基于样本映射与动态Kriging的飞行器离散连续优化方法

doi:10.7527/S1000-6893.2023.28726

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于样本映射与动态Kriging的飞行器离散连续优化方法

李昊达¹, 龙腾¹^,², 史人赫¹^,³(), 叶年辉¹

^1.北京理工大学宇航学院，北京 100081
^2.北京理工大学飞行器动力学与控制教育部重点实验室，北京 100081
^3.北京理工大学重庆创新中心，重庆 401121

收稿日期:2023-03-21 修回日期:2023-04-25 接受日期:2023-05-26 出版日期:2023-06-04 发布日期:2023-06-02
通讯作者: 史人赫 E-mail:srenhe@163.com
基金资助:
国家自然科学基金(52272360);北京市自然科学基金(3222019);北京理工大学青年教师学术启动计划(XSQD-202101006);北京理工大学科技创新计划项目(2021CX01013);北京理工大学研究生科研水平和创新能力提升专项计划(2022YCXZ017)

Kriging?based mixed?integer optimization method using sample mapping mechanism for flight vehicle design

Haoda LI¹, Teng LONG¹^,², Renhe SHI¹^,³(), Nianhui YE¹

School of Aerospace Engineering，Beijing Institute of Technology，Beijing 100081，China
Key Laboratory of Dynamics and Control of Flight Vehicle of Ministry of Education，Beijing Institute of Technology，Beijing 100081，China
Beijing Institute of Technology Chongqing Innovation Center，Chongqing 401121，China

Received:2023-03-21 Revised:2023-04-25 Accepted:2023-05-26 Online:2023-06-04 Published:2023-06-02
Contact: Renhe SHI E-mail:srenhe@163.com

摘要/Abstract

摘要：

针对复杂飞行器系统离散连续混合优化计算成本高、全局收敛性差等问题，提出了一种基于样本映射与动态Kriging的离散连续优化方法（SMDK-DC）。该方法采用Kriging代理模型代替高耗时仿真模型以降低计算成本，并定制一种基于综合曼哈顿距离准则的样本点映射机制，在连续-离散空间内高效生成满足均布性要求的真实样本点。将期望改善度准则与重点采样空间方法相结合，辨识优质新增样本点，持续动态更新Kriging，引导离散连续优化过程快速收敛。标准数值算例测试结果表明，与SOMI、NOMAD等国际同类方法相比，SMDK-DC方法在全局收敛性与鲁棒性方面具有显著优势。使用该方法求解固体火箭发动机多学科设计优化问题，优化方案在满足燃烧室、内弹道等学科约束条件前提下，使得发动机总冲提升12.92%以上，且优化收益较SOMI方法提高1.71%，从而验证了本文工作的有效性与工程实用性。

关键词: Kriging, 离散连续混合优化, 近似优化, 期望改善度, 重点采样空间

Abstract:

To deal with the problems of high computational cost and poor global convergence that often exist in discretecontinuous mixed optimization of complex flight vehicle systems， a Sample Mapping and Dynamic Kriging based Discrete-Continuous Mixed Optimization method （SMDK-DC） is proposed. In this method， time-consuming simulation model is replaced by Kriging surrogate model to reduce computational expenses. A sample point mapping mechanism based on generalized Manhattan distance criterion is also proposed to efficiently generate uniformly-distributed real sample points in continuous-discrete domain. Expected improvement criteria is combined with significant sampling space to identify new sample points，update Kriging continuously and dynamically， and guide the rapid convergence of the discrete-continuous optimization process. Benchmark cases show that compared with international methods such as SOMI and NOMAD， SMDK-DC has significant advantages in global convergence and robustness. Finally， SMDK-DC is used for solving a multidisciplinary design optimization problem of solid rocket motor. The method， on the premise of satisfying all the constraints of the combustion chamber and internal ballistic discipline， leads to a total impulse increase of at least 12. 92%， and the optimization yield is 1. 71% higher than that of SOMI， which verifying the effectiveness and engineering practicability of SMDK-DC.

Key words: Kriging, discrete-continuous mixed optimization, approximate optimization, expected improvement, significant sampling space

中图分类号:

V221

李昊达, 龙腾, 史人赫, 叶年辉. 基于样本映射与动态Kriging的飞行器离散连续优化方法[J]. 航空学报, 2024, 45(3): 228726-228726.

