CN111506969B - 一种基于多目标粒子群算法的船型优化方法 - Google Patents

一种基于多目标粒子群算法的船型优化方法 Download PDF

Info

Publication number
CN111506969B
CN111506969B CN202010314618.0A CN202010314618A CN111506969B CN 111506969 B CN111506969 B CN 111506969B CN 202010314618 A CN202010314618 A CN 202010314618A CN 111506969 B CN111506969 B CN 111506969B
Authority
CN
China
Prior art keywords
ship
algorithm
adopting
particle swarm
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010314618.0A
Other languages
English (en)
Other versions
CN111506969A (zh
Inventor
张盛龙
王佳
冯是全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changshu Institute of Technology
Original Assignee
Changshu Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changshu Institute of Technology filed Critical Changshu Institute of Technology
Priority to CN202010314618.0A priority Critical patent/CN111506969B/zh
Publication of CN111506969A publication Critical patent/CN111506969A/zh
Application granted granted Critical
Publication of CN111506969B publication Critical patent/CN111506969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多目标粒子群算法的船型优化方法，包括步骤根据多目标粒子群优化算法生成一组粒子群设计变量，每个设计变量粒子对应一组船型修改参数；采用任意曲面变形技术建立与船型修改参数对应的船体新几何；采用深度信念网络算法计算水动力性能；然后将目标函数输入到多目标粒子群算法中，根据多目标粒子群算法的变换规则生成一组新的粒子群设计变量，并返回步骤2继续下一次优化，直到多目标粒子群算法达到最大迭代次数，输出最佳粒子所对应的船体几何。本发明采用深度信念网络算法预测船舶在波浪中的水动力性能，采用多目标粒子群算法进行全局优化，能够有效提高船型优化效率的同时，保证船型设计的精准性及实用性。

