英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料
摘要
随着计算技术的快速发展，计算流体动力学（CFD）工具得到了广泛的应用，以评估流体动力学优化中的流体动力学性能。然而，这是非常耗时的，因为需要对单个优化进行大量的CFD模拟。找到替代CFD工具计算的高效方法是非常重要的。本文提出了一种基于CFD的船体形状优化环路，通过整合近似方法优化船体形状以减小总阻力和水温。为提高粒子最优化（PSO）算法的优化精度，提出了一种改进的PSO算法，其惯性权重系数和算法均基于随机性重量和收敛性设计，提出了基于IPSO-Elman神经网络的网络预测方法。为提高预测的总阻力准确度，提出了基于IPSO-Elman神经网络的网络预测方法。在此，使用IPSO算法来训练ElmanNN的权重系数和自反馈增益系数。为了建立IPSO-ElmanNN模型，使用最优拉丁超立方体设计（Opt LHD）设计采样船体形式，并且通过雷诺平均Navier-Stokes（RANS）方法计算这些船体形式的总阻力（目标函数）本文的研究目的在于利用该优化框架优化DTMB5512和WIGLEY III两种船舶，并通过任意形状变形（ASD）技术改变这些船体形状。结果表明，本研究中开发的优化框架可用于优化船体形式，并大大减少计算量。
关键词：Hullforms优化;approximatemethod;IPSO-Elmanneuralnetwork; 最佳拉超成型设计;任意形状变形
第一章 引言
近年来，船体结构优化以最大限度地减少结果产生的总阻力为目的而受到极大的关注。在20世纪90年代，优化理论被引入船体结构设计领域。 Dawson方法是用本文提出的摩擦阻力和波动阻力作为设计船型的目标函数（Kim，1995）。利用势流法计算波浪阻力，并采用伴随优化方法进行船体结构优化设计（Huan＆Huang，1998 ）。兰金源用于计算60系列的波阻抗和粘滞阻力，并采用非线性规划方法（Zhang＆Zhang，2015）获得了最低阻力的全部形状。随着计算流体力学（CFD）技术和优化技术的迅速发展，基于模拟设计（SBD）技术的船体结构设计已成为二十一世纪的主流趋势（Kim＆Yang，2010; Tahara，Peri，Campana， ＆Stern，2008）。 CFD工具已成为计算船体阻力和模拟流场的主要方法，但其计算时间长。为了促进SBD技术在实际工程中的应用，并减少典型CFD工作的计算时间，近似技术的应用已成为船型优化发展的关键。通过近似技术的处理，原复杂问题相对于近似极大似然问题而言，原问题的最优解得到了成功逼近。而且还有一些设计师对于使用临时模型进行预测的问题引起了人们的关注（Chau＆Wu， 2010;王国锋，徐和陈;吴洲，李，2009）。近年来，广泛使用的近似技术之一就是神经网络，它根据生物神经系统的启示开发了一种信息处理方法的弱点。通过计算机模拟，可以通过学习，控制和识别来预测和分析数据。现在，它已被应用于不同的最优化问题（Hu＆Balakrishnan，2005; Liu＆Luo，2005; Liu，Tian，Liang，＆Li，2015; Puig，Witczak，Nejjari，Quevedo，＆Korbicz，2007; Zhang，2016）。 ElmanNN是一种典型的多层动态回归神经网络，它具有更强的全局稳定性和时变特性，因为它将比赛节点作为时间延迟算子添加到前馈网络的隐节点中（Ding，Jia，Su，Xu，＆Zhang，2008 ）。此外，ElmanNN与来自数据预测的BPNN进行了比较（Ding等，2008; Zhang，Hao，Kong，＆Li，2013; Zhou，Yang，＆Yang，2011），并且发现精确度和收敛率均高于BPNN。 Li和Liang（2007）对ElmanNN和RBFNN进行了洪水速度限制的比较，并假设ElmanNN具有较强的适应性和较好的泛化能力，可以更准确地建立近似模型。在局部反馈网络函数的基础上，ElmanNN可以对非线性问题进行更精确的数据处理（Liu et al。，2015），这对于阻抗预测非常重要.Uptonow，使用径向基函数人工神经网络（Couser，Mason，Mason，Smith和Konsky，2004），HoltropandMennen的方法（Ortigosa，Loacute;pez和Garciacute;a，2009），遗传神经网络Chen＆Ye，2009）和BPneuralnetwork（Hou，Liu，＆Liang，2016）。然而，有人发表了使用ElmanNN预测船体阻力的不足之处。鉴于这些考虑，ElmanNN已被用于本研究中的船体形式优化以近似计算总阻力值。
