博士学位论文答辩公告--航空学院朱新奇

2019年05月16日 09:52  

学科专业:飞行器设计
论文题目:飞行器外形优化设计方法及多输出代理模型研究
答辩人:朱新奇
指导老师:高正红
时  间:2019-05-25  16:00
地  点:航空楼C303
一、学位论文简介
飞行器外形对飞行器的综合性能有着重要影响。随着对飞行器性能需求的不断提高,对外形设计方法也提出了越来越高的要求。现阶段的飞行器外形优化设计方法还存在一些需要提升和改进的方面:1)优化搜索算法的性能决定了优化效率和最终结果的优劣,而常用优化搜索算法性能受其参数设置影响较大,只有针对优化问题特征设置的合适参数才能得到较好的优化结果。但是工程优化问题较为多样,特征较难确定,从而为处理工程优化问题带来了困难;2)基于代理模型的加点优化方法性能受样本分布的影响较大,且较难平衡全局搜索和局部搜索之间的关系;3)传统的多目标优化算法的搜索目标为整个Pareto前缘,但是设计者感兴趣的往往只是Pareto前缘上符合其偏好的某个部分;4)工程优化问题中会遇到输出之间具有相关关系的多输出预测问题,使用传统的单输出代理模型进行处理计算量较大,且由于没有考虑输出之间的相关关系,容易造成预测精度的损失。围绕上述问题,本文对飞行器外形优化设计方法和多输出代理模型进行了研究。首先研究了飞行器外形优化设计所需要的支撑技术和方法,为构建相应的优化设计平台奠定了基础,然后对单目标优化方法及基于代理模型的加点优化方法、多目标优化方法及考虑偏好的多目标优化方法,以及多输出最小二乘支持向量回归机方法及其在飞行器外形优化设计领域的应用进行了深入研究,并提出了相应的解决方法,为基于代理模型的优化设计方法在工程中的应用提供了新的思路。 本文的主要研究内容如下: 1. 针对单目标优化方法参数设置困难和加点优化方法难以兼顾全局和局部搜索的问题,本文提出了一种具有更优性能的改进单目标优化方法,以及一种新的通用代理模型加点优化方法。首先使用具有不同特点的测试函数对三种常用单目标优化算法的性能进行了测试,发现差分进化算法(DE)性能较好且结构简单,但是其性能受参数设置的影响较大。本文提出了一种改进的DE算法,提高了算法的性能并减小了参数设置对算法性能的影响。然后,在对常用代理模型方法研究的基础上,推导了它们预测公式的统一数学形式。针对加点优化方法,本文总结了优化问题中全局最优解处函数值、一阶导数和二阶导数需要满足的条件,然后结合代理模型的统一形式,提出了一种通用的一步法加点框架。该框架可以使用任何具有上述统一形式的代理模型,从而便于利用不同代理模型的特点提高优化效率。通过对本文提出的通用一步法框架的分析,发现其全局探索能力较强,局部搜索能力较弱。为了改善其性能,本文提出了一步法和两步法的混合加点方法,使得算法可以兼顾全局和局部搜索,并使用函数和气动算例验证了方法的有效性。 2. 针对多目标优化算法的参数设置和设计者偏好问题,本文提出了一种基于局部坐标系的交叉算子并应用于MOEA/D-DE算法,提高了算法性能的鲁棒性;提出了一种考虑设计者偏好的多目标优化算法。首先使用19个具有不同特征的测试函数对三种常用多目标优化算法的性能进行了测试,发现MOEA/D-DE算法整体性能较好,但是其性能受交叉概率的影响较大。为了提高MOEA/D-DE算法性能的鲁棒性,本文提出了一种基于局部坐标系的交叉算子,使得算法在面对不同特征的优化问题时无需改变交叉概率值也可以得到较好的结果。另一方面,本文以MOEA/D-DE为基础提出了一种考虑设计者偏好的多目标优化算法(mprMOEA/D),该算法使用参考点表达偏好信息,将搜索集中在Pareto前缘上符合设计者偏好的区域,从而使计算资源得到更合理的利用,进而使最终解集中包含更多对设计者更有价值的解。翼型和三维外形优化设计算例证实本文提出的mprMOEA/D方法相比传统寻找整个Pareto前缘的算法可以得到更优的Pareto解。 3. 针对多输出预测问题,本文研究了多输出最小二乘支持向量回归机方法(MLS-SVR),并针对MLS-SVR提出了一种基于梯度的高效模型选择方法,在此基础上其应用于飞行器外形优化设计。MLS-SVR方法可以考虑输出之间的相关关系,实现同时对多个输出进行预测。本文首先对MLS-SVR进行了深入研究,提出了一种基于梯度的高效模型选择方法,在不降低预测精度的前提下大大减小了模型选择所需时间,为MLS-SVR在工程中的应用创造了条件。在此基础上,本文提出了一种利用MLS-SVR的多输出预测能力逐步逼近目标翼型的翼型反设计方法,并使用三个不同状态下的翼型反设计算例验证了方法的高效性。为了提高多目标优化的效率,本文将MLS-SVR与多目标优化方法相结合,提出了一种基于MLS-SVR的多目标优化设计框架,算例测试结果证明该方法能有效地提高多目标优化设计效率。 4. 对飞行器外形优化设计方法的支撑技术进行了研究,为构建飞行器外形单/多目标优化设计平台奠定了基础。飞行器外形优化设计的支撑技术包括目标特性计算、外形参数化及网格变形技术等。针对气动和隐身目标特性,本文分别研究了雷诺平均Navier-Stokes(RANS)方程的数值解法,二维矩量法的求解以及三维高频评估方法物理光学法,并使用典型算例验证了上述目标特性评估方法的精度。本文对二维翼型参数化方法和自由变形造型曲面参数化方法进行了研究,具备了对飞行器二维/三维复杂外形的参数化表述能力。