基于代理模型的高效全局气动优化设计方法研究进展

基于高可信度计算流体力学的数值优化设计方法，在提高飞行器气动与综合性能方面正发挥着越来越重要的作用。基于代理模型的优化算法（SBO），由于能够实现高效全局优化，逐渐成为了气动优化设计领域的研究热点之一。近20年来，代理优化算法研究已取得了长足进步，多种先进的新型代理模型被提出，优化理论和算法也不断完善和发展。以飞行器精细化气动优化设计为背景，综述了基于代理模型的高效全局气动优化设计方法研究进展。首先，介绍了基于变可信度代理模型的气动优化设计方法、结合代理模型和伴随方法的气动优化设计方法以及基于非生物进化的并行气动优化设计方法的研究现状和最新进展。然后，针对飞行器气动优化设计学科领域的前沿问题，介绍了基于代理模型的多目标气动优化设计方法、混合反设计/优化设计方法、稳健气动优化设计方法的研究进展，以及基于代理模型的多学科优化设计方法的研究进展。文献综述表明，代理优化算法在设计效率、全局性以及鲁棒性等方面性能优良，已经发展到可以解决100维（100个设计变量）以内的气动优化设计问题，具有良好的工程应用前景。最后，探讨了基于代理模型的高效全局气动优化设计在理论、方法及飞行器设计应用方面所面临的问题和挑战，给出了未来研究方向的建议。     

Kriging模型在翼型反设计中的应用研究

目前,基于Kriging代理模型的优化方法在气动优化设计中得到了广泛的应用,然而却并未能应用于气动反设计中。本文将翼型气动反设计问题转化为优化问题,利用基于Kriging模型的优化方法进行了翼型的单目标、多目标反设计,验证了Kriging模型在翼型单目标、多目标反设计中的适应性,并研究了模型加点准则对设计结果的影响;此外,将本文方法与多项式响应面模型优化方法、基于Adjoint的优化方法进行了比较,结果表明,该方法明显优于基于多项式响应面的优化方法,且与Adjoint方法相比,设计效率相当且具有更好的通用性。最后将本文方法应用于接近工程实际的在已有翼型基础上修改压力分布进行反设计,验证了本文方法的可行性。     

基于梯度增强型Kriging模型的气动反设计方法

基于Kriging模型的代理优化算法目前在气动优化设计中得到了广泛应用。但在高维(设计变量大于30个)气动优化中,计算量过大的问题对其进一步发展产生了严重制约。将翼型和机翼气动反设计问题转化为优化问题,采用Adjoint方法进行快速梯度求解,利用基于梯度增强型Kriging(GEK)模型的代理优化算法分别开展了18、36和108个设计变量的气动反设计。首先,通过采用在设计空间局部建立GEK模型的方法成功地将基于代理优化算法的气动反设计问题的维度拓展到了100维以上。其次,研究了梯度计算精度对基于GEK模型的反设计的影响,发现梯度精度越高,反设计的最终效果越好,同时效率相当。最后,通过不同维度的气动反设计算例,比较了改进拟牛顿法(BFGS)、基于GEK模型和Kriging模型的代理气动反设计方法,结果表明基于GEK模型的代理优化算法的效率大幅度高于基于Kriging模型的代理优化算法,并且维度越高,效率优势越明显;同时,基于GEK模型的代理优化算法在优化效果及分析程序调用次数上相比于BFGS方法也略有优势。     

基于Kriging代理模型的约束差分进化算法

广泛应用的高精度分析模型使得飞行器设计优化的计算成本不断增加,为了缩短优化耗时,基于代理模型的进化算法（SAEAs）近年来得到了广泛关注。针对现有SAEAs处理约束优化问题优化效率低下的缺陷,提出了一种基于Kriging代理模型的约束差分进化算法（KRG-CDE）,结合约束改善概率与最优适应度定制了一种改进的可行准则,从而提高新增样本点的潜在可行性与最优性,并根据种群改善情况,平衡算法全局探索与局部搜索性能。标准测试算例对比研究结果表明,相比于基于全局与局部代理模型的差分进化算法、（μ+λ）-约束差分进化算法,KRG-CDE算法在优化效率、全局收敛性及鲁棒性等方面具有显著优势。最后,运用KRG-CDE算法求解全电推卫星多学科设计优化问题,验证了该算法的工程实用性。     

