耦合梯度与分级Kriging模型的高效气动优化方法
Kriging代理模型中引入梯度信息能够提高模型的预测精度,但常规耦合梯度的方法都有不足之处.本文结合分级Kriging模型,提出了一种变可信度分级Kriging模型耦合梯度(GEHK)信息的新方法.首先利用梯度信息,选取扰动步长得到初始样本点附近的派生点,以派生点拟合出能够预测目标函数趋势的低精度Kriging模型.然后以初始样本点修正该模型得到高精度的Kriging模型.翼型减阻优化设计算例表明,与常规耦合梯度的Kriging模型相比,基于分级Kriging的梯度耦合方法对于扰动步长引入的误差不敏感,明显提高了模型预测精度,优化效率因此提升并使得目标函数值下降得更加迅速.相比Euler解作为低精度数据的常规分级Kriging模型,由梯度信息得到的派生点为模型提供了更准确的全局趋势预测,取得了更好的优化结果.本文方法成功应用于翼型多点减阻优化问题,说明该方法对复杂设计问题有很好的适应性.基于分级Kriging模型的耦合梯度方法克服了常规方法的缺点,提高了模型全局拟合精度,是一种优化效率更高的Kriging方法.
翼型、分级Kriging模型、耦合梯度、气动优化、减阻
37
V211.4(基础理论及试验)
国家自然科学基金11272263;中央高校基本科研业务费专项资金310201401JCQ01017;National Natural Science Foundation of China11272263;the Fundamental Research Funds for the Central Universities310201401JCQ01017
2016-09-05(万方平台首次上网日期,不代表论文的发表时间)
共12页
2144-2155