KCS船型的案例
【AIPOD案例操作教程】KCS船型優化
圖
20
KCS船型優化結果對比
AIPOD、競品算法與傳統算法中表現最好的Tsearch算法的優化歷程如圖21所示，結果表明，競品算法在優化效率和優化潛力表現上均落后于AIPOD，且bound-break能夠更好的輔助設計人員找到被忽略的高效設計區域。
圖
21
KCS船型優化歷程圖
競品算法與AIPOD船型優化結果分別如圖22、圖23所示。
圖22 競品算法優化結果云圖
圖23 AIPOD優化結果云圖
AIPOD更多詳細介紹及軟件試用，請點擊“AIPOD - 智能優化設計平臺”，前往查閱。試用無需申請license，下載軟件安裝后可直接免費試用30天。
展開 船型優化中如何選擇合適的優化策略
經檢查，更優方案的光順性良好，船體幾何合理，如下圖：
優化船型與原始船型對比
原始船型
優化船型
六、結 論
本文基于標模KCS船型進行了多種優化策略的嘗試，優化設置中同時考慮了優化效果和優化時間。由于工業設計中單個算例需要較為昂貴的仿真成本，因此在實際項目中，工程師能接受的優化樣本規模通常在百次左右。基于這一前提，遺傳算法無法發揮其優勢，得不到較好的優化結果。如果基于CAESES平臺進行優化，更優的優化設計策略為sobol Tsearch的組合。
在國家倡導的工業軟件自主化的大背景下，南京天洑軟件公司自研AIPOD優化產品體現出了其功能性與自主性的優勢。不僅僅可以幫助客戶在有限的時間內得到更優的設計方案，并且給予客戶更大的軟件自主開發權限。
AIPOD軟件現以面向客戶提供試用，如果感興趣請與我們聯系。
展開 采用Nelder-Mead Simplex算法約束排水體積的船型優化
在日常的船型優化項目中，通常需要對排水體積進行約束。如需在保證總排水體積不變的前提下變化船型，CAESES軟件中通過內置Nelder-Mead Simplex算法能夠很好地實現這一目標。
下面以KCS船的優化為例，對所采用的優化方法進行介紹：
參數化變形
以KCS船為參數化變形的對象，在球鼻艏及艉封板采用Delta shift方法，在船體的入流段和去流段采用FFD方法進行變形。
設計變量
共選定七個設計變量，其中bulb_dx，bulb_dz，ffd_DY1以及DY1_factor四個變量用于控制船體前部變形，余下的三個變量ffd_DY2，DY2_factor和transom_p2_Z用于控制船體后部變形。
排水體積的相關參數
參數Volume_new和Volume_old(52000m3)分別代表變形后的排水體積以及需要保持的目標排水體積，Volume_delta則代表兩者差值的絕對值。
優化設置
將優化分為兩個部分執行，首先通過Sobol算法，對控制船體后部變形的設計變量進行修改，然后通過Nelder-Mead Simplex算法對控制船體前部變形的設計變量進行自動取值（以排水體積變化最小為目標尋優），以確保排水體積不變。
展開 