自适应设计空间扩展的高效代理模型气动优化设计方法

对基于Kriging模型气动优化的加点方法和设计空间的构建问题进行了研究。首先,针对高效全局优化（EGO）方法收敛缓慢的问题,提出了一种混合加点方法,该方法通过引入期望提高（EI）阈值控制EI和最小预测值（MP）加点准则,利用先全局再局部的优化思想,提高了EGO方法在确定设计空间内的收敛性。其次,针对设计空间的构建问题,对比了扩大设计变量范围和多轮优化两种不同的设计空间构建方法,分析了设计变量范围对设计空间大小和样本密度的影响,进而提出了自适应设计空间扩展的代理模型优化方法。相对于传统固定设计空间的方法,自适应设计空间扩展的方法在动态的设计空间中进行优化搜索,只在有潜力的维度扩展设计变量范围,通过构建自适应设计空间,实现了样本的高效配置。最后,通过ADODG标准翼型优化算例证实,自适应设计空间优化方法可以大幅提高气动优化设计效率。     

通用飞行器气动优化设计数字化集成平台——DIPasda

未来航空工业的发展，需要解决多学科综合设计的关键问题，为新型高性能飞行器的设计提供有力的设计方法和设计工具。DIPasda作为复杂外形设计的通用飞行器多学科优化设计平台，研制目的主要是提供一套新型通用、鲁棒、高效的优化设计架构，应用于通用飞行器工业设计环境，改善传统设计耗时低效的状况，提高新型飞行器设计的效率和精度。DIPasda平台系统包含了优化设计过程中所需用到的各类方法，主要包括数值优化算法、几何模型参数化方法、代理模型方法、高精度的学科分析工具等。通过详细介绍平台的系统架构、主要的功能模块、伴随优化设计和多目标优化设计流程，展现了DIPasda平台系统架构设计的灵活性和功能模块的完备性。最后通过优化算例展示了系统的综合优化设计能力。     

基于Kriging自适应代理模型的气动优化方法

气动优化设计中,引入代理模型可以有效减少计算周期,而运用有效的插值和选样方法(自适应选样)可以大大减少建立代理模型的时间,因此提出了一种基于Kriging自适应代理模型的气动优化方法。使用Kriging方法建立代理模型,通过求解EI函数最大值得到添加样本点更新代理模型,提高了代理模型的拟合精度。针对Kriging自适应代理模型的精确性和有效性,分别进行典型函数测试分析和翼型算例验证。结果表明:基于Kriging自适应代理模型气动优化方法可以实现高效的翼型气动性能优化设计。     

宽包线吸气式高超声速飞行器外形优化研究

针对吸气式宽包线高超声速飞行器的气动优化问题，基于任务要求建立了基于多点权重分配的气动外形优化模型，并采用“CFD+准一维流”方法开展了气动性能分析。为兼顾气动外形优化的效率与精度，通过改进现有的并行加点策略，发展了一套基于代理模型与梯度算法的分层优化框架，并采用函数算例对改进后的加点策略进行了验证。对吸气式高超声速飞行器的气动外形进行了分层优化，在满足各学科约束的情况下使飞行器在各个优化评估点处的气动性能均有所提升。     

基于代理模型的高效全局低音爆优化设计方法

研究发展高效实用的低音爆优化设计方法,对于新一代低音爆超声速客机的研制具有重要的理论意义和应用价值。目前国内外发展的低音爆优化方法主要包括遗传算法（GA）和基于Adjoint的梯度优化。遗传算法虽然具有较强的全局优化能力,但其优化效率较低,无法很好满足实际应用的需要;而梯度优化虽然优化效率高,但易陷入局部最优。将最新发展的代理优化算法与音爆预测方法相结合,发展了一种具有全局优化能力的高效低音爆优化设计方法。首先,概述了所采用的线性音爆预测方法,并用NASA超声速圆锥体模型进行验证,表明其计算效率高、预测精度可满足飞行器初步设计的需要。其次,对所采用的代理优化（SBO）方法进行了概述,包括试验设计、代理模型建模、优化加点准则和收敛标准等。再次,运用所发展的方法开展了NASA多段圆锥体模型的低音爆优化设计算例研究,并与遗传算法和梯度优化的结果进行了比较,表明其优化效率比遗传算法提高了2个量级以上,且优化结果优于梯度方法。最后,将所发展的方法应用于AIAA音爆预测大会提供的翼身组合体外形（69°后掠三角翼）的低音爆优化设计,将远场音爆N型波峰值减少了27.4%,表明所发展的方法在复杂外形低音爆优化设计中具有很好的应用潜力。     

