基于多目标遗传算法的潜器外形优化设计

计算流体力学软件应用于潜水器外形优化设计时,精度虽高,但效率低下。因此研究了试验设计和响应面模型技术,提出了一个潜水器外形优化设计的策略。其基本思想是:首先应用Gambit软件的日志文件建立起水动力分析模型,然后根据设计要求选取设计变量,用试验设计的方法在设计变量空间里选取样本点并进行阻力性能计算,得到各样本点的响应,并建立阻力、包络体积的二阶多项式模型响应面模型。潜水器设计时需要考虑能源与设备布置要求,因此将阻力与体积作为艇型优化的两个目标,研究了多目标遗传算法,并给出了Pareto最优解集。结果表明,文中采用近似模型的艇型优化过程,不但效率得到提高,精度也能得到保证,而且由CFD结果建立的阻力估算公式可以为后续设计带来很高的参考价值。     

多学科优化中的近似模型及其在艇体结构优化中的应用

近似技术是多学科设计优化关键技术之一。系统介绍多学科设计优化中常用的3种近似模型:响应面模型(Response Surface Methodology,RSM)、Kriging模型、径向基函数(Radical Basis Function,RBF)模型。对比分析3类近似模型在典型数学函数不同维度下的拟合性能。结果表明,Kriging模型的综合拟合性能最优,RBF模型次之,RSM拟合性能不佳。在此基础上,通过拉丁超立方试验设计选取样本点,基于Kriging模型构造潜艇平行舯体某舱段耐压壳体结构响应的近似模型,应用粒子群优化算法完成了耐压壳体结构轻量化设计。最优化设计方案质量较初始方案减少了11.99%。     

船舶结构多学科设计优化近似方法的比较

随着船舶结构设计日益复杂,使用统计学方法为复杂的计算机分析建立近似模型已经逐渐成为一种趋势.文章简要地介绍了三种多学科设计优化中常用的建立近似模型的方法;响应面、Kriging和径向基神经网络,并通过两个算例对其性能进行了比较.建立近似模型所需的样本点由一系列随机正交表提供,三种近似方法的性能则通过误差分析来进行比较.除了常用的二阶响应面模型,文中也构造了三阶响应面模型来进行比较.研究结果表明:Kriging方法以其准确性和稳定性,比其它方法更加适合船舶结构的多学科设计优化.     

基于CFD和响应面方法的最小阻力船型自动优化

计算流体动力学CFD方法凭借其较高的计算精度和获取更多流场信息的能力逐渐成为新船型设计重要手段.文章利用iSight多学科优化平台建立了一套船型优化系统,集成了CFD技术、船型变换及自动生成技术和响应面代理模型技术和组合优化算法.编制了船型参数变换和生成系统实现了船型变换和CFD计算程序Shipflow输入数据的自动连接;通过对主要船型参数的控制,实现整个船型优化流程的自动化.采用了进化遗传算法(GA)与二次序列规划法(SQP)相结合的二阶组合优化方法实现了从全局探索再到局部空间寻优的整个流程.同时,将响应面近似模型(RSM)引入到优化进程中,解决了计算精度与优化效率间的矛盾,使得高精度的CFD分析工具融入到船舶优化设计进程中成为可能.最后利用该系统对一条设计船的阻力性能进行了优化.     

基于改进移动最小二乘法的结构可靠性分析

基于改进移动最小二乘法对结构可靠性问题进行分析,数值模拟结果表明,改进方法可有效提高计算精度.具体方法是使用椭圆范数代替二范数来度量样本点到中心点的距离,并根据上次迭代所得到的响应面在中心点处的法向量与坐标轴所成角度,对影响域进行旋转变换;从而将样本点的权重大小由样本点与中心点、响应面的距离共同决定,并将每次迭代得到的响应面函数在中心点处的法向信息包含在内.     

代理模型技术及其在船舶板架强度和稳定性计算中的应用

对比分析了Kriging、径向基函数、多项式响应面三种代理模型在不同样本点比例和不同样本点空间分布下对4类典型数学函数的拟合精度和推广能力。研究结果表明,Kriging模型对典型数学函数具有较好的适用性和推广能力,径向基函数次之,多项式响应面的适应能力不足。在此基础上,基于Kriging方法构造了船舶双层底板架强度和稳定性计算代理模型,讨论了低样本点比例下Kriging模型代替有限元计算分析的适用性以及不同样本点空间分布对代理模型近似误差的影响。计算结果表明,在低样本点比例下一个均匀齐整的样本点空间分布更利于保证代理模型的精度。在所选取的样本点比例下Kriging模型对船舶板架强度和稳定性计算的适用性较好,近似误差满足工程精度要求。     