Haoda LI, Teng LONG, Renhe SHI, Nianhui YE. Kriging?based mixed?integer optimization method using sample mapping mechanism for flight vehicle design[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(3): 228726-228726.

图/表 18

图 1

图 2

表 1

构建/更新代理模型时涉及到的部分名词内涵

名词	符号	内涵
样本点种子集	$X s e e d$	由Maximin拉丁超方试验设计方法在连续空间内生成的点集，该点集中的样本点尚未映射至连续-离散空间内
备选样本点集	$X c a n d i d a t e$	由样本点种子的连续设计变量值以及各离散变量的可能取值集合确定的样本点集，该集合中的所有样本点均位于连续-离散空间内
真实样本点集	$X r e a l$	用于构建/更新Kriging代理模型的样本点集，该集合中的所有样本点均位于连续-离散空间内
初始点集	$X i n i t$	由序列二次规划方法求解近似优化问题的不同初始点组成的点集，该集合中的所有点均位于连续空间内
伪最优解种子集	$X p s e u d o$	由序列二次规划方法求解近似优化问题所得的各局部最优解组成的点集，该集合中的所有点均位于连续空间内
期望改善度准则辨识的新增样本点	$x E I$	由期望改善度准则辨识的新增样本点，位于连续-离散空间内
基于重点采样空间辨识的新增样本点集	$X S S S$	基于重点采样空间方法辨识的新增样本点集，该集合中的所有点均位于连续-离散空间内

表 1

图 3

图 4

表 2

表 3

SMDK⁃DC方法参数设置

参数	取值
$N d o e$	$5 n v$
$m$	20
$N f e m a x$	200
$n L$	1

表 3

表 4

表 5

图 5

图 6

图 7

表 6

设计变量定义

设计变量	符号	设计变量	符号
燃烧室直径	$D c o m b$	翼型体倾角	$α f i n$
理论总冲	$I t h$	喷管喉部半径	$R t h r o a t$
内腔前段半径	$R f r o n t$	喷管扩张比	$ε$
内腔中段半径	$R c o r e$	喷管收敛半角	$α n o z$
内腔后段半径	$R r e a r$	喷管扩张半角	$β n o z$
翼型体长度	$L f i n$	翼型体个数（离散设计变量）	$N f i n$
翼型体高度	$H f i n$	翼型体个数（离散设计变量）	$N f i n$

表 6

表 7

固体火箭发动机优化前后目标函数对比

目标函数	初始方案	SMDK-DC优化方案	SOMI优化方案
发动机总冲 $I S R M$ /（N·s）	$1.329 1 × 107$	$1.500 8 × 107$	$1.475 6 × 107$

表 7

表 8

固体火箭发动机优化前后设计变量对比

设计变量	符号	单位	范围	初始方案	SMDK-DC优化方案	SOMI优化方案
燃烧室直径	$D c o m b$	m	［1.2，1.4］	1.3	1.363 6	1.394 8
理论总冲	$I t h$	N·s	$1.2 × 107, 1.6 × 107$	$1.4 × 107$	$1.599 5 × 107$	$1.562 7 × 107$
内腔前段半径	$R f r o n t$	m	［0.04，0.08］	0.06	0.078 4	0.071 0
内腔中段半径	$R c o r e$	m	［0.10，0.16］	0.13	0.130 0	0.133 2
内腔后段半径	$R r e a r$	m	［0.18，0.24］	0.21	0.183 3	0.211 5
翼型体长度	$L f i n$	m	［0.20，0.60］	0.40	0.402 3	0.388 3
翼型体高度	$H f i n$	m	［0.35，0.55］	0.40	0.480 9	0.493 3
翼型体倾角	$α f i n$	（°）	［30，60］	45	49.851 1	45.212 7
喷管喉部半径	$R t h r o a t$	m	［0.10，0.14］	0.12	0.124 5	0.113 6
喷管扩张比	$ε$		［12，20］	16	12.067 8	13.524 7
喷管收敛半角	$α n o z$	（°）	［45，55］	50	54.133 1	49.417 6
喷管扩张半角	$β n o z$	（°）	［12，17］	15	12.433 2	15.458 4
翼型体个数	$N f i n$		［8，12］	10	9	9

