CN117313441B - 一种基于随机海浪谱的两栖车发射代理模型预测方法 - Google Patents
一种基于随机海浪谱的两栖车发射代理模型预测方法 Download PDFInfo
- Publication number
- CN117313441B CN117313441B CN202311623563.1A CN202311623563A CN117313441B CN 117313441 B CN117313441 B CN 117313441B CN 202311623563 A CN202311623563 A CN 202311623563A CN 117313441 B CN117313441 B CN 117313441B
- Authority
- CN
- China
- Prior art keywords
- wave
- model
- random
- follows
- mentioned method
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000001228 spectrum Methods 0.000 title claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000005284 excitation Effects 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005381 potential energy Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 abstract description 4
- 230000036544 posture Effects 0.000 abstract 2
- 230000009471 action Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于随机海浪谱的两栖车发射代理模型预测方法,属于计算机仿真的技术领域,使用较少的样本点完成代理模型的搭建。具体是以数量较少的海浪频域谱中的特性参数如海浪等级、海上风速等为设计变量,使用如前所述的随机海浪谱结合参数化建模的方法,使用计算机进行批量化的多次仿真,再利用方差分析等方法得到时域统计学结果,统计学结果就是两栖车的运动姿态,例如平动运动和转动运动的均值、方差和最值等,以及导弹发射过程中姿态的均值、方差和最值等;本发明采用上述方法,通过搭建带有加点准则的Kriging代理模型促使预测过程能直接从频域海浪谱到时域统计学结果的响应预测,减少了仿真时间,提高了计算精度。
Description
技术领域
本发明涉及计算机仿真的技术领域,尤其是涉及一种基于随机海浪谱的两栖车发射代理模型预测方法。
背景技术
两栖车由于其敏捷性、隐蔽性和优秀的两栖作战能力,但海上环境复杂,两栖车在航行过程中发射导弹,会受到多种因素的影响,因此需要研究导弹发射精度和初始扰动,目前对于两栖车海上行进间发射的研究主要包括实车试验和计算机仿真,实车试验包括两栖车发动机动力特性试验、两栖车航行特性试验和两栖车水上行进间发射等内容。这种方法能获得较为真实可靠的试验数据和两栖车性能参数,但该手段所耗费的时间、人力及物力巨大,不能作为主要的研究手段。
在计算机仿真的方法中,对于在海上行驶的两栖车而言,车辆受到的海浪作用属于时域上的随机激励,车体的运动状态在单次计算下的结果不具有研究价值,需要完成多次仿真寻找统计规律,计算成本将会急剧增大,不适合使用。
因此,提供了一种基于随机海浪谱的两栖车发射代理模型预测方法,来解决上述问题。
发明内容
本发明的目的是提供一种基于随机海浪谱的两栖车发射代理模型预测方法,能够实现在快速仿真的基础上,通过较少的仿真次数,直接搭建一种频域海浪谱到两栖车行驶与行进间发射特性的代理模型,并实现对不同海浪谱作用下的结果预测。
为实现上述目的,本发明提供了一种基于随机海浪谱的两栖车发射代理模型预测方法,包括以下步骤:
S1:将海浪频域谱中的特性参数设置为设计变量,使用单参数Pierson-Moskowitz海浪能量谱,基于谐波叠加法将频域中的随机海浪能量谱转化为海浪激励的时间序列;
S2:使用所述步骤S1中得到的海浪激励的时间序列,计算海浪波面升高曲线和海浪波倾角曲线,作为多体动力学模型的外部条件输入;
S3:使用多体动力学模型实现参数化批量求解,得到对应于输入的批量输出结果,输出结果包含导弹发射姿态的三个平动方向运动与三个转动方向运动;
