论文标题： Multi-Objective Optimization of an Adaptive Cycle Fan Based on XAI-Driven Feature Selection

论文链接：https://www.mdpi.com/2226-4310/13/3/247

期刊名：Aerospace

期刊主页：https://www.mdpi.com/journal/aerospace

自适应变循环发动机同时具备涡喷发动机大推力和涡扇发动机低油耗的优势，被认为是下一代先进战斗机的主要动力型式。自适应变循环风扇是自适应变循环发动机的核心部件，对于变循环特性的实现发挥着关键的作用。来自清华大学郑新前教授团队的杨合理博士等人在Aerospace期刊发表了文章，采用可解释人工智能（EXplainable Artificial Intelligence, XAI）方法，开展了自适应变循环风扇的优化设计研究，为航空发动机及其他复杂系统的高维多目标优化设计提供了新的方法。

自适应变循环风扇结构示意图

研究过程与结果

针对高维气动优化设计问题，本文提出了一种XAI驱动特征选择的多目标优化新方法。首先，对自适应变循环风扇进行参数化分析，以获取全部特征参数。由于特征参数多、问题维度高，采用拉丁超立方采样方法构建特征参数的样本空间。随后，通过CFD数值仿真获得自适应变循环风扇在样本空间内的性能。利用神经网络建立特征参数与性能参数之间的代理模型，并将该代理模型作为评估函数，在由当前特征子集构成的搜索空间内运行遗传算法进行优化。基于优化结果，确定特征选择的策略，利用SHAP方法分析特征重要性，通过后向选择剔除低敏感性特征或通过前向选择加入高敏感性特征，从而在优化过程中动态调整特征空间，以确保多目标优化获得全局最优解。本方法实现了特征选择与优化设计的动态闭环迭代，避免了静态特征选择的盲目性，有效防止优化过程陷入局部最优，从而得到全局最优解。此外，XAI的可解释性不仅用于事后分析，还直接参与特征空间的更新决策，进一步提升了方法的准确性。

基于XAI驱动特征选择的多目标优化方法流程图

为了实现在优化过程中对特征空间进行动态调整，本文定义了综合评价指标Q，该指标同时考虑了帕累托前沿质量、代理模型精度以及优化目标偏好。根据Q值的变化趋势，评估当前优化效果并指导特征空间的动态调整方向。

利用所建立的多目标优化方法，实现了自适应变循环风扇最优特征参数的准确识别，从119个初始特征参数中精准识别出66个最优特征子集，得到了全局最优的帕累托前沿。通过开展对比研究，验证了在优化过程中动态调整特征空间的必要性。当不采用前向特征选择时，存在特征剔除的不可逆性，导致部分通过耦合效应发挥作用的关键特征被永久剔除。前向选择能够有效捕捉对性能具有潜在贡献的特征参数，是提升全局寻优能力与最终优化质量的关键环节。

不同指标参数在优化过程中随迭代的变化规律

不同性能参数对应的特征参数重要性

最优特征参数分布区域及其重要性

基于多目标优化结果，在满足结构强度与可制造性约束的前提下，最终优化方案实现了压比与效率的协同提升。与基准方案相比，在相同背压条件下，内涵压比由2.71提升至2.81，内涵效率由80.80%提升至82.92%，同时保持了良好的涵道比匹配特性。

基准方案与优化方案性能对比

研究总结

针对自适应变循环风扇面临的高维空间优化设计问题，本文提出了一种基于XAI驱动特征选择的多目标优化新方法。该方法融合了神经网络模型、SHAP可解释性分析与遗传算法，通过综合考虑帕累托前沿质量、代理模型精度以及优化目标偏好，构建了综合评价指标Q作为反馈信号，通过SHAP分析进行双向特征选择，从而实现了动态闭环的特征选择与多目标优化过程。利用该方法，从自适应变循环风扇的119个初始特征参数中精准识别出66个最优特征参数，得到了全局最优的帕累托前沿。通过对比不采用前向特征选择的结果，证实了在优化过程中动态调整特征空间的必要性。最终优化方案在相同背压工况条件下，保持涵道比匹配特性的同时，将内涵压比由2.71提升至2.81，内涵效率由80.80%提升至82.92%。本文所提出的XAI增强的多目标优化方法，为解决复杂系统的高维空间多目标优化设计问题提供了一种新的思路。

Aerospace期刊介绍

主编：Konstantinos Kontis, University of Glasgow, Scotland, UK

Aerospace期刊致力于发表航空航天科学、工程和技术相关的创新研究，涵盖飞行器设计、推进系统、飞行控制、先进材料、空间科学、航空电子、无人机系统（UAS）、城市空中交通（UAM）、可持续航空、航空安全以及前沿技术等。鼓励跨学科研究，推动航空航天科技发展，欢迎实验、仿真与理论研究的原创成果及综述。