Description

一种基于多目标粒子群算法的船型优化方法
技术领域
本发明涉及一种船型优化方法，特别是涉及一种基于多目标粒子群算法的船型优化方法。
背景技术
目前，在船舶设计领域中，基于计算流体动力学技术的船型优化设计已经成为当下的主流方法。因为该方法能够代替船模实验进行水动力性能精确评估，为船舶工业精确、经济的生产带来了巨大效益。例如：采用计算流体动力学技术对船舶在静水中的水动力性能进行数值模拟，计算船舶的兴波阻力和总阻力；采用计算流体动力学技术对船舶在不同波浪工况下的附加阻力和运动响应进行数值模拟分析。然而，在船型优化设计上，目前现有技术往往只考虑了船舶在静水中的优化设计。众所周知，船舶在海上航行时，波浪对船舶的影响不可避免，较大的波浪会导致甲板上浪，船舶舒适性降低，甚至危及人员生命安全。船舶在波浪中的阻力对船舶的快速性影响至关重要。同时，显著影响船舶耐波性的参数主要有：垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度。其中垂向加速度对船上各种活动均有较大影响，垂向速度对起重机工作有很大影响，其他参数对于人员作业能力和适居性影响也较大。为了获得最合适的船型，在船舶设计时必须要将这些参数考虑进去。但是基于雷诺平均-流体体积函数技术在船型性能评估时具有长耗时的缺陷，船型优化设计需要反复计算船型性能，这使得整个优化过程漫长而复杂。
发明内容
本发明的目的是提供一种基于多目标粒子群算法的船型优化方法，在船型优化中考虑到波浪的影响，旨在设计出更加符合工程实际的船型，同时基于多目标粒子群算法和DBN技术的船型优化方法能够有效提升船型优化效率，减小生产设计周期。
本发明技术方案如下：一种基于多目标粒子群算法的船型优化方法，依次包括以下步骤：
步骤1、根据多目标粒子群优化算法生成一组粒子群设计变量X(t)＝(x1，x2，...,xi,...,xm)，每个设计变量粒子xi，i＝1,2,…,m，对应一组船型修改参数；
步骤2、采用任意曲面变形技术根据设计变量粒子xi修改原船体几何形状，获得与船型修改参数一一对应的船体新几何；
步骤3、计算步骤2得到的新几何的船舶排水量，如果修改后的船体新几何与原船体几何形状的船舶排水量变化满足优化限制条件，则转向步骤4，否则转向步骤1；
步骤4、采用深度信念网络算法计算船体新几何在波浪中的阻力a1、垂向加速度a2、横向加速度a3、垂向速度a4、垂向位移a5、横摇角度a6；
步骤5、将步骤4得到的六个目标函数aj(j∈[1,6])输入到多目标粒子群算法中，根据多目标粒子群算法的变换规则生成一组新的粒子群设计变量X(t+1)，并返回步骤2继续下一次优化，直到多目标粒子群算法达到最大迭代次数，然后停止计算，并输出最佳粒子所对应的船体几何。
进一步地，所述步骤1根据多目标粒子群优化算法生成一组粒子群设计变量为初始化粒子群优化算法参数，包括：最大迭代次数Tmax、粒子数目m、权重系数ωmax和ωmin、加速系数c1,ini、c2,ini、c1,fin和c2,fin，将当前优化代数设置为t＝1(t≤Tmax)。在三维空间中，随机产生m个粒子x1，x2，...,xi,...,xm，构成种群X(t)，随机产生各粒子初始速度v1，v2，...,vi,...,vm，构成种群V(t)，其中第i个粒子的位置为xi＝(xi,1，xi,2，...,xi,j)，速度为vi＝(vi,1，vi,2，...,vi,j)，j为船型修改参数的数量；
所述步骤5包括：
步骤501、将步骤4得到的六个目标函数，作为适应度值大小来评价每个粒子的好坏，存储当前各粒子的最佳位置pbest和适应值，并将种群中适应值最优的粒子作为整个种群中的最佳位置gbest，采用Pareto占优解的方法确定pbest和gbest；
步骤502、通过公式vi,j(t+1)＝ωvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)]和xi,j(t+1)＝xi,j(t)+vi,j(t+1)更新粒子的速度和位置，产生新的种群X(t+1)；vi，j为第i个粒子的当前速度；ω表示惯性权重系数；c1和c2表示正的加速系数；r1和r2为0到1之间的随机数；pi,j表示第i个例子迄今找到的最佳位置pbest；pg，j是整个粒子群搜索到的最佳位置gbest；xi，j为第i个粒子的当前位置；
步骤503、采用公式
Figure BDA0002459072890000021
a≤aavg更新优化算法的权重系数，其中，ωmax和ωmin分别为惯性权重系数的最大值和最小值；a表示粒子当前的目标函数值；aavg表示当前所有粒子的平均目标值；amin表示当前所有粒子的最小目标值；
步骤504、采用公式
Figure BDA0002459072890000031
和
Figure BDA0002459072890000032
更新加速系数，其中，c1,ini和c2,ini分别为c1和c2的迭代初始值；c1,fin和c2,fin分别为c1和c2的迭代最终值；
步骤505、更新粒子的pbest和gbest；
步骤506、判断t是否等于Tmax，如果满足条件，则输出最佳粒子所对应的船体几何；否则t＝t+1，并返回步骤502继续搜索。
进一步地，所述采用Pareto占优解的方法确定pbest和gbest包括：
1、确定pbest：如果对于第i个粒子xi满足ah(xi)≤ah(pbest)，h＝1,2,…,6，则更新pbest为pbest＝xi；如果ah(xi)>ah(pbest)，pbest保持不变，如果不符合上述条件，算法随机产生一个0～1的随机数χ，如果χ<0.5，则pbest＝xi，如果χ≥0.5，另pbest固定不变；2、确定gbest：按照拥挤度距离策略方法来确定最佳gbest。
进一步地，所述步骤2以任意曲面变形技术修改母型船依次包括以下步骤：
步骤201、确定母型船几何模型；步骤202、创建任意曲面变形控制体：在母型船几何模型外设置不同的任意曲面变形控制体；步骤203、插入控制面：对已建立好的控制体插入控制面来控制待修改区域的几何形状；步骤204、设置控制参数：对建立的控制体设定控制参数，所述控制参数包括控制点的位置和移动的方向；步骤205、冻结控制体；步骤206、几何变形：修改控制点的移动距离和方向，控制体的形状发生变化，进而改变母型船的形状，获得新的船型。
进一步地，步骤4包括：
