摘要：[目的]共同结构规范(CSR)要求下的船舶强框架结构优化存在约束条件多、计算耗时、可行性判断复杂的特点。应用静态代理模型辅助优化算法求解该问题时,因其关注的是模型的整体预测精度,故在样本容量较小的情况下无法保证关键区域的模型预测精度。针对该问题,提出基于序贯代理模型辅助遗传算法的强框架优化方法。[方法]首先,分析CSR对强框架结构的约束要求,根据约束类型,将原始的675条约束缩减为2条积极约束,再对目标函数和约束函数建立代理模型。然后,基于可行性准则,利用遗传算法对代理模型进行优化求解,得到优化解后,计算优化解的真实响应并更新代理模型,再利用期望可行性函数(EFF)准则更新约束代理模型,提高代理模型在约束边界上的精度,如此迭代求解多次,最终得到满足约束条件的全局最优解。[结果]强框架优化结果显示,所提序贯代理模型算法能够在相同,甚至更少的计算资源下得到优于基于静态代理模型优化算法的优化解,最终实现设计区域减重达15.55%。[结论]提出的序贯代理模型算法显著优于静态代理模型算法,在复杂约束下的船舶结构优化问题上有着较好的应用价值。

摘要：工程实践中存在着各种不确定性因素,影响着工程结构的安全运行。结构可靠性分析以失效概率的形式考虑了不确定性的影响,可为结构的安全设计提供指导。然而,失效概率的评估往往涉及昂贵功能函数的调用,导致难以负担的计算成本。为解决该问题,基于Kriging模型的可靠性分析法在近年来受到了广泛的关注。该方法以训练良好的Kriging模型近似真实功能函数,从而在失效概率的计算中达到减少功能函数评价次数的目的。本文在主动学习Kriging模型的框架下,提出了基于两阶段局部抽样策略的结构可靠性分析法,以提高失效概率的估计精度和计算效率。在该方法中,Kriging模型的训练样本以两阶段局部抽样的方式从候选样本池中被逐渐添加。第一阶段以输入变量的均值点为抽样中心,利用概率密度函数确定抽样区域。当所估计失效概率满足基于置信区间的阶段划分阈值时,则开始第二阶段的局部抽样。第二阶段则以最可能失效点为抽样中心,以目标可靠度和功能函数的非线性度确定抽样区域。应用案例表明:所提方法能平衡有效抽样区域的全局探索和局部搜索,实现高精度失效概率估计的同时提高计算效率。