基于多目標遺傳算法的流體力學仿真計算輔助教學系統設計

摘要：為滿足復雜流體力學問題的多目標優化需求，優化輔助教學效果，文章利用多目標遺傳算法，設計了一種更高準確性、更強針對性流體力學仿真計算輔助教學系統。首先，對計算服務器、存儲設備、顯示設備以及輸入輸出設備進行選型設計，為系統運行提供硬件支持。其次，設計流體力學仿真計算數據庫，分類存儲與流體力學仿真計算相關的數據。最后，在此基礎上，利用多目標遺傳算法進行流體力學仿真計算，以輸出滿足多個約束條件的最優解。測試結果表明，該系統應用后，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勢，適用于實際流體力學仿真計算的輔助教學。

關鍵詞：多目標遺傳算法；流體力學；仿真；計算；輔助教學系統

中圖分類號：G642""文獻標志碼：A

0"引言

流體力學仿真計算作為研究流體運動的關鍵工具，其教學須與時俱進，須要開發流體力學仿真計算輔助教學系統，促進學生對流體力學知識的深入理解與掌握，這也成為教學創新的重要方向。目前，國內外已有一些學者和機構致力于流體力學仿真計算輔助教學系統的研究和開發。這些系統大多采用先進的計算機技術和數值計算方法，能夠模擬各種復雜的流體運動現象并提供豐富的數據分析和可視化工具。然而，這些系統往往存在一些問題。其中，馮梅^［1］提出的基于Web技術的計算輔助教學系統只提供基礎的流體力學仿真計算功能，缺乏針對特定問題或復雜場景的深入分析和解決方案；缺少對學生學習效果的實時反饋和評估機制，無法有效監控學生的學習進度和掌握程度。張小寒^［2］提出的基于人工智能的計算輔助教學系統只支持單一目標的優化求解，無法滿足復雜流體力學問題的多目標優化需求，這限制了系統在實際工程中的應用范圍和效果。

多目標遺傳算法作為一種啟發式優化算法，通過不斷迭代進化來逼近最優解，能夠同時處理多個目標函數，為流體力學仿真計算輔助教學系統提供一組滿足多個目標的優化解^［3］。因此，本文利用多目標遺傳算法，開展了流體力學仿真計算輔助教學系統研究。

1"系統總體設計

本文基于多目標遺傳算法對流體力學仿真計算輔助教學系統展開設計，總體設計如圖1所示。

根據圖1內容，本文聚焦于系統硬件平臺的搭建，以確保能夠高效運行復雜的流體仿真計算。在軟件設計層面，構建了流體力學仿真計算數據庫，用于存儲和管理仿真數據，為仿真計算提供堅實的數據支撐。設計并實現了基于多目標遺傳算法的仿真計算模塊，該模塊能夠優化仿真參數，提高仿真精度與效率，同時兼顧多個教學目標。本文通過集成先進的算法與計算機技術，為流體力學教學提供了一種創新、高效的輔助教學工具。

2"流體力學仿真計算輔助教學系統硬件設計

系統硬件設計主要圍繞高性能計算平臺展開，包括高性能計算服務器、存儲設備、顯示設備以及輸入輸出設備等。計算服務器配置精良，搭載Intel Xeon Gold 6248R 24核48線程處理器，配備512 GB DDR4 ECC REG內存及NVIDIA Quadro RTX 6000顯卡，主板支持多處理器與多通道內存，確保流體力學仿真計算輔助教學系統的高效運行與穩定性能。

計算服務器專用于流體力學仿真，配備RAID 5磁盤陣列保障數據安全，輔以網絡附加存儲（Network Attached Storage，NAS）設備實現多用戶并發訪問與數據備份。顯示設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，共同優化仿真展示效果^［4］。

