1.本技术涉及船型优化设计的相关技术领域，尤其涉及实现精简海量数值计算和找到全局最优船型的快速方法。
背景技术：2.在船型优化设计问题中，优化时长和计算资源主要耗费在大量的数值计算环节。船型优化设计不再仅仅关注全局的水动力性能(快速性、耐波性以及操纵性)，有时甚至需要针对局部的流场特性(比如首部垂向加速度、尾部伴流均匀程度以及某点的动压力值等)进行优化，因此，高精度的粘流理论(或称粘性cfd方法)的数值计算评估应用需求越来越大，但其耗费的计算资源和计算时间都较大，而船型优化过程中涉及大量新船型方案的数值计算评估，这阻碍了基于高精度的粘流数值计算的船型优化设计方法广泛应用于实际工程。
技术实现要素：3.鉴于以上所述现有技术的缺点，本发明提供一种基于最大化期望提高算法的船型优化快速方法，包括如下步骤：
4.1)生成初始样本船型库，构建初始近似模型；
5.2)根据初始近似模型构建期望提高函数e(i)；
6.4)最大化e(i)函数产生新的样本船型；
7.4)将新的样本船型加入样本船型库，根据新的样本船型库重建近似模型和期望提高函数e(i)；
8.5)再重复步骤3)和4)，如此往复；
9.6)当期望提高函数e(i)满足迭代收敛条件停止优化，新添加的样本船型中目标性能最低的样本船型为最优船型。
10.优选地，步骤1)中，根据船型变换方法确定变形参数，采用优化拉丁超立方方法生成一系列初始样本船型，并通过cfd数值模拟计算出每条初始样本船型的目标性能值，构建初始近似模型；具体包括：
11.从母型船的iges文件处理开始，选择变形方法及变形区域，由此确定相应的变形参数作为设计变量，并给定其上下界，以及需要服从的约束条件；然后选择采样方法采样新船型，生成初始样本船型，再批量生成样本船型网格及其对应的计算域网格，采用cfd方法计算样本船型的目标水动力性能；通过kriging方法，并根据样本船型相应的变形参数值以及目标水动力性能构建二者之间的近似模型以及模型的方差。
12.优选地，步骤2)具体包括：
13.假设所述初始样本船型的个数为n，y(n)为对应的目标性能值，f
min
＝min(y(1),...,y(n))为当前函数最小值，对于另一未知样本船型x，其目标性能值y(x)是未知的，将y(x)的不确定性作如下处理：认为y(x)是一个符合正态分布的随机变量其中
是kriging模型预报的值，s2是kriging模型预报的方差，当随机变量y具有比目前更小的可能性时，则将作为新的样本点加入初始样本船型库。
14.优选地，步骤2)还包括：
15.定义i＝max(f
min-y,0)，因为y是随机变量，因此i也是随机变量，定义期望提高函数e(i)≡e[max(f
min-y,0)]，将所述期望提高函数的右边项用积分形式表示，再通过一系列冗长的推导得到以下封闭形式的表达：
[0016][0017]
其中，φ(
·
)和φ(
·
)分别为标准正态密度函数和标准正态分布函数；
[0018]
将e(i)最大时对应的作为新的样本船型加入初始样本船型库，从而完成步骤3)～4)。
[0019]
优选地，e(i)对及s的偏导分别为：
[0020][0021][0022]
当某点的预测值很小时，就很大，同时根据式(1)，越小，e(i)就越大，预测值就占主导地位，引导算法向预测值极小处迭代寻优；当某点的预测误差s很大时，根据式(2)，e(i)就越大，引导ego算法向预测误差极小处迭代寻优，从而将误差大的点选中加入样本船型库，然后通过多次的循环迭代缩小误差，逐步逼近真实值。
[0023]
