，陳俊旗，鄭德乾，等.基于線上線下混合教學(xué)模式的流體力學(xué)課程思政教學(xué)設(shè)計［J］.科教文匯，2022（19）：49-52.

［5］朱斌，吳亞東，靳淇超.機(jī)械CAD/CAM課程基礎(chǔ)理論虛擬仿真實驗教學(xué)系統(tǒng)［J］.實驗室研究與探索，2022（6）：224-228.

［6］陳學(xué)彬，卓獻(xiàn)榮，李雪梅，等.基于產(chǎn)業(yè)導(dǎo)向的數(shù)字化建模與仿真人才培養(yǎng)模式探索：以工程流體力學(xué)教學(xué)為例［J］.高等建筑教育，2022（3）：63-69.

（編輯"沈"強(qiáng)編輯）

Design of computing auxiliary teaching system for fluid mechanics simulation based on multi-target genetic algorithm

LI "Min， SUN "Jiaqiu

（Tianjin College，University of Science and Technology Beijing， Tianjin 301830， China）

Abstract： "In order to meet the multi-objective optimization requirements of complex fluid mechanics problems and optimize the effectiveness of auxiliary teaching， this article designs a higher accuracy and stronger targeted fluid mechanics simulation calculation auxiliary teaching system using multi-objective genetic algorithm. Firstly， select and design computing servers， storage devices， display devices， and input/output devices to provide hardware support for system operation. Secondly， design a fluid dynamics simulation calculation database to classify and store data related to fluid dynamics simulation calculations. Finally， based on this， multi-objective genetic algorithm is used for fluid dynamics simulation calculation to output the optimal solution that satisfies multiple constraint conditions. The test results show that the system maintains significant advantages in the accuracy of simulation computing resource allocation after application， and is suitable for assisting teaching in practical fluid mechanics simulation calculations.

Key words： multi-objective genetic algorithm; fluid mechanics; simulation; computation; auxiliary and teaching system