步骤401、由原船体几何形状确定船型修改参数及参数变换范围，再采用拉丁超立方算法在参数变化范围内构建一系列样本点，最后采用任意曲面变形技术修改母型船，获得一系列与样本点一一对应的样本船型，所有样本船型构成样本船型集合；
步骤402、采用雷诺平均-流体体积函数方法计算样本船型集合中每一个样本船型的设计目标值，设计目标值包括了船舶在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度六个参数，将计算得到的所有样本船型的设计目标值参数的数据进行整合，构成一套完整的样本数据集SS；
步骤403、建立深度信念网络，用步骤402中的样本数据集的样本数据对深度信念网络算法进行训练，并通过训练获得的水动力评估模型；
步骤404、完成深度信念网络模型训练之后，采用复相关系数和均方根误差对训练完成的模型进行精确性验证，如满足精确性要求则进入步骤405，否则回到步骤401重新设定样本船型并进行后续步骤402至步骤404；
步骤405、根据训练完成的深度信念网络模型，计算待预测的新船型在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度六个参数。
进一步地，所述步骤402采用雷诺平均-流体体积函数方法计算样本船型集合中每一个样本船型的设计目标值依次包括以下步骤：
步骤402a、首先根据样本船型构建数值计算域，然后采用重叠网格方法对计算域划分网格，进行网格质量检查，获得计算流体动力学数学模型；
步骤402b、选择数值求解方法，采用连续方程和雷诺平均方程作为整个流场的控制方程，采用标准κ-ε湍流方程封闭雷诺平均方程，采用流体体积函数方法捕捉水和空气的交界面，采用压力耦合方程组的半隐式方法求解压力耦合方程；
步骤402c、建立数值波浪水池，入口方式采用速度入口方法建立波浪入口，出口添加阻尼项来消除波浪；
步骤402e、设置动网格，选择6自由度求解器，设置船舶质量、惯性矩和随船坐标系，其中随船坐标系原点在船体重心位置；
步骤402f、初始化设置，包括数值波浪水池的边界情况；
步骤402g、迭代计算，直到达到最大迭代次数。
进一步地，所述步骤403用步骤402中的样本数据对深度信念网络算法进行训练，并通过训练获得的水动力评估模型包括：预训练步骤和微调步骤，其中预训练步骤如下：
步骤403a、将深度信念网络模型分成一系列受限玻尔兹曼机模型。
步骤403b、将样本数据SS作为深度信念网络算法的输入数据，且输入数据作为第一层受限玻尔兹曼机模型的显层，然后和第一层受限玻尔兹曼机模型的隐含层组成一个受限玻尔兹曼机模型层，然后对其进行训练，求出对应的权值和偏置量；
步骤403c、定权值和偏置量，然后对第二层受限玻尔兹曼机模型进行训练；
步骤403d、以此类推，完成对所有受限玻尔兹曼机模型的训练；
所述微调包括：以预训练后的最后一层RBM模型的输出目标aj,out作为BP神经网络的输入，误差函数定义为
Figure BDA0002459072890000051
其中，aj,target为采用RANS-VoF方法计算得到的第j个目标值大小，设定BP算法的训练误差MSE≤0.0001，通过不断调整直到训练误差满足设定值，终止计算，从而得到基于波浪工况的船舶水动力性能预测模型。
进一步地，所述步骤403b中对受限玻尔兹曼机模型训练的方法包括：
(1)将样本数据集中SS的所有样本数据输入到深度信念网络模型中，作为第一个RBM模型的显层；
(2)初始化受限玻尔兹曼机模型的参数θ＝(ai,bj,wij)，显层状态设定为v1＝x0，其中，vi为显层单元i的偏置量，v1表示i＝1；wij为第i个显层单元和第j个隐含层单元之间的连接权值；
(3)通过显层状态矩阵v1，正向传播采用公式
Figure BDA0002459072890000052
求出隐含层单元偏置量h1，其中，hj为隐含层单元j的偏置量，h1表示j＝1；bj为隐含层单元j的偏差；n表示显层单元的个数；
(4)通过步骤(3)中计算得到的h1，反向传播采用公式
Figure BDA0002459072890000053
求出显层各单元v2；其中，ai为显层单元i的偏差；m表示隐含层单元的个数；
(5)通过步骤(4)中计算得到的显层v2，采用公式
Figure BDA0002459072890000054
求出隐含层各单元h2；
(6)根据公式
Figure BDA0002459072890000055
更新受限玻尔兹曼机模型参数，其中，ε为学习速率；<～>data表示采用雷诺平均-流体体积函数方法计算得到的数据；<～>recon表示模型训练后的预测数据；
(7)重复步骤(3)到步骤(6)直至算法达到最大迭代次数。
本发明技术方案与现有技术相比，具有以下有益效果：该船型优化方法以深度信念网络算法代替传统基于雷诺平均-流体体积函数(RANS-VoF)算法的数值模拟过程，从六个不同角度(船舶在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度)快速的评价船舶在波浪中的水动力性能，以任意曲面变形技术修改船体几何形状，以多目标粒子群算法作为优化算法，在船型空间内探索最佳船型。本发明中深度信念网络算法是一种深度学习策略方法，对于船型优化这种非线性模型的拟合性能更优良，同时在算法最后通过不断调整算法的参数来优化网络，以获得更加精确的水动力性能预测解集。同时，多目标粒子群算法具有搜索效率高，自适应等优点(详见公式(3))，在算法初期和后期能够有效解决算法陷入局部极值和早熟收敛的弊端(详见公式(4)和(5))，能够有效跳出局部最优解，并快速精确的获得性能最佳的船体型线。因此，本发明所提供的计算方法能够在有效提高船型优化效率的同时，保证船型设计的精准性，提高了船舶在海上航行的综合性能。本发明能够有效的替代基于RANS-VoF长耗时的船型设计方法，为船舶工业中的船型设计方案的选取和船型优化设计提供理论依据，同时具有一定的工程应用价值。
附图说明
图1是船型优化设计方法的构建流程。
图2是基于多目标粒子群的计算流程。
图3是基于任意曲面变形算法的船型变换流程图。
图4是基于任意曲面变形算法的船型变换变型实例。
图5是深度信念网络算法的构建流程。
具体实施方式
下面结合实施例对本发明作进一步说明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等同形式的修改均落于本申请所附权利要求所限定的范围内。
