CN106066909A - 基于almabc算法的鱼雷外形多学科设计优化方法 - Google Patents

Abstract

本发明公开了一种基于ALMABC算法的鱼雷外形多学科设计优化方法；其包括构建鱼雷外形多学科设计优化模型，构建基于增广拉格朗日乘子法的适应度函数，采用人工蜂群算法对鱼雷外形多学科设计优化模型计算最优值，判断最优值是否满足预先设定的优化要求。本发明将基于增广拉格朗日乘子的人工蜂群算法应用在鱼雷外形多学科设计优化中，具有更强的普适性、更好的全局寻优能力以及更高的收敛效率，具有广泛的应用前景。

Description

基于ALMABC算法的鱼雷外形多学科设计优化方法

技术领域

本发明属于机械产品多学科设计优化技术领域，尤其涉及一种基于增广拉格朗日乘子(ALM)的人工蜂群算法(ABC)的鱼雷外形多学科设计优化方法。

背景技术

Multidisciplinary Design Optimization，MDO)在复杂机械系统设计中早已被广泛认知，是未来尖端工程设计的关键技术。这是由于MDO能同时把多个复杂的系统转换成单一的合成设计,明显缩短设计周期，是现代复杂机械系统设计的主要发展趋势。

早期的经典优化方法已然不能满足现代复杂机械系统的工程优化实际，比如经典的梯度下降法要求目标函数连续，约束区域可以解析表达，但是在实际的工程问题中，往往目标函数是不连续，不可导甚至不能解析表达，以及约束区域不连通的。虽然经典优化方法对大部分问题具有良好的收敛速度和鲁棒性，但是容易陷入局部最优解，对初始点选取敏感，最终可能得不到全局最优解。

现代智能算法对优化问题的数学表达比较宽松，不需要梯度信息，甚至不需要满足设计空间连续的要求，具备很强的全局寻优能力。智能算法诸如人工神经网络(Artificial Neural Network)，粒子群优化(Particle Swarm Optimization)，差分进化(Differential Evolutional)，蚁群优化(Ant Colony Optimization)，细菌觅食优化算法(Bacteria Foraging Optimization Algorithm)以及人工蜂群算法(Artificial BeeColony)等等。将现代智能算法应用到多学科设计优化中，可以高效寻优以及避免陷入局部最优等好处。

近年来，也有一些学者通过运用智能算法到MDO中，比如遗传算法(GeneticAlgorithm)，模拟退火(Simulated Annealing)等在飞行器设计优化领域的应用；PSO方法对运输机机翼进行多学科设计优化；SA算法与部分因子分析法相结合，提出一种新的Taguchi-SA算法，并将其应用于机翼气动外形设计优化；结合PSO与GA的混合智能优化方法应用到机翼的外形设计中；使用目标级联策略在系统级和学科级分别使用PSO作为求解器进行计算MDO概念船设计问题等等。但是对于人工蜂群算法在多学科设计优化中的应用却还鲜有涉及。

随着武器装备的发展，未来海战对现代鱼雷提出了越来越高的要求，诸如速度快、航程远、小型化以及优良的机动性能等。在鱼雷系统设计中，外形设计是鱼雷总体优化设计的重要组成部分，直接关系到鱼雷的诸多战术指标及性能。它涉及到多门学科的多个目标,各学科目标之间由于耦合变量的存在，导致学科间相互作用，相互影响，是一个典型的多学科设计优化问题。

发明内容

本发明的发明目的是：为了解决现有技术中存在的对初始点选取敏感，容易陷入局部最优，无法满足现代工业对于复杂机械系统设计要求等问题，本发明提出了一种基于ALMABC算法的鱼雷外形多学科设计优化方法。

本发明的技术方案是：一种基于ALMABC算法的鱼雷外形多学科设计优化方法，包括以下步骤：

A、构建鱼雷外形多学科设计优化模型；

B、根据步骤A中的鱼雷外形多学科设计优化模型构建基于增广拉格朗日乘子法的适应度函数；

C、结合步骤B中的基于增广拉格朗日乘子法的适应度函数，采用人工蜂群算法对步骤A中的鱼雷外形多学科设计优化模型计算最优值；

D、判断步骤C中得到的最优值是否满足预先设定的优化要求；若最优值满足优化要求，则操作结束；若最优值不满足优化要求，则更新增广拉格朗日乘子，返回步骤B。

进一步地，所述步骤A中构建鱼雷外形多学科设计优化模型具体为：将鱼雷外形设计分解为n个子学科，第i个学科级优化目标函数的数学模型表示为：

Min:f_i(X_i)

s.t.G_i(X_i,Y₁,…,Y_i,…,Y_n)≤0

Y_i＝y_i(X_i,Y₁,…,Y_i-1,Y_i+1…,Y_n)

