本书聚焦飞行器高维全局气动优化设计领域的前沿理论与方法，从飞行器设计技术发展切入，阐述气动外形设计的核心地位及空气动力学的支撑作用；详细分析CFD技术推动下高维气动外形优化设计面临的多个关键技术瓶颈；重点解决基于代理模型的复杂气动优化设计面临的高维大尺度设计空间全局寻优计算复杂度高、收敛性差和易陷入局部最优的难题，提出了有效的解决策略，包括基于自适应设计空间的高效全局优化设计、基于复杂变量分层协同的优化设计、基于高维代理模型的气动优化设计，以及基于新型多可信度代理模型的优化设计等新理论和新方法。本书内容丰富，聚焦前沿，具有显著的理论研究和工程实用价值。
更多科学出版社服务，请扫码获取。
2014.09-2020.07，工学博士，西北工业大学/航空学院，流体力学
2010.09-2014.07，工学学士，西北工业大学/教育实验学院，飞行器设计与工程2023.01-至今，西北工业大学/航空学院/航空器设计工程系，翼型、叶栅空气动力学国家重点实验室，副教授，硕士生导师
2020.07-2022.12，中山大学/航空航天学院/宇航工程系，“百人计划”助理教授，硕士生导师基于新型多可信度多项式混沌-Kriging模型的高维全局气动优化设计方法，国家自然科学青年基金担任《空气动力学学报》、《实验流体力学》以及《Advances in Aerodynamics》等多个期刊青年编委；《飞行力学与气动设计数智化研究所》常务副主任；《空气动力学学报》“气动/多学科不确定性量化与稳健优化设计” 专栏组稿专家；同时为Computer Methods in Applied Mechanics and Engineering，IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems、Aerospace Science and Technology、Structural and Multidisciplinary Optimization等多个国际期刊审稿人
目录
前言
第1章 绪论 1
1.1 概述 1
1.2 基于代理模型的复杂气动优化设计方法发展现状 3
1.2.1 基于代理模型的高维设计变量优化设计方法 4
1.2.2 基于多可信度代理模型的优化设计方法 7
第2章 飞行器气动外形设计基础技术研究 9
2.1 气动特性数值模拟及分析方法 9
2.1.1 RANS数值方法验证 9
2.1.2 边界层转捩数值模拟 12
2.2 外形参数化方法 21
2.2.1 基于解析函数控制的翼型外形参数化方法 22
2.2.2 基于多块控制框的FFD 参数化方法 32
2.3 优化搜索算法 34
2.3.1 标准粒子群算法 34
2.3.2 综合学习粒子群优化算法 36
2.3.3 函数测试 38
2.4 小结 40
第3章 基于自适应设计空间的高效全局优化设计理论及方法 41
3.1 设计空间大小的问题 41
3.1.1 设计空间尺度和维度的问题 41
3.1.2 气动问题复杂度测试 41
3.2 传统代理优化设计方法的局限 52
3.3 基于自适应设计空间扩展的气动优化设计方法 60
3.4 基于有效设计空间减缩的气动优化设计方法 64
3.5 算例验证 65
3.5.1 函数测试 65
3.5.2 翼型优化算例测试 68
3.6 小结 72
第4章 基于复杂变量分层协同的优化设计理论及方法 73
4.1 分层协同优化设计理论及框架 73
4.2 复杂变量分层方法 76
4.3 空间分区的代理模型构建方法 78
4.4 分层协同优化算例 81
4.5 小结 87
第5章 基于高维代理模型的气动优化设计理论及方法 88
5.1 Kriging代理模型 88
5.1.1 模型基本原理 88
5.1.2 模型的拟合 90
5.1.3 模型参数的优化 92
5.1.4 精度检验 93
5.2 非线性降维代理建模方法 94
5.2.1 基于核主成分分析的非线性降维方法 96
5.2.2 监督式非线性降维代理建模方法 101
5.3 算例测试 103
5.3.1 高维函数 104
5.3.2 CRM机翼 105
5.4 基于代理模型的自适应加点方法 108
5.4.1 最小化代理预测加点方法 110
5.4.2 期望改善加点方法 110
5.4.3 置信下界加点方法 114
5.4.4 算例测试 115
5.5 复杂气动优化算例测试 118
5.5.1 跨声速无黏NACA0012翼型优化 118
5.5.2 跨声速RAE2822翼型优化 120
5.5.3 跨声速CRM机翼优化 124
5.6 小结 131
第6章 基于新型多可信度代理模型的优化设计理论及方法 132
6.1 PC-Kriging代理模型 132
6.2 新型自适应多可信度PC-Kriging代理模型 135
6.2.1 低可信度PC-Kriging代理模型近似 135
6.2.2 高可信度函数的多可信度近似 136
6.2.3 多可信度PC-Kriging代理模型拟合 138
6.2.4 基于LOOCV-LAR的自适应基函数选择方法 141
6.3 自适应多可信度序列抽样技术 143
6.3.1 基于LOOCV-Voronoi-MSD的多可信度序列抽样技术 144
6.3.2 一次性抽样与序列抽样的比较 146
6.4 代理模型精度测试 148
6.4.1 函数算例 150
6.4.2 RAE2822跨声速翼型算例 157
6.5 基于多可信度代理模型的自适应加点优化技术 164
6.5.1 基于多可信度代理模型的自适应加点优化框架 164
6.5.2 变可信度EI加点策略 164
6.6 优化算例测试 166
6.6.1 函数算例测试 166
6.6.2 气动优化应用 169
6.7 小结 180
参考文献 181
书单推荐