确定优化设计变量：任意曲面变形体上的控制点作为设计变量，其中控制点位置的修改能够改变船舶实际几何形状。
确定优化目标：优化目标为多目标优化，优化目标包括：船舶在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度。
确定优化限制条件：船舶排水量变化在1％以内。
将优化算法、几何重构方法和深度信念网络相结合构建一套自动化的船型优化方法。其中优化算法采用多目标粒子群算法，几何重构方法采用任意曲面变形方法。结合图1至图5所示，本发明具体实施步骤如下(本步骤所涉及的所有参数请参见结合图中详细说明)：
(1)以三个参数为例修改舰船DTMB5512船体几何形状，根据多目标粒子群优化算法生成一组粒子群设计变量X(t)＝(x1，x2，...,xi,...,xm)，其中第i个粒子xi＝(xi,1，xi,2，xi,3)。多目标粒子群优化算法的计算流程可参见结合图2的详细说明。
(2)采用任意曲面变形技术根据设计变量xi修改船体几何形状，获得与设计变量一一对应的新几何。三个参数船体几何形状修改流程可参见结合图3的详细说明。
(3)计算船舶排水量，如果排水量变化满足优化限制条件，则转向步骤(4)，否则转向步骤(1)。
(4)采用深度信念网络算法计算船舶在波浪中的阻力a1、垂向加速度a2、横向加速度a3、垂向速度a4、垂向位移a5、横摇角度a6。深度信念网络算法的构建方法可参见结合图4的详细说明。
(5)将步骤(4)得到的六个目标函数aj(j∈[1,6])输入到多目标粒子群算法中，根据多目标粒子群算法的变换规则生成一组新的粒子群X(t+1)，并返回步骤(2)继续下一次优化，直到多目标粒子群算法达到最大迭代次数，然后停止计算，并输出最佳粒子xb＝(xb,1，xb,2，xb,3)所对应的船体几何。
结合图2所示，目标粒子群优化算法的步骤如下：
(1)初始化粒子群优化算法参数，包括：最大迭代次数Tmax、粒子数目m、权重系数ωmax和ωmin、加速系数c1,ini、c2,ini、c1,fin和c2,fin(其中权重系数和加速系数的具体含义可参见下文公式(3)-(5)所示)。将当前优化代数设置为t＝1(t≤Tmax)。在三维空间中，随机产生m个粒子x1，x2，...,xi,...,xm，构成种群X(t)，随机产生各粒子初始速度v1，v2，...,vi,...,vm，构成种群V(t)。其中第i个粒子的位置为xi＝(xi,1，xi,2，xi,3)，速度为vi＝(vi,1，vi,2，vi,3)。xi,1表示第i个粒子第一个船型修改参数xxi，xi,2表示第i个粒子第二个船型修改参数yyi，xi,3表示第i个粒子第三个船型修改参数zzi(其中xxi、yyi、zzi为船型修改控制参数，具体可参见结合图3的详细说明)。
(2)采用深度信念网络算法对船舶的水动力性能进行评价，并将计算的结果作为适应度值大小来评价每个粒子的好坏，存储当前各粒子的最佳位置pbest和适应值，并将种群中适应值最优的粒子作为整个种群中的最佳位置gbest。因为优化目标是多目标优化，采用Pareto占优解的方法确定pbest和gbest。
(i)确定pbest：如果对于第i个粒子xi满足ah(xi)≤ah(pbest)(h＝1,2,…,6)(ah(xi)为第h个目标函数值大小)，则更新pbest为pbest＝xi。如果ah(xi)>ah(pbest)，pbest保持不变，如果不符合上述条件，算法随机产生一个0～1的随机数χ，如果χ<0.5，则pbest＝xi，如果χ≥0.5，另pbest固定不变。
(ii)确定gbest：按照现有的拥挤度距离策略方法来确定最佳gbest。
(3)通过公式(1)-(2)更新粒子的速度和位置，产生新的种群X(t+1)。
vi,j(t+1)＝ωvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)] (1)
xi,j(t+1)＝xi,j(t)+vi,j(t+1) (2)
其中，i＝1,2,...,m；j＝1,2,3；vi，j为第i个粒子的当前速度；ω表示惯性权重系数；c1和c2表示正的加速系数；r1和r2为0到1之间的随机数；pi,j表示第i个例子迄今找到的最佳位置pbest；pg，j是整个粒子群搜索到的最佳位置gbest；xi，j为第i个粒子的当前位置。
(4)采用公式(3)更新优化算法的权重系数。
Figure BDA0002459072890000081
其中，ωmax和ωmin分别为惯性权重系数的最大值和最小值；a表示粒子当前的目标函数值；aavg表示当前所有粒子的平均目标值；amin表示当前所有粒子的最小目标值。
(5)采用公式(4)-(5)更新加速系数。
Figure BDA0002459072890000082
Figure BDA0002459072890000083
其中，c1,ini和c2,ini分别为c1和c2的迭代初始值；c1,fin和c2,fin分别为c1和c2的迭代最终值。
(6)更新粒子的pbest和gbest。
(7)判断t是否等于Tmax？如果满足条件，则输出最佳粒子xb＝(xb,1，xb,2，xb,3)(b∈[1,m])所对应的船体几何；否则另t＝t+1，并返回步骤(3)继续搜索。
三个参数船体几何形状修改流程可以采用Sculptor软件进行，请参见图3及图4，在该软件中具体由以下方式进行：
(1)导入母型船DTMB5512几何模型。
(2)创建任意曲面变形控制体：在DTMB5512船型外部创建任意曲面变形控制体，即：一个长方体控制体。
(3)插入控制面：在船体声呐罩区域附件创建多个控制面，目的是为了生成船型参数，以达到对船体声呐罩改型。
(4)设置控制参数：以三个参数为例，设计变量定义为xxi，yyi和zzi。对于图中交叉的几个控制面中，取No.1，No.2和No.3作为控制点，然后确定三个控制点的移动方向(No.1沿着x轴方向移动，No.2和No.3沿着y轴方向移动)。然后制定控制点No.1的移动范围是[-2，2]，控制点No.2的移动范围是[-3，3]，控制点No.3的移动范围是[-3，3]，其中负号代表控制点向船内侧移动，正号代表控制点向船外侧移动。控制参数xxi表示在[-2，2]范围内的一个值，yyi和zzi表示在[-3，3]范围内的一个值。那么根据控制参数xxi和yyi和zzi即可确定控制点No.1，No.2和No.3的移动距离和方向。