基于新型高维代理模型的气动外形设计方法

随着现代飞行器性能需求的不断提高，飞行器精细化气动优化设计要求更高可信度的CFD数值分析及更多的独立设计变量，使得基于代理模型的全局优化算法在超过一定的设计变量后显著降低了效率，难以满足复杂工程的设计需求。而目前的高维代理模型过程复杂、时间花费高，缺乏对工程问题的广泛适应性。针对以上难题，提出了利用监督式非线性降维代理建模方法来缓解代理优化过程中的高维变量设计难题。该方法将核主成分分析（非线性）降维与高斯回归过程模型统一训练，自适应构建新型高维代理模型，并随着优化过程不断学习改进模型，建立了从高维输入到输出的准确映射，有效解决了传统高维代理模型训练时间花费高和适应性差等难题。然后基于该新型代理模型发展了适用于飞行器复杂气动设计的高维全局优化设计方法，并将其应用到美国航空航天学会（AIAA）优化小组发布的2个复杂跨声速优化算例中。通过与传统代理优化方法全面比较，验证了所提的方法能大幅提高飞行器高维变量全局优化效率和全局寻优能力。     

基于POD-BPNN的热启动策略及其在气动代理优化中的应用

传统气动优化设计需要大量CFD 分析,而代理优化（SBO）方法能够有效降低CFD 分析次数,但该方法并没有改变单个CFD 分析时间。提出一种基于本征正交分解-反向传播神经网络（POD-BPNN）模型的热启动策略,并应用于气动代理优化。使用POD-BPNN 模型对SBO 中的初始样本建立从几何设计变量到流场数据的预测模型...     

Efficient aerodynamic shape optimization using variable-fidelity surrogate models and multilevel computational grids

A variable-fidelity method can remarkably improve the efficiency of a design optimization based on a high-fidelity and expensive numerical simulation, with assistance of lower-fidelity and cheaper simulation(s). However, most existing works only incorporate “two” levels of fidelity, and thus efficiency improvement is very limited. In order to reduce the number of high-fidelity simulations as many as possible, there is a strong need to extend it to three or more fidelities. This article proposes a novel variable-fidelity optimization approach with application to aerodynamic design. Its key ingredient is the theory and algorithm of a Multi-level Hierarchical Kriging (MHK), which is referred to as a surrogate model that can incorporate simulation data with arbitrary levels of fidelity. The high-fidelity model is defined as a CFD simulation using a fine grid and the lower-fidelity models are defined as the same CFD model but with coarser grids, which are determined through a grid convergence study. First, sampling shapes are selected for each level of fidelity via technique of Design of Experiments (DoE). Then, CFD simulations are conducted and the output data of varying fidelity is used to build initial MHK models for objective (e.g. C_D) and constraint (e.g. C_L, C_m) functions. Next, new samples are selected through infill-sampling criteria and the surrogate models are repetitively updated until a global optimum is found. The proposed method is validated by analytical test cases and applied to aerodynamic shape optimization of a NACA0012 airfoil and an ONERA M6 wing in transonic flows. The results confirm that the proposed method can significantly improve the optimization efficiency and apparently outperforms the existing single-fidelity or two-level-fidelity method.     