研究了利用体样条插值和无限插值技术构造的基于多块结构网格的网格变形方法,该方法可以在初始网格的基础上,根据外形的改变自动生成与其相适应的多块结构网格,从而实现优化进程的自动化。 本文的主要研究内容如下: 1. 针对单目标优化方法参数设置困难和加点优化方法难以兼顾全局和局部搜索的问题,本文提出了一种具有更优性能的改进单目标优化方法,以及一种新的通用代理模型加点优化方法。首先研究了三种常用单目标优化方法原理,并使用具有不同特点的单目标优化函数对它们的性能进行了测试,发现差分进化算法(DE)性能较好且结构简单,但是其性能受参数设置的影响较大。本文提出了一种改进的DE算法,提高了算法的性能并减小了参数设置对算法性能的影响。本文通过对三种常用代理模型方法的研究和推导,发现它们具有统一的数学形式。针对加点优化方法,本文首先总结了优化问题中全局最优解处函数值、一阶导数和二阶导数需要满足的条件,然后结合代理模型的统一形式,提出了一种通用的一步法加点框架。该框架可以使用任何具有上述统一形式的代理模型,从而便于利用不同代理模型的特点提高优化效率。通过对本文提出的通用一步法框架的分析,发现其全局探索能力较强,但是局部搜索能力较弱。为了改善其性能,本文提出了一步法和两步法的混合加点方法,使得算法可以兼顾全局和局部搜索,并使用函数和气动算例验证了方法的有效性。 2. 针对多目标优化算法的参数设置和设计者偏好问题,本文提出了一种基于局部坐标系的交叉算子并应用于MOEA/D-DE算法,提高了算法性能的鲁棒性;提出了一种考虑设计者偏好的多目标优化算法。首先对比研究了三种常用多目标优化算法的原理,并使用19个具有不同特征的测试函数对它们的性能进行了测试,发现MOEA/D-DE算法整体性能较好,但是其性能受交叉概率的影响较大。为了提高MOEA/D-DE算法性能的鲁棒性,本文提出了一种基于局部坐标系的交叉算子,使得算法在面对不同特征的优化问题时无需改变交叉概率值也可以得到较好的结果。另一方面,本文以MOEA/D-DE为基础提出了一种考虑设计者偏好的多目标优化算法(mprMOEA/D),该算法使用参考点表达偏好信息,将搜索集中在Pareto前缘上符合设计者偏好的区域,从而使计算资源得到更合理的利用,进而使最终解集中包含更多对设计者更有价值的解。翼型和三维外形优化设计算例证实本文提出的mprMOEA/D方法相比传统寻找整个Pareto前缘的算法可以得到更优的Pareto解。 3. 针对多输出预测问题,本文研究了多输出最小二乘支持向量回归机方法(MLS-SVR),并针对MLS-SVR提出了一种基于梯度的高效模型选择方法,然后对MLS-SVR在优化设计中的应用进行了探索。MLS-SVR方法可以考虑输出之间的相关关系,实现同时对多个输出进行预测。本文首先对MLS-SVR进行了深入研究,提出了一种基于梯度的高效模型选择方法,大大减小了模型选择所需时间,为MLS-SVR在工程中的应用创造了条件。在此基础上,本文提出了一种利用MLS-SVR的多输出预测能力逐步逼近目标翼型的翼型反设计方法,并使用三个不同状态下的翼型反设计算例验证了方法的高效性。为了提高多目标优化的效率,本文将MLS-SVR与多目标优化方法相结合,提出了一种基于MLS-SVR的多目标优化设计框架,算例测试结果证明该方法能有效地提高多目标优化设计效率。 4. 对飞行器外形优化设计方法的支撑技术和方法进行了研究,为构建飞行器外形单/多目标优化设计平台奠定了基础。飞行器外形优化设计的支撑技术包括目标特性计算、外形参数化及网格变形技术等。针对气动和隐身目标特性,本文分别研究了雷诺平均Navier-Stokes(RANS)方程的数值解法和二维矩量法的求解以及三维高频评估方法物理光学法,并使用典型算例验证了上述目标特性评估方法的精度。本文对二维翼型参数化方法和自由变形造型曲面参数化方法进行了研究,具备了对飞行器二维/三维复杂外形的参数化表述能力。研究了利用体样条插值和无限插值技术构造的基于多块结构网格的网格变形方法,该方法可以在初始网格的基础上,根据外形的改变自动生成与其相适应的多块结构网格,帮助实现优化进程的自动化。  
二、攻读博士学位期间以第一作者发表与学位论文相关的学术论文:
[1]  Zhu, Xinqi,Gao, Zhenghong,Cheng, Shixin,Du, Yiming,Xu, Fang。A decomposition-based multi-objective optimization approach considering   multiple preferences with robust performance。APPLIED SOFT COMPUTING,2018/73/。JCR分区;SCI(E);中科院分区,WOS:000450124900020  
[2]  Zhu, Xinqi,Gao, Zhenghong,。An efficient gradient-based model selection algorithm for multi-output   least-squares support vector regression machines。PATTERN RECOGNITION LETTERS,2018/111/。JCR分区,WOS:000441141200003


关闭