载人潜器非耐压结构多目标优化设计

基于近似模型技术和多目标优化理论开展框架结构优化设计。针对传统优化方法不能实现自动计算和连续优化的问题,采用APDL参数化语言实现了框架结构的参数化建模,并将Ansys与ISIGHT集成搭建了框架结构的优化设计流程。基于试验设计,根据灵敏度分析完成了框架结构设计变量的筛选,通过近似模型的精度分析构建了框架结构响应面近似模型。采用响应面近似模型进行数值计算,使用智能优化算法完成框架结构单目标和多目标优化设计,并将结果与有限元计算值对比,验证基于近似模型优化的准确性。     

载人潜器非耐压结构多目标优化设计

基于近似模型技术和多目标优化理论开展框架结构优化设计。针对传统优化方法不能实现自动计算和连续优化的问题,采用APDL参数化语言实现了框架结构的参数化建模,并将Ansys与ISIGHT集成搭建了框架结构的优化设计流程。基于试验设计,根据灵敏度分析完成了框架结构设计变量的筛选,通过近似模型的精度分析构建了框架结构响应面近似模型。采用响应面近似模型进行数值计算,使用智能优化算法完成框架结构单目标和多目标优化设计,并将结果与有限元计算值对比,验证基于近似模型优化的准确性。     

面向海洋平台支持船的阻力组合近似模型构建

为了获得更为精确合理的近似模型,在多项式响应面、RBF径向基函数和Kriging三种单一近似模型的基础上构建组合近似模型以实现响应拟合,并以数值函数为例验证组合近似模型的准确性与适用性。以海洋平台支持船的总阻力为研究对象,采用多种试验分析方法进行取样,根据样本点及阻力响应值完成了组合近似模型的构建,并与模型试验及其单一近似模型进行对比分析。研究结果表明：与单一近似模型相比,组合近似模型所得的阻力响应值更接近模型试验结果,能够有效提高计算精度与设计效率,在海洋平台支持船的初步设计中具有较大的应用价值。     

多学科设计优化在桁架式Spar平台概念设计中的应用(英文)

在传统的桁架式Spar设计过程中,设计人员通常只选择一个或两个学科作为某个阶段的设计目标,而没有把设计过程作为一个整体进行研究.同时,传统的设计方法没有充分考虑决定Spar性能的多个学科之间的相互影响和耦合作用.因而,传统的设计方法很难获得最优的设计方案.为解决这一问题,该文将多学科设计优化方法引入桁架式Spar的概念设计,以实现真正的设计优化.文中首先介绍了桁架式Spar的传统设计方法以及多学科设计优化的基本理论,讨论了如何将多学科优化技术应用于Spar平台的概念设计.进而提出了一种适用于Spar设计的多学科设计优化方法-基于响应面的协同优化方法,并基于该方法,建立了桁架式Spar的设计优化框架.最后,对今后的研究方向提出了几点建议.     

多学科设计优化研究应用现状综述

多学科设计优化是一种通过充分探索和利用系统中的相互作用的协同机制来设计复杂系统工程和子系统的方法论。综述了多学科设计优化研究和应用领域的当前进展,并针对多学科设计优化发展的两大难题——计算代价和组织复杂性,介绍了多学科设计优化的主要内容。然后分别介绍了当前处理多学科设计优化的两种方法——试验设计和多学科优化算法。船舶和海洋工程结构物设计也是一个涉及到多个学科的系统工程,然而多学科设计优化的应用却很少,因此实现船舶与海洋工程结构设计的多学科设计优化也必将具有十分广阔的前景。     

多种多学科设计优化方法的比较研究

多学科设计优化(Multidisciplinary Design Optimization,MDO)是一种通过充分探索和利用系统间的相互作用的协同机制来设计复杂系统工程和子系统的方法论.随着多学科设计优化方法在船舶与海洋工程中的广泛应用,多学科设计优化方法越来越受到重视,目前已经发展出了多种不同的具体算法.该文的主要目的就是对这些现有的算法开展比较研究,为后续的应用选择奠定基础.论文首先介绍了MDO算法的分类和发展,对各种MDO算法的优缺点进行了比较分析,最后再通过具体算例来显示这些方法的差别.     

