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！

龙图腾网获悉西北工业大学宁波研究院;西北工业大学申请的专利一种光机腔式加速度计设计参数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：CN119939825B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202510430826.X，技术领域涉及：G06F30/17；该发明授权一种光机腔式加速度计设计参数优化方法是由卢乾波;孙佳欣;王振山;吴超辉;吴霜;肖清雄;王小旭设计研发完成，并于2025-04-08向国家知识产权局提交的专利申请。

本一种光机腔式加速度计设计参数优化方法在说明书摘要公布了：本发明涉及一种光机腔式加速度计设计参数优化方法，使用最优化模型和粒子群优化与差分进化融合算法的结合对光学位移测量单元和微机械加速度敏感单元进行核心参数优化，而粒子群优化与差分进化融合算法专门针对复杂的约束条件，且在计算中不易忽略关键参数，进而不会导致在设计过程中丧失重要的多样性。经过粒子群优化与差分进化融合算法的多次模拟计算与算法寻优,能够确定光机腔式加速度计最优结构参数,从而提升光机腔式加速度计的结构的性能,提升光机腔式加速度计的测量精度。

本发明授权一种光机腔式加速度计设计参数优化方法在权利要求书中公布了：1.一种光机腔式加速度计设计参数优化方法，其特征在于，包括如下步骤： S1：构建用于获取光学位移测量单元的结构参数以令所述光学位移测量单元的对称性响应和对比度取值最优的第一最优化模型，并通过粒子群优化与差分进化融合算法求解所述第一最优化模型以获得第一最优解，基于所述第一最优解制备所述光学位移测量单元； S2：构建用于获取微机械加速度敏感单元的结构参数以令所述微机械加速度敏感单元的灵敏度和线性度取值最优的第二最优化模型，并通过粒子群优化与差分进化融合算法求解所述第二最优化模型以获得第二最优解，基于所述第二最优解制备所述微机械加速度敏感单元，且与所述步骤S1制备的所述光学位移测量单元组装以获得光机腔式加速度计； 所述步骤S1包括如下步骤： S11：基于所述光学位移测量单元中的薄膜光腔结构的工程实施需求确定薄膜光腔结构参数的取值范围，将该取值范围作为第一取值空间； S12：以对称性响应和对比度参量为自变量的二元分片光滑函数为适应度，且以所述适应度的最小值为求解目标，以所述第一取值空间为约束条件，获得所述第一最优化模型； S13：通过粒子群优化与差分进化融合算法求解所述第一最优化模型以获得所述第一最优解； 所述步骤S13包括如下步骤： S131：采用种群规模为N的粒子群，以所述第一取值空间的N个向量作为诸粒子的初始位置，且设置最大迭代次数； S132：将粒子群划分为四组，规定第一组中所有粒子均以差分趋肆策略进行位置更新，规定第二组中所有粒子均以差分趋优策略进行位置更新，规定第三组中所有粒子均以综合学习策略进行位置更新，规定第四组中所有粒子均以正交学习策略进行位置更新； S133：令所有粒子按所在组所执行的位置更新策略进行一次位置更新，获得各粒子的更新位置，并按更新位置对应的适应度值由小到大的顺序对所有粒子进行排序； S134：分别在各组中提取排序名次先于阈值的所有粒子，并采用轮盘赌策略在这些粒子中选出获胜粒子以获得该组的精英粒子； S135：根据各组中粒子位置更新前后对应的适应度值对比获得该组的停滞个体，并分别在各组的停滞个体中随机选出若干个停滞个体以获得各组的抽样停滞个体； S136：分别通过令各组的抽样停滞个体向该组的精英粒子学习的方式对该组的抽样停滞个体进行位置更新以获得各自的更新位置； S137：判断当前是否已到达最大迭代次数； 若是，则将当前获得的最小适应度值所对应的粒子所在位置作为所述第一最优解； 若否，则回转执行所述步骤S133； 以所述差分趋肆策略进行位置更新的方式包括如下步骤； A1：通过如下替换公式分别获得第一组中各粒子的变异向量： vi＝xi+F·xr1-xi+F·xr2-xr3， 式中， vi代表第一组中的第i个粒子的变异向量； xi代表第一组中的第i个粒子的当前位置； xr1、xr2和xr3代表在第一组中随机抽取的三个粒子的当前位置； F代表通过柯西分布调节获得的缩放因子； A2：通过二项式交叉算式分别利用第一组中各粒子的变异向量获得各粒子的试验向量；所述二项式交叉算式如下： 式中， uij代表第一组中的第i个粒子的试验向量的第j维度的值； vij代表第一组中的第i个粒子的变异向量的第j维度的值； xij代表第一组中的第i个粒子的当前位置的第j维度的值； rand0,1代表从区间0,1中随机选取的数； CR代表通过正态分布调节获得的数； J代表从不超过所述第一取值空间的空间维度的正整数中随机抽取的数； A3：分别获得第一组中各粒子的当前位置对应的适应度值和试验向量对应的适应度值，然后根据如下公式对各粒子的当前位置进行更新： 式中， 代表第一组中的第i个粒子的更新位置； ui代表第一组中的第i个粒子的试验向量； Fxi代表第一组中第i个粒子的当前位置对应的适应度值； Fui代表第一组中第i个粒子的试验向量对应的适应度值； 以所述差分趋优策略进行位置更新的方式包括如下步骤： B1：通过如下替换公式分别获得第二组中各粒子的变异向量： 式中， μi代表第二组中的第i个粒子的变异向量； yi代表第二组中的第i个粒子的当前位置； yr1代表在第二组中随机抽取的一个粒子的当前位置； ypbest代表第二组中粒子的历史最优位置； 代表在第二组中随机抽取的一个粒子的历史最优位置； B2：通过二项式交叉算式分别利用第二组中各粒子的变异向量获得各粒子的试验向量； B3：分别获得第二组中各粒子的当前位置对应的适应度值和试验向量对应的适应度值，然后根据如下公式对各粒子的当前位置进行更新： 式中， 代表第二组中的第i个粒子的更新位置； vi代表第二组中的第i个粒子的试验向量； Fyi代表第二组中第i个粒子的当前位置对应的适应度值； Fvi代表第二组中第i个粒子的试验向量对应的适应度值； 以所述综合学习策略进行位置更新的方式为通过如下公式进行位置更新： 式中， 代表第三组中的第i个粒子的第t次更新位置； 代表第三组中的第i个粒子的第t次更新速度； ω代表速度权重； c1代表目标因子； 代表0到1之间的随机数； 代表第三组中的第i个粒子在被执行第t次更新速度时通过自我学习和或竞争学习的方式获得的最优位置； 以所述正交学习策略进行位置更新的方式为通过如下公式进行位置更新： 式中， 代表第四组中的第i个粒子的第t次更新位置； 代表第四组中的第i个粒子的第t次更新速度； 代表在第t次更新后第四组中的第i个粒子的个体历史最优位置与第四组中粒子的历史最优位置的正交试验结果。

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西北工业大学宁波研究院;西北工业大学，其通讯地址为：315100 浙江省宁波市高新区清逸路218弄智造港A区；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”。