CN116401751A - 一种大型散货船的轻量化结构设计方法 - Google Patents
一种大型散货船的轻量化结构设计方法 Download PDFInfo
- Publication number
- CN116401751A CN116401751A CN202310017306.7A CN202310017306A CN116401751A CN 116401751 A CN116401751 A CN 116401751A CN 202310017306 A CN202310017306 A CN 202310017306A CN 116401751 A CN116401751 A CN 116401751A
- Authority
- CN
- China
- Prior art keywords
- curve
- approximation
- length
- chromosome
- design
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 64
- 210000000349 chromosome Anatomy 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 48
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 230000035772 mutation Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
一种大型散货船的轻量化结构设计方法，包括如下步骤：S1、建立曲线逼近模型；S1‑1、曲线一次逼近模型建立；S1‑2、曲线二次逼近模型建立；S2、船体曲面逼近设计求解模型；S2‑1、输入参数；S2‑2、设计变量；S2‑3、约束条件；S2‑4、目标函数；S2‑5、确定节点矢量U的计算方法；S3、船体曲面逼近设计方法。本发明所述的大型散货船的轻量化结构设计方法，该方法通过对截面线进行两次逼近，对染色体长度自适应改变的遗传算法进行改进，并对优化问题进行求解，最后得到了具有较少控制顶点且满足设计精度要求的轻量化船体曲面，该方法不仅适应于带权截面线的曲面生成，而且在常规插值去年生成中也有较佳的效果。
Description
技术领域
本发明属于船舶设计技术领域，具体地，涉及一种大型散货船的轻量化结构设计方法。
背景技术
随着数字化设计技术在船舶设计中的应用越来越广泛，其船舶设计逐渐呈大型化、复杂化发展，模型包含的几何关系、几何特征越来越复杂，模型数据量越来越大(以下将该模型统称为：重模型)，导致使用的总模型数据量异常庞大，造成模型打开缓慢、交互操作体验感差等问题；为此，需存在一种重模型的轻量化模型，用于在设计应用过程中实现对重模型的替代，使其不包含设计模型中的非几何信息，仅保留模型产品结构的几何拓扑关系(以下将该模型统称为：轻模型，用于管理轻模型产品的树状结构产品称为：轻量化模型产品结构树，以下简称：轻模型结构树)，在不影响设计使用的同时，减少模型数据量，便于模型打开、编辑以及船东/船检的设计检验，还可适用于模型设计、模型检查、检验、船舶运维保障等多场景，在整个船舶设计与建造过程中具有很高实用性。
因此，亟需研究一种船舶舾装模型轻量化设计方法及系统，实现对重模型使用替代同时，减少模型加载时间及模型空间占比，将有利于模型打开、编辑及其他相关操作；极大减少数据交互量、提高模型设计效率。
发明内容
发明目的：本发明的目的是提供一种大型散货船的轻量化结构设计方法，解决船体设计过程中模型数据量越来越大，导致使用的总模型数据量异常庞大，造成模型打开缓慢、交互操作体验感差等的问题。
技术方案：本发明提供了一种大型散货船的轻量化结构设计方法，包括如下步骤：
S1、建立曲线逼近模型；
S1-1、曲线一次逼近模型建立；
S1-2、曲线二次逼近模型建立；
S2、船体曲面逼近设计求解模型；
S2-1、输入参数：水线数量Nnum，一次逼近精度d，二次逼近精度ε和节点矢量的最大长度Lmax；
S2-2、设计变量；
S2-3、约束条件；
S2-4、目标函数；
S2-5、确定节点矢量U的计算方法；
S3、船体曲面逼近设计方法。