表 8

表 9

固体火箭发动机优化前后约束条件对比

约束条件	符号	单位	范围	初始方案	SMDK-DC优化方案	SOMI优化方案
平均推力	$F m e a n$	kN	$250,300$	233.191 0	250.687 6	261.568 3
最大推力与平均推力偏差	$F m a x - F m e a n$	kN	$≤ 30$	41.907 7	29.598 1	16.021 2
工作时间	$t w o r k$	s	$55,60$	55.341 9	58.479 5	55.603 1
出口平均压强	$p e, m e a n$	Pa	$≥ 20 265$	12 964.746 4	20 545.626 2	20 614.040 9
喉通比	$J$		$≤ 0.65$	0.326 5	0.460 9	0.288 6
燃烧室直径与喷管出口直径差	$D c o m b - 2 R t h r o a t ε$	m	$≥ 0$	0.340 0	0.498 8	0.559 0
药柱装填分数	$φ$		$≥ 0.85$	0.940 8	0.945 2	0.942 9

表 9

图 8

图 9

参考文献 31

1	MORRISON D R， JACOBSON S H， SAUPPE J J， et al. Branch-and-bound algorithms： A survey of recent advances in searching， branching， and pruning［J］. Discrete Optimization， 2016， 19： 79-102.
2	LIU W L， GONG Y J， CHEN W N， et al. Coordinated charging scheduling of electric vehicles： A mixed-variable differential evolution approach［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（12）： 5094-5109.
3	HANSEN P， MLADENOVIĆ N， MORENO PÉREZ J A. Variable neighbourhood search： Methods and applications［J］. 4OR， 2008， 6（4）： 319-360.
4	NAKARIYAKUL S， CASASENT D P. Adaptive branch and bound algorithm for selecting optimal features［J］. Pattern Recognition Letters， 2007， 28（12）： 1415-1427.
5	HUSSIEN A G， HASSANIEN A E， HOUSSEIN E H， et al. New binary whale optimization algorithm for discrete optimization problems［J］. Engineering Optimization， 2020， 52（6）： 945-959.
6	LIU Y C， WANG H D. Surrogate-assisted hybrid evolutionary algorithm with local estimation of distribution for expensive mixed-variable optimization problems［J］. Applied Soft Computing， 2023， 133： 10995.
7	ABRAMSON M A， AUDET C， CHRISSIS J W， et al. Mesh adaptive direct search algorithms for mixed variable optimization［J］. Optimization Letters， 2009， 3（1）： 35-47.
8	龙腾，刘建， WANG G G，等. 基于计算试验设计与代理模型的飞行器近似优化策略探讨［J］. 机械工程学报， 2016， 52（14）： 79-105.
	LONG T， LIU J， WANG G G， et al. Discuss on approximate optimization strategies using design of computer experiments and metamodels for flight vehicle design［J］. Journal of Mechanical Engineering， 2016， 52（14）： 79-105 （in Chinese）.
9	SHANOCK L R， BARAN B E， GENTRY W A， et al. Polynomial regression with response surface analysis： A powerful approach for examining moderation and overcoming limitations of difference scores［J］. Journal of Business and Psychology， 2010， 25（4）： 543-554.
10	BUHMANN M D. Radial basis functions： Theory and implementations［M］. Cambridge： Cambridge University Press， 2003.
11	SIMPSON T W， MAUERY T M， KORTE J， et al. Kriging models for global approximation in simulation-based multidisciplinary design optimization［J］. AIAA Journal， 2001， 39： 2233-2241.
12	KLEIJNEN J P C. Kriging metamodeling in simulation： A review［J］. European Journal of Operational Research， 2009， 192（3）： 707-716.
13	LI J， CHENG J H， SHI J Y， et al. Brief introduction of back propagation （BP） neural network algorithm and its improvement［C］∥ Advances in Computer Science and Information Engineering. Berlin： Springer， 2012： 553-558.
14	LIU Y， ZHAO G， LI G， et al. Analytical robust design optimization based on a hybrid surrogate model by combining polynomial chaos expansion and Gaussian kernel［J］. Structural and Multidisciplinary Optimization， 2022， 65（11）： 335.
15	JIN R， CHEN W， SIMPSON T W. Comparative studies of metamodelling techniques under multiple modelling criteria［J］. Structural and Multidisciplinary Optimization， 2001， 23（1）： 1-13.