(5)冻结控制体。
(6)几何变形：根据船型修改参数xxi，yyi和zzi修改控制点No.1，No.2和No.3的位置，让No.1点沿着x轴移动xxi厘米，No.2和No.3点分别沿着y轴移动yyi厘米和zzi厘米。那么任意曲面变形控制体的形状发生变化，进而改变母型船的形状，获得新的样本船型，变形结果如图4中新船型所示。
结合图5所示，深度信念网络算法的构建方法步骤如下：
(1)在进行基于深度信念网络算法的船舶水动力性能评价时，需要设定母型船。然后以母型船为例，确定船型修改参数{xxi,yyi,zzi}及参数变换范围(-2≤xxi≤2；-3≤yyi≤3；-3≤zzi≤3)，然后采用拉丁超立方算法在参数变化范围内构建N个样本点，然后采用任意曲面变形技术修改母型船，获得与N个样本点一一对应的样本船型。
(2)确定船型设计的六个主要目标：船舶在波浪中的总阻力a1、垂向加速度a2、横向加速度a3、垂向速度a4、垂向位移a5、横摇角度a6。然后采用RANS-VoF方法评价每个样本点{xxi,yyi,zzi}所对应的样本船型的六个目标值aji(j∈[1,6]，i为第i个样本船型)大小。随后将数据进行整合，构成一套完整的样本数据集SS＝{xxi,yyi,zzi,a1i,a2i,a3i,a4i,a5i,a6i}，其中i∈[1,N]。
(3)将步骤(2)中的样本数据集SS作为原始数据，对深度信念网络进行训练。
(4)完成深度信念网络模型训练之后，按照样本集SS的构建方法建立τ个测试集TT＝{cck,ddk,eek,a1k,a2k,a3k,a4k,a5k,a6k}，其中k∈[1,τ]且τ<N。以SS样本集作为训练数据集，对TT测试集进行预测，则采用深度信念网络预测得到的结果为
Figure BDA0002459072890000105
然后采用公式(6)和(7)计算复相关系数R2和均方根误差RMSE完成对训练模型的精确性验证：
Figure BDA0002459072890000101
Figure BDA0002459072890000102
式中：j∈[1,6]，k∈[1,τ]，ajk为采用RANS-VoF方法计算的第k个样本船型的船体第j个水动力性能；
Figure BDA0002459072890000103
为采用RANS-VoF方法计算的船体第j个水动力性能的平均值；
Figure BDA0002459072890000104
为采用深度信念网络算法预测的第k个船型的船体第j个水动力性能；其中验证要求为R2≥0.9。
(5)通过精度验证之后，该模型即可对与母型船相似的新船型的水动力性能进行预测。如果精确验证未满足，需要返回步骤(1)重新构建N个样本船型，并重复步骤(1)到步骤(5)，以最终获得满足精度要求的水动力性能评估模型。
具体的，深度信念网络算法的构建方法步骤(2)中采用RANS-VoF方法评价每个样本点{xxi,yyi,zzi}所对应的样本船型的六个目标值aji的具体实施步骤如下：
(201)首先根据一个样本点{xxi,yyi,zzi}所对应的样本船型i构建数值计算域，然后采用重叠网格方法对计算域划分网格，获得CFD数学模型。
(202)选择数值求解方法，采用连续方程和RANS方程作为整个流场的控制方程，采用标准κ-ε湍流方程封闭RANS方程，采用流体体积函数(VoF)方法捕捉水和空气的交界面，采用压力耦合方程组的半隐式(SIMPLE)方法求解压力耦合方程。
(203)建立数值波浪水池，入口方式采用速度入口方法建立波浪入口，出口添加阻尼项来消除波浪。
(204)设置动网格，选择6DOF求解器，设置船舶质量和惯性矩。
(205)初始化设置，包括数值波浪水池的边界情况。
(206)迭代计算，直到收敛。最终输出六个目标值：船舶在波浪中的总阻力a1i、垂向加速度a2i、横向加速度a3i、垂向速度a4i、垂向位移a5i、横摇角度a6i。
具体的，步骤(203)中对深度信念网络模型进行训练，其中包括：预训练步骤和微调步骤。预训练步骤如下：
(301)将深度信念网络模型分成一系列受限玻尔兹曼机模型(RBM)。
(302)将样本数据SS作为DBN算法的输入数据，且输入数据作为第一层RBM模型的显层，然后和第一层RBM模型的隐含层组成一个RBM层，然后对其进行训练，求出对应的权值和偏置量。
(303)固定权值和偏置量，然后对第二层RBM模型进行训练。
(304)以此类推，完成对所有RBM模型的训练。
微调：以预训练后的最后一层RBM模型的输出目标aj,out作为BP神经网络的输入，误差函数定义为
Figure BDA0002459072890000111
其中，aj,target为采用RANS-VoF方法计算得到的第j个目标值大小，设定BP算法的训练误差MSE≤0.0001，通过不断调整直到训练误差满足设定值，终止计算，从而得到基于波浪工况的船舶水动力性能预测模型。
具体的上述步骤(302)中对单个RBM模型训练的具体方法如下：
(302a)将样本数据集中SS的所有样本数据输入到深度信念网络模型中，作为第一个RBM模型的显层。
(302b)初始化受限玻尔兹曼机模型的参数θ＝(ai,bj,wij)，显层状态设定为v1＝x0。其中，vi为显层单元i的偏置量，v1表示i＝1；wij为第i个显层单元和第j个隐含层单元之间的连接权值。
(302c)通过显层状态矩阵v1，正向传播采用公式
Figure BDA0002459072890000112
求出隐含层单元偏置量h1。其中，hj为隐含层单元j的偏置量，h1表示j＝1；bj为隐含层单元j的偏差；n表示显层单元的个数。
(302d)通过步骤(302c)中计算得到的h1，反向传播采用公式
Figure BDA0002459072890000121
求出显层各单元v2；其中，ai为显层单元i的偏差；m表示隐含层单元的个数。
(302e)通过步骤(302d)中计算得到的显层v2，采用公式
Figure BDA0002459072890000122
求出隐含层各单元h2。
(302f)根据公式
Figure BDA0002459072890000123
更新RBM模型参数，其中，ε为学习速率；<～>data表示采用RANS-VoF方法计算得到的数据；<～>recon表示模型训练后的预测数据。
(302g)重复步骤(302c)到步骤(302f)直至算法达到最大迭代次数。