进一步的，上述的大型散货船的轻量化结构设计方法，上述步骤S1-1、曲线一次逼近模型建立过程中，包括如下步骤：
S1-1-1、给定较大的参数步长对原曲线进行离散；
S1-1-2、分别计算每段离散弦长与原曲线间的弦差，如果全部满足逼近精度，执行步骤S1-1-4，如果不满足逼近精度，执行步骤S1-1-3；
S1-1-3、将不满足逼近精度的离散弦长的端点参数区间进行二分处理，执行步骤S1-1-2；
S1-1-4、存储满足逼近误差的离散参数值
并存储对应参数值的离散数据点Ck，k＝0，1，……，m，其中，曲线离散后的弦差定义为离散点所连成的直线段与曲线上相应弧线的弓高误差。
进一步的，上述的大型散货船的轻量化结构设计方法，上述S1-2、曲线二次逼近模型建立的建立过程为：
设C(u)为B样条曲线，其函数定义为：
其中，Pi表示控制顶点；
Ni，p(u)表示定义在节点矢量U
其中，εk为数据点Ck的拟合误差。
进一步的，上述的大型散货船的轻量化结构设计方法，所述节点矢量U由最小二乘曲线逼近法得到逼近曲线的控制顶点，根据公式(2)，数据点在最小二乘意义上被逼近表示为：
其中，数据点对应的参数值
在曲线一次逼近模型中确定，为了使df最小，令df关于n-1个未知控制点Pi的偏导数等于零，i＝1，2，……，n-1，，对公式(3)求偏导，得到含n-1个未知量和n-1个方程的线性方程组：
NTNP＝R (4)
其中，
P＝[P1 P2 … Pn-1]T
k＝1，2，……，m-1，通过公式(4)求得二次逼近曲线的控制顶点Pi。
进一步的，上述的大型散货船的轻量化结构设计方法，上述S2-2、设计变量的过程如下：
将水线的节点矢量
中的u0～un作为设计变量，如果设计变量长度为Lu，则Lu可以设置为Luo-2(p+1)，其中Luo为原曲线的节点矢量长，Lu根据Lu＝Int(J)＝Int(λm)(5)计算，其中，0＜λ＜0.5；
上面公式中：m为曲线一次逼近后得到的离散数据点个数在减1；
J是一个正实数；
Int(J)表示小于等于J的最大整数；
λ值在程序中随机生成。
进一步的，上述的大型散货船的轻量化结构设计方法，所述S2-3、约束条件为0＜u0＜…＜un＜1(6)。
进一步的，上述的大型散货船的轻量化结构设计方法，所述S2-4、目标函数为设每条水线的最小二乘意义上的二次逼近精度
其中目标函数F(x)被定义为
进一步的，上述的大型散货船的轻量化结构设计方法，上述S2-5、确定节点矢量U的计算方法，包括如下步骤：
S2-5-1、染色体：染色体对应设计模型中的设计变量，其中设计变量UG＝[u0 u1 …un]，染色体Vk＝[vk0 vk1 … vkn]，k＝1，2，……，Sp，Sp为种群规模，染色体采用实数编码，染色体长度等于设计变量的长度Lu；
S2-5-2、适应值，适应值函数为eval(Vk)＝1/F(Vk)(8)；
S2-5-3、选择，采用轮盘赌选择和精英保留策略；
S2-5-4、动态交叉算子，采用两点交叉的方法，给定设计变量的最大长度为Lmax，如果交叉后的设计变量长度大于Lmax，则对染色体中基因进行如下处理以缩减长度，
超长染色体为：
缩减长度后的染色体为：
按照上述方法对超长染色体进行多次处理，直到设计变量长度小于Lmax；
S2-5-5、变异算子，对交叉后所产生新种群的每个个体，进行变异处理，添加一个迭代控制变量，将其值设为0；
S2-5-6、自适应的交叉率和变异率，遗传算法中的交叉率和变异率的合理选择将影响到遗传算法的收敛速度和解的质量；
S2-5-7、终止条件，算法达到给定的循环次数或者满足二次逼近精度ε。
进一步的，上述的大型散货船的轻量化结构设计方法，上述变异处理包括如下步骤：
步骤1、在[0，1]区间生成一个随机数r，如果r＜Pm，Pm为变异率，执行步骤2，否则执行步骤5；
步骤2、在[0，1]区间生成一个随机数r，如果r＜0.5，执行步骤3，否则执行步骤4；
步骤3，在[0，1]区间生成一个随机数u，然后根据约束条件添加到节点向量UG中，指向步骤5；
步骤4、对当前染色体随机选择一个基因位，删除对应值，执行步骤5；
步骤5、将迭代控制变量值加1，如果迭代控制变量的值大于变异前染色体的长度，停止变异，否则，执行步骤1；
