一种近似船体型线优化方法技术

本发明专利技术公开了一种近似船体型线优化方法，包括由遗传算法初始化种群个体，个体由船舶主尺度参数构成；固定个体的主尺度参数然后采用蛙跳算法进行不确定因素优化，以表达个体的总阻力值；采用深度信念网络算法对水动力性能进行精确评估；对遗传算法进行选择

【技术实现步骤摘要】
一种近似船体型线优化方法、装置及计算机存储介质


[0001]本专利技术涉及一种船型优化方法，特别是涉及一种近似船体型线优化方法
、
装置及计算机存储介质
。

技术介绍

[0002]合适的船体形状在航行过程中能够受到更小的阻力，从而达到减小燃料消耗和减小二氧化碳排放的目的
。
目前，基于
CFD
技术
(
黏性流体力学方法
)
的船型优化方法已经成为船型初始设计的主要手段，然而该方法往往采用确定的船舶参数和风浪工况进行优化计算
。
实际上，一艘大型船舶往往要连续行驶进入多个国家
、
多个航线
。
长距离
、
多航线的行驶要遇到多种变换风浪，行驶工况千变万化，船速会跟着海况和驾驶员的习惯不断发生变化，吃水会随着载重货物的变化而发生变化
。
然而采用单一工况
(
确定航速
、
吃水
、
海况
)
的
CFD
确定优化算法获得的最优解并不能适用于整条航线，因此在船型优化中考虑不确定因素的影响是必不可少的
。
此外，如果将这些不确定因素都考虑到船型优化设计中，将会计算非常多的
CFD
模型，这也就导致考虑不确定因素的优化效率非常低
。

