一种多保真度数据驱动的AUV外形优化设计方法

本技术涉及水下航行器设计，尤其涉及一种多保真度数据驱动的auv外形优化设计方法。

背景技术：

1、自主水下航行器(autonomous underwater vehicle，auv)是指用于水下侦察、遥控猎雷和作战等可以回收的小型水下自航载体，是一种可以进行科学考察、海洋探测以及军事侦察的多功能水下机器人。回转体auv外形设计的关键技术就是流体动力的设计，这对航行器总体性能有决定性的作用。

2、传统的auv外形设计主要是以经验公式为基础，依据工程师的实践经验，设计出初步方案，然后经过反复的模型实验，以达到外形设计的性能要求。这种方法不仅耗时间、耗资金，还常常难以达到要求。

3、随着有限元分析方法的发展，先进的商业软件已经能够进行流场的精确仿真，但精确的流场仿真非常耗时，这就使得需要多重反馈迭代的优化过程难以进行。在优化过程中用数据驱动近似模型替代原有的高精度分析模型是解决这类问题的一般方法。所谓数据驱动近似模型就是指计算量小、但其计算结果与高精度模型的计算结果相近的分析模型。用数据驱动模型取代复杂的数值模拟分析或昂贵的物理试验，在航空、汽车、船舶等行业的结构设计、流体分析以及多学科设计优化等方面得到广泛的应用和深入的发展。基于数据驱动模型的优化将近似技术与寻优有机地结合，对设计空间展开全面搜索与寻优，已经成为现代设计优化方法的重要发展方向。但如何以较少的样本点构造出高精度的数据驱动模型，还需探索有效的方法。

4、目前，auv主体外形设计主要采用的是回转体外形，设计的方法主要是曲线族法，在采用合适的线型对外形参数化建模的基础上，进行流场的计算获得需要的各项流体动力参数，并通过最优化设计方法获得某项流体动力参数最优的外形。随着计算机技术的飞速发展，最优化方法和理论得以蓬勃发展，并在许多科学技术领域中得到应用，但随着对auv性能要求的不断提高，需要优化的参数也随之增多，如何在可接受的计算量的情况下，提高优化的精度是一个亟待解决的问题。

5、多保真度数据驱动优化是近年来发展起来的一种可以有效地解决效率与精度问题的数据驱动优化方法。基于多保真度数据驱动模型的优化方法主要目的是大量减少高保真度仿真模型的计算次数。信赖域模型管理方法是一种常用的多保真度数据驱动优化方法，它通过在每次迭代的设计点邻域范围内构造高保真度和低保真度的数据驱动模型，且保证在优化迭代时，两种模型的值与梯度匹配，并不断更新信赖域大小，直到获得近似最优解。该方法能局部收敛于高保真度模型的最优点，且减少了高保真度模型使用次数。但针对水下航行器外形设计问题，计算模型的梯度信息需要花费大量的时间和计算资源。

技术实现思路

1、为解决上述问题，本技术提供了一种利用最小预测准则进行局部探索，同时用信赖域方法来限制寻优的步长，在没有样本点处梯度信息的情况下对设计空间进行高效地探索和寻优，利用改进的信赖域模型管理方法对多保真度模型进行管理，并增加了全局搜索策略的多保真度数据驱动的auv外形优化设计方法。

2、本技术是通过以下技术方案实现的，一种多保真度数据驱动的auv外形优化设计方法，包括：

3、s1.获取auv的三维模型，并确定的模型设计参数范围

4、s2.利用优化拉丁超立方采样方法对auv三维模型进行高低保真度采样，获取高保真度样本点数据和低保真度样本点数据；

5、s3.利用获取的高保真度样本点和低保真样本点数据建立多保真度数据驱动模型；

6、s4.随机在auv模型设计空间中选取多个优化起点，利用多起点方法在多保真度数据驱动模型上进行寻优，得到多保真度数据驱动模型中的所有局部最优空间；

7、s5.判断局部最优空间是否被充分搜索，如被充分搜索，则输出当前最优值，进入到s7，如没有被充分搜索，进入到s6；

8、s6.采用改进的信赖域模型管理方法对局部空间进行探索；直到被充分搜索为止，并输出当前最优值；

9、s7.判断输出的当前最优值是否满足终止条件，如满足终止条件，进入到s8；如不满足终止条件，进行高保真度样本点和低保真度样本点的补充，返回到s3；

10、s8.输出满足要求的优化值。

11、优选的，所述s3中获取多保真度数据驱动模型的方法包括：

12、s301.根据得到的高保真度样本点和低保真度样本点数据分别构建高保真度数据驱动模型和低保真度数据驱动模型；

13、s302.利用得到的高保真度数据驱动模型和低保真度数据驱动模型构建桥函数模型；

14、s303.利用桥函数模型和高保真度数据驱动模型得到多保真度数据驱动模型。

15、优选的，所述s4中利用多起点方法在多保真度数据驱动模型上进行寻优的方法包括：

16、在auv模型中随机选取多个优化起点，利用序列二次规划优化算法从优化起点开始分别寻优，在优化起点附近区域中找到该区域的最优局部空间。

17、优选的，所述s5中判断局部最优是否被充分搜索的方法包括：

18、对获得的局部最优空间进行局部优化，并判断在两次迭代时得到的最优函数值是否相同，如果最优函数值相同，则认为最优局部空间被充分搜索，如果最优函数值不相同，则认为局部最优空间没有被充分搜索。

19、优选的，s6中采用改进的信赖域模型管理方法对局部空间进行探索的方法包括：

20、s601.设随机优化起点为x0，初始信赖域为δ0，以x0为起点，在范围x0±δ0内对多保真度数据驱动模型进行优化得到当前可能最优解x1；

21、s602.将最优解x1加载到高保真度仿真数据驱动模型中得到fhigh(x1)，比较fhigh(x1)和fhigh(x0)的大小，当fhigh(x1)＜fhigh(x0)，进入到s604；当fhigh(x1)＞fhigh(x0)，进入到s603；

22、s603.在点x1邻域ε＝|x1-x0|内进行补充采点，用olhd方法取2n+1个点并连同点x1补充到数据驱动模型样本点中；

23、s604.获取参数r及新的信赖域δm，公式如下：

24、

25、

26、s605.判断x1，fhigh(x1)是否满足终止条件，满足则退出；不满足则补充x1到数据驱动模型样本点中；

27、s606.重新构建桥函数，以x1为起点，在范围x1±δ1内对新的多保真度数据驱动模型进行优化得到当前可能最优解x2；

28、s607.返回到s602中，依次迭代直到找到的当前可能最优解满足要求为止。

29、优选的，所述s7中判断输出的当前最优值是否满足终止条件的方

30、

31、法包括：

32、式中：yoptim为理想最优值；变量的设计范围平均区间长度，li为第i个设计变量范围的区间长度。

33、优选的，所述s1中获取auv的三维模型的方法为：

34、获取auv的初始化参数及参数范围，利用得到的初始化参数和参数范围进行auv的三维建模。

35、本技术的有益效果是：利用最小预测准则进行局部探索，同时用信赖域方法来限制寻优的步长，这样可以在没有样本点处梯度信息的情况下对设计空间进行高效地探索和寻优。利用改进的信赖域模型管理方法对多保真度模型进行管理，并增加了全局搜索策略；有效的解决了原本信赖域模型管理方法对模型梯度的要求，使优化在没有梯度的引导下最终也能找到满足设计要求的解。