其中，X_i为第i学科级设计变量，f_i(·)为第i个学科的目标函数，Y_i为第i学科级耦合状态变量，G_i(·)为系统级第i个学科的不等式约束条件，y_i(·)为第i个学科的分析函数；

系统级优化目标函数的数学模型表示为：

$Min:F\left(X\right)=k_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i\left(X_i\right)$

s.t.G_i(X_i,Y₁,…,Y_i,…,Y_n)≤0

其中，X为系统级级设计变量，n表示子学科数，F(·)为系统级目标函数，k_i为加权因子。

进一步地，所述步骤B中构建的基于增广拉格朗日乘子法的适应度函数具体为：

$\begin{array}{c}ALMf(X,\mathrm{\λ},\mathrm{\β},r_p)=F\left(X\right)+\underset{j=1}{\overset{r}{\mathrm{\Σ}}}{\mathrm{\λ}}_j{h}_j(X_i,Y_1,...,Y_i,...,Y_n)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\β}}_i{\mathrm{\α}}_i\\ +r_p\underset{j=1}{\overset{r}{\mathrm{\Σ}}}{h}_j^2(X_i,Y_1,...,Y_i,...,Y_n)+r_p\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^2;\end{array}$

h_j(X_j,Y₁,…,Y_j,…,Y_n)＝Y_j-y_j(X_j,Y₁,…,Y_j-1,Y_j+1…,Y_r)；

${\mathrm{\α}}_i=\max \{G_i(X_i,Y_1,...,Y_i,...,Y_n),-\frac{{\mathrm{\β}}_i}{2r_p}\};$

其中，r为等式约束的个数，n为不等式约束的个数，λ_j和β_i是拉格朗日乘子，r_p是固定的惩罚参数，h_j(·)为第j个等式约束，(·_i)为等式约束小标，(·_j)为不等式约束下标，α_i为简化因子。

进一步地，所述步骤C结合基于增广拉格朗日乘子法的适应度函数，采用人工蜂群算法对步骤A中的鱼雷外形多学科设计优化模型计算最优值，具体包括以下分步骤：

C1、设定蜂群个体数量为S_n，雇佣蜂个数为N_e，观察蜂个数为N_o，搜索空间维数为D，最大重试次数为Limit，最大循环次数为Maxcycle，初始循环次数cycle＝0；

C2、设定基于增广拉格朗日乘子法的适应度函数乘子λ₀:＝0,β₀:＝0,r_p:＝1；

C3、初始化食物源位置，计算各个食物源适应度值fitness_i，设定循环次数cycle:＝cycle+1；

C4、执行雇佣蜂相，依次开采每个食物源，计算各个食物源对应概率p_i，计算公式为：

$p_i=\frac{{\mathrm{fitness}}_i}{\underset{i=1}{\overset{N_e}{\mathrm{\Σ}}}{\mathrm{fitness}}_i}$

C5、执行观察蜂相，根据各个食物源的概率采用轮盘赌算法选择出一个食物源k，由一个观察蜂j去开采食物源k；

C6、执行侦查蜂相，当所有循环拖尾次数trail_i值大于或等于最大重试次数Limit时，将第i个雇佣蜂变成侦查蜂，重新产生其位置向量，重新计算其适应度值，同时重置trail_i:＝0；

C7、比较所有食物源的适应度值，得到最优值。

进一步地，所述步骤D中更新增广拉格朗日乘子，表示为：

${\mathrm{\λ}}_j^{(cycle+1)}={\mathrm{\λ}}_j^{\left(cycle\right)}+2r_p{h}_j(X_j,Y_1,...,Y_j,...,Y_n)$

${\mathrm{\β}}_i^{(k+1)}={\mathrm{\β}}_i^{\left(k\right)}+2r_{p}max\{G_i(X_i,Y_1,...,Y_i,...,Y_n),-\frac{{\mathrm{\β}}_i}{2r_p}\}.$