多学科设计优化技术在舰船设计中的应用

介绍多学科优化设计的主要基本理论、研究和应用状况及发展前景,根据舰船设计特点进行舰船多学科设计优化分析,重点分析舰船结构设计中的多学科设计优化问题,建立优化数学模型是多学科优化设计的重要内容,并对数学模型进行了分析。     

舰船多学科综合优化设计计算环境研究

多学科综合优化设计（MDO）是当前复杂系统设计研究中一个最新、最活跃的领域，而多学科综合优化设计计算环境是MDO体系中较为活跃的研究内容之一。在对多学科综合优化计算环境特点分析的基础上，结合国外舰船研制领域中MDO的典型应用，提出了适合我国舰船研制模式的MDO计算环境体系结构，可为舰船MDO的研究方向提供有力的参考。     

多学科设计优化:载人潜水器设计的一种新工具

多学科优化作为一种新的设计方法,已经成功地应用在很多领域,如飞机制造,太空船,汽车制造等.传统的载人潜水器设计并不是一种最优的设计方法,并且在载人潜水器的设计过程中所要涉及多种技术学科.将多学科优化方法引进载人潜水器的设计,从而可以实现真正的设计优化.本文介绍了多学科优化的基本理论和方法,整体构架,并介绍了探索设计空间的算法.在对多学科优化设计方法理解的基础上,提出了在载人潜水器设计中如何应用的初步考虑.     

多学科设计优化在船舶水动力性能优化中的应用

阐述了多学科优化设计方法(Multidisciplinary Design Optimization,MDO)的发展应用情况。详细论述了基于协同优化方法的数学模型、优化原理和优化流程。针对水动力性能优化,分析了系统层和各学科的优化要素,初步建立了数学模型和优化框架。     

多学科设计优化方法用于船舶设计

为了提供更好地满足不断提高的军方和商业市场需求的产品.现代船舶设计需要获得真正的最优设计.它需要综合考虑所有学科以及它们之间的相互关系.船舶设计中涉及到的学科数目是如此众多,它们之间的相互关系是如此复杂以至于需要寻求一种新的设计技术来替代传统的设计螺旋方法.多学科设计优化(MDO)方法正是一种新的广泛应用于复杂工程系统的设计方法.在本文中,我们主要介绍了中国船舶科学研究中心将MDO应用于船舶设计的研究情况.我们应用iSlGHT软件集成美国弗吉尼亚大学公布的CGX设计模块来演示将MDO方法应用到船舶设计的整个过程,获得了比他们更优化的解.CGX模块也用来说明我们提出的子系统划分的概念.最后,基于我们的研究经验,我们也总结了一个在船舶设计中应用MDO方法的一般应包括的内容.     

舰船概念设计发展趋势

随着舰船系统的日益复杂,更新舰船设计理论及方法就成了迫切需要解决的问题.本文在对国外舰船概念设计理论及方法的研究现状进行分析的基础上,对我国舰船概念设计进行总结,得出数学船、多学科间耦合作用分解以及多学科优化将会是未来我国发展舰船概念设计综合集成系统需要解决的关键技术难题.     

CGX巡洋舰多学科设计优化模型的再分析

传统的设计螺旋方法由于割裂了学科间耦合,得到的设计往往是满足设计要求的设计而不是最优的设计.多学科设计优化(MDO)方法正是一种能得到最优设计的新设计方法,MDO目前被广泛应用于复杂工程系统的设计中.文中对多学科设计优化的理论进行了简要综述,在此基础上为了演示MDO方法应用于舰船设计,采用iSIGHT对国外的CGX巡洋舰概念设计的13个模块进行了集成,建立了MDO模型并优化,得到了较好的优化解.在此基础上采用神经网络重新建立了该MDO模型,将优化结果和原MDO模型优化结果进行了比较.     

Application of the optimal Latin hypercube design and radial basis function network to collaborative optimization

Improving the efficiency of ship optimization is crucial for modern ship design. Compared with traditional methods, multidisciplinary design optimization (MDO) is a more promising approach. For this reason, Collaborative Optimization (CO) is discussed and analyzed in this paper. As one of the most frequently applied MDO methods, CO promotes autonomy of disciplines while providing a coordinating mechanism guaranteeing progress toward an optimum and maintaining interdisciplinary compatibility. However, there are some difficulties in applying the conventional CO method, such as difficulties in choosing an initial point and tremendous computational requirements. For the purpose of overcoming these problems, optimal Latin hypercube design and Radial basis function network were applied to CO. Optimal Latin hypercube design is a modified Latin Hypercube design. Radial basis function network approximates the optimization model, and is updated during the optimization process to improve accuracy. It is shown by examples that the computing efficiency and robustness of this CO method are higher than with the conventional CO method.