一种基于船型约束空间的样本点选取方法、系统及终端

技术领域

本发明属于船型优化技术领域，尤其涉及一种基于船型约束空间的样本点选取方法、系统及终端。

背景技术

目前，在船型优化领域所采用的样本点选取方法，如正交设计、拉丁方设计、均匀设计、sobol随机采样等，均没有考虑约束条件对设计空间的影响，这些样本点选取方法没有考虑约束条件的影响。

如果在采样阶段就可以得到均是满足船型约束的样本点，则有利于后续近似模型的构建和样本点的性能仿真，可节约计算成本，提高近似模型的精确度。为此，本论文开展基于船型约束空间的样本点选取方法研究。首先需要分析约束空间的形式，然后将可行样本点分布的空间边界提取出来，并将该空间边界用拟合的方法以数学函数的形式呈现出来；最后在船型约束边界内采样得到满足一定分布规律的样本点。

通过上述分析，现有技术存在的问题及缺陷为：现有的样本点选取方法均没有考虑约束条件对设计空间的影响，没有考虑约束条件的影响。

发明内容

针对现有技术存在的问题，本发明提供了一种基于船型约束空间的样本点选取方法、系统及终端，实现船型样本点采样均为符合约束的样本点。首先初步选取船型样本点，计算其静水力数据后根据船型约束条件判断出可行点和不可行点，然后依据这两类点判别并提取可行空间的边界点，将提取出的船型可行空间边界点通过拟合用函数形式将边界信息表达出来，最后基于约束空间填充方法利用该函数边界信息进行样本点的选取。为后续船型优化工作提供样本点。

本发明是这样实现的，一种基于船型约束空间的样本点选取方法，基于船型约束空间的样本点选取方法包括：

S1，利用均匀设计方法实现初始船型样本点生成，基于船型样本点完成相应船型的静水力数据计算；并根据船型约束条件判断出可行点和不可行点；

S2，使用机器学习中常用的K近邻(K-Nearest Neighbor,KNN)分类算法对边界点进行判断提取；

S3，基于S2中的边界点采用最小二乘法拟合出可行点和不可行点的边界信息，得到可行空间范围；

S4，对船型可行空间内的样本进行填充。

进一步，S2具体实现过程如下：

定义可行样本点集内任意数量点间关系或者不可行样本点集内任意数量点间关系为同类样本点，可行样本点与不可行样本点间关系为异类样本点。根据两两样本点间的欧氏距离：

首先计算出x的K个同类最近邻和x的K个异类最近邻，T

θ

进一步，S3使用最小二乘法进行拟合主要分为两个步骤：

1、根据输入样本数据点的变化趋势确定p(x)的具体形式；

2、按最小二乘法求得最小二乘解，采用最小二乘曲线拟合y＝p(x)的多项式形式为：

p

上式是关于x的n次多项式，通过给定的数据集(x

记

进一步，S4具体包括：首先在船型可行空间内随机生成第一个样本点，将该样本点选取到点集合中，从选取第二个点开始，需要满足每个新选取的点到点集合中全部已选点的最小距离最大化；按照下述规则，依次选取样本点直到点集合中船型样本点数量满足输入所需数量为止，最终得到船型可行空间内的样本点。

进一步，S4还包括：在划分后的可行空间内随机生成第一个样本点，将该样本点选取到点集合中，从选取第二个点开始，需要满足每个新选取的点到点集合中全部已选点的最小距离最大化；依次选取样本点直到点集合中样本点数量满足输入所需数量为止，记任意两点x,y间的最小距离为欧氏距离：

d(x,y)＝||x-y||

已经选取的前n个样本点分别为s

S

任意样本点x到点集合S

d(x,S

下一个要选取的样本点为：

s

最后按最大最小距离设计多次取点，即可填充满整个可行空间。

本发明的另一目的在于提供一种应用所述基于船型约束空间的样本点选取方法的基于船型约束空间的样本点选取系统，基于船型约束空间的样本点选取系统包括：

初始样本点生成模块，用于利用均匀设计方法实现初始船型样本点生成，基于船型样本点完成相应船型的静水力数据计算；并根据船型约束条件判断出可行点和不可行点；

边界点提取模块，用于使用机器学习中常用的K近邻(K-Nearest Neighbor,KNN)分类算法对边界点进行判断提取；

边界信息拟合模块，用于基于边界点采用最小二乘法拟合出可行点和不可行点的边界信息，得到可行空间范围；

样本填充模块，用于对船型可行空间内的样本进行填充。

本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于船型约束空间的样本点选取方法的步骤。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于船型约束空间的样本点选取方法的步骤。

