[发明专利]基于数据挖掘的自主水下航行器多保真度外形优化方法

说明书

本发明公开了一种基于数据挖掘的自主水下航行器多保真度外形优化方法，首先确定水下航行器外形优化的设计变量范围、约束条件和目标函数；然后设计采样建立高、低保真度初始的代理模型，利用最大改善期望的方法初步更新低保真度代理模型，然后对低保真度代理模型进行数据挖掘和知识提取，获得的有用数据一方面加入高保真数据库用于更新高保真度代理模型，另一方面用于构建局部置信域，诱导高保真度代理模型加强在置信域附近局部勘探的力度，从而使高保真模型快速收敛于全局最优解。同时采用最大化改善期望的方法加点更新高保真度代理模型进行全局探索，避免陷入局部最优，在提升目标性能的同时减少计算代价，提高了优化效率。

技术领域

本发明属于水下航行器技术领域，具体涉及一种水下航行器外形优化方法。

背景技术

自主水下航行器(Autonomous Underwater Vehicle，AUV)是指可用于海底探测、远程布雷和水下作战地小型自主航行载体，一般是可回收且可长时间在水下航行的水下无人作战平台，无论在民用还是军用上都扮演着重要的角色。其中AUV流体动力外形设计是一个重要地环节，其流体动力性能是其它各项技术的依托，对航行器总体性能起着决定性的作用。

传统的自主水下航行器外形设计主要是凭借设计人员的经验，选取外形类型类似的母型进行初步设计，之后通过不断手工修改外形参数，直到其流体动力性能满足设计任务需求，这种传统的手工设计方法在整个设计流程中需要人为不断反复修改和调整，导致设计周期长、耗资大，且性能无法达到最优。

传统的基于梯度优化的自主水下航行器外形优化方法，一方面对于高维非线性的非光滑目标函数求解梯度难度较大甚至无法求解，另一方面优化迭代需要大量调用计算流体力仿真，导致优化的计算代价十分昂贵甚至难以进行。

为了克服梯度优化的缺点，近些年，利用代理模型优化(Surrogate-BasedOptimization，SBO)方法应用而生，代理模型的主要思想是在优化过程中，对复杂和费时的数值模拟或仿真构建代理模型，从而代替复杂数值模拟在子优化过程中的调用，不仅可以大大提高优化的设计效率，同时降低了优化难度。

代理模型优化方法一定程度上减少了计算流体仿真的调用次数，但是要保证构建的代理模型精度，仍然需要调用较多的高精度数值仿真来产生较多的样本点数据。多保真度优化(Multi-fidelity Optimization)是近年来有效解决计算代价和计算精度的代理模型优化方法，其主要思想是通过采用相应的多保真度优化策略，大量调用精度低但计算代价廉价的低保真度代理模型来减少对精度高但计算代价昂贵的高保真度代理模型的调用次数，在减少计算代价的同时计算精度仍能满足优化设计的要求。

传统的桥函数法(Bridge Function)多保真度优化是对低保真度和高保真度数据分别建立代理模型，然后对高、低保真度代理模型进行融合，将低保真度代理模型的结果映射为高保真度代理模型的结果，建立一个桥函数多保真度代理模型进行优化。该方法在实际应用中在满足精度要求的同时能降低高精度数值仿真调用的次数，但是桥函数多保真度代理模型方法在构造桥函数时需要计算高低保真度代理模型的梯度信息，求解梯度的误差加上构建高低保真度代理模型的误差，使得多保真度模型对高保真度代理模型的近似值与高保真模型真实值误差较大。

发明内容

为了克服现有技术的不足，本发明提供了一种基于数据挖掘的自主水下航行器多保真度外形优化方法，首先确定水下航行器外形优化的设计变量范围、约束条件和目标函数；然后设计采样建立高、低保真度初始的代理模型，利用最大改善期望的方法初步更新低保真度代理模型，然后对低保真度代理模型进行数据挖掘和知识提取，获得的有用数据一方面加入高保真数据库用于更新高保真度代理模型，另一方面用于构建局部置信域，诱导高保真度代理模型加强在置信域附近局部勘探的力度，从而使高保真模型快速收敛于全局最优解。同时采用最大化改善期望的方法加点更新高保真度代理模型进行全局探索，避免陷入局部最优，在提升目标性能的同时减少计算代价，提高了优化效率。

本发明解决其技术问题所采用的技术方案包括以下步骤：