基于Kriging代理模型的气动外形优化方法研究

摘要

本文基于Kriging代理模型，就气动外形优化设计中EGO全局优化算法相关的问题进行了研究。先将算法涉及的遗传算法进行了自适应改造，结合自适应多点交叉、自适应交叉率和变异率，发展了考虑生存压力的自适应遗传算法(AGA)；接着，结合Kriging代理模型的构建，研究了 Kriging代理模型中超参数取值与模型非线性度的关系；在此基础上，结合最佳改善期望函数EI，研究了基于Kriging代理模型的EGO全局优化算法，重点探讨了算法的并行性和多点更新策略，开发了基于多点更新策略的并行 EGO算法计算程序，并把该程序集成到开发的基于API函数库的自动化工作平台。最后，应用本文发展的AGA和并行EGO算法，先对一个跨音速翼型进行了阻力系数极小化设计，结果显示，优化后翼型的阻力系数降低了16.23％，减阻效果明显；接着，对用于控制大攻角翼型失速特性的流动偏转器进行了优化设计，结果相比于干净翼型，上翼面流动分离得到了有效控制，其失速攻角推迟了将近7度。总体上，函数验证和气动外形优化算例都表明，EGO算法相较于AGA算法，搜索效率和搜索精度更高，本文发展的并行EGO算法，其综合性能优于经典的EGO算法，展示了一定的工程应用价值。

目录

封面

声明

中文摘要

英文摘要

目录

图表清单

注释表

缩略词

第一章 绪论

1.1 研究背景

1.2 最优化方法

1.3 基于代理模型的优化算法

1.4 本文主要工作

第二章 遗传算法简介及应用

2.1 引言

2.2 基本遗传算法

2.3 自适应遗传算法初探

2.4 基于OpenMP技术的遗传算法并行化

2.5 函数优化结果与分析

2.6 本章小结

第三章 Kriging代理模型简介

3.1 引言

3.2 拉丁超立方采样(LHS)方法

3.3 Kriging代理模型的基本理论

第四章 EGO算法的研究

4.1 引言

4.2 EGO算法的基本理论

4.3并行EGO全局优化算法的研究

4.4 函数优化验证结果与分析

4.5本章小结

第五章 基于EGO算法的二维气动外形优化

5.1 引言

5.2 CST参数化方法

5.3 基于Windows API函数库的自动化工作平台设计

5.4 翼型气动优化算例与分析

5.5本章小结

第六章 总结与展望

6.1 工作总结

6.2 后续研究工作展望

参考文献

致谢

在学期间的研究成果和发表的学术论文