基于多目标遗传算法的流体力学仿真计算辅助教学系统设计

摘要：为满足复杂流体力学问题的多目标优化需求，优化辅助教学效果，文章利用多目标遗传算法，设计了一种更高准确性、更强针对性流体力学仿真计算辅助教学系统。首先，对计算服务器、存储设备、显示设备以及输入输出设备进行选型设计，为系统运行提供硬件支持。其次，设计流体力学仿真计算数据库，分类存储与流体力学仿真计算相关的数据。最后，在此基础上，利用多目标遗传算法进行流体力学仿真计算，以输出满足多个约束条件的最优解。测试结果表明，该系统应用后，在仿真计算资源辅助分配的正确性上始终保持着显著的优势，适用于实际流体力学仿真计算的辅助教学。

关键词：多目标遗传算法；流体力学；仿真；计算；辅助教学系统

中图分类号：G642""文献标志码：A

0"引言

流体力学仿真计算作为研究流体运动的关键工具，其教学须与时俱进，须要开发流体力学仿真计算辅助教学系统，促进学生对流体力学知识的深入理解与掌握，这也成为教学创新的重要方向。目前，国内外已有一些学者和机构致力于流体力学仿真计算辅助教学系统的研究和开发。这些系统大多采用先进的计算机技术和数值计算方法，能够模拟各种复杂的流体运动现象并提供丰富的数据分析和可视化工具。然而，这些系统往往存在一些问题。其中，冯梅^［1］提出的基于Web技术的计算辅助教学系统只提供基础的流体力学仿真计算功能，缺乏针对特定问题或复杂场景的深入分析和解决方案；缺少对学生学习效果的实时反馈和评估机制，无法有效监控学生的学习进度和掌握程度。张小寒^［2］提出的基于人工智能的计算辅助教学系统只支持单一目标的优化求解，无法满足复杂流体力学问题的多目标优化需求，这限制了系统在实际工程中的应用范围和效果。

多目标遗传算法作为一种启发式优化算法，通过不断迭代进化来逼近最优解，能够同时处理多个目标函数，为流体力学仿真计算辅助教学系统提供一组满足多个目标的优化解^［3］。因此，本文利用多目标遗传算法，开展了流体力学仿真计算辅助教学系统研究。

1"系统总体设计

本文基于多目标遗传算法对流体力学仿真计算辅助教学系统展开设计，总体设计如图1所示。

根据图1内容，本文聚焦于系统硬件平台的搭建，以确保能够高效运行复杂的流体仿真计算。在软件设计层面，构建了流体力学仿真计算数据库，用于存储和管理仿真数据，为仿真计算提供坚实的数据支撑。设计并实现了基于多目标遗传算法的仿真计算模块，该模块能够优化仿真参数，提高仿真精度与效率，同时兼顾多个教学目标。本文通过集成先进的算法与计算机技术，为流体力学教学提供了一种创新、高效的辅助教学工具。

2"流体力学仿真计算辅助教学系统硬件设计

系统硬件设计主要围绕高性能计算平台展开，包括高性能计算服务器、存储设备、显示设备以及输入输出设备等。计算服务器配置精良，搭载Intel Xeon Gold 6248R 24核48线程处理器，配备512 GB DDR4 ECC REG内存及NVIDIA Quadro RTX 6000显卡，主板支持多处理器与多通道内存，确保流体力学仿真计算辅助教学系统的高效运行与稳定性能。

计算服务器专用于流体力学仿真，配备RAID 5磁盘阵列保障数据安全，辅以网络附加存储（Network Attached Storage，NAS）设备实现多用户并发访问与数据备份。显示设备集成高分辨率显示器与投影仪，前者支持多屏与3D显示，后者则高亮高解析，共同优化仿真展示效果^［4］。

输入/输出设备用于用户与系统之间的交互，其选型及配置参数如表1所示。

3"流体力学仿真计算辅助教学系统软件设计

3.1"流体力学仿真计算数据库设计

收集并深入分析流体力学仿真计算相关数据，涵盖实验、理论及用户输入等。基于分析结果，明确数据库架构，包括数据类型、表结构、字段及关系^［5］。识别实体并定义属性，转换为关系表，选用MyISAM引擎构建数据库，以高效存储仿真计算数据。本文设计的流体力学仿真计算数据库如表2所示。