輸入/輸出設備用于用戶與系統之間的交互，其選型及配置參數如表1所示。

3"流體力學仿真計算輔助教學系統軟件設計

3.1"流體力學仿真計算數據庫設計

收集并深入分析流體力學仿真計算相關數據，涵蓋實驗、理論及用戶輸入等。基于分析結果，明確數據庫架構，包括數據類型、表結構、字段及關系^［5］。識別實體并定義屬性，轉換為關系表，選用MyISAM引擎構建數據庫，以高效存儲仿真計算數據。本文設計的流體力學仿真計算數據庫如表2所示。

將收集到的數據加載到數據庫中并進行數據校驗和測試，定期備份數據庫以防止數據丟失并測試備份的恢復能力。

3.2"基于多目標遺傳算法的仿真計算模塊設計

本模塊旨在利用多目標遺傳算法進行仿真計算，以優化流體力學或其他相關領域的計算問題。通過多目標遺傳算法，可以在滿足多個約束條件的同時，找到一組最優解^［6］。明確仿真計算的目標和約束條件，設定種群大小為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。

依據用戶參數動態生成初始種群，每個個體代表問題潛在解。采用特定評估機制計算個體適應度值，以量化其對問題的適應性。適應度值的計算方法基于一個特定的數學公式，該公式將用于量化個體在解決問題上的表現，具體公式如下所述：

F（x）=∑ni=1wi·fi（x）（1）

其中，wi表示每個目標函數分配的權重；fi（x）表示單個目標函數；x表示種群中的一個個體；i表示目標函數的索引。依據個體適應度篩選優秀父代，執行交叉與變異操作以生成新種群，隨后進行非支配排序與擁擠距離評估，迭代優化直至滿足終止條件。系統內置接口確保參數接收與結果反饋的順暢，同時監控仿真過程并記錄日志。最終，優化結果經可視化處理，以直觀形式呈現給用戶，實現高效、精準的流體力學仿真計算與優化。

4"系統測試

4.1"測試準備

基于設計流程，搭建流體力學仿真計算輔助教學系統，并設定實驗測試環境：采用Windows 10操作系統，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，用以全面評估系統性能與效率。

配置設計系統的測試環境，安裝流體力學仿真軟件，收集或生成流體力學仿真的初始參數和邊界條件數據。為驗證系統性能，設計600個測試用例，對比本文提出的基于多目標遺傳算法的流體力學計算輔助教學系統與馮梅^［1］提出的基于Web技術的輔助教學系統和張小寒^［2］提出的基于人工智能的輔助教學系統，即為對照組1和對照組2，在實際操作中的表現，全面評估并凸顯本文系統的優勢。

4.2"測試結果

為了全面評估這一性能，將教學資源的有效分配設為系統測試的核心評估指標，記錄實驗過程中仿真計算教學資源的分配數據。實驗結果如圖2所示。

在圖2所示的數據集中，存在一部分數據被識別為錯誤數據，而有效數據與錯誤數據的比例大致為1∶1。在逐步增加數據量的背景下，本文所構建的基于多目標遺傳算法的流體力學仿真計算輔助教學系統，在資源分配的正確性上，始終保持著顯著優勢，這一表現超過了2個設定的對照組。

5"結語

本文研發的流體力學仿真計算輔助教學系統，以多目標遺傳算法為核心，不僅具有深遠的學術研究意""義，還承載著巨大的實際應用價值。該系統憑借多目標遺傳算法的強大功能，能夠精準地求解復雜的流體力學問題。更為值得一提的是，該系統在面向不同學習水平的學生時，能夠以其卓越的精準度和個性化適配能力，進行精準的教學資源輔助分配。

參考文獻

［1］馮梅.基于Web技術的計算機專業本科階段遠程輔助教學系統設計［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系統應用研究［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系統關鍵技術設計與實現［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模式的流體力學課程思政教學設計［J］.科教文匯，2022（19）：49-52.

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

［6］陳學彬，卓獻榮，李雪梅，等.基于產業導向的數字化建模與仿真人才培養模式探索：以工程流體力學教學為例［J］.高等建筑教育，2022（3）：63-69.

（編輯"沈"強編輯）

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