Claims (7)

1.一种基于多目标粒子群算法的船型优化方法，其特征在于，依次包括以下步骤：
步骤1、根据多目标粒子群优化算法生成一组粒子群设计变量X(t)＝(x1，x2，...,xi,...,xm)，每个设计变量粒子xi(i＝1,2,…,m)对应一组船型修改参数，包括：最大迭代次数Tmax、粒子数目m、惯性权重系数的最大值ωmax、惯性权重系数的最小值ωmin、加速系数c1,ini、c2,ini、c1,fin和c2,fin，将当前优化代数设置为t＝1，t≤Tmax，在三维空间中，随机产生m个粒子x1，x2，...,xi,...,xm，构成种群X(t)，随机产生各粒子初始速度v1，v2，...,vi,...,vm，构成种群V(t)，其中第i个粒子的位置为xi＝(xi,1，xi,2，...,xi,j)，速度为vi＝(vi,1，vi,2，...,vi,j)，j为船型修改参数的数量；
步骤2、采用任意曲面变形技术根据设计变量粒子xi修改原船体几何形状，获得与船型修改参数一一对应的船体新几何；
步骤3、计算步骤2得到的新几何的船舶排水量，如果修改后的船体新几何与原船体几何形状的船舶排水量变化满足优化限制条件，则转向步骤4，否则转向步骤1；
步骤4、采用深度信念网络算法计算船体新几何在波浪中的阻力a1、垂向加速度a2、横向加速度a3、垂向速度a4、垂向位移a5、横摇角度a6；
步骤5、将步骤4得到的六个目标函数aj(j∈[1,6])输入到多目标粒子群算法中，根据多目标粒子群算法的变换规则生成一组新的粒子群设计变量X(t+1)，并返回步骤2继续下一次优化，直到多目标粒子群算法达到最大迭代次数，然后停止计算，并输出最佳粒子所对应的船体几何，具体包括：
步骤501、将步骤4得到的六个目标函数，作为适应度值大小来评价每个粒子的好坏，存储当前各粒子的最佳位置pbest和适应值，并将种群中适应值最优的粒子作为整个种群中的最佳位置gbest，采用Pareto占优解的方法确定pbest和gbest；
步骤502、通过公式vi,j(t+1)＝ωvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)]和xi,j(t+1)＝xi,j(t)+vi,j(t+1)更新粒子的速度和位置，产生新的种群X(t+1)；vi，j为第i个粒子第j个参数的当前速度；c1和c2表示正的加速系数；r1和r2为0到1之间的随机数；pi,j表示第i个例子迄今找到的最佳位置pbest；pg，j是整个粒子群搜索到的最佳位置gbest；xi，j为第i个粒子第j个参数的当前位置；
步骤503、采用公式
Figure FDA0003249404090000021
a≤aavg更新优化算法的权重系数，其中，a表示粒子当前的目标函数值；aavg表示当前所有粒子的平均目标值；amin表示当前所有粒子的最小目标值；
步骤504、采用公式
Figure FDA0003249404090000022
和
Figure FDA0003249404090000023
更新加速系数，其中，c1,ini和c2,ini分别为c1和c2的迭代初始值；c1,fin和c2,fin分别为c1和c2的迭代最终值；
步骤505、更新粒子的pbest和gbest；
步骤506、判断t是否等于Tmax，如果满足条件，则输出最佳粒子所对应的船体几何；否则t＝t+1，并返回步骤502继续搜索。
2.根据权利要求1所述的基于多目标粒子群算法的船型优化方法，其特征在于，所述采用Pareto占优解的方法确定pbest和gbest包括：
1、确定pbest：如果对于第i个粒子xi满足ah(xi)≤ah(pbest)，h＝1,2,…,6，则更新pbest为pbest＝xi；如果ah(xi)>ah(pbest)，pbest保持不变，如果不符合上述条件，算法随机产生一个0～1的随机数χ，如果χ<0.5，则pbest＝xi，如果χ≥0.5，另pbest固定不变；2、确定gbest：按照拥挤度距离策略方法来确定最佳gbest。
3.根据权利要求1所述的基于多目标粒子群算法的船型优化方法，其特征在于，所述步骤2以任意曲面变形技术修改母型船依次包括以下步骤：
步骤201、确定母型船几何模型；步骤202、创建任意曲面变形控制体：在母型船几何模型外设置不同的任意曲面变形控制体；步骤203、插入控制面：对已建立好的控制体插入控制面来控制待修改区域的几何形状；步骤204、设置控制参数：对建立的控制体设定控制参数，所述控制参数包括控制点的位置和移动的方向；步骤205、冻结控制体；步骤206、几何变形：修改控制点的移动距离和方向，控制体的形状发生变化，进而改变母型船的形状，获得新的船型。
4.根据权利要求1所述的基于多目标粒子群算法的船型优化方法，其特征在于，步骤4包括：
步骤401、由原船体几何形状确定船型修改参数及参数变换范围，再采用拉丁超立方算法在参数变化范围内构建一系列样本点，最后采用任意曲面变形技术修改母型船，获得一系列与样本点一一对应的样本船型，所有样本船型构成样本船型集合；
步骤402、采用雷诺平均-流体体积函数方法计算样本船型集合中每一个样本船型的设计目标值，设计目标值包括了船舶在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度六个参数，将计算得到的所有样本船型的设计目标值参数的数据进行整合，构成一套完整的样本数据集SS；
