基于目标自适应和变设计空间的高效全局气动优化方法研究

Since complex flows and elaborate design requirements for modern aircrafts result in complicated geometries, which show a large design space, a strong non-linearity and multiple objectives, the complexity and the scale for solving those optimization problems are increasingly enhanced. Accordingly, the search efficiency of traditional optimization methods and modern intelligent optimization algorithms decreases critically, and it is hard to ensure a global search with high quality. To solve above problems, the research aims to develop an efficient global optimization method: 1) Study the dynamic refinement procedure of the Surrogate-Based Optimization (SBO), and illuminate the mechanisms of various adaptive refinement methods in improving the local and the global accuracy of the surrogate model; 2) Perform the research of the adaptive target procedure, to explore the influence of setting the limited parameters on updating the improvement region in the Trust Region (TR) method; 3) Applicate the Self-Organizing Maps (SOM) and the Fuzzy Clustering (FC) method in the variable design space, and further reveal the rules between the complexity of the optimization problem and the assessment indexes. The research can promote optimization methods in solving complex systems and improve techniques related to SBO, as well as provide a foundation to efficiently obtain the global optima of complicated aerodynamic design optimization problems.

现代飞行器越来越复杂的流动环境和精细设计要求导致气动外形越来越复杂，这使得气动优化问题呈现大设计空间、强非线性和多极值，其求解的复杂度和规模大大增加。相应地，采用传统和现代智能优化算法的搜索效率严重下降，全局搜索性能急剧变差，优化质量难以保证。本项目研究适用于求解上述复杂优化问题的高效、全局气动优化方法：1）通过研究基于动态代理模型优化的样本细化过程，阐明不同的自适应样本细化方法对提高代理模型局部和全局精度的作用机理；2）对寻优过程中的目标自适应过程展开研究，探索信赖域方法中限制参数设置对目标改善域更新的影响问题；3）采用自规划映射和模糊聚类方法，揭示优化问题复杂度和变设计空间评估指标之间的规律。本项目的研究可以推动复杂系统优化方法的发展，完善基于代理模型优化的方法和技术，为现代复杂气动外形优化设计问题的高效、高质量求解奠定基础。

在当前基于高精度CFD分析的精细气动优化设计中，过大的计算量和过长的计算时间是制约优化算法应用的一个关键的科学问题。本项目研究了适用于求解具有大设计空间、强非线性和多极值问题的高效全局优化方法。首先，基于Kriging模型，利用Python语言实现了一套代理优化平台，并对该平台进行了测试，证明了所开发的平台具有良好的鲁棒性。然后，基于此平台，实现了多种常用的样本细化方法，包括最小化模型预测值、最大化模型误差、期望值提高、混合样本细化和加强型样本细化。对比研究表明，期望值提高、混合和加强型样本细化能够同时权衡样本细化过程的全局探索和局部勘测。此外，还在平台中嵌入了多种试验设计方法，并对其进行了对比研究。此后，将信赖域方法引入代理优化，通过在样本细化过程中改变取样空间来提高本细化过程的自适应性，并探讨了信赖域缩放因子对优化过程的影响。解析算例和气动实例证明了基于信赖域的代理优化方法能够有效的改善代理优化的局部勘测能力，提高代理优化结果的质量。在进行气动实例建模的过程中，为了实现不同气动构型计算网格的自动生成，发展了一种高效的基于径向基函数的气动网格变形方法，可以适用于千万级以上的气动网格快速变形。最后，基于现有代理优化平台，采用模糊聚类算法对代理模型生成的伪样本进行聚类并进行伪缩减，最终实现设计空间的自适应缩减；同时研究了不同聚类参数，包括聚类个数、伪样本数以及阈值对代理优化过程的影响。通过解析算例验证了所发展方法的正确性和鲁棒性，并通过与其他优化方法对比评估了其效率；进一步利用气动优化实例和结构优化实例验证了算法的有效性。研究结果表明，本项目所发展的高效全局气动优化方法，适用于具有大设计空间、强非线性、多极值的优化设计问题，其在气动实例上的应用说明该方法在工程应用上具有一定的潜力；对样本细化方法、试验设计方法、信赖域方法和聚类方法的研究，对推动复杂系统优化方法的发展也具有重要意义。