面向船型优化的数据挖掘方法及应用研究

There are two problems, huge optimization time and difficult to get the global optimization solution, in the research of hull form optimization both in domestic and abroad at present, Which severely limit the engineering application of hull form optimization. A new method, data mining techniques, is propounded to apply in the hull form optimization to solve these problems. The basic idea is: before the beginning of the hull form optimization, it uses data mining techniques to explore the parameter space, derives the parameter range for the best results, and then greatly reduces the search space. Gradient-based optimization method is adopted to optimize in reduced optimization space, and finally a reliable global optimization solution is obtained in high efficiency. The project focuses on how to use data mining techniques to achieve the effective exploration of hull form optimization design space. With the research on key technologies such as the selection method of the typical sample point in the initial design space , the discrete method of simulation data and data mining algorithms, it forms the data mining theories and methods for hull form optimization. The application of these theories and methods in hull form optimization can not only solve the current technical problems, but also have great significance for development of innovative hull form and accelerating the engineering application of hull form optimization.

目前国内外的船型优化尚存在优化时间长及难以得到全局最优解的难题，因而严重影响了船型优化的工程化应用。为解决此难题，本项目提出将数据挖掘技术应用于船型优化, 其基本思想是: 在船型优化开始之前，利用数据挖掘技术对船型优化的参数空间进行探索, 从中得到可以获得最佳结果的参数取值范围, 从而大大缩减船型优化的搜索空间, 然后采用基于梯度的优化方法在缩减的船型优化空间内分别进行数值寻优, 最终实现以较高的效率获得可信赖的全局最优解。本项目重点研究如何利用数据挖掘技术实现船型优化设计空间的探索，通过对初始设计空间典型样本点的选择方法、仿真数据的离散化方法及数据挖掘算法等关键技术的研究，形成一套面向船型优化的数据挖掘理论及方法。这些理论及方法在船型优化中的应用不仅可以解决目前船型优化中的技术难题，而且对于创新船型研发方法、加速船型优化的工程化应用进程具有重要意义。

目前国内外的船型优化尚存在优化时间长及难以得到全局最优解的难题，因而严重影响了船型优化的工程化应用。为解决此难题，本项目提出将数据挖掘技术应用于船型优化, 重点研究六方面的内容：. （1）船型优化初始空间内典型样本选择方法研究；. （2）典型船型水动力性能数值仿真样本集的建立；. （3）数据样本中数据的离散化研究；. （4）数据样本中知识获取技术研究；. （5）平台开发及船型水动力性能优化研究；. （6）知识的准确性评估及优化结果的模型试验验证。. 项目组按照任务书的要求，全面完成研究内容，实现了预期的研究目标，取得的研究成果如下：. （1）为解决高维参数空间的样本选择问题，本项目提出了大试验次数均匀设计表的构造方法；. （2）针对传统模糊均值聚类离散化算法的若干缺陷，本项目提出一种改进的自适应离散化算法，对优化仿真数据进行合理离散； . （3）借鉴统计学的相关理论，提出了确定决策阈值的新方法；. （4）为解决样本点个数问题，本项目提出了基于粗糙集理论的序列空间缩减方法；. （5）在以上研究的基础上，完善了基于数据挖掘的船型水动力性能综合优化平台系统，并进行了实例验证。. 总之，通过本项目的研究已经形成了一套面向船型优化的数据挖掘理论及方法。这些理论及方法在船型优化中的应用不仅可以解决目前船型优化中的技术难题，而且对于创新船型研发方法、加速船型优化的工程化应用进程具有重要意义。