一种适用于气动优化的高效自适应全局优化方法

随着设计空间的增大和优化问题非线性程度的提高，基于代理模型的优化（SBO）过程收敛越来越慢，并且在局部勘测上呈现不足。本文发展了一种高效自适应全局优化方法，在整个样本细化迭代过程中采用变设计空间取样：即在每一步样本细化迭代过程中，利用当前设计空间中的样本建立代理模型，并且根据样本的内部特征，利用模糊聚类算法将该设计空间分割成几个子空间，然后在每个子空间内通过最大化目标函数的期望提高函数和最小化模型预测目标来增加新的样本，之后对子空间进行融合更新设计空间。6个解析测试算例的结果表明，所发展的方法相比于一般的代理模型优化方法，具有更好的鲁棒性以及全局探索和局部勘测能力，更适用于具有强非线性和多极值的优化问题。RAE2822气动优化实例表明，所发展的方法在处理工程实际问题时，仍然能够保持很好的效率、鲁棒性和自适应性。     

基于CST参数化方法气动优化设计研究

翼型及机翼优化设计中,设计变量的个数对优化算法的收敛速度及代理模型的精度有很大的影响.因此,在精确描述翼型的同时,发展较少设计变量的翼型参数化方法对翼型优化设计有着重要的意义.本文基于CST(class function/shape function transformation)翼型参数化方法对Kriging模型的预测精度进行研究,并采用改进的粒子群优化算法构建气动优化设计系统.某亚声速机翼单点减阻设计及超临界翼型的稳健性设计表明该系统具有较高的设计质量,方法可靠,有较高的工程应用前景.     

Aerodynamic/aeroacoustic variable-fidelity optimization of helicopter rotor based on hierarchical Kriging model

Rotor noise is one of the most important reasons for restricting helicopter development; hence, the optimization design of rotor blade considering aeroacoustic and aerodynamic performance at the same time has always been the focus of research attention. For complex rotor design problems with a large number of design variables, the efficiency of the traditional Kriging model needs to be improved. Thus, Hierarchical Kriging (HK) model is employed in this study for rotor optimization design. By using the validated RANS solver and acoustic method based on the FW–H_pds equation, an efficient aerodynamic/aeroacoustic optimization method for high-dimensional problem of rotors in hover based on HK model is developed. By using present HK model and new infill-sampling criteria, the number of design variables is increased from less than 20–53. Results of two analytical function test cases show that the HK model is efficient and accurate in calculation. Subsequently, the helicopter rotor blade is optimally designed for aerodynamic/aeroacoustic performance in hover based on the HK model with high dimensional design variables. The objective function is adopted to improve the rotational noise characteristics by reducing the absolute peak of the acoustic pressure. In addition, the constraints of thrust, hover efficiency, solidity, and airfoils thickness are strictly satisfied. Optimization results show that the Kriging model finds the objective of reducing the noise by 2.87 dB after 248 iterations while the HK model does it only after 164 iterations. The optimization efficiency of the HK model is significantly higher than that of the traditional Kriging model. In the case analyzed, the HK model saves 35% of the time used by the Kriging model.     

基于Kriging模型的翼型多目标气动优化设计研究

在翼型气动优化设计中引入Kriging代理模型,发展了一套高效、稳定的气动优化设计程序。采用拉丁超立方试验设计方法在设计空间内构造一系列样本点,通过求解二维可压缩的雷诺平均NS方程（RANS）得到其响应值来建立初始Kriging模型。优化设计采用Hicks-henne函数对翼型几何外形进行参数化表示,以阻力极小化为设计目标,考虑面积、升力、力矩等约束条件,通过算例证明,发展的优化设计方法不仅可行,而且具有高效稳定的特性。与传统的优化设计方法比较,大大减少了设计时间。     

基于自适应代理模型的气动优化方法

气动优化设计中,为了减少优化系统的计算周期,提高搜索效率,引入结构简单、计算量较小的代理模型,而运用有效的插值和选样方法(自适应选样)可以大大减少建立代理模型的时间。因此本文提出了一种基于自适应代理模型的气动优化方法。首先对自适应代理模型进行研究,建立了 Kriging 自适应代理模型和支持向量回归自适应代理模型,这两种自适应代理模型在相同样本点情况下比一般代理模型拥有更高的预测能力,然后将这其应用到翼型优化设计中,取得了良好的优化效果,从而表明这两种自适应代理模型不仅简单实用,而且明显提高了气动分析的计算效率。