本发明的有益效果是：本发明将基于增广拉格朗日乘子的人工蜂群算法应用在鱼雷外形多学科设计优化中，具有更强的普适性、更好的全局寻优能力以及更高的收敛效率，具有广泛的应用前景。

附图说明

图1是本发明的基于ALMABC算法的鱼雷外形多学科设计优化方法流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，为本发明的基于ALMABC算法的鱼雷外形多学科设计优化方法流程示意图。一种基于ALMABC算法的鱼雷外形多学科设计优化方法，包括以下步骤：

A、构建鱼雷外形多学科设计优化模型；

B、根据步骤A中的鱼雷外形多学科设计优化模型构建基于增广拉格朗日乘子法的适应度函数；

C、结合步骤B中的基于增广拉格朗日乘子法的适应度函数，采用人工蜂群算法对步骤A中的鱼雷外形多学科设计优化模型计算最优值；

D、判断步骤C中得到的最优值是否满足预先设定的优化要求；若最优值满足优化要求，则操作结束；若最优值不满足优化要求，则更新增广拉格朗日乘子，返回步骤B。

在步骤A中，构建鱼雷外形多学科设计优化模型具体为：将鱼雷外形设计分解为n个子学科，第i个学科级优化目标函数的数学模型表示为：

Min:f_i(X_i)

s.t.G_i(X_i,Y₁,…,Y_i,…,Y_n)≤0

Y_i＝y_i(X_i,Y₁,…,Y_i-1,Y_i+1…,Y_n)

其中，X_i为第i学科级设计变量，f_i(·)为第i个学科的目标函数，Y_i为第i学科级耦合状态变量，G_i(·)为系统级第i个学科的不等式约束条件，y_i(·)为第i个学科的分析函数；

系统级优化目标函数的数学模型表示为：

$Min:F\left(X\right)=k_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i\left(X_i\right)$

s.t.G_i(X_i,Y₁,…,Y_i,…,Y_n)≤0

其中，X为系统级级设计变量，n表示子学科数，F(·)为系统级目标函数，k_i为加权因子。

本发明针对鱼雷外形多学科设计优化，根据曲线族设计方法，选择双参数椭圆曲线模型，构建其多学科设计优化模型，具体为：根据曲线族设计方法，选择双参数椭圆曲线模型，将鱼雷外形优化设计问题分解为一个系统优化问题和阻力学科、自噪声学科和压力学科分布三个学科级优化问题。

阻力学科：以全雷零升阻力系数D为优化目标，阻力学科优化模型具体为：

Min:D(X₁,Y₁,Y₂,Y₃)

s.t.G₁(X₁,Y₁,Y₂,Y₃)≤0

Y₁＝f₁(X₁,Y₂,Y₃)

自噪声学科：以边界层转捩区向头部驻点处辐射的声压谱模型N为优化目标，自噪声学科优化模型具体为：

Min:N(X₂,Y₁,Y₂,Y₃)

s.t.G₂(X₂,Y₁,Y₂,Y₃)≤0

Y₂＝f₂(X₂,Y₁,Y₃)

压力分布学科：以头部曲线段最小压力系数Cp_minhead和尾部曲线段最小压力系数Cp_mintail的函数P(·)为优化目标，压力分布学科优化模型具体为：

Min:P(Cp_minhead,Cp_mintail)

s.t.G₃(X₃,Y₁,Y₂,Y₃)≤0

Y₃＝f₃(X₃,Y₁,Y₂)

系统级优化模型具体为：

Min:F(D,N,P)＝F((X,Y₁,Y₂,Y₃))

s.t.G₁(X₁,Y₁,Y₂,Y₃)≤0

G₂(X₂,Y₁,Y₂,Y₃)≤0

G₃(X₃,Y₁,Y₂,Y₃)≤0

其中，X₁为阻力学科的设计变量，包括鱼雷全部几何外形参数，鱼雷全长(L)、头部总长(Lh)、头部双参数椭圆曲线参数(mHead，nHead)、尾部总长(Lt)、尾部曲线段参数(mTail，nTail)；X₂为自噪声学科的设计变量，包括头部总长(Lh)、头部双参数椭圆曲线参数(mHead，nHead)；X₃为自噪声学科的设计变量，包括头部双参数椭圆曲线参数(mHead，nHead)和尾部曲线段参数(mTail，nTail)；X为系统级优化变量，包括所有学科级优化变量X₁,X₂,X₃；Y₁为阻力学科耦合状态变量，包括全雷压力分布系数Cp和摩擦切应力系数Cf；Y₂为自噪声学科耦合状态变量，包括头部压力分布系数Cphead,转捩点位置Xc；Y₃为压力分布学科耦合状态变量，包括全雷压力分布系数Cp；f₁为阻力学科分析函数；f₂为自噪声学科分析函数；f₃为压力分布学科分析函数；G₁为阻力学科的约束条件；G₂为自噪声学科的约束条件；G₃为压力分布学科的约束条件。

