全球经济不断发展,陆上运输早已不堪重负,从而反过来影响了货物流通的效率[1]。因此,水上运输成为了人们关注的重点,并且每年都投入巨大成本来开发水上运输技术,不仅有航道的开发,还有船舶设计和制造技术的开发[2]。船舶运输行业的发展一定程度上缓解了全球运输业的效率拥塞问题。
经过多年的发展,船舶种类已经到了更新换代的时刻[3]。具有高航速、经济性高、航速快和适航性好等优点的船舶已经成为人们的追求目标。因为高航速时阻力小、破舱稳定性高、甲板宽度大和适航性好等优点,目前五体船已受到广泛关注[4]。作为高速多体船,其还具有优秀的耐波性。如图 1所示是五体船概念图。
但是,五体船的发展仍然不够完善,还有可以优化的空间。本文将基于多目标遗传算法,对五体船主尺度设计进行优化[5]。
1 多目标问题和五体船主尺度优化问题 1.1 多目标问题多目标优化是科学研究求解问题的重要方式之一。下面简单介绍一下多目标优化的数学描述。多标准问题是其另一种名称,相比于单目标的形式,多目标的形式更加复杂,一般描述如下:
$\left\{ \begin{array}{l} \min \;{f_1}({x_1},{x_2},...,{x_n}),\\ \;\;\;\;\;...\\ \min {f_r}({x_1},{x_2},...,{x_n}),\\ \max \;{f_{r + 1}}({x_1},{x_2},...,{x_n}),\\ \;\;\;\;\;...\\ \max \;{f_m}({x_1},{x_2},...,{x_n}),\\ {\rm{s.t.}}\;{g_i}(x) \geqslant 0,i = 1,2,...,p\\ \;\;\;{h_j}(x) = 0,j = 1,2,...,q \end{array} \right.$ | (1) |
其中,
$\begin{array}{l} X = \{ x{\rm{|x}} \in {{\rm{R}}^{\rm{n}}},{g_i}(x) \leqslant 0,{h_j}(x) = 0,\\ i = 1,2,...,p,j = 1,2,...q\} 。 \end{array}$ | (2) |
考虑到不失一般性,可得如下标准模型;
$\left\{ \begin{array}{l} \min y = f(x) = {({f_1}(x),{f_2}(x),,...,{f_{\rm{m}}}(x))^{\rm{T}}},\\ s.t.\;{g_i}(x) \leqslant 0,i = 1,2,...,p。 \end{array} \right.$ | (3) |
其中,
船舶设计之初,首先需要设定的问题之一是主尺度问题,这决定着船舶的性能和经济性。简化后,这个问题可以看作是多目标优化问题。通过将影响五体船主尺度的各种因素当成自变量,并通过多目标问题求解的方式来得出最优解组合。对五体船模型进行分析时,可以看出影响其主尺度的因素有:水下船体最大宽度、甲板最大宽度、吃水、干舷和水下船体宽度等。实际当中,类似的因素非常多,如果都设为自变量,那么问题将变得十分复杂,不易于对关键因素的优化。因此,可以简化掉影响较小的因素。优化的方法如下:
方法1 设变量为n维向量
$y = Cx = \left[ \begin{array}{l} \frac{1}{{{x_{10}}}}\\ \;\;\;\frac{1}{{{x_{20}}}}\;\\ \;\;\;\;\;\;\;...\\ \;\;\;\;\;\;\;\;\;\;\frac{1}{{{x_{n0}}}} \end{array} \right]\left[ \begin{array}{l} {x_1}\\ {x_2}\\ ...\\ {x_{n0}} \end{array} \right] = \left[ \begin{array}{l} \frac{{{x_1}}}{{{x_{10}}}}\\ \frac{{{x_2}}}{{{x_{20}}}}\\ ...\\ \frac{{{x_n}}}{{{x_{n0}}}} \end{array} \right]。$ | (4) |
此种方式跟初始设计点有关。
方法2 假设变量的上限和下限已知,比如