粒子群优化（PSO）是一种智能优化算法，由Kennedy和Eberhartin1995（Kennedy＆Eberhart，1995）开发。由于其快速收敛，易于实现和简单的计算规则等优点，使得它在各种优化问题上倍受关注。虽然PSO算法已经成为一种相对成熟的方法，但很容易陷入局部最优解。因此，许多研究人员对传统的PSO算法提出了更多改进措施。通过考虑PSO和GA算法的优点，解决非线性设计优化问题（Garg，2016; Nik，Nejad，＆Zakeri，2016），提出了混合技术PSO-GA算法。加入粒子群优化的加权粒子和加权粒子（EPSOWP）的增强粒子群优化器是为了提高一组基准函数的进化性能而开发的（Li，Wang，Hsu，＆Chen，2014）。基于局部最优的随机线性组合位置和全球最佳位置，通过Tungadio，Jordaan和Siti（2016）研究了无速度方程的粒子群（PSWV）算法。 Zhang和Cou（2009）利用一种新的多子群粒子温度优化（MSSPSO）方法来解决多种群粒子群体调控模型的多解问题。在此模型中，MSSPSO算法被用于基于先前的oracleoutputforeachlayer生成不同的修剪。TaorminaandChau（2015）开发了一种更快更准确的输入变量选择（IVS）算法，该算法集成了二进制编码的离散有效的粒子最优化（BFIPS）和极限学习机（ELM）。众所周知，收敛性评估是PSO算法最重要的因素之一。如果收敛性下降，这个算法的收敛速度会受到很大影响（Han，Li，＆Wei，2006）。但是，上面的文章没有提到如何评估早熟收敛。本文通过将随机分布式惯性权重系数与早熟收敛评估相结合，开发了一种改进的PSO（IPSO）算法。通过在四个数学函数的优化中使用它们来评估这个新方法的性能。
虽然ElmanNN有一些优点，但在应用上也存在一些问题。 当处理诸如船舶阻力值之类的高维数据时，有用信息可能被大量冗余数据淹没，并且相关冗余信息可能占用大量存储空间并且可能消耗不计算时间（Dingetal.，2008）。因为使用梯度下降方法，因此也容易全部为最小值 通过开发改进的ElmanNN（Shenetal.，2015; Song＆Zhao，2016; Zhou，Ding，＆He，2013），可以有效地克服这些问题。 在本文中，为提高ElmanNN电阻预测的准确性，采用有效的IPSO算法对惯性权重系数和ElmanNN的自回馈系数进行了优化。对IPSO-ElmanNN方法的性能进行了比较， 原来的ElmanNN。
利用IPSO-ElmanNN方法，本文所提出的工程船舶专业船体形成优化回路。 采用任意形状变形（ASD）技术，将静水中的总阻力作为目标函数，以设计速度进行优化。 最后，提出并讨论了两种方法：即大卫泰勒模型盆地（DTMB）模型5512（美国海军战略舰艇模型）和WIGLEY III（一种广泛用于国际航行的数学船形式））船舶。
第二章 优化器
2.1粒子群优化（PSO）算法
在D维空间中，第i个粒子的速度和位置可写为Vi =（vi，1vi，2vi，3 ... vi，d），Xi =（xi，1xi，2xi，3 ... xi ，d），分别表示局部最优解，gbest表示全局最优解。 在每次迭代中，粒子通过跟踪pbest和gbest来更新自身。 找到这两个最佳值后，使用以下公式更新每个粒子的速度和位置：
vi,j(t 1) = omega;vi,j(t) c1r1[pi,jminus;xi,j(t)] c2r2[pg,jminus;xi,j(t)] (1)
xi,j(t 1) =xi,j(t) vi,j(t 1) j=1,2,...,d (2)
一般来说，粒子N，c1和c2的总数量范围记录如下：20le;Nle;40; c1 c2le;4（其中omega;是神经体重系数，c1和c2分别是具有正确值的认知和社会参数的加速度系数），r1和r2是0和1之间的随机变量。 Azimifar＆Payan，2016）。
2.2 改进的粒子最优化（IPSO）算法