上述变异处理后的设计边长长度大于Lmax，则按照步骤S2-5-4中的过程，进行缩减长度处理。
进一步的，上述的大型散货船的轻量化结构设计方法，上述S3、船体曲面逼近设计方法的流程如下：
S3-1、通过输入的截面线数据和一次逼近精度d以及遗传算法控制参数，按照步骤S1-1中的方法，得到各条水线离散后的数据点Ck，及其对应的参数值
k＝0，1，……，m；
S3-2、有遗传算法随机生成Sp个染色体节点矢量；
S3-3、分别对每个染色体按照公式(4)求得控制顶点，然后求得染色体对应的适应值；
S3-4、如果得到的最有染色体满足精度要求或者循环次数达到规定的值，执行步骤S3-6，否则执行步骤S3-5；
S3-5、按然则提适应值进行选择，然后进行交叉和变异操作，执行步骤S3-3；
S3-6、输出量最优染色体的值为NURBS曲面的u方向节点矢量，及其对应的各条截面线的控制顶点；
S3-7、计算v方向节点矢量，v方向节点矢量由求得的控制顶点确定，可取v方向截面线节点矢量的平均值；
S3-8、以步骤S3-6得到的控制顶点为型值点，以步骤S3-7中都V方向节点矢量计算基函数，逐个截面反算v方向控制顶点；
S3-9、由步骤S3-8所求得的控制顶点，步骤S3-6得到的u方向节点矢量，步骤S3-7得到的v方向节点矢量，生成设计曲面。
上述技术方案可以看出，本发明具有如下有益效果：本发明所述的大型散货船的轻量化结构设计方法，该方法通过对截面线进行两次逼近，对染色体长度自适应改变的遗传算法进行改进，并对优化问题进行求解，最后得到了具有较少控制顶点且满足设计精度要求的轻量化船体曲面，该方法不仅适应于带权截面线的曲面生成，而且在常规插值去年生成中也有较佳的效果，为了得到最轻量话曲面，需要多次运行此方法。
附图说明
图1为本发明所述弦差图；
图2为本发明所述交叉前的结构示意图；
图3为本发明所述交叉后的结构示意图。
具体实施方式
实施例
如图1所示的大型散货船的轻量化结构设计方法，包括如下步骤：
S1、建立曲线逼近模型；
S1-1、曲线一次逼近模型建立；
S1-2、曲线二次逼近模型建立；
S2、船体曲面逼近设计求解模型；
S2-1、输入参数：水线数量Nnum，一次逼近精度d，二次逼近精度ε和节点矢量的最大长度Lmax；
S2-2、设计变量；
S2-3、约束条件；
S2-4、目标函数；
S2-5、确定节点矢量U的计算方法；
S3、船体曲面逼近设计方法。
上述步骤S1-1、曲线一次逼近模型建立过程中，包括如下步骤：
S1-1-1、给定较大的参数步长对原曲线进行离散；
S1-1-2、分别计算每段离散弦长与原曲线间的弦差，如果全部满足逼近精度，执行步骤S1-1-4，如果不满足逼近精度，执行步骤S1-1-3；
S1-1-3、将不满足逼近精度的离散弦长的端点参数区间进行二分处理，执行步骤S1-1-2；
S1-1-4、存储满足逼近误差的离散参数值
并存储对应参数值的离散数据点Ck，k＝0，1，……，m，其中，曲线离散后的弦差定义为离散点所连成的直线段与曲线上相应弧线的弓高误差。
在图1中，ρ为曲线金属圆弧曲率半径；
L为弦长
Ls为弧长
Ck和Ck+1为离散节点；
将离散曲线段CkCk+1构成的曲线弧近似为圆弧，离散后的逼近误差值即弓高di可表示为：
上述S1-2、曲线二次逼近模型建立的建立过程为：
设C(u)为B样条曲线，其函数定义为：
其中，Pi表示控制顶点；
Ni，p(u)表示定义在节点矢量U
其中，εk为数据点Ck的拟合误差。
所述节点矢量U由最小二乘曲线逼近法得到逼近曲线的控制顶点，根据公式(2)，数据点在最小二乘意义上被逼近表示为：
其中，数据点对应的参数值
在曲线一次逼近模型中确定，为了使df最小，令df关于n-1个未知控制点Pi的偏导数等于零，i＝1，2，……，n-1，，对公式(3)求偏导，得到含n-1个未知量和n-1个方程的线性方程组：
NTNP＝R (4)
其中，
P＝[P1 P2 … Pn-1]T
k＝1，2，……，m-1，通过公式(4)求得二次逼近曲线的控制顶点Pi。
上述S2-2、设计变量的过程如下：
将水线的节点矢量
中的u0～un作为设计变量，如果设计变量长度为Lu，则Lu可以设置为Luo-2(p+1)，其中Luo为原曲线的节点矢量长，Lu根据Lu＝Int(J)＝Int(λm)(5)计算，其中，0＜λ＜0.5；
