考虑不确定性的飞机总体参数优化方法

由于在各种设计问题包括飞机概念设计中都存在一定的不确定性,因此在总体参数优化时有必要考虑这种不确定性。以大型客机总体参数优化设计为例,定义了考虑不确定性的飞机总体参数优化问题,该问题与传统飞机总体参数优化的区别是要进行不确定性分析。而不确定性分析的计算量过大,为此提出了一种渐进代理模型方法来解决这一难题。在建立代理模型时,通过连续成批地在设计空间的全局和局部均加入新样本点,不断提高代理模型的全局拟合精度,直至获得满意的代理模型为止。然后在优化过程中使用计算量小的代理模型。大型客机总体参数优化问题中含有5个设计变量,目标函数为起飞重量最轻,并需满足4个性能约束。考虑了不确定性后,不仅使目标值（起飞重量）对总体参数变化的敏感度有所减小,而且满足约束（设计要求）概率显著提高。     

基于代理模型全局优化的自适应参数化方法

对于翼型气动隐身设计问题,设计变量的配置对设计结果影响很大,而简单地增加设计变量不能保证得到理想的结果。提出一种适用于代理模型全局优化的自适应参数化方法：利用全局敏感性分析方法——基本效应法,得到设计空间关于目标函数的敏感区域信息,并以此为根据增加设计变量;利用节点插入算法将低维样本在高维空间内进行重构,避免了重新取样的工作量。相对于传统固定设计空间维度方法,自适应参数化方法在设计空间的敏感区域扩展维度,能够更加精准地描述外形并反映目标的变化趋势。通过飞翼布局翼型的气动隐身优化算例,证实自适应参数化方法可以大幅提高优化设计质量和效率。     

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。     

关于一类凸约束非光滑最优化问题的信赖域算法

本文将一类求解具有凸约束光滑非线性规划的信赖域算法推广到非光滑情形，并且仅要求目标函数是局部李普希兹的。在每次迭代中，都在信赖域上求解一个带有目标函数一阶和二阶信息的子问题，并且一阶信息是一个不明显依赖于次梯度或方向导数的迭代函数，并证明了该算法的全局收敛性。     

一种采用遗传算法优化离心叶轮结构的方法

针对高功重比航空发动机离心叶轮结构减重需求及传统多目标优化难以实现全局优化的特点,以强度计算模块获取的全局样本数据为基础,对代理模型生成的响应面采用多目标遗传算法反复迭代寻优。利用整体-局部的结构优化过程,获得参数化离心叶轮结构设计的全局最优解,并结合应力质量分数与叶尖变形分布的对比,验证了离心叶轮结构优化对结构性能的影响。结果表明:运用Kriging代理模型-遗传算法分步优化,能有效提高离心叶轮结构质量的利用率,改善结构稳定性,获取目标最优结构。     

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。     

临近空间固体动力飞行器发动机与轨迹一体化设计优化

针对临近空间多级固体动力飞行器发动机与轨迹一体化设计优化问题,提出一种基于序列代理优化的高效设计方法。为了准确计算发动机的性能特性,对发动机进行了几何参数化建模,并针对复杂装药的燃面计算,提出了基于移动四面体的燃面计算算法。为了准确评估飞行器的最大航程能力,采用自适应Legendre-Gauss-Radau伪谱法获得给定发动机设计方案下的最大航程。为了提高发动机与轨迹一体化设计优化效率,提出了基于Kriging代理模型的多采样点高效全局代理优化算法,并进行了数值验证。计算结果表明：该优化方法收敛速度快,相比传统参数优化算法可以显著减少耗时目标函数和约束函数的计算次数,并能够有效地实现临近空间多级固体动力飞行器发动机与轨迹一体化设计优化。     

基于样本映射与动态Kriging的飞行器离散连续优化方法

针对复杂飞行器系统离散连续混合优化计算成本高、全局收敛性差等问题,提出了一种基于样本映射与动态Kriging的离散连续优化方法（SMDK-DC）。该方法采用Kriging代理模型代替高耗时仿真模型以降低计算成本,并定制一种基于综合曼哈顿距离准则的样本点映射机制,在连续-离散空间内高效生成满足均布性要求的真实样本点。将期望改善度准则与重点采样空间方法相结合,辨识优质新增样本点,持续动态更新Kriging,引导离散连续优化过程快速收敛。标准数值算例测试结果表明,与SOMI、NOMAD等国际同类方法相比,SMDK-DC方法在全局收敛性与鲁棒性方面具有显著优势。使用该方法求解固体火箭发动机多学科设计优化问题,优化方案在满足燃烧室、内弹道等学科约束条件前提下,使得发动机总冲提升12.92%以上,且优化收益较SOMI方法提高1.71%,从而验证了本文工作的有效性与工程实用性。     

图形变形法在固体火箭发动机设计优化中的应用

采用图形变形法分析了固体火箭发动机设计优化模型中各设计变量对目标函数和约束的影响程度，探索了可行设计空间，通过显示优化结果点附近设计空间形态定性分析了优化结果鲁棒性。结果表明，图形变形法处理固体火箭发动机设计优化多变量分析及显示问题简单、直观，易于工程应用。     

Adaptive optimization methodology based on Kriging modeling and a trust region method

Surrogate-Based Optimization (SBO) is becoming increasingly popular since it can remarkably reduce the computational cost for design optimizations based on high-fidelity and expensive numerical analyses. However, for complicated optimization problems with a large design space, many design variables, and strong nonlinearity, SBO converges slowly and shows imperfection in local exploitation. This paper proposes a trust region method within the framework of an SBO process based on the Kriging model. In each refinement cycle, new samples are selected by a certain design of experiment method within a variable design space, which is sequentially updated by the trust region method. A multi-dimensional trust-region radius is proposed to improve the adaptability of the developed methodology. Further, the scale factor and the limit factor of the trust region are studied to evaluate their effects on the optimization process. Thereafter, different SBO methods using error-based exploration, prediction-based exploitation, refinement based on the expected improvement function, a hybrid refinement strategy, and the developed trust-region-based refinement are utilized in four analytical tests. Further, the developed optimization methodology is employed in the drag minimization of an RAE2822 airfoil. Results indicate that it has better robustness and local exploitation capability in comparison with those of other SBO methods.     

