大数据环境下船型稳健性优化设计方法研究

Traditional ship hull SBD mode ignores the influence of parameter perturbation, thus makes result lacking the immunity of actual environmental uncertainty. Based on the thought of "Robust", the project makes speed perturbation information, digging from dig data environment, as prior knowledge to introduce the hull design process, then establishes the hull robust optimization system. For the incomplete data, integrity data and large disturbance data, adopts the interval estimation, wavelet estimation and adaptive density estimation method, respectively, to dig the probability distribution and interval information of perturbation speed. After, via establishing double nested interval optimization system, chance constrained optimization system and speed moment uncertainty distributed robust optimization system, optimize the Series60 ship hull for the minimum resistance under SBD optimization mode. Towing test would be implemented to prove the feasibility and effectiveness of the robust optimization design method of minimum resistance hull under big data environment, and can provide theoretical basis and technical support for hull design knowledge and robustness development.

基于仿真的船型设计（SBD）模式忽略了参数摄动的影响，使结果缺少对实际环境不确定性的免疫能力。本项目立足于“稳健性”思想，将从大数据环境中挖掘的航速摄动信息作为先验知识引入船型优化设计过程，建立考虑实船航速摄动的船型稳健性优化体系。对于大数据环境的高残缺度数据、完整性数据与大扰动数据分别挖掘出置信区间信息、完整概率密度信息与矩不确定分布概率信息，针对性地构建面向高残缺度数据的双层嵌套区间优化体系、基于蒙特卡罗模拟遗传算法的完整概率机会约束优化体系与航速矩不确定分布鲁棒优化体系。以船型SBD优化模式为基础框架，将面向不同摄动参数类型的优化体系引入其中，进行Series60数学船型的最小阻力全局优化。通过拖曳试验来验证大数据环境下的最小阻力船型稳健优化设计方法的可行性与有效性，为船型设计向知识化、稳健化方向发展提供理论依据和技术支持。

本项目立足于“稳健性”思想，将从大数据环境中挖掘的航速摄动信息作为先验知识引入船型优化设计过程，建立了考虑实船航速摄动的船型稳健性优化体系。在大数据环境下快速提取航速信息，完成对常规数据与大扰动数据的概率分布数学建模，并针对残缺数据挖掘其总体分布的置信区间；构建了面向残缺航速的具有双层嵌套结构区间优化体系，并探索出适用性高的两型优化算法内嵌其中；对于具有特定概率密度函数的航速分布，建立了基于机会约束优化的求解体系并得出优化算法内部参数最优方案；针对具有矩不确定分布的摄动航速，建立Min-Max 形式的最小阻力船型 SBD 鲁棒优化模型，并将其转化为易于求解的规划问题。通过稳健性优化船型与常规船型的拖曳试验对比，揭示出稳健性优化设计方案较常规优化方案性能稍差，但具有针对实际环境不确定性的强稳健性，更贴合工程实际的真实情况，从而验证船型稳健性优化设计方法的有效性与优越性。