上面公式中：m为曲线一次逼近后得到的离散数据点个数在减1；
J是一个正实数；
Int(J)表示小于等于J的最大整数；
λ值在程序中随机生成。
所述S2-3、约束条件为0＜u0＜…＜un＜1(6)。
所述S2-4、目标函数为设每条水线的最小二乘意义上的二次逼近精度
其中目标函数F(x)被定义为
如图2.3所示，上述S2-5、确定节点天量U的计算方法，包括如下步骤：
S2-5-1、染色体：染色体对应设计模型中的设计变量，其中设计变量UG＝[u0 u1 …un]，染色体Vk＝[vk0 vk1 … vkn]，k＝1，2，……，Sp，Sp为种群规模，染色体采用实数编码，染色体长度等于设计变量的长度Lu；
S2-5-2、适应值，适应值函数为eval(Vk)＝1/F(Vk)(8)；
S2-5-3、选择，采用轮盘赌选择和精英保留策略；
S2-5-4、动态交叉算子，采用两点交叉的方法，给定设计变量的最大长度为Lmax，如果交叉后的设计变量长度大于Lmax，则对染色体中基因进行如下处理以缩减长度，
超长染色体为：
缩减长度后的染色体为：
按照上述方法对超长染色体进行多次处理，直到设计变量长度小于Lmax；
S2-5-5、变异算子，对交叉后所产生新种群的每个个体，进行变异处理，添加一个迭代控制变量，将其值设为0；
S2-5-6、自适应的交叉率和变异率，遗传算法中的交叉率和变异率的合理选择将影响到遗传算法的收敛速度和解的质量；
S2-5-7、终止条件，算法达到给定的循环次数或者满足二次逼近精度ε。
上述变异处理包括如下步骤：
步骤1、在[0，1]区间生成一个随机数r，如果r＜Pm，Pm为变异率，执行步骤2，否则执行步骤5；
步骤2、在[0，1]区间生成一个随机数r，如果r＜0.5，执行步骤3，否则执行步骤4；
步骤3，在[0，1]区间生成一个随机数u，然后根据约束条件添加到节点向量UG中，指向步骤5；
步骤4、对当前染色体随机选择一个基因位，删除对应值，执行步骤5；
步骤5、将迭代控制变量值加1，如果迭代控制变量的值大于变异前染色体的长度，停止变异，否则，执行步骤1；
上述变异处理后的设计边长长度大于Lmax，则按照步骤S2-5-4中的过程，进行缩减长度处理。
上述S3、船体曲面逼近设计方法的流程如下：
S3-1、通过输入的截面线数据和一次逼近精度d以及遗传算法控制参数，按照步骤S1-1中的方法，得到各条水线离散后的数据点Ck，及其对应的参数值
k＝0，1，……，m；
S3-2、有遗传算法随机生成Sp个染色体节点矢量；
S3-3、分别对每个染色体按照公式(4)求得控制顶点，然后求得染色体对应的适应值；
S3-4、如果得到的最有染色体满足精度要求或者循环次数达到规定的值，执行步骤S3-6，否则执行步骤S3-5；
S3-5、按然则提适应值进行选择，然后进行交叉和变异操作，执行步骤S3-3；
S3-6、输出量最优染色体的值为NURBS曲面的u方向节点矢量，及其对应的各条截面线的控制顶点；
S3-7、计算v方向节点矢量，v方向节点矢量由求得的控制顶点确定，可取v方向截面线节点矢量的平均值；
S3-8、以步骤S3-6得到的控制顶点为型值点，以步骤S3-7中都V方向节点矢量计算基函数，逐个截面反算v方向控制顶点；
S3-9、由步骤S3-8所求得的控制顶点，步骤S3-6得到的u方向节点矢量，步骤S3-7得到的v方向节点矢量，生成设计曲面。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。
Claims (10)
1.一种大型散货船的轻量化结构设计方法，其特征在于：包括如下步骤：
S1、建立曲线逼近模型；
S1-1、曲线一次逼近模型建立；
S1-2、曲线二次逼近模型建立；
S2、船体曲面逼近设计求解模型；
S2-1、输入参数：水线数量Nnum，一次逼近精度d，二次逼近精度ε和节点矢量的最大长度Lmax；
S2-2、设计变量；
S2-3、约束条件；
S2-4、目标函数；
S2-5、确定节点矢量U的计算方法；
S3、船体曲面逼近设计方法。
2.根据权利要求1所述的大型散货船的轻量化结构设计方法，其特征在于：上述步骤S1-1、曲线一次逼近模型建立过程中，包括如下步骤：
S1-1-1、给定较大的参数步长对原曲线进行离散；