如上所述，本发明提供一种基于最大化期望提高算法的船型优化快速方法，该优化快速方法包括以下步骤：1)生成初始样本船型库，构建初始近似模型；2)根据初始近似模型构建期望提高函数e(i)；3)最大化e(i)函数产生新的样本船型；4)将新的样本船型加入样本船型库，根据新的样本船型库重建近似模型和期望提高函数e(i)；5)再重复步骤3)和4)，如此往复；6)当期望提高函数e(i)满足迭代收敛条件停止优化，新添加的样本船型中目标性能最低的样本船型为最优船型。基于最大化期望提高算法，将高精度cfd数值仿真应用于船型优化设计实际工程中，使得船型优化设计从数值计算的整体计算量的角度大大缩减计算成本和计算时间。该方法兼顾了近似模型的精度提升和全局最优解的探索，且具有通用性和可扩展功能性。该方法很好地避免了寻优搜索过程陷入局部最优的风险和过度依赖初始近似模型的精度问题，达到同时兼顾寻优效率和全局寻优的效果，缩短了船型优化设计周期。
附图说明
[0024]
图1显示为基于cfd方法的船型优化的一般流程图。
[0025]
图2显示为本发明中基于ego算法的船型优化的整体流程图。
[0026]
图3显示为一维函数的近似模型和它的不确定性分析。
[0027]
图4显示为本发明中基于ego算法的船型优化的详细流程图。
[0028]
图5显示为变形参数对应变形船型。
[0029]
图6显示为阻力最大降幅优化收敛过程图。
[0030]
图7显示为最优船型示意图。
具体实施方式
[0031]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
[0032]
如在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0033]
为了方便描述，此处可能使用诸如“之下”、“下方”、“低于”、“下面”、“上方”、“上”等的空间关系词语来描述附图中所示的一个元件或特征与其他元件或特征的关系。将理解到，这些空间关系词语意图包含使用中或操作中的器件的、除了附图中描绘的方向之外的其他方向。此外，当一层被称为在两层“之间”时，它可以是所述两层之间仅有的层，或者也可以存在一个或多个介于其间的层。本文使用的“介于
……
之间”表示包括两端点值。
[0034]
在本技术的上下文中，所描述的第一特征在第二特征“之上”的结构可以包括第一和第二特征形成为直接接触的实施例，也可以包括另外的特征形成在第一和第二特征之间的实施例，这样第一和第二特征可能不是直接接触。
[0035]
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，其组件布局型态也可能更为复杂。
[0036]
如图1所示，现有技术中，对船型优化的一般流程为：从母型船的iges文件处理开始，选择变形方法及变形区域，由此确定相应的变形参数作为设计变量，并给定其上下界，以及需要服从的约束条件；然后选择合适的采样方法采样新船型，生成样本船型，再批量生成样本船型网格及其对应的计算域网格，采用cfd方法计算样本船型的目标水动力性能；根据样本船型相应的变形参数值以及目标水动力性能构建二者之间的近似模型；然后根据近似模型优化求解，得到最优解(集)，将其反馈给船型变换模块，得到最优船型，最后采用cfd方法对优化船型进行数值模拟，分析和验证其优化效果。其中，在对近似模型优化及求解过程中，需要耗费大量时间及算力，阻碍了cfd方法在实际工程中的应用。因此，本发明基于最大化期望提高算法，提出一种应用于船型优化设计的方法。
[0037]
如图2所示，本发明提供一种基于最大化期望提高算法的船型优化快速方法，该方法包括以下步骤：
[0038]
1)生成初始样本船型库，构建初始近似模型；
[0039]
2)根据初始近似模型构建期望提高函数e(i)；
[0040]
3)最大化e(i)函数产生新的样本船型；
[0041]
4)将新的样本船型加入样本船型库，根据新的样本船型库重建近似模型和期望提