S4:对输出结果进行方差分析,得到统计学结果;
S5:将设计变量作为输入,统计学结果作为输出,使用输入与输出建立Kriging代理模型,Kriging代理模型的基本公式如下:
;
上式中,f T (x)为回归模型,有0阶、1阶和2阶三种模型,提供全局近似模拟,β为待定回归系数,z(x)为一个随机统计过程,提供局部近似模拟偏差,其均值为0;
S6:对Kriging代理模型进行改进,通过基于多点期望改进的q-EI加点准则自适应添加新的样本点,结合收敛准则判定,当满足条件后输出得到带有加点准则的Kriging代理模型;
S7:使用带有加点准则的Kriging代理模型进行预测。
优选的,所述步骤S2中,计算海浪波面升高曲线和海浪波倾角曲线的过程如下:
在Pierson-Moskowitz海浪能量谱中,随机海浪波面升高能量谱密度函数如下:
;
上式中,是重力加速度,a和b为系数,U表示距海平面19.5高度处的平均风速,ω为破浪的圆频率,引入波数k,由随机海浪波倾角能量谱/>与随机海浪波面升高能量谱关系得到公式如下:
;
;
对于圆频率处于区间[ω i-1,ω i ]内的谐波,其波面升高波幅ζ ai 的公式如下:
;
使用上式,得到随机海浪波面升高的时域形式的公式如下:
;
上式中,表示第i个余弦谐波的初相位,在[0,2π]中均匀取值,使用2π乘随机函数产生,随机海浪波倾角波幅α ai和随机海浪波倾角α(t)时域形式的公式如下:
;
;
上式中,是海浪波倾角对应的余弦谐波的初相位,/>。
优选的,所述步骤S3中,多体动力学实现参数化批量求解的具体过程如下:
多刚体系统的广义坐标q=[q 1 q 2 …q i ],系统质量矩阵为m,在随体坐标系下的惯性张量矩阵为J,则各刚体的动能T i 如下:
;
上式中,dm是离散质量,是离散质量dm的广义速度,包括平动速度与转动速度,是质量mi的平动速度,系统总势能U与系统总动能的总和即为系统总能T:
;
得到多刚体动力学方程如下为:
;
上式中,Q是广义力列阵,完整约束和非完整约束的拉氏乘子列阵分别为λ和μ。
优选的,所述步骤S6中,对Kriging代理模型改进的具体过程如下:
S61:对Kriging代理模型,采用平均相对误差收敛准则验证模型精度,使用模型的相对均方根误差E RR 和相对平均误差E RA 进行精度计算,公式如下:
;
;
上式中,是样本点总数,/>是输出变量的真实值,/>是近似模型的预测值,当E RR 和E RA 的数值均小于0.05,将当前模型进行输出,输出结果为带有加点准则的Kriging代理模型,否则进行步骤S62;
S62:依据所述步骤S5中的Kriging代理模型的公式,得到协方差公式如下:
;
上式中,R(x, w)为两个数据点x、w之间的变异函数,使用高斯函数,利用广义最小二乘估计法,得到β的估计值如下:
;
上式中,是β的估计值,X为试验数据点组成的系数矩阵,Y为试验点对应的响应值矩阵,方差的估计值如下:
;
上式中,N为试验点数使用得到的模型系数和变异函数参数,Kriging代理模型在未知点x 0 处的预测值为:
;
上式中,r(x 0 )为预测点与试验点之间的相关矩阵;
当前模型最优值与预测值之间差的数学期望具有如下表达式:
;
上式中,是Kriging模型预测的标准差,模型预测越准确,则s(x)值越小,
S63:依据所述步骤S62中的数学期望获取多个新样本点,并行加点,更新Kriging代理模型,并回到所述步骤S61。
因此,本发明采用上述方法的一种基于随机海浪谱的两栖车发射代理模型预测方法,具有以下好处:
(1)在本发明中,使用带有加点准则的Kriging代理模型,使用较少样本点就完成代理模型的搭建,节约了计算成本,提高了计算效率;
(2)在本发明中,实现了直接从海浪频域谱到两栖车时域统计学结果响应的转化,省略了将海浪频域谱转化为海浪激励的时间序列过程,简化了计算流程,减少了该过程中的传递误差,提高了计算精度。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于随机海浪谱的两栖车发射代理模型预测方法的输出预测模型的流程图;
图2为本发明一种基于随机海浪谱的两栖车发射代理模型预测方法的海浪波面升高曲线图;
图3为本发明一种基于随机海浪谱的两栖车发射代理模型预测方法的海浪波倾角曲线图;
图4为本发明一种基于随机海浪谱的两栖车发射代理模型预测方法的改进Kriging代理模型的流程图;