S1-1-2、分别计算每段离散弦长与原曲线间的弦差，如果全部满足逼近精度，执行步骤S1-1-4，如果不满足逼近精度，执行步骤S1-1-3；
S1-1-3、将不满足逼近精度的离散弦长的端点参数区间进行二分处理，执行步骤S1-1-2；
S1-1-4、存储满足逼近误差的离散参数值
并存储对应参数值的离散数据点Ck，k＝0，1，……，m，其中，曲线离散后的弦差定义为离散点所连成的直线段与曲线上相应弧线的弓高误差。
3.根据权利要求2所述的大型散货船的轻量化结构设计方法，其特征在于：上述S1-2、曲线二次逼近模型建立的建立过程为：
设C(u)为B样条曲线，其函数定义为：
其中，Pi表示控制顶点；
Ni，p(u)表示定义在节点矢量U
其中，εk为数据点Ck的拟合误差。
4.根据权利要求3所述的大型散货船的轻量化结构设计方法，其特征在于：所述节点矢量U由最小二乘曲线逼近法得到逼近曲线的控制顶点，根据公式(2)，数据点在最小二乘意义上被逼近表示为：
其中，数据点对应的参数值
在曲线一次逼近模型中确定，为了使df最小，令df关于n-1个未知控制点Pi的偏导数等于零，i＝1，2，……，n-1，，对公式(3)求偏导，得到含n-1个未知量和n-1个方程的线性方程组：
NTNP＝R(4)
其中，
P＝[P1 P2…Pn-1]T
k＝1，2，……，m-1，通过公式(4)求得二次逼近曲线的控制顶点Pi。
5.根据权利要求1所述的大型散货船的轻量化结构设计方法，其特征在于：上述S2-2、设计变量的过程如下：
将水线的节点矢量
中的u0～un作为设计变量，如果设计变量长度为Lu，则Lu可以设置为Luo-2(p+1)，其中Luo为原曲线的节点矢量长，Lu根据Lu＝Int(J)＝Int(λm)(5)计算，其中，0＜λ＜0.5；
上面公式中：m为曲线一次逼近后得到的离散数据点个数在减1；
J是一个正实数；
Int(J)表示小于等于J的最大整数；
λ值在程序中随机生成。
6.根据权利要求1所述的大型散货船的轻量化结构设计方法，其特征在于：所述S2-3、约束条件为0＜u0＜…＜un＜1 (6)。
7.根据权利要求1所述的大型散货船的轻量化结构设计方法，其特征在于：所述S2-4、目标函数为设每条水线的最小二乘意义上的二次逼近精度
其中目标函数F(x)被定义为
8.根据权利要求1所述的大型散货船的轻量化结构设计方法，其特征在于：上述S2-5、确定节点矢量U的计算方法，包括如下步骤：
S2-5-1、染色体：染色体对应设计模型中的设计变量，其中设计变量UG＝[u0 u1 … un]，染色体Vk＝[vk0 vk1 … vkn]，k＝1，2，……，Sp，Sp为种群规模，染色体采用实数编码，染色体长度等于设计变量的长度Lu；
S2-5-2、适应值，适应值函数为eval(Vk)＝1/F(Vk) (8)；
S2-5-3、选择，采用轮盘赌选择和精英保留策略；
S2-5-4、动态交叉算子，采用两点交叉的方法，给定设计变量的最大长度为Lmax，如果交叉后的设计变量长度大于Lmax，则对染色体中基因进行如下处理以缩减长度，
超长染色体为：
缩减长度后的染色体为：
按照上述方法对超长染色体进行多次处理，直到设计变量长度小于Lmax；
S2-5-5、变异算子，对交叉后所产生新种群的每个个体，进行变异处理，添加一个迭代控制变量，将其值设为0；
S2-5-6、自适应的交叉率和变异率，遗传算法中的交叉率和变异率的合理选择将影响到遗传算法的收敛速度和解的质量；
S2-5-7、终止条件，算法达到给定的循环次数或者满足二次逼近精度ε。
9.根据权利要求8所述的大型散货船的轻量化结构设计方法，其特征在于：上述变异处理包括如下步骤：
步骤1、在[0，1]区间生成一个随机数r，如果r＜Pm，Pm为变异率，执行步骤2，否则执行步骤5；
步骤2、在[0，1]区间生成一个随机数r，如果r＜0.5，执行步骤3，否则执行步骤4；
步骤3，在[0，1]区间生成一个随机数u，然后根据约束条件添加到节点向量UG中，指向步骤5；
步骤4、对当前染色体随机选择一个基因位，删除对应值，执行步骤5；
步骤5、将迭代控制变量值加1，如果迭代控制变量的值大于变异前染色体的长度，停止变异，否则，执行步骤1；
