本書聚焦飛行器高維全局氣動優(yōu)化設(shè)計領(lǐng)域的前沿理論與方法，從飛行器設(shè)計技術(shù)發(fā)展切入，闡述氣動外形設(shè)計的核心地位及空氣動力學(xué)的支撐作用；詳細(xì)分析CFD技術(shù)推動下高維氣動外形優(yōu)化設(shè)計面臨的多個關(guān)鍵技術(shù)瓶頸；重點解決基于代理模型的復(fù)雜氣動優(yōu)化設(shè)計面臨的高維大尺度設(shè)計空間全局尋優(yōu)計算復(fù)雜度高、收斂性差和易陷入局部最優(yōu)的難題，提出了有效的解決策略，包括基于自適應(yīng)設(shè)計空間的高效全局優(yōu)化設(shè)計、基于復(fù)雜變量分層協(xié)同的優(yōu)化設(shè)計、基于高維代理模型的氣動優(yōu)化設(shè)計，以及基于新型多可信度代理模型的優(yōu)化設(shè)計等新理論和新方法。本書內(nèi)容豐富，聚焦前沿，具有顯著的理論研究和工程實用價值。

更多科學(xué)出版社服務(wù)，請掃碼獲取。

2014.09-2020.07，工學(xué)博士，西北工業(yè)大學(xué)/航空學(xué)院，流體力學(xué) 2010.09-2014.07，工學(xué)學(xué)士，西北工業(yè)大學(xué)/教育實驗學(xué)院，飛行器設(shè)計與工程2023.01-至今，西北工業(yè)大學(xué)/航空學(xué)院/航空器設(shè)計工程系，翼型、葉柵空氣動力學(xué)國家重點實驗室，副教授，碩士生導(dǎo)師 2020.07-2022.12，中山大學(xué)/航空航天學(xué)院/宇航工程系，“百人計劃”助理教授，碩士生導(dǎo)師基于新型多可信度多項式混沌-Kriging模型的高維全局氣動優(yōu)化設(shè)計方法，國家自然科學(xué)青年基金擔(dān)任《空氣動力學(xué)學(xué)報》、《實驗流體力學(xué)》以及《Advances in Aerodynamics》等多個期刊青年編委；《飛行力學(xué)與氣動設(shè)計數(shù)智化研究所》常務(wù)副主任；《空氣動力學(xué)學(xué)報》“氣動/多學(xué)科不確定性量化與穩(wěn)健優(yōu)化設(shè)計” 專欄組稿專家；同時為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等多個國際期刊審稿人

目錄
前言
第1章 緒論 1
1.1 概述 1
1.2 基于代理模型的復(fù)雜氣動優(yōu)化設(shè)計方法發(fā)展現(xiàn)狀 3
1.2.1 基于代理模型的高維設(shè)計變量優(yōu)化設(shè)計方法 4
1.2.2 基于多可信度代理模型的優(yōu)化設(shè)計方法 7
第2章 飛行器氣動外形設(shè)計基礎(chǔ)技術(shù)研究 9
2.1 氣動特性數(shù)值模擬及分析方法 9
2.1.1 RANS數(shù)值方法驗證 9
2.1.2 邊界層轉(zhuǎn)捩數(shù)值模擬 12
2.2 外形參數(shù)化方法 21
2.2.1 基于解析函數(shù)控制的翼型外形參數(shù)化方法 22
2.2.2 基于多塊控制框的FFD 參數(shù)化方法 32
2.3 優(yōu)化搜索算法 34
2.3.1 標(biāo)準(zhǔn)粒子群算法 34
2.3.2 綜合學(xué)習(xí)粒子群優(yōu)化算法 36
2.3.3 函數(shù)測試 38
2.4 小結(jié) 40
第3章 基于自適應(yīng)設(shè)計空間的高效全局優(yōu)化設(shè)計理論及方法 41
3.1 設(shè)計空間大小的問題 41
3.1.1 設(shè)計空間尺度和維度的問題 41
3.1.2 氣動問題復(fù)雜度測試 41
3.2 傳統(tǒng)代理優(yōu)化設(shè)計方法的局限 52
3.3 基于自適應(yīng)設(shè)計空間擴(kuò)展的氣動優(yōu)化設(shè)計方法 60
3.4 基于有效設(shè)計空間減縮的氣動優(yōu)化設(shè)計方法 64
3.5 算例驗證 65
3.5.1 函數(shù)測試 65
3.5.2 翼型優(yōu)化算例測試 68
3.6 小結(jié) 72
第4章 基于復(fù)雜變量分層協(xié)同的優(yōu)化設(shè)計理論及方法 73
4.1 分層協(xié)同優(yōu)化設(shè)計理論及框架 73
4.2 復(fù)雜變量分層方法 76
4.3 空間分區(qū)的代理模型構(gòu)建方法 78
4.4 分層協(xié)同優(yōu)化算例 81
4.5 小結(jié) 87
第5章 基于高維代理模型的氣動優(yōu)化設(shè)計理論及方法 88
5.1 Kriging代理模型 88
5.1.1 模型基本原理 88
5.1.2 模型的擬合 90
5.1.3 模型參數(shù)的優(yōu)化 92
5.1.4 精度檢驗 93
5.2 非線性降維代理建模方法 94
5.2.1 基于核主成分分析的非線性降維方法 96
5.2.2 監(jiān)督式非線性降維代理建模方法 101
5.3 算例測試 103
5.3.1 高維函數(shù) 104
5.3.2 CRM機(jī)翼 105
5.4 基于代理模型的自適應(yīng)加點方法 108
5.4.1 最小化代理預(yù)測加點方法 110
5.4.2 期望改善加點方法 110
5.4.3 置信下界加點方法 114
5.4.4 算例測試 115
5.5 復(fù)雜氣動優(yōu)化算例測試 118
5.5.1 跨聲速無黏NACA0012翼型優(yōu)化 118
5.5.2 跨聲速RAE2822翼型優(yōu)化 120
5.5.3 跨聲速CRM機(jī)翼優(yōu)化 124
5.6 小結(jié) 131
第6章 基于新型多可信度代理模型的優(yōu)化設(shè)計理論及方法 132
6.1 PC-Kriging代理模型 132
6.2 新型自適應(yīng)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 高可信度函數(shù)的多可信度近似 136
6.2.3 多可信度PC-Kriging代理模型擬合 138
6.2.4 基于LOOCV-LAR的自適應(yīng)基函數(shù)選擇方法 141
6.3 自適應(yīng)多可信度序列抽樣技術(shù) 143
6.3.1 基于LOOCV-Voronoi-MSD的多可信度序列抽樣技術(shù) 144
6.3.2 一次性抽樣與序列抽樣的比較 146
6.4 代理模型精度測試 148
6.4.1 函數(shù)算例 150
6.4.2 RAE2822跨聲速翼型算例 157
6.5 基于多可信度代理模型的自適應(yīng)加點優(yōu)化技術(shù) 164
6.5.1 基于多可信度代理模型的自適應(yīng)加點優(yōu)化框架 164
6.5.2 變可信度EI加點策略 164
6.6 優(yōu)化算例測試 166
6.6.1 函數(shù)算例測試 166
6.6.2 氣動優(yōu)化應(yīng)用 169
6.7 小結(jié) 180
參考文獻(xiàn) 181