步骤403、建立深度信念网络，用步骤402中的样本数据集的样本数据SS对深度信念网络算法进行训练，并通过训练获得的水动力评估模型；
步骤404、完成深度信念网络模型训练之后，采用复相关系数和均方根误差对训练完成的模型进行精确性验证，如满足精确性要求则进入步骤405，否则回到步骤401重新设定样本船型并进行后续步骤402至步骤404；
步骤405、根据训练完成的深度信念网络模型，计算待预测的新船型在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度六个参数。
5.根据权利要求4所述的基于多目标粒子群算法的船型优化方法，其特征在于，所述步骤402采用雷诺平均-流体体积函数方法计算样本船型集合中每一个样本船型的设计目标值依次包括以下步骤：
步骤402a、首先根据样本船型构建数值计算域，然后采用重叠网格方法对计算域划分网格，进行网格质量检查，获得计算流体动力学数学模型；
步骤402b、选择数值求解方法，采用连续方程和雷诺平均方程作为整个流场的控制方程，采用标准κ-ε湍流方程封闭雷诺平均方程，采用流体体积函数方法捕捉水和空气的交界面，采用压力耦合方程组的半隐式方法求解压力耦合方程；
步骤402c、建立数值波浪水池，入口方式采用速度入口方法建立波浪入口，出口添加阻尼项来消除波浪；
步骤402e、设置动网格，选择6自由度求解器，设置船舶质量、惯性矩和随船坐标系，其中随船坐标系原点在船体重心位置；
步骤402f、初始化设置，包括数值波浪水池的边界情况；
步骤402g、迭代计算，直到达到最大迭代次数。
6.根据权利要求4所述的基于多目标粒子群算法的船型优化方法，其特征在于，所述步骤403用步骤402中的样本数据对深度信念网络算法进行训练，并通过训练获得的水动力评估模型包括：预训练步骤和微调步骤，其中预训练步骤如下：
步骤403a、将深度信念网络模型分成一系列受限玻尔兹曼机模型；
步骤403b、将样本数据SS作为深度信念网络算法的输入数据，且输入数据作为第一层受限玻尔兹曼机模型的显层，然后和第一层受限玻尔兹曼机模型的隐含层组成一个受限玻尔兹曼机模型层，然后对其进行训练，求出对应的权值和偏置量；
步骤403c、定权值和偏置量，然后对第二层受限玻尔兹曼机模型进行训练；
步骤403d、以此类推，完成对所有受限玻尔兹曼机模型的训练；
所述微调包括：以预训练后的最后一层RBM模型的输出目标aj,out作为BP神经网络的输入，误差函数定义为
Figure FDA0003249404090000041
其中，aj,target为采用RANS-VoF方法计算得到的第j个目标值大小，设定BP算法的训练误差MSE≤0.0001，通过不断调整直到训练误差满足设定值，终止计算，从而得到基于波浪工况的船舶水动力性能预测模型。
7.根据权利要求6所述的基于多目标粒子群算法的船型优化方法，其特征在于，所述步骤403b中对受限玻尔兹曼机模型训练的方法包括：
(1)将样本数据集中SS的所有样本数据输入到深度信念网络模型中，作为第一个RBM模型的显层；
(2)初始化受限玻尔兹曼机模型的参数θ＝(ai,bj,wij)，显层状态设定为v1＝x0，其中，vi为显层单元i的偏置量，v1表示i＝1；wij为第i个显层单元和第j个隐含层单元之间的连接权值；
(3)通过显层状态矩阵v1，正向传播采用公式
Figure FDA0003249404090000042
求出隐含层单元偏置量h1，其中，hj为隐含层单元j的偏置量，h1表示j＝1；bj为隐含层单元j的偏差；n表示显层单元的个数；
(4)通过步骤(3)中计算得到的h1，反向传播采用公式
Figure FDA0003249404090000043
求出显层各单元v2；其中，ai为显层单元i的偏差；m表示隐含层单元的个数；
(5)通过步骤(4)中计算得到的显层v2，采用公式
Figure FDA0003249404090000051
求出隐含层各单元h2；
(6)根据公式
Figure FDA0003249404090000052
更新受限玻尔兹曼机模型参数，其中，ε为学习速率；<～>data表示采用雷诺平均-流体体积函数方法计算得到的数据；<～>recon表示模型训练后的预测数据；
(7)重复步骤(3)到步骤(6)直至算法达到最大迭代次数。
CN202010314618.0A 2020-04-21 2020-04-21 一种基于多目标粒子群算法的船型优化方法 Active CN111506969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010314618.0A CN111506969B (zh) 2020-04-21 2020-04-21 一种基于多目标粒子群算法的船型优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010314618.0A CN111506969B (zh) 2020-04-21 2020-04-21 一种基于多目标粒子群算法的船型优化方法