上述变异处理后的设计边长长度大于Lmax，则按照步骤S2-5-4中的过程，进行缩减长度处理。
10.根据权利要求1所述的大型散货船的轻量化结构设计方法，其特征在于：上述S3、船体曲面逼近设计方法的流程如下：
S3-1、通过输入的截面线数据和一次逼近精度d以及遗传算法控制参数，按照步骤S1-1中的方法，得到各条水线离散后的数据点Ck，及其对应的参数值
S3-2、有遗传算法随机生成Sp个染色体节点矢量；
S3-3、分别对每个染色体按照公式(4)求得控制顶点，然后求得染色体对应的适应值；
S3-4、如果得到的最有染色体满足精度要求或者循环次数达到规定的值，执行步骤S3-6，否则执行步骤S3-5；
S3-5、按然则提适应值进行选择，然后进行交叉和变异操作，执行步骤S3-3；
S3-6、输出量最优染色体的值为NURBS曲面的u方向节点矢量，及其对应的各条截面线的控制顶点；
S3-7、计算v方向节点矢量，v方向节点矢量由求得的控制顶点确定，可取v方向截面线节点矢量的平均值；
S3-8、以步骤S3-6得到的控制顶点为型值点，以步骤S3-7中都V方向节点矢量计算基函数，逐个截面反算v方向控制顶点；
S3-9、由步骤S3-8所求得的控制顶点，步骤S3-6得到的u方向节点矢量，步骤S3-7得到的v方向节点矢量，生成设计曲面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310017306.7A CN116401751A (zh) | 2023-01-06 | 2023-01-06 | 一种大型散货船的轻量化结构设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310017306.7A CN116401751A (zh) | 2023-01-06 | 2023-01-06 | 一种大型散货船的轻量化结构设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116401751A true CN116401751A (zh) | 2023-07-07 |
Family
ID=87016656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310017306.7A Pending CN116401751A (zh) | 2023-01-06 | 2023-01-06 | 一种大型散货船的轻量化结构设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116401751A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738397A (zh) * | 2020-06-17 | 2020-10-02 | 江苏师范大学 | 一种基于遗传粒子群算法的nurbs曲线拟合方法 |
-
2023
- 2023-01-06 CN CN202310017306.7A patent/CN116401751A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738397A (zh) * | 2020-06-17 | 2020-10-02 | 江苏师范大学 | 一种基于遗传粒子群算法的nurbs曲线拟合方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张彦儒: "NURBS流曲线研究及船体曲面轻量化设计", 中国优秀博硕士学位论文全文数据库, vol. 2019, no. 5, 15 June 2019 (2019-06-15), pages 6 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111413923B (zh) | 一种用于复杂曲面加工的高速精密加工方法 | |
| CN109377561B (zh) | 一种基于共形几何的数模表面网格生成方法 | |
| CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
| WO2009142037A1 (ja) | 近似処理方法、および近似処理装置 | |
