基于动态知识获取的船型多目标设计空间定位方法及系统
本发明涉及船舶工程与计算机辅助设计,尤其涉及基于动态知识获取的船型多目标设计空间定位方法及系统。
背景技术:
1、在船舶工程领域,随着国际海事组织(imo)2030碳强度降低、2050净零排放目标的推进,开发低阻力、高伴流品质、优良耐波性的绿色船型成为行业核心需求。基于计算流体力学(cfd)的船型多目标优化是当前绿色船型研发的主流技术,其通过集成参数化建模、高保真水动力仿真、智能优化算法,可在多约束条件下搜索综合性能最优的船型方案。但cfd单次仿真耗时通常在数小时至数天,且船型优化通常涉及10维以上的设计变量、3个以上的冲突目标,属于典型的高成本、高维、多目标复杂优化问题,优化效率直接决定了技术的工程落地可行性。
2、当前船型多目标优化的通用流程为:首先通过参数化工具生成初始样本,经cfd评估后构建近似模型,再调用nsga-ii、mopso等多目标优化算法开展迭代搜索,最终输出pareto最优解集。但该流程存在显著的搜索盲目性问题:优化算法仅依赖目标函数值开展种群更新,缺乏对“性能-几何参数”映射关系的认知,大量迭代采样点落在低潜力区域,不仅浪费了大量计算资源,还导致算法收敛速度慢,往往需要数百次cfd仿真才能获得可用的解集,难以满足工程研发的周期要求。
3、因此,亟需一种适用于船舶多目标优化的高效求解策略方法,能够在优化过程中,利用仿真数据挖掘隐含的设计知识,然后实时指导优化算法,提高解集质量和求解效率。本发明的提出正是针对这一技术空白,通过将自组织映射网络(som)集成到多目标粒子群算法,结合外部存档集技术,实现多目标优化问题的快速求解,提升船型多目标优化的效率和质量。
技术实现思路
1、为了弥补以上不足,本发明提供了基于动态知识获取的船型多目标设计空间定位方法及系统,旨在解决船舶多目标优化中搜索盲目、算力浪费、收敛缓慢、易陷局部最优等核心问题,构建在线知识获取-动态空间定位-算力精准投放的高效优化闭环,为复杂船型的高保真、高效率优化设计提供创新解决方案。
2、第一方面,本发明提供了如下技术方案,基于动态知识获取的船型多目标设计空间定位方法包括:
3、s1、构建船型的参数化几何模型,并选取影响多目标性能的若干设计变量,以确定初始设计空间;
4、s2、在所述初始设计空间内进行采样,生成初始样本点,获得覆盖所述初始设计空间的初始样本集;
5、s3、对所述初始样本集进行多目标性能评估,构建包含设计变量与对应性能数据的初始历史数据集;
6、s4、在多目标优化迭代过程中,采用增量式自组织映射网络进行在线知识获取,将每轮迭代产生的新评估数据动态融入训练集,并实时更新映射关系,以捕获帕累托前沿演化过程中设计变量与性能之间的关联规律;
7、s5、每轮迭代后提取当前种群的帕累托非支配解集,利用更新后的所述增量式自组织映射网络进行逆向映射,将帕累托解从目标空间对应至设计空间,以动态定位高潜力变量子区间;
8、s6、根据所述高潜力变量子区间引导下一代种群的新样本生成,以进行迭代优化,并在满足预设收敛条件时停止迭代,输出最终帕累托最优解集。
9、优选地,在步骤s1中,所述确定初始设计空间,包括:
10、采用参数化建模工具建立船型曲面参数化模型;
11、选取影响船舶多目标性能的若干关键几何参数作为设计变量,所述多目标性能至少包括船舶总阻力、伴流不均匀度及耐波性指标;
12、确定各设计变量的取值范围,以取值范围张成的空间作为所述初始设计空间。
13、优选地,在步骤s2中,获得覆盖所述初始设计空间的初始样本集,包括:
14、采用均匀设计方法、拉丁超立方采样方法或正交试验设计方法中的任意一种,在所述初始设计空间内生成预设数量的初始样本点;
15、将各所述初始样本点对应的船型几何参数组合汇总,形成覆盖所述初始设计空间的初始样本集;
16、其中,所述预设数量为200~300个。
17、优选地,在步骤s3中,所述构建包含设计变量与对应性能数据的初始历史数据集,包括:
18、对各初始样本点分别进行多目标性能评估,获取各样本点对应的多目标性能指标;
19、将各样本点的设计变量数据与对应的多目标性能指标进行关联存储,构建包含设计变量-性能映射关系的所述初始历史数据集;
20、其中,所述多目标性能评估通过计算流体力学仿真进行,或通过克里金近似模型、径向基函数代理模型或支持向量回归代理模型中的任意一种进行。
21、优选地,在步骤s4中,所述实时更新映射关系,包括:
22、初始化自组织映射网络的拓扑结构及网络权重,将当前已有的所述历史数据集作为初始训练样本对网络进行预训练;
23、每轮多目标优化迭代结束后,提取本轮迭代产生的新评估数据,所述新评估数据包括本轮各样本点的设计变量及其对应的多目标性能指标;
24、将所述新评估数据动态融入自组织映射网络的训练集,以增量学习方式调整网络的权重参数,使网络实时反映设计变量与多目标性能指标之间的当前映射关系;
25、通过所述自组织映射网络的拓扑保持特性,捕获帕累托前沿演化过程中所述映射关系的漂移规律。
26、优选地,所述增量学习方式具体为:
27、所述自组织映射网络在每轮迭代后仅基于新融入的评估数据对网络权重进行局部调整,无需对历史全量数据进行重新训练;所述自组织映射网络的拓扑结构在迭代过程中保持固定。
28、优选地,在步骤s5中,所述动态定位高潜力变量子区间,包括:
29、提取当前迭代种群的帕累托非支配解集,形成当前帕累托前沿;
30、从所述当前帕累托前沿中,采用密度筛选方法选取分布均匀的若干引导解;
31、将各引导解输入更新后的自组织映射网络,利用所述自组织映射网络的拓扑保持特性,将各引导解从目标空间逆向对应至设计空间中的变量取值区间;
32、根据各引导解对应的变量取值区间,在所述初始设计空间中划定至少一个高潜力变量子区间。
33、优选地,在s6中,根据所述高潜力变量子区间引导下一代种群的新样本生成,包括:
34、确定下一代种群中候选样本的生成比例,以优先比例在所述高潜力变量子区间内随机生成第一部分候选样本,以剩余比例在所述初始设计空间的全局范围内随机生成第二部分候选样本;
35、将所述第一部分候选样本与所述第二部分候选样本合并,构成下一代种群的全部新样本;
36、将所述下一代种群作为当前迭代种群,返回多目标优化迭代过程,并继续进行迭代优化。
37、优选地,在s6中,所述输出最终帕累托最优解集,包括:
38、每轮迭代结束后,计算当前种群的反世代距离指标;
39、监测所述反世代距离指标在连续预设代数内的变化幅度;
40、当所述变化幅度小于预设阈值时,判定优化收敛,停止迭代并输出当前帕累托最优解集。
41、第二方面,本发明提供以下技术方案,基于动态知识获取的船型多目标设计空间定位系统,用于执行上述任一项所述的船型多目标设计空间定位方法,所述系统包括:
42、参数化建模模块,用于构建船型的参数化几何模型,并选取影响多目标性能的若干设计变量,以确定初始设计空间;
43、采样模块,用于在所述初始设计空间内进行采样,生成初始样本点,获得覆盖所述初始设计空间的初始样本集;
44、数据构建模块,用于对所述初始样本集进行多目标性能评估,构建包含设计变量与对应性能数据的初始历史数据集;
45、映射更新模块,用于在多目标优化迭代过程中,采用增量式自组织映射网络进行在线知识获取,将每轮迭代产生的新评估数据动态融入训练集,并实时更新映射关系,以捕获帕累托前沿演化过程中设计变量与性能之间的关联规律;
46、引导与定位模块,用于每轮迭代后提取当前种群的帕累托非支配解集,利用更新后的所述增量式自组织映射网络进行逆向映射,将帕累托解从目标空间对应至设计空间,以动态定位高潜力变量子区间;
47、迭代控制模块,用于根据所述高潜力变量子区间引导下一代种群的新样本生成,以进行迭代优化,并在满足预设收敛条件时停止迭代,输出最终帕累托最优解集。
48、本发明具有如下有益效果:
49、1、本发明采用增量式som在线知识获取,替代传统离线静态数据挖掘模式,利用som网络的拓扑保持特性,在优化迭代过程中动态获取所有仿真数据更新映射模型,实时捕捉pareto前沿演化带来的性能-几何关联规律变化,解决知识与优化流程脱节的问题。
50、2、本发明采用pareto解引导的高潜力区间定位,替代传统基于种群分布统计的搜索引导方法,通过som网络实现从目标空间pareto解到设计空间变量区间的精准逆向映射,明确高回报搜索区域,解决优化搜索盲目性的问题,收敛效率显著提升。
51、3、本发明采用全局中间数据驱动的知识更新机制,替代传统仅利用最终pareto解集的知识挖掘模式,将迭代过程中产生的非支配中间仿真数据全部纳入训练集,充分挖掘优化全周期的演化规律,提升映射模型的鲁棒性与泛化能力,解决知识可靠性不足的问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com