16	LIU B， SUN N， ZHANG Q F， et al. A surrogate model assisted evolutionary algorithm for computationally expensive design optimization problems with discrete variables［C］∥ 2016 IEEE Congress on Evolutionary Computation （CEC）. Piscataway： IEEE Press， 2016： 1650-1657.
17	HOLMSTRÖM K， QUTTINEH N H， EDVALL M M. An adaptive radial basis algorithm （ARBF） for expensive black-box mixed-integer constrained global optimization［J］. Optimization and Engineering， 2008， 9（4）： 311-339.
18	ZHENG L， YANG Y P， FU G Q， et al. A surrogate-based optimization method with dynamic adaptation for high-dimensional mixed-integer problems［J］. Swarm and Evolutionary Computation， 2022， 72： 101099.
19	MÜLLER J， SHOEMAKER C A， PICHÉ R. SO-MI： A surrogate model algorithm for computationally expensive nonlinear mixed-integer black-box global optimization problems［J］. Computers & Operations Research， 2013， 40（5）： 1383-1400.
20	JIAO R W， ZENG S Y， LI C H， et al. A complete expected improvement criterion for Gaussian process assisted highly constrained expensive optimization［J］. Information Sciences， 2019， 471： 80-96.
21	JONES D R， SCHONLAU M， WELCH W J. Efficient global optimization of expensive black-box functions［J］. Journal of Global Optimization， 1998， 13（4）： 455-492.
22	PENG L， LIU L， LONG T， et al. Sequential RBF surrogate-based efficient optimization method for engineering design problems with expensive black-box functions［J］. Chinese Journal of Mechanical Engineering， 2014， 27（6）： 1099-1111.
23	PENG L， LIU L， LONG T， et al. Truss structure satellite bus geometry-structure optimization involving mixed variables and expensive models using metamodel-based optimization strategy［C］∥ Proceedings of the 15th AIAA/ISSMO Multidisciplinary Analysis and Optimization Conference. Reston： AIAA， 2014.
24	韩忠华. Kriging模型及代理优化算法研究进展［J］. 航空学报， 2016， 37（11）： 3197-3225.
	HAN Z H. Kriging surrogate model and its application to design optimization： a review of recent progress［J］. Acta Aeronautica et Astronautica Sinica， 2016， 37（11）： 3197-3225 （in Chinese）.
25	韩忠华，许晨舟，乔建领，等. 基于代理模型的高效全局气动优化设计方法研究进展［J］. 航空学报， 2020， 41（5）： 623344.
	HAN Z H， XU C Z， QIAO J L， et al. Recent progress of efficient global aerodynamic shape optimization using surrogate-based approach［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（5）： 623344 （in Chinese）.
26	YU X B， DUAN Y C， LUO W G. A knee-guided algorithm to solve multi-objective economic emission dispatch problem［J］. Energy， 2022， 259： 124876.
27	HALSTRUP M. Black-box optimization of mixed discrete-continuous optimization problems［D］. Dortmund： TU Dortmund University， 2016.
28	DATTA D， FIGUEIRA J R. A real-integer-discrete-coded differential evolution［J］. Applied Soft Computing， 2013， 13（9）： 3884-3893.
29	叶年辉，胡少青，李宏岩，等. 考虑性能及成本的固体火箭发动机多学科设计优化［J］. 推进技术， 2022， 43（7）： 75-84.
	YE N H， HU S Q， LI H Y， et al. Multidisciplinary design optimization for solid rocket motor considering performance and cost［J］. Journal of Propulsion Technology， 2022， 43（7）： 75-84 （in Chinese）.
30	鲍福廷，侯晓. 固体火箭发动机设计［M］. 北京：中国宇航出版社，2016.
	BAO F T， HOU X. Solid rocket motor design ［M］. Beijing： China Astronautic Publishing House， 2016 （in Chinese）.
31	WU Z P， WANG D H， ZHANG W H， et al. Solid-rocket-motor performance-matching design framework［J］. Journal of Spacecraft and Rockets， 2017， 54（3）： 698-707.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