| CN110147590B (zh) | 一种基于自适应演化优化算法的螺旋式天线设计方法 | |
| Budak et al. | Accuracy improvement of point data reduction with sampling-based methods by Fuzzy logic-based decision-making | |
| CN113673863A (zh) | 一种基于量子天牛须算法的电力系统经济调度方法 | |
| CN116401751A (zh) | 一种大型散货船的轻量化结构设计方法 | |
| CN111079353B (zh) | 应用于复杂流体分析的快速均匀网格划分的方法及装置 | |
| CN111610751B (zh) | 过点集nurbs插值曲线的插值误差多次细分迭代计算方法 | |
| CN111652413B (zh) | 基于多Agent分布式海量数据处理的工业电力负荷预测方法 | |
| Limaiem et al. | Data fitting using dual kriging and genetic algorithms | |
| Li et al. | Reasoning mechanism: An effective data reduction algorithm for on-line point cloud selective sampling of sculptured surfaces | |
| CN116720268A (zh) | 一种周期性描述的叶片叶型全局光顺重建方法 | |
| Datta et al. | Probabilistic constraint handling in the framework of joint evolutionary-classical optimization with engineering applications | |
| Sun et al. | Genetic algorithms for error-bounded polygonal approximation | |
| CN113591206B (zh) | 一种基于几何变形空间特征的船型优化设计方法及系统 | |
| Hu et al. | An adaptive configuration method of knots and data parameters for NURBS curve interpolation | |
| Winter et al. | NURBS-based shape and parameter optimization of structural components with an adaptive amount of control points | |
| Lu et al. | Free trim calculation using genetic algorithm based on NURBS shipform | |
| Yin et al. | Hydrodynamic optimization of foreship hull-form using contrastive optimization algorithms | |
| Zhu et al. | A review of point sets parameterization methods for curve fitting | |
| Tran et al. | A method for optimizing the hull form of fishing vessels | |
| Zhang et al. | NSGA-II based trajectory optimization on 3D point cloud for spray painting robots | |
| CN117274425B (zh) | 一种基于几何特征的样条曲线生成方法、系统及终端 |
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 |