${y_i} = \frac{{{x_i} - \frac{1}{2}({x_{iu}} - {x_{il}})}}{{{x_{iu}} - {x_{il}}}}。$ | (5) |
通过这种方式,可以明确地在已知范围内建立超立方体,相比于方法1,这种方法较好。
2 基于多目标遗传算法的五体船主尺度优化设计 2.1 NSGA-Ⅱ遗传算法仿真过程描述本节将通过NSGA-Ⅱ算法来求解五体船主尺度的多目标优化问题,同时在Matlab下编写仿真程序[6]。该算法的主要流程是:首先设置决策变量和目标函数,然后根据用户输入的种群规模、迭代次数和约束条件建立优化分析模型,接着根据设置的优化计算参数进行多目标优化的求解计算,最后保存和显示优化结果。本算法采用的多目标优化算法的数学模型如下:
$\left\{ \begin{array}{l} \min \;{f_1}({x_1},{x_2},...,{x_n}),\\ \min {f_2}({x_1},{x_2},...,{x_n}),\\ \;\;\;\;...\\ \max \;{f_m}({x_1},{x_2},...,{x_n}),\\ {\rm{s.t.}}\;{g_i}(x) \geqslant 0,\\ \;\;\;x = {({x_1},{x_2},...,{x_n})^{\rm{T}}} \in \Omega 。 \end{array} \right.$ | (6) |
其中,
程序设计完成之后,必须通过测试才能知道其是否正确,同时还需要通过测试来确定程序的性能和效率。本小节将主要通过以下测试函数来测试程序。
1)测试函数Pareto
$\left\{ \begin{array}{l} \min {f_1}(x) = {x^2},\\ \min {f_2}(x) = {(x - 2)^2},\\ x \in [ - 5,7]。 \end{array}\right.$ | (7) |
种群规模设置为100,迭代次数为50,交叉概率选择0.9,得到的Pareto前沿图如图 2所示。
可以看出,即使采用很小的迭代次数和种群规模,也能够获得比较理想的Pareto前沿图。也就是说本文设计的程序具有可行性。
2)凹函数
模型为:
$\left\{ \begin{array}{l} \min {f_1}(x) = x_1^2 + x_2^2{^{1/8}},\\ \min {f_2}(x) = {\left( {{{\left( {{x_1} - 0.5} \right)}^2} + {{\left( {{x_2} - 0.5} \right)}^2}} \right)^{1/4}},\\ {x_1},{x_2} \in [ - 5,10]。 \end{array} \right.$ | (8) |
种群规模设置为100,迭代次数为50,交叉概率选择0.9,得到的Pareto前沿图如图 3所示。可以看出本文设计的程序对于凹函数的多目标优化问题,仍然非常高效,所的曲线非常顺滑。因此,本程序具有相当的可行性。
由上面2个测试函数的前沿图可以看出来,本文设计的仿真程序具有非常高的效率,且具有很好的可行性。因此,结论是:本文设计的仿真程序具有可行性,可以采用。
3 结语本文结合多目标遗传算法充分分析了五体船主尺度优化的问题,并且设计的优化程序具有可行性,可以采用。
[1] | 杨路春, 李学斌, 丁明君, 等. 多目标遗传算法和决策在船型论证中的应用[J]. 哈尔滨工程大学学报, 2012 (12): 1459–1464. |
[2] | 邱辽原, 谢伟, 姜治芳, 等. 基于参数化CAD模型的船型阻力/耐波性一体化设计[J]. 中国舰船研究, 2011 (1): 18–21+29. |
[3] | 张宝吉, 马坤, 纪卓尚. 基于遗传算法的最小阻力船型优化设计[J]. 船舶力学, 2011 (4): 325–331. |
[4] | 崔焰, 卢晓平, 董依兰. 遗传算法与线性兴波阻力理论结合的船型优化[J]. 华中科技大学学报(自然科学版), 2009 (9): 79–81. |
[5] | 陈雅菊. 基于多目标遗传算法和主成分分析的船型主尺度论证[J]. 船海工程, 2015 (2): 31–35. |
[6] | 刘晓义, 吴建威, 万德成. 基于遗传算法与NM理论的船型优化[J]. 水动力学研究与进展(A辑), 2016 (5): 535–541. |