图5为本发明一种基于随机海浪谱的两栖车发射代理模型预测方法的预测流程图;
图6为多体仿真程序仿真的X轴方向的频率直方图;
图7为本发明一种基于随机海浪谱的两栖车发射代理模型预测方法预测的X轴方向的频率直方图;
图8为多体仿真程序仿真的Y轴方向的频率直方图;
图9为本发明一种基于随机海浪谱的两栖车发射代理模型预测方法预测的Y轴方向的频率直方图;
图10为多体仿真程序仿真的Z轴方向的频率直方图;
图11为本发明一种基于随机海浪谱的两栖车发射代理模型预测方法预测的Z轴方向的频率直方图;
图12为本发明一种基于随机海浪谱的两栖车发射代理模型预测方法误差指标图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和展示出的本发明实施例的组件可以以各种不同的配置来布置和设计。具体的型号规格需根据该装置的实际规格等进行选型确定,具体选型计算方法采用本领域现有技术,故不再详细赘述。
实施例
如图1所示,本发明提供一种基于随机海浪谱的两栖车发射代理模型预测方法,包括以下步骤:
S1:将海浪频域谱中的特性参数设置为设计变量,使用单参数Pierson-Moskowitz海浪能量谱,基于谐波叠加法将频域中的随机海浪能量谱转化为海浪激励的时间序列;
S2:使用所述步骤S1中得到的海浪激励的时间序列,计算海浪波面升高曲线和海浪波倾角曲线,作为多体动力学模型的外部条件输入;
计算海浪波面升高曲线和海浪波倾角曲线的过程如下:
在Pierson-Moskowitz海浪能量谱中,随机海浪波面升高能量谱密度函数如下:
;
上式中,是重力加速度,a和b为系数,U表示距海平面19.5高度处的平均风速,ω为破浪的圆频率,引入波数k,由随机海浪波倾角能量谱/>与随机海浪波面升高能量谱关系得到公式如下:
;
;
对于圆频率处于区间[ω i-1,ω i ]内的谐波,其波面升高波幅ζ ai 的公式如下:
;
使用上式,得到随机海浪波面升高的时域形式的公式如下:
;
上式中,表示第i个余弦谐波的初相位,在[0,2π]中均匀取值,使用2π乘随机函数产生,随机海浪波倾角波幅α ai和随机海浪波倾角α(t)时域形式的公式如下:
;
;
上式中,是海浪波倾角对应的余弦谐波的初相位,/>。
如图2-3,是计算出来的海浪波面升高曲线图和海浪波倾角曲线图。
S3:使用多体动力学模型实现参数化批量求解,得到对应于输入的批量输出结果,输出结果包含导弹发射姿态的三个平动方向运动与三个转动方向运动;
多体动力学模型实现参数化批量求解的具体过程如下:
多刚体系统的广义坐标q=[q 1 q 2 …q i ],系统质量矩阵为m,在随体坐标系下的惯性张量矩阵为J,则各刚体的动能T i :
;
上式中,dm是离散质量,是离散质量dm的广义速度,包括平动速度与转动速度,是质量mi的平动速度,系统总势能U与系统总动能的总和即为系统总能T:
;
得到多刚体动力学方程如下为:
;
上式中,Q是广义力列阵,完整约束和非完整约束的拉氏乘子列阵分别为λ和μ。
对以上方程组进行求解,得到运动结果,将海浪激励的时间序列作为边界条件,以海浪等级、海上风速为可变的设计变量,编写可以修改设计变量的软件接口文件.cmd,通过程序编写批处理文件.bat,使用多体动力学求解程序自动仿真,得到参数化的结果数据。
S4:对输出结果进行方差分析,得到统计学结果;
S5:将设计变量作为输入,统计学结果作为输出,使用输入与输出建立Kriging代理模型,Kriging代理模型的基本公式如下:
;
上式中,f T (x)为回归模型,有0阶、1阶和2阶三种模型,提供全局近似模拟;β为待定回归系数;z(x)为一个随机统计过程,提供局部近似模拟偏差,其均值为0。
S6:对Kriging代理模型进行改进,通过基于多点期望改进的q-EI加点准则自适应添加新的样本点,结合收敛准则判定,当满足条件后输出得到带有加点准则的Kriging代理模型;
如图4,对Kriging代理模型改进的具体过程如下:
S61:对Kriging代理模型,采用平均相对误差收敛准则验证模型精度,使用模型的相对均方根误差E RR 和相对平均误差E RA 进行精度计算,公式如下:
;
;
上式中,是样本点总数,/>是输出变量的真实值,/>是近似模型的预测值,当E RR 和E RA 的数值均小于0.05,将当前模型进行输出,输出结果为带有加点准则的Kriging代理模型,否则进行步骤S62;
S62:依据所述步骤S5中的Kriging代理模型的公式,得到协方差公式如下:
;