将收集到的数据加载到数据库中并进行数据校验和测试，定期备份数据库以防止数据丢失并测试备份的恢复能力。

3.2"基于多目标遗传算法的仿真计算模块设计

本模块旨在利用多目标遗传算法进行仿真计算，以优化流体力学或其他相关领域的计算问题。通过多目标遗传算法，可以在满足多个约束条件的同时，找到一组最优解^［6］。明确仿真计算的目标和约束条件，设定种群大小为100，迭代200次，交叉概率0.8，变异概率0.01并保留20%精英个体。

依据用户参数动态生成初始种群，每个个体代表问题潜在解。采用特定评估机制计算个体适应度值，以量化其对问题的适应性。适应度值的计算方法基于一个特定的数学公式，该公式将用于量化个体在解决问题上的表现，具体公式如下所述：

F（x）=∑ni=1wi·fi（x）（1）

其中，wi表示每个目标函数分配的权重；fi（x）表示单个目标函数；x表示种群中的一个个体；i表示目标函数的索引。依据个体适应度筛选优秀父代，执行交叉与变异操作以生成新种群，随后进行非支配排序与拥挤距离评估，迭代优化直至满足终止条件。系统内置接口确保参数接收与结果反馈的顺畅，同时监控仿真过程并记录日志。最终，优化结果经可视化处理，以直观形式呈现给用户，实现高效、精准的流体力学仿真计算与优化。

4"系统测试

4.1"测试准备

基于设计流程，搭建流体力学仿真计算辅助教学系统，并设定实验测试环境：采用Windows 10操作系统，编程语言为Python 3.8，仿真软件选用ANSYS Fluent 2022，遗传算法库则选用DEAP。如此，用以全面评估系统性能与效率。

配置设计系统的测试环境，安装流体力学仿真软件，收集或生成流体力学仿真的初始参数和边界条件数据。为验证系统性能，设计600个测试用例，对比本文提出的基于多目标遗传算法的流体力学计算辅助教学系统与冯梅^［1］提出的基于Web技术的辅助教学系统和张小寒^［2］提出的基于人工智能的辅助教学系统，即为对照组1和对照组2，在实际操作中的表现，全面评估并凸显本文系统的优势。

4.2"测试结果

为了全面评估这一性能，将教学资源的有效分配设为系统测试的核心评估指标，记录实验过程中仿真计算教学资源的分配数据。实验结果如图2所示。

在图2所示的数据集中，存在一部分数据被识别为错误数据，而有效数据与错误数据的比例大致为1∶1。在逐步增加数据量的背景下，本文所构建的基于多目标遗传算法的流体力学仿真计算辅助教学系统，在资源分配的正确性上，始终保持着显著优势，这一表现超过了2个设定的对照组。

5"结语

本文研发的流体力学仿真计算辅助教学系统，以多目标遗传算法为核心，不仅具有深远的学术研究意""义，还承载着巨大的实际应用价值。该系统凭借多目标遗传算法的强大功能，能够精准地求解复杂的流体力学问题。更为值得一提的是，该系统在面向不同学习水平的学生时，能够以其卓越的精准度和个性化适配能力，进行精准的教学资源辅助分配。

参考文献

［1］冯梅.基于Web技术的计算机专业本科阶段远程辅助教学系统设计［J］.信息与电脑（理论版），2024（1）：111-113.

［2］张小寒.基于人工智能的辅助教学系统应用研究［J］.长江信息通信，2022（11）：235-237.

［3］程小红.线上线下混合式智能辅助教学系统关键技术设计与实现［J］.办公自动化，2023（6）：36-38.

［4］曹世豪，陈俊旗，郑德乾，等.基于线上线下混合教学模式的流体力学课程思政教学设计［J］.科教文汇，2022（19）：49-52.

［5］朱斌，吴亚东，靳淇超.机械CAD/CAM课程基础理论虚拟仿真实验教学系统［J］.实验室研究与探索，2022（6）：224-228.

［6］陈学彬，卓献荣，李雪梅，等.基于产业导向的数字化建模与仿真人才培养模式探索：以工程流体力学教学为例［J］.高等建筑教育，2022（3）：63-69.

（编辑"沈"强编辑）

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