本发明中鱼雷头部最小压力系数Cp_minhead和鱼雷最小压力系数Cp_mintail采用面元法求得，阻力系数D计算公式具体为：

$D=\frac{2\mathrm{\π}}{\mathrm{\Ω}}{\∫}_0^L{C}_{p}sin\left(\mathrm{\γ}\right)YdX+\frac{2\mathrm{\π}}{\mathrm{\Ω}}{\∫}_0^L{C}_{f}cos\left(\mathrm{\γ}\right)YdX$

其中，Ω为特征面积，C_p为表面压力系数，C_f为表面摩擦应力系数；γ为转捩区内湍斑的间歇因子，X为鱼雷外形物理横坐标，Y为鱼雷外形物理纵坐标。

转捩区向头部驻点处辐射的声压谱模型N的计算公式具体为：

N＝10logG(r,f)+10logΔf

$G(r,f)=\frac{{\mathrm{W\ρ}}^2{\mathrm{UU}}_c{\left({\mathrm{\Δ\δ}}^{*}\right)}^2{\left(k_c\mathrm{\Δ}x\right)}^2}{8{\mathrm{\π}}^2{r}^2\[1+{\left(k_c\mathrm{\Δ}x\right)}^2(t_i{U}_c/\mathrm{\Δ}x)\]}K\left(k_c\mathrm{\Δ}x\right)$

其中，G(r,f)为转捩区向头部驻点处辐射的声压谱，f为声波频率，⊿f为声波频率差，W为回转体转捩区的周长；ρ为流体的密度，U为来流速度，U_c为转捩区内湍斑的迁移速度，⊿δ^*为边界层的位移厚度差，⊿x为转捩区长度(回转体表面弧长)，k_c⊿x为无量纲因子，r为转捩区沿表面到回转体头部驻点处的距离，t_iU_c/⊿x＝1.1为无量纲上升时间，K(·)为无量纲因子的函数。

本发明的系统级优化目标函数采用自适应加权方法将各学科级的目标函数相统一，表示为：

$F\left(X\right)=F(D,N,P)=k_1\frac{D-D_L}{D_U-D_L}+k_2\frac{N-N_L}{N_U-N_L}+k_3\frac{P-P_L}{P_U-P_L}$

其中，(·_U)，(·_L)分别表示该量的上下限，k₁，k₂，k₃为加权因子，其值由该项的在设计中的重要程度决定。

在步骤B中，本发明对鱼雷外形多学科设计优化模型中的目标函数以及等式和不等式约束，构造基于增广拉格朗日乘子法的适应度函数，具体为：

$\begin{array}{c}ALMf(X,\mathrm{\λ},\mathrm{\β},r_p)=F\left(X\right)+\underset{j=1}{\overset{r}{\mathrm{\Σ}}}{\mathrm{\λ}}_j{h}_j(X_i,Y_1,...,Y_i,...,Y_n)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\β}}_i{\mathrm{\α}}_i\\ +r_p\underset{j=1}{\overset{r}{\mathrm{\Σ}}}{h}_j^2(X_i,Y_1,...,Y_i,...,Y_n)+r_p\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^2;\end{array}$

h_j(X_j,Y₁,…,Y_j,…,Y_n)＝Y_j-y_j(X_j,Y₁,…,Y_j-1,Y_j+1…,Y_r)；

${\mathrm{\α}}_i=\max \{G_i(X_i,Y_1,...,Y_i,...,Y_n),-\frac{{\mathrm{\β}}_i}{2r_p}\};$