Publications (2)

Publication Number Publication Date
CN111506969A CN111506969A (zh) 2020-08-07
CN111506969B true CN111506969B (zh) 2021-12-31

Family

ID=71878865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010314618.0A Active CN111506969B (zh) 2020-04-21 2020-04-21 一种基于多目标粒子群算法的船型优化方法

Country Status (1)

Country Link
CN (1) CN111506969B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435141A (zh) * 2021-06-25 2021-09-24 西安电子科技大学 基于启发式优化算法的超声换能器优化设计方法
CN113591206B (zh) * 2021-07-09 2023-04-28 武汉理工大学 一种基于几何变形空间特征的船型优化设计方法及系统
CN113609782B (zh) * 2021-08-17 2023-08-22 山东大学 运动负载受波浪力的实时预测方法及仿真系统
CN113935132A (zh) * 2021-10-15 2022-01-14 福州大学 基于改进多目标粒子群算法的粘滞阻尼器参数优化方法
CN114818128B (zh) * 2022-04-21 2023-09-29 哈尔滨工程大学 船体局部曲面优化神经网络建模方法及优化方法
CN115146412B (zh) * 2022-07-14 2023-08-29 上海船舶运输科学研究所有限公司 一种船型性能预报与优化方法及系统
CN117829034B (zh) * 2024-03-04 2024-05-10 浙江大学 基于粒子群优化算法的无人帆船参数辨识方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6560498B1 (en) * 1998-03-05 2003-05-06 Jong Gye Shin Formation method and device for curved plates
CN106022471A (zh) * 2016-05-12 2016-10-12 大连海事大学 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法
CN110110444A (zh) * 2019-05-09 2019-08-09 武汉理工大学 一种面向大型商船耦合型翼帆优化方法及系统
CN110795816A (zh) * 2019-09-11 2020-02-14 山东交通学院 一种基于阻力性能的游艇型线优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6560498B1 (en) * 1998-03-05 2003-05-06 Jong Gye Shin Formation method and device for curved plates
CN106022471A (zh) * 2016-05-12 2016-10-12 大连海事大学 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法
CN110110444A (zh) * 2019-05-09 2019-08-09 武汉理工大学 一种面向大型商船耦合型翼帆优化方法及系统
CN110795816A (zh) * 2019-09-11 2020-02-14 山东交通学院 一种基于阻力性能的游艇型线优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SBD技术的船舶水动力构型优化设计研究;李胜忠;《中国优秀博硕士学位论文全文数据库（博士）>;20121215;第5-6、38-54页 *

Also Published As

Publication number Publication date
CN111506969A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111506969B (zh) 一种基于多目标粒子群算法的船型优化方法
CN111506970B (zh) 一种船舶水动力性能评估方法
CN111506968B (zh) 一种基于bp神经网络算法的船型优化方法
Wu et al. An optimization method for control parameters of underwater gliders considering energy consumption and motion accuracy
CN113033119B (zh) 一种基于双评论家强化学习技术的水下航行器目标区域上浮控制方法
Tian et al. Layout optimization of two autonomous underwater vehicles for drag reduction with a combined CFD and neural network method
Zhang et al. Investigation of the resistance characteristics of a multi-AUV system
CN114967713B (zh) 基于强化学习的水下航行器浮力离散变化下的控制方法
Wu et al. A feedback control strategy for improving the motion accuracy of underwater gliders in currents: Performance analysis and parameter optimization
CN114722731B (zh) 一种拖体粘滞拖曳阻力预测方法及系统
CN115859781A (zh) 基于注意力和卷积神经网络编解码器的流场预测方法
CN112800690B (zh) 一种基于群智能优化算法下的水下折展机构参数优化方法
Yu et al. Hull form optimization with principal component analysis and deep neural network
Yu et al. Learning flexible body collision dynamics with hierarchical contact mesh transformer
CN114326826B (zh) 多无人机队形变换方法及系统
Vardhan et al. Sample-Efficient and Surrogate-Based Design Optimization of Underwater Vehicle Hulls
CN112199792B (zh) 一种微小型水下机器人多学科优化设计方法
Nair et al. Maximum likelihood uncertainty estimation: Robustness to outliers
CN114638048A (zh) 三维喷管流场快速预测与敏感性参数分析方法及装置
Liu et al. Hydrodynamic modeling with grey-box method of a foil-like underwater vehicle
CN116562094B (zh) 一种基于pinn模型的auv编队流场预测方法
Wang et al. Dynamic modeling, motion analysis and fault diagnosis of underwater gliders with the loss of one wing
Ao et al. Artificial Intelligence aided design (AIAD) of hull form of unmanned underwater vehicles (UUVs) for minimization of energy consumption
Lee et al. cNN-DP: Composite neural network with differential propagation for impulsive nonlinear dynamics
Chen et al. Hydrodynamic Shape Optimization by High Fidelity CFD Solver and BP Neural Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant