一种基于汽车空气动力学性能的新优化流程

其中，伴随流法通过只求解一次原始流场控制方程与一次伴随流方程即可获得目标函数基于各设计变量的梯度，两次求解过程计算量相当，可输出目标函数基于几何边界变化的直观性信息（表面敏感度图谱），EGO全局优化算法则基于克里金代理模型，所需初始样本数较少，可自动平衡局部最优搜索能力与全局最优搜索能力，对于具有30个设计变量以下的中低维度优化问题效率较高。该优化流程首先采用伴随流法对于待优化车辆外表面基于优化目标函数的敏感区域进行定位，以便合理定义各优化设计变量，确立优化设计空间，随后采用EGO优化算法在设计空间内进行全局搜索，基于改善期望（EI）函数寻找最优解位置。

这里我们简要展示一个基于该优化流程的电动车气动阻力优化仿真案例。

首先，借助商业流体计算软件及其伴随流求解器，锁定待优化车辆表面基于气动阻力的敏感区域，通过对确定实施优化的敏感区域进行参数化处理得到优化设计变量集合，并通过集合中各变量取值的上、下边界确定优化设计空间。

随后，利用实验设计中的均匀设计法，在优化设计空间中基于“空间填充”的思想选取初始设计样本集合，实现了以最少的采样点获取最多的设计空间信息的目的。

最后，通过流体计算软件获取各样本的优化目标函数响应值（即风阻值）并将所有响应值和其所对应的各初始设计样本输入到EGO算法中进行优化训练。训练过程中，算法会利用改善期望函数的值作为增加设计样本的准则（即满足EI值最大化的点），结合流体计算软件所获得的该样本真实响应值，不断更新输入，直至满足优化计算终止条件（最大更新次数）。

结合案例中优化前、后的整车外流场信息比对，该优化流程的可靠性得到了有效证实。