算例	理论最优解	问题维度	离散变量数量	约束规模
CF	0	8	4	0
Nvs	-43.130 0	10	5	0
Rast12	-12.000 0	12	5	0
Ex	0	5	2	5
Aex	N.A.	5	2	3
G10	7 049.248 0	8	3	6
G7	24.306 2	10	5	8
G1	-15.000 0	13	5	9
SR	-0.999 9	8	4	3
GTCD4	4 354 548.310 0	4	2	1
CPSD1	4.579 5	7	4	9
CPSD2	2.000 0	2	1	2
CPSD3	1.076 5	3	1	3
PVD	5 850.383 7	4	2	4
GPO	-75.134 1	3	1	2

方法	指标	CF	Nvs	Rast12	Ex	Aex	G10	G7
SMDK⁃DC	Mean	0.164 3	-42.052 5	-10.649 4	0	-9.498 4	16 231.066 7	76.471 2
	STD	0.071 9	0.073 6	0.751 1	0	0.392 3	3 202.318 6	13.987 8
	Best	0.097 9	-42.081 8	-11.977 4	0	-9.951 3	12 229.000 0	49.865 8
	Worst	0.286 3	-41.826 8	-9.033 9	0	-8.927 1	22 767.000 0	98.740 3
	NF	0	0	0	0	0	0	0
SOMI	Mean	0.564 4	-41.717 3	-10.635 4	0	-9.414 4	18 135.266 6	78.135 9
	STD	0.049 0	0.379 9	0.081 7	0	0.106 9	8.421 6	7.553 5
	Best	0.432 0	-42.022 0	-10.824 4	0	-9.542 1	18 118.000 0	63.079 8
	Worst	0.647 0	-40.607 8	-10.553 1	0	-9.163 2	18 144.000 0	89.537 7
	NF	0	0	0	0	0	0	0
EGO	Mean	0.170 4	-42.081 8	-7.600 3	1.773 8	-6.459 9	21 708.533 3	1 619.445 1
	STD	0.178 5	0	1.015 1	1.983 9	2.064 0	3 287.223 5	679.034 2
	Best	0.012 6	-42.081 8	-9.938 0	0	-9.589 9	15 026.000 0	315.578 8
	Worst	0.529 4	-42.081 8	-6.237 8	6.010 5	-3.579 5	26 888.000 0	2 875.478 1
	NF	0	0	0	0	0	0	0
NOMAD	Mean	0.004 1	-42.081 3	-10.286 4	0	-9.676 2		217.932 1
	STD	0.008 0	0.001 9	1.994 4	0	0.210 7		253.757 2
	Best	0	-42.081 8	-11.979 5	0	-9.920 0		49.504 6
	Worst	0.023 6	-42.074 3	-5.320 4	0	-9.078 5		1 042.719 9
	NF	0	0	0	0	0	30	2

方法	指标	G1	SR	GTCD4	CPSD1	CPSD2	CPSD3	PVD	GPO
SMDK-DC	Mean	-12.978 6	-0.998 8	4 429 874.487 2	6.860 0	2.000 4	1.130 9	6 317.632 9	-75.116 6
	STD	0.822 1	0.001 8	59 326.083 3	0.667 4	0.000 5	0.040 8	170.195 6	0.047 6
	Best	-13.822 5	-0.999 9	4 357 164.732 9	6.127 0	2.000 0	1.090 2	6 000.755 8	-75.134 1
	Worst	-11.226 3	-0.993 1	4 600 230.010 7	8.436 3	2.002 0	1.250 0	6 625.796 8	-74.950 4
	NF	0	0	0	0	0	0	0	0
SOMI	Mean	-12.663 5	-0.988 6	6 083 668.098 0	7.405 2	2.489 9	1.247 9	6 493.021 1	-73.912 4
	STD	1.144 6	0.013 3	399 536.459 3	1.167 5	0.297 3	0.046 8	338.271 0	0.601 9
	Best	-14.906 8	-0.999 5	4 680 695.857 9	5.288 7	2.022 5	1.173 6	6 100.222 3	-74.816 0
	Worst	-11.506 8	-0.954 9	6 302 160.672 0	8.858 2	2.930 9	1.309 3	7 200.120 5	-72.976 9
	NF	0	0	0	0	0	0	0	0
EGO	Mean	-4.890 5	-0.981 0	6 091 630.366 1	7.301 3	2.376 1	1.277 1	10 727.439 3	-70.405 5
	STD	1.718 8	0.012 1	1 113 100.380 2	0.969 4	0.345 5	0.068 0	3 384.766 7	3.497 3
	Best	-8.399 0	-0.997 0	4 446 783.893 2	5.102 2	2.030 7	1.143 0	6 186.233 4	-75.115 9
	Worst	-2.316 3	-0.955 3	7 488 842.392 8	9.052 5	3.189 8	1.350 0	19 035.347 3	-64.310 0
	NF	2	0	0	0	0	0	0	0
NOMAD	Mean	-8.759 6	-0.998 1	5 628 727.136 4	5.542 4	2.015 7	1.180 8	6 345.940 3	-75.115 1
	STD	0	0.001 3	1 821 853.661 6	0.977 4	0.061 0	0.087 7	361.101 6	0.027 1
	Best	-8.759 6	-0.999 8	4 356 376.928 9	4.597 0	2.000 0	1.076 5	6 157.843 0	-75.133 4
	Worst	-8.759 6	-0.997 0	9 126 867.722 6	7.952 3	2.236 1	1.250 0	7 283.177 1	-75.051 8
	NF	28	0	0	0	0	0	2	0

