基于数据驱动和机器学习的AUV外形优化设计

自主水下航行器(AUV)的性能在很大程度上受其外形设计的影响.本文提出了一种AUV外形优化方法,通过集成数据驱动与机器学习技术,重点关注头部与尾部线型以及鳍舵布局对AUV性能的影响.本研究开发了一个参数化的水动力分析流程,用于自动生成优化过程中所需的水动力参数.我们基于此流程,构建了一个数据驱动框架,用于实现AUV外形的多目标优化,目标是最小化阻力并最大化机动性.针对这两个优化目标,本研究分别采用多层感知器(MLP)神经网络和集成学习方法构建了代理模型,并将它们的性能与传统代理模型进行了对比.优化问题通过非支配排序遗传算法求解.对比分析初始与优化后的AUV外形表明,其水动力性能显著提升,从而证实了所提方法的可行性与有效性.