买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利一种基于深度演化映射的液晶弹性体结构多目标优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121439049B 。

龙图腾网通过国家知识产权局官网在2026-03-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202512015538.0，技术领域涉及：G16C60/00；该发明授权一种基于深度演化映射的液晶弹性体结构多目标优化方法是由游子跃;刘富设计研发完成，并于2025-12-30向国家知识产权局提交的专利申请。

本一种基于深度演化映射的液晶弹性体结构多目标优化方法在说明书摘要公布了：一种基于深度演化映射的液晶弹性体结构多目标优化方法。该方法通过构建个体特征到算子参数的映射模型,使优化算法能够根据每个候选解在搜索空间中的位置、适应度排名以及邻域特征,自适应地调整交叉和变异操作的强度,从而在保持全局探索能力的同时增强局部精炼效果。与现有的统一参数策略或基于种群统计量的调参方法相比,实现了个体级的自适应优化。本发明属于计算材料学、智能优化算法和结构设计的交叉技术领域,可应用于软体机器人驱动器、人工肌肉、柔性传感器等智能材料系统的性能优化问题,也可推广至其他涉及高维参数空间和多目标权衡的工程设计场景。

本发明授权一种基于深度演化映射的液晶弹性体结构多目标优化方法在权利要求书中公布了：1.一种基于深度演化映射的液晶弹性体结构多目标优化方法，其特征在于，所述方法包括如下步骤： S1、问题建模与参数定义：构建液晶弹性体驱动器模型，定义模型决策变量；进行模型目标函数定义； S2、深度演化映射网络构建：建立从个体特征到算子参数的端到端映射关系，为种群中每个个体定制专属的交叉概率和变异强度，使优化算法能够根据个体所处的搜索状态自适应地调整搜索策略； S3、对NSGA-II算法流程进行改进：在现有NSGA-II算法框架上进行改进，将深度演化映射网络嵌入到遗传操作环节，使每个个体在交叉和变异时使用其专属的算子参数，获得改进的NSGA-II算法，基于改进的NSGA-II算法，通过定义的模型目标函数，获得相对应的模型决策变量，完成液晶弹性体结构优化； 改进的NSGA-II算法的工作流程为： S31、初始化阶段：包括生成初始种群、初始化深度演化映射网络、创建经验回放缓冲区、设置探索参数和评价初始种群；在设置探索参数时，探索率，网络更新频率代；在评价初始种群时，对初始种群中每个个体调用有限元仿真，计算其目标函数值，，并进行非支配排序和拥挤距离计算； 其中，表示初始种群中每个个体对应的外层最大Mises应力，表示初始种群中每个个体对应的内层最大Mises应力； S32、主循环：从第代开始，重复执行以下四个子步骤，直至满足终止条件： 步骤1，个体级参数生成：对当前种群中的每个个体执行提取特征向量、网络前向传播、策略选择和记录参数信息； 网络前向传播具体为：将特征向量输入深度演化映射网络，得到个体专属的算子参数：； 其中为交叉概率，为变异强度，为变异分布指数；表示第个候选个体的特征表征向量，用于刻画该个体在当前种群中的搜索状态与演化阶段；表示深度演化映射网络对所述特征向量的非线性映射过程，为网络参数，通过各层权重对进行逐层映射得到算子参数向量，分别用于控制交叉概率、变异强度以及变异分布指数，从而实现遗传算子参数随个体特征与演化阶段自适应调整； 步骤2，遗传操作：生成个子代个体，组成子代种群，对子代种群依次进行父代选择、模拟二进制交叉、多项式变异、约束修复和子代评价操作；重复上述步骤次，生成完整的子代种群； 步骤3，环境选择：采用NSGA-II的精英保留策略，从父代和子代中选择最优的个个体进入下一代，然后依次进行种群合并、非支配排序、拥挤距离计算和精英选择操作，选出的个体组成新一代种群； 步骤4，经验数据收集：对每个被选入的子代执行子代质量评价和存储经验四元组操作； S33、终止迭代：当满足以下任一条件时，迭代终止：达到最大进化代数，连续20代超体积指标变化小于0.001，总有限元评价次数超过预算； S4、网络训练与在线更新：采用在线学习机制训练深度演化映射网络，在优化过程中持续从实际进化经验中学习，动态调整网络权重以提升参数生成的准确性。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。