惯性权重系数omega;是影响解决方案域内全局和局部搜索之间的折衷的参数。 为了提高PSO算法的精度，omega;的调整将变得非常重要。 大omega;可以避免获得最优解，并且可以有效地加速迭代的收敛速度。 它可以用常量法，线性递减法，自适应法和不等式来计算。本文的omega;-子目标与分布函数可以解决由两个方面的线性方程造成的不稳定性。
omega;的形式可以写成：
omega; = psi; sigma; lowast;N(0,1) (3)
psi; = psi;min (psi;max minus;psi;min)lowast;rand(0,1) (4)
其中psi;是随机权重的均值，sigma;是随机权重的方差。 N（0,1）是标准正态分布的随机变量。 psi;min是随机权重的最小值。 psi;max是随机数的最大值，（0,1）是随机变量在0和1之间。 PSO算法的收敛程度可以从（Wang，Ma，Wang，＆Wang，2011）得到：
是收敛程度的评价指标， 是最优粒子的适应性，fg是由粒子计算出来的适应性平均值，比粒子的适应性平均值（可以从最佳粒子的适应度平均值）得到，fi是第i粒子适合度，粒子的温度稳定性。 如果粒子趋于过早收敛， 是最小阈值，并且没有获得最优解和期望最优解fd。 考虑最小化问题：
lt; d (6)
fg gt; fd (7)
此时，部分不活动的粒子被高斯变异修正，以早跳出局部最优，并快速找到全局最优解。格式可写为：
fg minus;favg le; theta; (8)
其中theta;是阈值，对于满足不等式（8）的第i个粒子，突变用随机的一维分配进行：
x(k 1) id =x(k) id eta;xi; (9)
其中eta;是变异系数，xi;是随N（0,1）分布的随机变量。
IPSO算法的总体流程图如下：
（1）最初的多样性和粒子位置的随机性
（2）根据等式（1）和（2）更新粒子的速度和位置。
（3）使用等式（3）和（4）更新惯性权重系数omega;。
（4）计算适合度。
（5）更新英文字母集合以适应群体极值。
（6）确定早熟收敛是否由等式（6）和（7）产生。 如果答案是肯定的，那么人口数量会通过等式（8）和（9）得到解决。如果不是，则重复步骤2-6的最长停用准则。
（7）输出全局最优结果。
2.3 IPSO算法的验证和验证
为了验证IPSO算法的适用性，研究了四个函数，如等式（10-13）所示。 PSO和IPSO算法分别用于查找四个函数的最小值。 两种算法的参数如表1所示。
优化完成后，结果列于表2中IPSO算法的优化结果可以得到四个函数的全局最优解，而利用Li（2012）自适应加权和实验设计的PSO算法和IPSO算法陷入局部最优。 可以看出，IPSO算法在本文中提出了很多优化结果的优化结果。
图1显示了使用PSO算法和IPSO算法进行迭代优化的迭代过程。从图中可以看出，在1000个迭代中，IPSO算法的迭代性能值与PSO算法相比，是最优化初始阶段的全局最优解。 尽管在IPSO算法中增加了变异操作，但该算法的收敛速度仍然不受影响。 收敛速度的提高主要是因为权重系数不是固定值而是随机分布值。如果粒子在最优化过程中处于全局最优状态，它会自动产生一个相对较小的值以加快收敛速度。 如果优化过程中出现了无法优化的最优化阶段，那么权重系数的不断变化和收敛评估算法可以帮助超越当前的特征。
第三章 几何重建
基于B样条技术，任意形状变形（ASD）技术是一种通过Sculptor工具（Sun，Song，＆An，2010）改变不同模型形状的方法。它要求将ASD卷设置在具有任意控制点和连接的体外。当控制点移动时，相关区域的形状可以改变。新的表面可以通过控制点的移动来实现，其中可以保持3阶的连续性。即使在大变形的情况下，这也能确保新模型的平滑性。这种直接变形的方法可以使得复杂几何的变化变得容易。例如，紫锥花的变形过程可以写成：
（1）如图2所示，在圆柱体周围建立ASD体积，并具有多个控制点和连接。根据所需的形状变化控制，变形体积可以更细或更粗。
（2）定义控制参数，包括点的位置和运动方向。 从图2可以看出，点1和点2被认为是控制参数或者更改了几何形状。
（3）冻结ASD体积，根据设计人员的要求，通过各点的
全文共10477字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15355]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