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。     

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。     

An adaptive sequential experiment design method for model validation

Efficient experiment design is of great significance for the validation of simulation model with high nonlinearity and large input space. Excessive validation experiment raises the cost while insufficient test increases the risks of accepting an invalid model. In this paper, an adaptive sequential experiment design method combining global exploration criterion and local exploitation criterion is proposed. The exploration criterion utilizes discrepancy metric to improve the space-filling property of the design points while the exploitation criterion employs the leave one out error to discover informative points. To avoid the clustering of samples in the local region, an adaptive weight updating approach is provided to maintain the balance between exploration and exploitation. Besides, the credibility distribution function characterizing the relationship between the input and result credibility is introduced to support the model validation experiment design. Finally, six benchmark problems and an engineering case are applied to examine the performance of the proposed method. The experiments indicate that the proposed method achieves satisfactory performance for function approximation in accuracy and convergence.     

Multi-infill strategy for kriging models used in variable fidelity optimization

In this paper, a computationally efficient optimization method for aerodynamic design has been developed. The low-fidelity model and the multi-infill strategy are utilized in this approach. Low-fidelity data is employed to provide a good global trend for model prediction, and multiple sample points chosen by different infill criteria in each updating cycle are used to enhance the exploitation and exploration ability of the optimization approach. Take the advantages of low-fidelity model and the multi-infill strategy, and no initial sample for the high-fidelity model is needed. This approach is applied to an airfoil design case and a high-dimensional wing design case. It saves a large number of high-fidelity function evaluations for initial model construction. What’s more, faster reduction of an aerodynamic function is achieved, when compared to ordinary kriging using the multi-infill strategy and variable-fidelity model using single infill criterion. The results indicate that the developed approach has a promising application to efficient aerodynamic design when high-fidelity analyses are involved.     

A new hybrid aerodynamic optimization framework based on differential evolution and invasive weed optimization

Since many aerodynamic optimization problems in the area of aeronautics contain highly nonlinear objectives and multiple local optima, it is still a challenge for most of the traditional optimization methods to find the global optima. In this paper, a new hybrid optimization framework based on Differential Evolution and Invasive Weed Optimization (IWO_DE/Ring) is developed, which combines global and local search to improve the performance, where a Multiple-Output Gaussian Process (MOGP) is used as the surrogate model. We first use several test functions to verify the performance of the IWO_DE/Ring method, and then apply the optimization framework to a supercritical airfoil design problem. The convergence and the robustness of the proposed framework are compared against some other optimization methods. The IWO_DE/Ring-based approach provides much quicker and steadier convergence than the traditional methods. The results show that the stability of the dynamic optimization process is an important indication of the confidence in the obtained optimum, and the proposed optimization framework based on IWO_DE/Ring is a reliable and promising alternative for complex aeronautical optimization problems.     

Global aerodynamic design optimization based on data dimensionality reduction

In aerodynamic optimization, global optimization methods such as genetic algorithms are preferred in many cases because of their advantage on reaching global optimum. However, for complex problems in which large number of design variables are needed, the computational cost becomes prohibitive, and thus original global optimization strategies are required. To address this need, data dimensionality reduction method is combined with global optimization methods, thus forming a new global optimization system, aiming to improve the efficiency of conventional global optimization. The new optimization system involves applying Proper Orthogonal Decomposition (POD) in dimensionality reduction of design space while maintaining the generality of original design space. Besides, an acceleration approach for samples calculation in surrogate modeling is applied to reduce the computational time while providing sufficient accuracy. The optimizations of a transonic airfoil RAE2822 and the transonic wing ONERA M6 are performed to demonstrate the effectiveness of the proposed new optimization system. In both cases, we manage to reduce the number of design variables from 20 to 10 and from 42 to 20 respectively. The new design optimization system converges faster and it takes 1/3 of the total time of traditional optimization to converge to a better design, thus significantly reducing the overall optimization time and improving the efficiency of conventional global design optimization method.     

增广拉格朗日子集模拟优化方法

传统的工程结构优化设计方法在求解多设计变量、多约束条件的结构优化设计问题时,存在诸多不足,针对上述问题,基于增广拉格朗日约束处理方法和子集模拟优化方法发展一种新的结构优化设计方法——增广拉格朗日子集模拟优化方法(ALSSO).该方法首先利用拉格朗日乘子法处理多重约束条件,然后利用子集模拟优化方法对转化后的无约束优化问题进行求解;对罚函数因子的更新方法进行改进,以保证收敛过程的稳定性;利用两个算例对该方法的计算精度、稳健性以及计算效率进行验证,并与其他优化方法进行对比.结果表明:增广拉格朗日子集模拟优化方法具有非常优秀的寻优性能.