本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的基于船型约束空间的样本点选取系统。

结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

第一，本发明提出了一种基于船型约束空间的样本点选取方法：首先分析船型约束空间分布的规律；然后将船型约束空间边界点提取出来，并将该船型设计空间边界用拟合的方法以数学函数的形式呈现出来；最后在船型约束空间内采样得到船型样本点。

本发明构建的Kriging近似模型的均方根误差比均匀试验设计构建的Kriging近似模型小27.2％，并且从交叉验证预报的情况来看，基于约束空间的样本点选取方法构建的近似模型预报的更准确。

第二，本发明的技术方案填补了国内外业内技术空白：目前，在船型优化领域所采用的样本点选取方法，如正交设计、拉丁方设计、均匀设计、sobol随机采样等，这些样本点选取方法没有考虑约束条件的影响。同时船型优化中构建近似模型所使用的样本点中存在不符合性能约束条件的样本点也会影响优化结果的可靠性，降低优化效率，所以在采样阶段就保证得到的样本点均满足性能约束条件成为新的需求。

第三，本发明显著的技术进步：

基于船型约束空间的样本点选取方法，通过初始样本点生成、静水力数据计算和约束条件判断，实现了对船型的可行点和不可行点的筛选。

使用KNN分类算法对边界点进行判断提取，提高了边界点的准确性和提取效率。

1.通过最小二乘法拟合可行点和不可行点的边界信息，确定了船型的可行空间范围。

引入智能化改进的技术方案，利用机器学习、深度学习等技术对信号和数据进行处理，提高了选取方法的智能化程度，进一步优化了样本点选取的结果。

这些技术进步使得本发明的样本点选取方法更加准确、高效，并具备智能化的特点，能够为船型设计等领域提供显著的技术改进。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于船型约束空间的样本点选取方法流程图；

图2是本发明实施例提供的基于船型约束空间的样本点选取结构示意图；

图3是本发明实施例提供的基于船型约束空间的样本点选取流程图；

图4是本发明实施例提供的边界样本点判别方法示意图；

图5是本发明实施例提供的均匀试验设计构建的近似模型预测精度分析图；

图6是本发明实施例提供的基于船型约束空间的样本点选取方法构建的近似模型预测精度分析图。

图7是本发明实施例提供的优化收敛图；

图8是本发明实施例提供的优化船与母型船横剖线型对比图；

图9是本发明实施例提供的基于约束空间的样本点选取优化船与均匀试验设计优化船横剖线型对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种基于船型约束空间的样本点选取方法、系统及终端，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的基于船型约束空间的样本点选取方法包括：

S1，利用均匀设计方法实现初始船型样本点生成，基于船型样本点完成相应船型的静水力数据计算；并根据船型约束条件判断出可行点和不可行点；

S2，使用机器学习中常用的K近邻(K-Nearest Neighbor,KNN)分类算法对边界点进行判断提取；

S3，基于S2中的边界点采用最小二乘法拟合出可行点和不可行点的边界信息，得到可行空间范围；

S4，对船型可行空间内的样本进行填充。

这个基于船型约束空间的样本点选取方法，主要利用机器学习和最小二乘法来获取并填充船型的可行空间。以下是详细的智能化方案以及信号和数据的处理过程：

S1：初始船型样本点生成和静水力数据计算：利用均匀设计方法，生成初始的船型样本点。每个样本点代表一个可能的船型设计。然后基于这些样本点完成相应船型的静水力数据计算。静水力数据可能包括船体的浮力、稳定性、阻力等。然后根据船型约束条件(如尺寸、载重、稳定性等)，判断每个样本点是可行点(满足约束条件)还是不可行点(不满足约束条件)。

S2：边界点判断提取：使用K-Nearest Neighbor(KNN)分类算法对船型样本点进行分类。具体来说，可以将可行点和不可行点视为两个不同的类别，然后使用KNN算法判断哪些点是边界点(即可行点和不可行点的分界线上的点)。

S3：边界信息拟合：基于S2中的边界点，采用最小二乘法拟合出可行点和不可行点的边界信息。这个边界信息定义了船型的可行空间范围。

S4：样本填充：在船型的可行空间内，进一步生成更多的样本点。这可以使用各种采样技术，如随机采样、拉丁超立方采样等。

在智能化改进方案中，可以考虑引入更先进的机器学习模型和优化技术。例如，可以使用支持向量机(SVM)或深度神经网络(DNN)替代KNN进行边界点的判断提取。这些模型可能会提供更精确的分类结果。此外，可以考虑使用优化算法(如遗传算法、粒子群优化等)来优化样本点的生成和填充，以更有效地探索船型的可行空间。

