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 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 和 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 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 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 求出隐含层各单元h2;
(6)根据公式 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。