高函数e(i)；
[0042]
5)再重复步骤3)和4)，如此往复；
[0043]
6)当期望提高函数e(i)满足迭代收敛条件停止优化，新添加的样本船型中目标性能最低的样本船型为最优船型。
[0044]
进一步地，步骤1)中，根据船型变换方法确定变形参数，采用优化拉丁超立方方法生成一系列初始样本船型，并通过cfd数值模拟计算出每条初始样本船型的目标性能值，构建初始近似模型。具体包括：
[0045]
从母型船的iges文件处理开始，选择变形方法及变形区域，由此确定相应的变形参数作为设计变量，并给定其上下界，以及需要服从的约束条件；然后选择采样方法采样新船型，生成初始样本船型，再批量生成样本船型网格及其对应的计算域网格，采用cfd方法计算样本船型的目标水动力性能；通过kriging方法(克里金法)，并根据样本船型相应的变形参数值以及目标水动力性能构建二者之间的近似模型以及模型的方差；
[0046]
进一步地，步骤1)获得近似模型后，即可用于评估任一组新变形参数对应的目标性能值，从而用于评估任一新变形船体对应的目标性能，再由近似模型和其方差构造出期望提高函数e(i)。步骤2)具体包括：
[0047]
假设所述初始样本船型的个数为n，y(n)为对应的目标性能值，f
min
＝min(y(1),...,y(n))为当前函数最小值，对于另一未知样本船型x，其目标性能值y(x)是未知的，当然，它的值是唯一的，只是我们不知道。将y(x)的不确定性作如下处理：认为y(x)是一个符合正态分布的随机变量其中是kriging模型预报的值，s2是kriging模型预报的方差。
[0048]
当随机变量y具有比目前f
min
更小的可能性时，则将作为新的样本点加入初始样本船型库，
[0049]
定义i＝max(f
min-y,0)，因为y是随机变量，因此i也是随机变量，定义期望提高函数
[0050]
e(i)≡e[max(f
min-y,0)]，将所述期望提高函数的右边项用积分形式表示，再通过一系列冗长的推导可以得到以下封闭形式的表达：
[0051][0052]
其中，φ(
·
)和φ(
·
)分别为标准正态密度函数和标准正态分布函数。
[0053]
事实上，所述期望提高函数在样本点处值为0，并且其他地方的值都是正数(尽管也许会很小)。将e(i)最大时对应的作为新的样本船型加入初始样本船型库，即步骤4)。
[0054]
其中，e(i)对及s的偏导分别为：
[0055][0056]
[0057]
当某点的预测值很小时，就很大，同时根据式(1)，越小，e(i)就越大，预测值就占主导地位，引导ego算法向预测值极小处迭代寻优。当某点的预测误差s很大时，根据式(2)，e(i)就越大，引导ego算法向预测误差极小处迭代寻优，也就是将误差大的点选中加入样本船型库，然后通过多次的循环迭代缩小误差，逐步逼近真实值。由于ei函数的该原理，在步骤3)的寻优过程中，ego算法很好地避免搜索过程陷入局部最优的风险，达到同时兼顾寻优效率和全局寻优的效果。另外，很重要的一点它也避免了过度依赖近似模型的精度。
[0058]
下面以一维函数为例具体说明寻优的原理。如图3所示，real function曲线代表真实值，但我们事先并不知道。现在根据图中的5个独立的样本点来拟合得到预测曲线kriging predictor。对于样本点x＝0.77，我们并不知道他的y值，可以认为这点的函数值是一个随机变量y，并通过预测曲线给出了其正态分布密度函数曲线，那么由图可见，它是有比目前的最小值f
min
更小的可能性的，因为密度函数曲线延伸至直线y＝f
min
下。不同的密度函数与在直线y＝f
min