上式中,R(x, w)为两个数据点x、w之间的变异函数,使用高斯函数,利用广义最小二乘估计法,得到β的估计值如下:
;
上式中,是β的估计值,X为试验数据点组成的系数矩阵,Y为试验点对应的响应值矩阵,方差的估计值如下:
;
上式中,N为试验点数使用得到的模型系数和变异函数参数,Kriging代理模型在未知点x 0 处的预测值为:
;
上式中,r(x 0 )为预测点与试验点之间的相关矩阵;
当前模型最优值与预测值之间差的数学期望具有如下表达式:
;
上式中,是Kriging模型预测的标准差,模型预测越准确,则s(x)值越小;
S63:依据所述步骤S62中的数学期望获取多个新样本点,并行加点,更新Kriging代理模型,并回到所述步骤S61。
如图12所示,得到近似模型对应的误差指标计算结果图,计算得到的E RR 、E RA 和拟合优度R 2 分别为0.03581、0.02988和0.91649,拟合精度较高,预测结果可作为计算结果的真实值。
S7:如图5所示,使用带有加点准则的Kriging代理模型进行预测,如图6-图11是结果的对比图,从中表明预测结果的可靠性。
因此,本发明采用一种基于随机海浪谱的两栖车发射代理模型预测方法,能够实现在快速仿真的基础上,能通过较少的仿真次数,直接搭建一种频域海浪谱到两栖车行驶与行进间发射特性的代理模型,并实现对不同海浪谱作用下的结果预测。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (3)
1.一种基于随机海浪谱的两栖车发射代理模型预测方法,其特征在于:包括以下步骤:
S1:将海浪频域谱中的特性参数设置为设计变量,使用单参数Pierson-Moskowitz海浪能量谱,基于谐波叠加法将频域中的随机海浪能量谱转化为海浪激励的时间序列;
S2:使用所述步骤S1中得到的海浪激励的时间序列,计算海浪波面升高曲线和海浪波倾角曲线,作为多体动力学模型的外部条件输入;
S3:使用多体动力学模型实现参数化批量求解,得到对应于输入的批量输出结果,输出结果包含导弹发射姿态的三个平动方向运动与三个转动方向运动;
S4:对输出结果进行方差分析,得到统计学结果;
S5:将设计变量作为输入,统计学结果作为输出,使用输入与输出建立Kriging代理模型,Kriging代理模型的基本公式如下:
;
上式中,为回归模型,有0阶、1阶和2阶三种模型,提供全局近似模拟,β为待定回归系数,z(x)为一个随机统计过程,提供局部近似模拟偏差,其均值为0;
S6:对Kriging代理模型进行改进,通过基于多点期望改进的q-EI加点准则自适应添加新的样本点,结合收敛准则判定,当满足条件后输出得到带有加点准则的Kriging代理模型;
对Kriging代理模型改进的具体过程如下:
S61:对Kriging代理模型,采用平均相对误差收敛准则验证模型精度,使用模型的相对均方根误差E RR 和相对平均误差E RA 进行精度计算,公式如下:
;
;
上式中,是样本点总数,/>是输出变量的真实值,/>是近似模型的预测值,当E RR 和E RA 的数值均小于0.05,将当前模型进行输出,输出结果为带有加点准则的Kriging代理模型,否则进行步骤S62;
S62:依据所述步骤S5中的Kriging代理模型的公式,得到协方差公式如下:
;
上式中,R(x, w)为两个数据点x、w之间的变异函数,使用高斯函数,利用广义最小二乘估计法,得到β的估计值如下:
;
上式中,是β的估计值,X为试验数据点组成的系数矩阵,Y为试验点对应的响应值矩阵,方差的估计值如下:
;
上式中,N为试验点数使用得到的模型系数和变异函数参数,Kriging代理模型在未知点x 0 处的预测值为:
;
上式中,r(x 0 )为预测点与试验点之间的相关矩阵;
当前模型最优值与预测值之间差的数学期望具有如下表达式:
;
上式中,是Kriging模型预测的标准差,模型预测越准确,则s(x)值越小;
S63:依据所述步骤S62中的数学期望获取多个新样本点,并行加点,更新Kriging代理模型,并回到所述步骤S61;
S7:使用带有加点准则的Kriging代理模型进行预测。
2.根据权利要求1所述的一种基于随机海浪谱的两栖车发射代理模型预测方法,其特征在于:所述步骤S2中,计算海浪波面升高曲线和海浪波倾角曲线的过程如下:
在Pierson-Moskowitz海浪能量谱中,随机海浪波面升高能量谱密度函数如下:
;
上式中,是重力加速度,a和b为系数,U表示距海平面19.5高度处的平均风速,ω为破浪的圆频率,引入波数k,由随机海浪波倾角能量谱/>与随机海浪波面升高能量谱关系得到公式如下:
;
;
对于圆频率处于区间内的谐波,其波面升高波幅/>的公式如下:
;
使用上式,得到随机海浪波面升高的时域形式的公式如下:
;
上式中,表示第/>个余弦谐波的初相位,在[0,2π]中均匀取值,使用2π乘随机函数产生,随机海浪波倾角波幅/>和随机海浪波倾角α(t)时域形式的公式如下:
;
;
上式中,是海浪波倾角对应的余弦谐波的初相位,/>。
3.根据权利要求1所述的一种基于随机海浪谱的两栖车发射代理模型预测方法,其特征在于:所述步骤S3中,多体动力学实现参数化批量求解的具体过程如下:
多刚体系统的广义坐标,系统质量矩阵为m,在随体坐标系下的惯性张量矩阵为J,则各刚体的动能/>如下:
;
上式中,dm是离散质量,是离散质量dm的广义速度,包括平动速度与转动速度,/>是质量mi的平动速度,系统总势能U与系统总动能的总和即为系统总能T:
;
得到多刚体动力学方程如下为:
;
上式中,Q是广义力列阵,完整约束和非完整约束的拉氏乘子列阵分别为λ和μ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311623563.1A CN117313441B (zh) | 2023-11-30 | 2023-11-30 | 一种基于随机海浪谱的两栖车发射代理模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311623563.1A CN117313441B (zh) | 2023-11-30 | 2023-11-30 | 一种基于随机海浪谱的两栖车发射代理模型预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117313441A CN117313441A (zh) | 2023-12-29 |
CN117313441B true CN117313441B (zh) | 2024-02-13 |
Family
ID=89288847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311623563.1A Active CN117313441B (zh) | 2023-11-30 | 2023-11-30 | 一种基于随机海浪谱的两栖车发射代理模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313441B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711203A (zh) * | 2018-05-03 | 2018-10-26 | 中国人民解放军92942部队 | 一种基于代理模型的破损船体波浪载荷快速预报方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832102B (zh) * | 2020-06-19 | 2024-02-06 | 浙江大学 | 一种高维随机场条件下的新型复合材料结构优化设计方法 |
-
2023
- 2023-11-30 CN CN202311623563.1A patent/CN117313441B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711203A (zh) * | 2018-05-03 | 2018-10-26 | 中国人民解放军92942部队 | 一种基于代理模型的破损船体波浪载荷快速预报方法 |
Non-Patent Citations (2)
Title |
---|
GINSBOURGER D等.Computationalintelligence in expensive optimization problems.Springer, Berlin,Heidelberg,2010,131-162. * |
基于Bayesian 期望改进控制和Kriging 模型的并行代理优化方法;杜晨等;《计算机集成制造系统》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117313441A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peri et al. | High-fidelity models and multiobjective global optimization algorithms in simulation-based design | |