技术实现思路

[0003]针对上述现有技术的缺陷，本专利技术提供了一种近似船体型线优化方法，增加船型设计时的多个不确定因素考虑，提高船舶在整条航线的适应性
。
此外，本专利技术提供了一种近似船体型线优化装置及计算机存储介质
。
[0004]本专利技术技术方案如下：一种近似船体型线优化方法，包括以下步骤：
[0005](1)、
采用遗传算法初始化种群参数，随机生成一组个体，每个个体由船舶主尺度参数构成；
[0006](2)、
固定步骤
(1)
的遗传算法个体的船舶主尺度参数，进行不确定因素优化获得对应遗传算法个体在波浪中的总阻力；
[0007](3)、
对遗传算法种群进行选择
、
交叉
、
变异操作；
[0008](4)、
在遗传算法满足终止条件时结束优化并输出总阻力最小的解，否则进化生成新种群返回步骤
(1)
继续优化；
[0009]其中步骤
(2)
中进行不确定因素优化包括以下步骤：
[0010](201)、
采用蛙跳算法随机生成一组青蛙种群，青蛙个体为所述固定的遗传算法个体的船舶主尺度参数与不确定因素的结合，所述不确定因素包括船舶在海上的船舶参数和环境参数；
[0011](202)、
预测每个青蛙个体在不同工况中的总阻力；
[0012](203)、
依据所述步骤
(202)
得到的青蛙个体在不同工况中的总阻力预测值，对所有青蛙个体由大到小依次排列并分配到四组中，然后不断更新青蛙个体进行基于总阻力最小的优化计算，最终获得的最优解对应的总阻力作为左边界值；
[0013](204)、
重复步骤
(201)
和
(202)
，依据所述步骤
(202)
得到的青蛙个体在不同工况
中的总阻力预测值，对所有青蛙个体由大到小依次排列并分配到四组中，然后不断更新青蛙个体进行基于总阻力最大的优化计算，最终获得的最优解对应的总阻力作为右边界值；
[0014](205)、
根据步骤
(203)
和
(204)
得到的左边界值和右边界值计算获得对应遗传算法个体在波浪中的总阻力
。
[0015]进一步地，所述步骤
(202)
预测每个青蛙个体在波浪中的总阻力时采用
DBN
近似船体阻力预测模型进行预测，所述
DBN
近似船体阻力预测模型的获取方法为：首先采用拉丁超立方设计建立包含船舶主尺度参数
、
船舶参数和环境参数的样本合集，然后采用
CFD
方法计算样本合集中每个样本的总阻力，构成训练样本集，由训练样本集对
DBN
算法进行训练得到
DBN
近似船体阻力预测模型
。
[0016]进一步地，所述步骤
(205)
根据左边界值和右边界值计算获得对应遗传算法个体在波浪中的总阻力时采用以下公式进行
[0017]R
i
＝
0.5*[F(LL)+F(RR)]‑
0.4*F(LL)
[0018]其中，
R
i
为对应遗传算法个体在波浪中的总阻力，
F(LL)
为通过步骤
(203)
获得的最优解对应的总阻力值左边界值，
F(RR)
为通过步骤
(204)
获得的最优解对应的总阻力值右边界值
。
[0019]进一步地，所述船舶参数包括船速和吃水，所述环境参数包括波浪参数和风参数，所述波浪参数为波长
、
波高和浪向角，所述风参数为风速和风向角
。
[0020]本专利技术还提供一种近似船体型线优化装置，包括：
[0021]传算法初始化模块：采用遗传算法初始化种群参数，随机生成一组个体，每个个体由船舶主尺度参数构成；
[0022]不确定因素优化模块：用于固定遗传算法初始化模块生成的遗传算法个体的船舶主尺度参数，进行不确定因素优化获得对应遗传算法个体在波浪中的总阻力；
[0023]操作模块：对遗传算法种群进行选择
、
交叉
、
变异操作；
[0024]循环输出模块：在遗传算法满足终止条件时结束优化并输出总阻力最小的解，否则进化生成新种群返回遗传算法初始化模块继续优化；
[0025]其中所述不确定因素优化模块包括以下模块：
[0026]蛙跳算法初始化模块：采用蛙跳算法随机生成一组青蛙种群，青蛙种群中的青蛙个体为所述固定的遗传算法个体的船舶主尺度参数与不确定因素的结合，所述不确定因素包括船舶在海上的船舶参数和环境参数；
[0027]总阻力预测模块：用于预测每个青蛙个体在不同工况中的总阻力；
[0028]蛙跳优化模块：依据所述总阻力预测模块得到的青蛙个体在不同工况中的总阻力预测值，对所有青蛙个体由大到小依次排列并分配到四组中，然后不断更新青蛙个体进行基于总阻力最小的优化计算，最终获得的最优解对应的总阻力作为左边界值，以及不断更新青蛙个体进行基于总阻力最大的优化计算，最终获得的最优解对应的总阻力作为右边界值；
[0029]区间转化模块：由所述蛙跳优化模块获得的左边界值和右边界值计算获得对应遗传算法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种近似船体型线优化方法，其特征在于，包括以下步骤：
(1)、
采用遗传算法初始化种群参数，随机生成一组个体，每个个体由船舶主尺度参数构成；
(2)、
固定步骤
(1)
的遗传算法个体的船舶主尺度参数，进行不确定因素优化获得对应遗传算法个体在波浪中的总阻力；
(3)、
对遗传算法种群进行选择
、
交叉
、
变异操作；
(4)、
在遗传算法满足终止条件时结束优化并输出总阻力最小的解，否则进化生成新种群返回步骤
(1)
继续优化；其中步骤
(2)
中进行不确定因素优化包括以下步骤：
(201)、
采用蛙跳算法随机生成一组青蛙种群，青蛙种群中的青蛙个体为所述固定的遗传算法个体的船舶主尺度参数与不确定因素的结合，所述不确定因素包括船舶在海上的船舶参数和环境参数；
(202)、
预测每个青蛙个体在不同工况中的总阻力；
(203)、
依据所述步骤
(202)
得到的青蛙个体在不同工况中的总阻力预测值，对所有青蛙个体由大到小依次排列并分配到四组中，然后不断更新青蛙个体进行基于总阻力最小的优化计算，最终获得的最优解对应的总阻力值作为左边界值；
(204)、
重复步骤
(201)
和
(202)
，依据所述步骤
(202)
得到的青蛙个体在不同工况中的总阻力预测值，对所有青蛙个体由大到小依次排列并分配到四组中，然后不断更新青蛙个体进行基于总阻力最大的优化计算，最终获得的最优解对应的总阻力值作为右边界值；
(205)、
根据步骤
(203)
和
(204)
得到的左边界值和右边界值计算获得对应遗传算法个体在波浪中的总阻力
。2.
根据权利要求1所述的近似船体型线优化方法，其特征在于，所述步骤
(202)
预测每个青蛙个体在波浪中的总阻力时采用
DBN
近似船体阻力预测模型进行预测，所述
DBN
近似船体阻力预测模型的获取方法为：首先采用拉丁超立方设计建立包含船舶主尺度参数
、
船舶参数和环境参数的样本合集，然后采用
CFD
方法计算样本合集中每个样本的总阻力，构成训练样本集，由训练样本集对
DBN
算法进行训练得到
DBN
近似船体阻力预测模型
。3.
根据权利要求1所述的近似船体型线优化方法，其特征在于，所述步骤
(205)
根据左边界值和右边界值计算获得对应遗传算法个体在波浪中的总阻力时采用以下公式进行
R
i
＝
0.5*[F(LL)+F(RR)]
‑
0.4*F(LL)
其中，
R
i
为对应遗传算法个体在波浪中的总阻力，
F(LL)
为通过步骤
(203)
获得的最优解对应的总阻力值，
F(RR)
为通过步骤
(2...

【专利技术属性】
技术研发人员：张盛龙，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：