下的不同距离(或者比目前最小值的不同提高量)有直接关系。如果我们以此衡量这些可能的提高量，我们就可以得到“期望改善”。进一步创建关于预测曲线的e(i)，将e(i)最大时对应的样本点加入初始的5个样本点，重复上述过程，进一步迭代优化。
[0059]
实施例一
[0060]
本实施例对优化方法做进一步解释说明。构建初始近似模型的过程(即步骤1))与图1所示的现有技术类似，此处不再赘述。如图4所示，在通过构建初始近似模型后，循环步骤具体如下：
[0061]
s1：构造ei函数，然后通过优化该函数找出最优解x*；
[0062]
s2：将x*加入整个优化问题的最优解集x中；
[0063]
s3：x*作为新增样本点，同时生成新的样本船型nurbs曲面以及其船体网格，继而得到计算域体网格；
[0064]
s4：采用cfd方法评估该新样本船型的目标水动力性能y*；
[0065]
s5：更新样本空间为si＝[x1ꢀ…ꢀ
x
n x
*
]
t
，(其中，i表示迭代次数)重构近似模型；
[0066]
s6：重复s1～s5，直到满足迭代终止条件；
[0067]
s7：从x中得到最优解(集)，并输出船型iges文件。
[0068]
可见当采用ego方法进行优化时，无需再进行cfd数值验证，因为每一次迭代所得最优船型都是通过cfd数值计算，而不是用近似模型评估的。
[0069]
以一国际标准船模s60为例，船型变形范围为整船，优化目标为在设计航速fr＝0.27下的总阻力值。采用了rbf方法以及平移法进行局部和整体的船型变换，涉及船型变形参数为x＝(x1，x2，x3，x4，x5，x6，x7)，其中，前四个设计变量是平移法中的参数，主要控制全船排水体积纵向分布，后三个设计变量是rbf方法中的参数，主要控制首部形状，一组变形参数对应一种变形船型，如图4所示。
[0070]
首先采用了olhs方法采样了64个初始样本船型，对样本船型采用cfd方法求解总阻力值，然后得到64组数据，通过kriging构建初始近似模型，然后采用最大化期望提高算法迭代求解最小阻力值。得到阻力最大降幅优化收敛过程如图5，从图中可以看出经过了13
次迭代优化已经达到收敛，并且可以得知收敛后得到总阻力最大降幅为5.06％。值得注意，根据对ego方法的描述，它每一次迭代新添加的点都是通过cfd进行数值计算的(本方法认为是精确计算值)，因此这个优化结果并不是单纯通过近似模型优化得来，而是本身就是通过cfd数值计算确认的。将最优的船型变形参数反馈到船型变换模块中便可输出最优船型如图6所示。
[0071]
综上所述，本发明提供一种基于最大化期望提高算法的船型优化快速方法，该优化快速方法包括以下步骤：1)生成初始样本船型库，构建初始近似模型；2)根据初始近似模型构建期望提高函数e(i)；3)最大化e(i)函数产生新的样本船型；4)将新的样本船型加入样本船型库，根据新的样本船型库重建近似模型和期望提高函数e(i)；5)再重复步骤3)和4)，如此往复；6)当期望提高函数e(i)满足迭代收敛条件停止优化，新添加的样本船型中目标性能最低的样本船型为最优船型。基于最大化期望提高算法，将高精度cfd数值仿真应用于船型优化设计实际工程中，使得船型优化设计从数值计算的整体计算量的角度大大缩减计算成本和计算时间。该方法兼顾了近似模型的精度提升和全局最优解的探索，且具有通用性和可扩展功能性。该方法很好地避免了寻优搜索过程陷入局部最优的风险和过度依赖初始近似模型的精度问题，达到同时兼顾寻优效率和全局寻优的效果，缩短了船型优化设计周期。
[0072]
需要说明的是，本技术以自主开发的程序包为例，但不仅限于此，针对三维软件进行上述相应方法的二次开发亦可实现该方法。此外该方法不局限于船体三维曲面的优化，可针对任何几何曲面实现快速优化。
[0073]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
