船型优化中如何选择合适的优化策略

在船型优化任务中，考虑到单个算例仿真时间的成本和计算资源成本，工程师往往需要在尽可能少的计算案例中找到更优的设计方案。因此一个合理的优化策略的选择便显得尤其重要。在本文中，笔者以KCS船为例，试图探讨CAESES中不同优化算法的选择，以及南京天洑软件公司自研优化平台AIPOD对于优化效率和效果的影响。需要注意的是，本文所得的结论可能仅适用于该KCS船型。结论是否具有普适性需要进一步的探索与思考。

一、参数化模型

采用CAESES软件的半参数化变形方法，对KCS船进行局部变形，在球鼻艏，船体入流段和去流段采用FFD方法，艉封板采用Delta shift方法，除了局部变形，还通过Lackenby方法对船体其他位置进行变形，组合变形效果如视频所示：

二、数值仿真计算 

本算例以SHIPFLOW作为仿真工具，计算参数化模型的总阻力系数Ct。

算例网格数为1.74M；计算使用的工作站硬件配置为: CPU: Intel® Core™ i7-7700K @ 4.2GHz 4.2GHz；内存: 16GB；单个算例仿真时间约40分钟。

三、优化问题

8个设计变量，以总阻力系数较小为优化目标，同时满足排水体积和浮心纵向位置的约束。

四、CAESES优化算法

1.    Sobol

首先采用智能取样算法sobol，在设计变量给定的变化范围内做50次试验设计。计算结果如下：

结论：

①. Sobol只是取样算法，并没有执行优化。

②. “优化”效果有限。“优化”过程未体现出收敛性。

2.    Sobol Tearch

基于上一步Sobol的优化结果，另执行50个方案的优化计算，采用梯度优化算法Tsearch。计算结果如下：

结论：

①. 基于sobol的结果增加Tsearch的算法可以得到更优的设计方案。

②. Tsearch优化过程体现出收敛性。

3.    遗传算法NSGA-II

采用流行的遗传算法NSGA-II进行进一步探索。考虑到电脑计算性能和时间成本，遗传算法设置为如下：种群规模 (population)：12。代数 (Generation)：10。共计120个方案。计算结果如下：

结论：

①. 遗传算法NSGA-II体现出一定优化效果，但优化效果不如sobol Tsearch算法。

②. 120次仿真计算的优化历程未体现明显收敛性。

③. 思考：sobol NSGA-II的方案能否优于单独的NSGA-II优化或者sobol Tsearch方案？

4.    Sobol 遗传算法NSGA-II

执行50次sobol计算，以更优方案为基础另执行120次NSGA-II优化。参数设置与前述方案相同。剔除无效设计方案后，结果如下：

结论：

①. 由于NSGA-II算法每一代取值的随机性，Sobol NSGA-II的优化策略优化效果甚至不如单独NSGA-II策略。

②. 对于小样本优化计算（100次左右），遗传算法NSGA-II并不能发挥其优势。

③. 综合考虑优化效果和优化成本，对于小样本优化计算，更佳优化策略为sobol Tseach的组合优化。

五、天洑软件自研优化平台AIPOD

优化平台AIPOD核心优化算法SilverBullet算法是天洑针对工业设计领域数值模拟计算成本高的痛点而研发，在计算成本有限的情况下（百量级），以尽可能少的计算代价，获取尽可能高的性能提升。

SilverBullet算法整合了智能采样技术、耦合优化技术，以及一套核心的参数指标动态协调全局优化和局部探索力度，从而实现在小计算规模下的高效性能优化提升。SilverBullet算法有以下两大特色：

①. 自适应优化场景，零使用门槛

SilverBullet算法具有强大的自适应性，用户仅需提供计算代价，无需任何超参设定，即可一键启动优化流程，很大程度的降低了用户的使用门槛；

②. 智能边界突破（Bound-break）

SilverBullet独有的智能优化探索能够摆脱参数范围不够精确的困扰，对于无法精确给定变量范围的部分变量，在满足不增加搜索成本的前提下，自主决策有选择性地突破设计参数范围边界，获得更好的设计方案。 

1.    AIPOD

采用相同的设计参数与设置，利用SilverBullet算法执行100次优化计算，结果如下：

结论：

①. AIPOD算法在100次样本规模的优化设计中，优化效果好于上述更优的优化策略Sobol Tsearch。

②. AIPOD算法在100次样本规模的优化设计中，优化结果体现出一定收敛性。

2.    AIPOD (boundbreak 200)

采用相同的设计参数与设置，利用SilverBullet算法开启boundbreak功能，执行200次优化计算，结果如下：

结论：

①. AIPOD算法开启boundbreak功能后，优化结果得到进一步提升。

②. 优化结果体现出一定收敛性。

③. 思考：减少计算成本，降低样本规模到100以下，能否也可以得到较好的优化结果？ 

 3.    AIPOD (boundbreak 80)

采用相同的设计参数与设置，利用SilverBullet算法开启boundbreak功能，执行80次优化计算，结果如下：

 结论：

①. AIPOD算法开启boundbreak功能后，80次优化计算的结果不如200次优化计算的结果。

②. AIPOD算法开启boundbreak功能后，80次优化计算结果仍然好于上述较优的Sobol Tsearch优化策略和AIPOD不开启boundbreak功能算法。

③. 优化结果体现出一定收敛性。

由于开启了boundbreak功能，更优方案对应的个别设计变量最终取值在原始设定的边界外，因此有必要检查最优设计方案的几何光顺性。经检查，更优方案的光顺性良好，船体几何合理，如下图：

 优化船型与原始船型对比

六、结 论

本文基于标模KCS船型进行了多种优化策略的尝试，优化设置中同时考虑了优化效果和优化时间。由于工业设计中单个算例需要较为昂贵的仿真成本，因此在实际项目中，工程师能接受的优化样本规模通常在百次左右。基于这一前提，遗传算法无法发挥其优势，得不到较好的优化结果。如果基于CAESES平台进行优化，更优的优化设计策略为sobol Tsearch的组合。

在国家倡导的工业软件自主化的大背景下，南京天洑软件公司自研AIPOD优化产品体现出了其功能性与自主性的优势。不仅仅可以帮助客户在有限的时间内得到更优的设计方案，并且给予客户更大的软件自主开发权限。

AIPOD软件现以面向客户提供试用，如果感兴趣请与我们联系。