[1]	于汀, 李璐祎, 刘昱杉, 常泽明. 观测不确定性下的高效贝叶斯更新方法及其在机翼结构中的应用[J]. 航空学报, 2023, 44(24): 228592-228592.
[2]	叶年辉, 龙腾, 武宇飞, 唐亦帆, 史人赫. 基于Kriging代理模型的约束差分进化算法[J]. 航空学报, 2021, 42(6): 324580-324580.
[3]	龙腾, 毛能峰, 史人赫, 武宇飞, 沈敦亮. 考虑高耗时约束的追峰采样智能探索方法[J]. 航空学报, 2021, 42(4): 525060-525060.
[4]	石循磊, 张继文, 刘顺涛, 陈恳. 基于Kriging模型插值的孔位修正策略[J]. 航空学报, 2020, 41(9): 423499-423499.
[5]	彭珍瑞, 曹明明, 刘满东. 基于加速度频响函数小波分解的模型修正方法[J]. 航空学报, 2020, 41(7): 223548-223548.
[6]	史朝印, 吕震宙, 李璐祎, 王燕萍. 基于自适应Kriging代理模型的交叉熵重要抽样法[J]. 航空学报, 2020, 41(1): 223123-223123.
[7]	周苏婷, 吕震宙, 凌春燕, 王燕萍. 可靠性全局灵敏度求解的Meta-IS-AK算法[J]. 航空学报, 2020, 41(1): 223088-223088.
[8]	李宝玉, 张磊刚, 裘群海, 余雄庆. 基于Kriging模型梯度解析解的改进一次二阶矩方法[J]. 航空学报, 2019, 40(5): 222629-222629.
[9]	王超, 高正红, 张伟, 夏露, 黄江涛. 自适应设计空间扩展的高效代理模型气动优化设计方法[J]. 航空学报, 2018, 39(7): 121745-121745.
[10]	韩少强, 宋文萍, 韩忠华, 王乐. 基于梯度增强型Kriging模型的气动反设计方法[J]. 航空学报, 2017, 38(7): 120817-120817.
[11]	樊重庆, 吕震宙. 基于模糊Hausdorff距离的多输出全局灵敏度分析方法[J]. 航空学报, 2017, 38(10): 220870-220870.
[12]	赵海龙, 岳珠峰, 刘伟. 矩独立重要性分析的Kriging代理模型方法[J]. 航空学报, 2016, 37(7): 2234-2241.
[13]	宋超, 杨旭东, 宋文萍. 耦合梯度与分级Kriging模型的高效气动优化方法[J]. 航空学报, 2016, 37(7): 2144-2155.
[14]	刘志勇, 苗磊, 陶洋, 张诣, 王树民. 基于Kriging模型的风洞应变天平静态校准方法[J]. 航空学报, 2016, 37(12): 3685-3691.
[15]	韩忠华. Kriging模型及代理优化算法研究进展[J]. 航空学报, 2016, 37(11): 3197-3225.

基于样本映射与动态Kriging的飞行器离散连续优化方法

Kriging?based mixed?integer optimization method using sample mapping mechanism for flight vehicle design

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 31

相关文章 15

编辑推荐

Metrics

本文评价