技术特征：1.一种基于最大化期望提高算法的船型优化快速方法，其特征在于，包括如下步骤：1)生成初始样本船型库，构建初始近似模型；2)根据初始近似模型构建期望提高函数e(i)；3)最大化e(i)函数产生新的样本船型；4)将新的样本船型加入样本船型库，根据新的样本船型库重建近似模型和期望提高函数e(i)；5)再重复步骤3)和4)，如此往复；6)当期望提高函数e(i)满足迭代收敛条件停止优化，新添加的样本船型中目标性能最低的样本船型为最优船型。2.根据权利要求1所述的船型优化快速方法，其特征在于：步骤1)中，根据船型变换方法确定变形参数，采用优化拉丁超立方方法生成一系列初始样本船型，并通过cfd数值模拟计算出每条初始样本船型的目标性能值，构建初始近似模型；具体包括：从母型船的iges文件处理开始，选择变形方法及变形区域，由此确定相应的变形参数作为设计变量，并给定其上下界，以及需要服从的约束条件；然后选择采样方法采样新船型，生成初始样本船型，再批量生成样本船型网格及其对应的计算域网格，采用cfd方法计算样本船型的目标水动力性能；通过kriging方法，并根据样本船型相应的变形参数值以及目标水动力性能构建二者之间的近似模型以及模型的方差。3.根据权利要求1所述的船型优化快速方法，其特征在于，步骤2)具体包括：假设所述初始样本船型的个数为n，y(n)为对应的目标性能值，f
min
＝min(y(1),...,y(n))为当前函数最小值，对于另一未知样本船型x，其目标性能值y(x)是未知的，将y(x)的不确定性作如下处理：认为y(x)是一个符合正态分布的随机变量其中是kriging模型预报的值，s2是kriging模型预报的方差，当随机变量y具有比目前更小的可能性时，则将作为新的样本点加入初始样本船型库。4.根据权利要求3所述的船型优化快速方法，其特征在于，步骤2)还包括：定义i＝max(f
min-y,0)，因为y是随机变量，因此i也是随机变量，定义期望提高函数e(i)≡e[max(f
min-y,0)]，将所述期望提高函数的右边项用积分形式表示，再通过一系列冗长的推导得到以下封闭形式的表达：其中，φ(
·
)和φ(
·
)分别为标准正态密度函数和标准正态分布函数；将e(i)最大时对应的作为新的样本船型加入初始样本船型库，从而完成步骤3)～4)。5.根据权利要求4所述的船型优化快速方法，其特征在于，e(i)对及s的偏导分别为：
当某点的预测值很小时，就很大，同时根据式(1)，越小，e(i)就越大，预测值就占主导地位，引导算法向预测值极小处迭代寻优；当某点的预测误差s很大时，根据式(2)，e(i)就越大，引导ego算法向预测误差极小处迭代寻优，从而将误差大的点选中加入样本船型库，然后通过多次的循环迭代缩小误差，逐步逼近真实值。
技术总结本发明提供一种基于最大化期望提高算法的船型优化快速方法，该方法包括以下步骤：1)生成初始样本船型库，构建初始近似模型；2)根据初始近似模型构建期望提高函数E(I)；3)最大化E(I)函数产生新的样本船型；4)将新的样本船型加入样本船型库，根据新的样本船型库重建近似模型和期望提高函数E(I)；5)再重复步骤3)和4)，如此往复；6)当期望提高函数E(I)满足迭代收敛条件停止优化，新添加的样本船型中目标性能最低的样本船型为最优船型。基于最大化期望提高算法，将高精度CFD数值仿真应用于船型优化设计实际工程中，使得船型优化设计从数值计算的整体计算量的角度大大缩减计算成本和计算时间。算时间。算时间。
技术研发人员：缪爱琴 于晨芳 林源 樊涛 柳梦源
受保护的技术使用者：江南造船（集团）有限责任公司
技术研发日：2022.07.26
技术公布日：2022/11/1