其中，r为等式约束的个数，n为不等式约束的个数，λ_i和β_i是拉格朗日乘子，r_p是固定的惩罚参数，h_j(·)为第j个等式约束。

在步骤C中，在使用人工蜂群算法前需要对鱼雷外形多学科设计优化的目标函数进行转换，转换公式表示为：

${\mathrm{fitness}}_i=\left\{\begin{array}{cc}1/(1+ALMF(X,\mathrm{\&lambda;},\mathrm{\&beta;},r_p\left)\right)& \begin{array}{cc}if& ALMF(X,\mathrm{\&lambda;},\mathrm{\&beta;},r_p)\&GreaterEqual;0\end{array}\\ 1+abs\left(ALMF\right(X,\mathrm{\&lambda;},\mathrm{\&beta;},r_p\left)\right)& \begin{array}{cc}if& ALMF(X,\mathrm{\&lambda;},\mathrm{\&beta;},r_p)<0\end{array}\end{array}\right.$

其中，适应度值fitness_i代表第i个食物源蜂蜜的数量。

本发明结合步骤B中的基于增广拉格朗日乘子法的适应度函数，采用人工蜂群算法对步骤A中的鱼雷外形多学科设计优化模型计算最优值，具体包括以下分步骤：

C1、设定蜂群个体数量为S_n，雇佣蜂个数为N_e，观察蜂个数为N_o，搜索空间维数为D，最大重试次数为Limit，最大循环次数为Maxcycle，初始循环次数cycle＝0；

C2、设定基于增广拉格朗日乘子法的适应度函数乘子λ₀:＝0,β₀:＝0,r_p:＝1；

C3、初始化食物源位置，计算各个食物源适应度值fitness_i，设定循环次数cycle:＝cycle+1；

C4、执行雇佣蜂相，依次开采每个食物源，计算各个食物源对应概率p_i，计算公式为：

$p_i=\frac{{\mathrm{fitness}}_i}{\underset{i=1}{\overset{N_e}{\mathrm{\&Sigma;}}}{\mathrm{fitness}}_i}$

C5、执行观察蜂相，根据各个食物源的概率采用轮盘赌算法选择出一个食物源k，由一个观察蜂j去开采食物源k；

C6、执行侦查蜂相，当所有循环拖尾次数trail_i值大于或等于最大重试次数Limit时，将第i个雇佣蜂变成侦查蜂，重新产生其位置向量，重新计算其适应度值，同时重置trail_i:＝0；

C7、比较所有食物源的适应度值，得到最优值。

在步骤D中，本发明判断步骤C中计算得到的最优值是否满足预先设定的优化要求；若最优值满足优化要求，则操作结束；若最优值不满足优化要求，当循环次数cycle小于最大循环次数Maxcycle时，更新增广拉格朗日乘子，返回步骤B重新构建基于增广拉格朗日乘子法的适应度函数，直到最优值满足优化要求。增广拉格朗日乘子的更新公式具体为：

${\mathrm{\&lambda;}}_j^{(cycle+1)}={\mathrm{\&lambda;}}_j^{\left(cycle\right)}+2r_p{h}_j(X_j,Y_1,...,Y_j,...,Y_n)$

${\mathrm{\&beta;}}_i^{(k+1)}={\mathrm{\&beta;}}_i^{\left(k\right)}+2r_{p}max\{G_i(X_i,Y_1,...,Y_i,...,Y_n),-\frac{{\mathrm{\&beta;}}_i}{2r_p}\}$

本发明将增广拉格朗日乘子法结合人工蜂群智能算法应用在鱼雷外形多学科设计优化领域中，比传统的优化方法具有更强的普适性、更好的全局寻优能力以及更高的收敛效率，具有广泛的应用前景。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种基于ALMABC算法的鱼雷外形多学科设计优化方法，其特征在于，包括以下步骤：

A、构建鱼雷外形多学科设计优化模型；

B、根据步骤A中的鱼雷外形多学科设计优化模型构建基于增广拉格朗日乘子法的适应度函数；

C、结合步骤B中的基于增广拉格朗日乘子法的适应度函数，采用人工蜂群算法对步骤A中的鱼雷外形多学科设计优化模型计算最优值；

D、判断步骤C中得到的最优值是否满足预先设定的优化要求；若最优值满足优化要求，则操作结束；若最优值不满足优化要求，则更新增广拉格朗日乘子，返回步骤B。

2.如权利要求1所述的基于ALMABC算法的鱼雷外形多学科设计优化方法，其特征在于，所述步骤A中构建鱼雷外形多学科设计优化模型具体为：将鱼雷外形设计分解为n个子学科，第i个学科级优化目标函数的数学模型表示为：