Giunta et al. | Noisy aerodynamic response and smooth approximations in HSCT design | |
Han et al. | A variable-fidelity modeling method for aero-loads prediction | |
CN113837454B (zh) | 一种船舶三自由度的混合神经网络模型预测方法及系统 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN114580636B (zh) | 基于三目标联合优化的神经网络轻量化部署方法 | |
CN113673076A (zh) | 一种适用于海洋浮式结构的动力响应求解方法 | |
Kaliukh et al. | Factorization in problems of control and dynamics of lengthy systems | |
Saad et al. | A new kriging–bat algorithm for solving computationally expensive black-box global optimization problems | |
Mainenti-Lopes et al. | Design of a Nonlinear Controller for a Rigid‐Flexible Satellite Using Multi‐Objective Generalized Extremal Optimization with Real Codification | |
CN116629431A (zh) | 一种基于变分模态分解和集成学习的光伏发电量预测方法及装置 | |
CN117313441B (zh) | 一种基于随机海浪谱的两栖车发射代理模型预测方法 | |
CN109557567B (zh) | 一种改进型吉布斯采样的北斗卫星选择方法 | |
Zhao et al. | Optimization of the aerodynamic configuration of a tubular projectile based on blind kriging | |
CN112287484B (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
CN113609585B (zh) | 船舶动力系统的多层级模型构建方法、装置及电子设备 | |
Oberhagemann et al. | Wave Load and Response Predictions Combining HOSM, CFD and Machine Learning | |
Liu et al. | Black-box modeling of ship maneuvering motion based on Gaussian progress regression optimized by particle swarm optimization | |
CN115222023A (zh) | 基于神经网络的非合作目标控制策略识别方法及系统 | |
CN112149253B (zh) | 基于分布式混合协同代理模型的工程结构可靠性评估方法 | |
Hardier et al. | Creating sparse rational approximations for linear fractional representations using surrogate modeling | |
Stepanov et al. | Adaptive algorithm for vessel roll prediction based on the Bayesian approach | |
CN114139363A (zh) | 一种空间变异非平稳地震动时程的模拟方法 | |
CN112591038A (zh) | 一种模型参数不确定下动力定位船非线性状态估计方法 | |
CN117473646A (zh) | 船舶机舱设备布局确定方法、装置、电子设备和存储介质 |
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 |