基于动态径向基函数代理模型的优化策略

针对飞行器多学科设计优化中传统的静态代理模型方法全局近似精度难以保证与计算效率较低的问题,提出一种基于动态径向基函数代理模型的优化策略。通过Maximin拉丁超方计算试验设计在设计空间中选择初始样本点,构造径向基函数代理模型,并通过全局优化算法对当前代理模型进行优化获得原优化问题的可能最优解,根据已知信息构造重点采样空间,在优化过程中逐步更新重点采样空间并在其内部增加样本点,并更新代理模型以提高代理模型在全局最优解附近的近似精度,直至优化迭代收敛。将本优化策略应用于数学测试算例和NASA减速器优化设计中,优化结果表明,使用本优化策略可以获得分析模型的全局最优解。与直接使用遗传算法相比,计算分析模型的次数减少了95%,相比于传统的静态径向基函数代理模型方法,计算分析模型的次数减少了50%。

基于样本映射与动态Kriging的飞行器离散连续优化方法

针对复杂飞行器系统离散连续混合优化计算成本高、全局收敛性差等问题,提出了一种基于样本映射与动态Kriging的离散连续优化方法(SMDK-DC)。该方法采用Kriging代理模型代替高耗时仿真模型以降低计算成本,并定制一种基于综合曼哈顿距离准则的样本点映射机制,在连续-离散空间内高效生成满足均布性要求的真实样本点。将期望改善度准则与重点采样空间方法相结合,辨识优质新增样本点,持续动态更新Kriging,引导离散连续优化过程快速收敛。标准数值算例测试结果表明,与SOMI、NOMAD等国际同类方法相比,SMDK-DC方法在全局收敛性与鲁棒性方面具有显著优势。使用该方法求解固体火箭发动机多学科设计优化问题,优化方案在满足燃烧室、内弹道等学科约束条件前提下,使得发动机总冲提升12.92%以上,且优化收益较SOMI方法提高1.71%,从而验证了本文工作的有效性与工程实用性。