Min:f_i(X_i)

s.t.G_i(X_i,Y₁,…,Y_i,…,Y_n)≤0

Y_i＝y_i(X_i,Y₁,…,Y_i-1,Y_i+1…,Y_n)

其中，X_i为第i学科级设计变量，f_i(·)为第i个学科的目标函数，Y_i为第i学科级耦合状态变量，G_i(·)为系统级第i个学科的不等式约束条件，y_i(·)为第i个学科的分析函数；

系统级优化目标函数的数学模型表示为：

$Min:F\left(X\right)=k_i\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_i\left(X_i\right)$

s.t.G_i(X_i,Y₁,…,Y_i,…,Y_n)≤0

其中，X为系统级级设计变量，n表示子学科数，F(·)为系统级目标函数，k_i为加权因子。

3.如权利要求2所述的基于ALMABC算法的鱼雷外形多学科设计优化方法，其特征在于，所述步骤B中构建的基于增广拉格朗日乘子法的适应度函数具体为：

$\begin{array}{c}ALMf(X,\mathrm{\&lambda;},\mathrm{\&beta;},r_p)=F\left(X\right)+\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j{h}_j(X_i,Y_1,...,Y_i,...,Y_n)+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_i{\mathrm{\&alpha;}}_i\\ +r_p\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}{h}_j^2(X_i,Y_1,...,Y_i,...,Y_n)+r_p\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i^2;\end{array}$

h_j(X_j,Y₁,…,Y_j,…,Y_n)＝Y_j-y_j(X_j,Y₁,…,Y_j-1,Y_j+1…,Y_r)；

${\mathrm{\&alpha;}}_i=\max \{G_i(X_i,Y_1,...,Y_i,...,Y_n),-\frac{{\mathrm{\&beta;}}_i}{2r_p}\};$

其中，r为等式约束的个数，n为不等式约束的个数，λ_j和β_i是拉格朗日乘子，r_p是固定的惩罚参数，h_j(·)为第j个等式约束，(·_i)为等式约束小标，(·_j)为不等式约束下标，α_i为简化因子。

4.如权利要求3所述的基于ALMABC算法的鱼雷外形多学科设计优化方法，其特征在于，所述步骤C结合基于增广拉格朗日乘子法的适应度函数，采用人工蜂群算法对步骤A中的鱼雷外形多学科设计优化模型计算最优值，具体包括以下分步骤：

C1、设定蜂群个体数量为S_n，雇佣蜂个数为N_e，观察蜂个数为N_o，搜索空间维数为D，最大重试次数为Limit，最大循环次数为Maxcycle，初始循环次数cycle＝0；

C2、设定基于增广拉格朗日乘子法的适应度函数乘子λ₀:＝0,β₀:＝0,r_p:＝1；

C3、初始化食物源位置，计算各个食物源适应度值fitness_i，设定循环次数cycle:＝cycle+1；

C4、执行雇佣蜂相，依次开采每个食物源，计算各个食物源对应概率p_i，计算公式为：

$p_i=\frac{{\mathrm{fitness}}_i}{\underset{i=1}{\overset{N_e}{\mathrm{\&Sigma;}}}{\mathrm{fitness}}_i}$

C5、执行观察蜂相，根据各个食物源的概率采用轮盘赌算法选择出一个食物源k，由一个观察蜂j去开采食物源k；

C6、执行侦查蜂相，当所有循环拖尾次数trail_i值大于或等于最大重试次数Limit时，将第i个雇佣蜂变成侦查蜂，重新产生其位置向量，重新计算其适应度值，同时重置trail_i:＝0；

C7、比较所有食物源的适应度值，得到最优值。

5.如权利要求4所述的基于ALMABC算法的鱼雷外形多学科设计优化方法，其特征在于，所述步骤D中更新增广拉格朗日乘子，表示为：

${\mathrm{\&lambda;}}_j^{(cycle+1)}={\mathrm{\&lambda;}}_j^{\left(cycle\right)}+2r_p{h}_j(X_j,Y_1,...,Y_j,...,Y_n)$

${\mathrm{\&beta;}}_i^{(k+1)}={\mathrm{\&beta;}}_i^{\left(k\right)}+2r_{p}max\{G_i(X_i,Y_1,...,Y_i,...,Y_n),-\frac{{\mathrm{\&beta;}}_i}{2r_p}\}.$