如图2所示，本发明实施例提供的基于船型约束空间的样本点选取系统包括：

初始样本点生成模块，用于利用均匀设计方法实现初始船型样本点生成，基于船型样本点完成相应船型的静水力数据计算；并根据船型约束条件判断出可行点和不可行点；

边界点提取模块，用于使用机器学习中常用的K近邻(K-Nearest Neighbor,KNN)分类算法对边界点进行判断提取；

边界信息拟合模块，用于基于边界点采用最小二乘法拟合出可行点和不可行点的边界信息，得到可行空间范围；

样本填充模块，用于对船型可行空间内的样本进行填充。

如图3所示，样本点选取方法具体包括：

1)首先利用均匀设计方法实现初始样本点生成，基于样本点完成相应船型的静水力数据计算；并根据约束条件判断出可行点和不可行点；

2)如图4所示，使用机器学习中常用的K近邻(K-Nearest Neighbor,KNN)分类算法对边界点进行判断提取，具体实现过程如下：

在船型性能约束条件下的船型优化设计空间中有两类点：可行样本点和不可行样本点，在此定义可行样本点集内任意数量点间关系或者不可行样本点集内任意数量点间关系为同类样本点，可行样本点与不可行样本点间关系为异类样本点。根据两两样本点间的欧氏距离：

首先计算出x的K个同类最近邻和x的K个异类最近邻，在此定义：T

在此定义：θ

3)基于步骤2)中的边界点采用最小二乘法拟合出可行点和不可行点的边界信息，得到可行空间范围，具体过程如下：

使用最小二乘法进行拟合主要分为两个步骤：1、根据输入样本数据点的变化趋势确定p(x)的具体形式；2、按最小二乘法求得最小二乘解。通常采用最小二乘曲线拟合y＝p(x)的多项式形式为：

p

公式(4)是关于x的n次多项式。根据最小二乘法的定义，就是要通过给定的数据集(x

记

则方程组(5)可以表示为：C

4)对船型可行空间内的样本进行填充。首先在船型可行空间内随机生成第一个样本点，将该样本点选取到点集合中，从选取第二个点开始，需要满足每个新选取的点到点集合中全部已选点的最小距离最大化；按照下述规则，依次选取样本点直到点集合中样本点数量满足输入所需数量为止，最终得到可行空间内的样本点，具体步骤如下：

在划分后的可行空间内随机生成第一个样本点，将该样本点选取到点集合中，从选取第二个点开始，需要满足每个新选取的点到点集合中全部已选点的最小距离最大化。按照下述规则，依次选取样本点直到点集合中样本点数量满足输入所需数量为止。记任意两点x,y间的最小距离为欧氏距离：

d(x,y)＝||x-y||

已经选取的前n个样本点分别为s

S

任意样本点x到点集合S

d(x,S

下一个要选取的样本点为

s

最后按最大最小距离设计多次取点，即可填充满整个可行空间。

本发明的应用实施例提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行基于船型约束空间的样本点选取方法的步骤。

本发明的应用实施例提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行基于船型约束空间的样本点选取方法的步骤。

本发明的应用实施例提供了一种信息数据处理终端，信息数据处理终端用于实现基于船型约束空间的样本点选取系统。

针对内河双尾散货船设计参数b_B、y_b、outy_b进行了总阻力优化。使用基于约束空间的样本点选取方法选取60个样本点，通过STAR-CCM+软件计算船模总阻力，然后构建Kriging近似模型并设置优化求解器，选用优化算法寻优，完成对该船的水动力性能线型优化研究。

基于船型约束空间的样本点选取方法与均匀试验设计构建的近似模型精度对比见表1，可见基于船型约束空间的样本点选取方法选取相同数量样本点构建的近似模型精度高于均匀试验设计。两种优化方法使用的优化算法为Multi-Island GA遗传算法，两种优化方法的优化效率对比见表2。可见基于约束空间的样本点选取方法优化时间极大缩短，迭代次数相同情况下优化效率极大提升，分析其原因为均匀试验设计方法优化时需要判断每步迭代样本点是否满足约束条件，这需要通过样本船体曲面变形后计算其静水力数据得到，而每次船体曲面变形都需要一定时间，经过3300次迭代后需要较长优化时间。而基于船型约束空间的样本点选取方法如前文所述，首先使用均匀试验设计采样500个样本并计算静水力，提取出可行空间边界点以及函数边界。

在构建完近似模型后，将该函数边界作为优化算法的约束条件，判断样本点变量组合是否满足约束，即基于约束空间的样本点选取方法只需优化前计算500个样本点的静水力就能满足后续优化约束的要求，所以优化算法寻优时间极大缩短。

表1两种样本点选取方法构建Kriging近似模型精度对比

表2两种样本点选取方法优化效率对比

整个优化过程收敛图如图1所示，可见总阻力在该优化算法迭代至3300次左右达到收敛。优化后得到的优化船与母型船的横剖线型对比如图2所示，可以发现优化船相比母型船首部线型底部更肥大，但是首部线型顶部更瘦窄。基于约束空间的样本点选取方法优化船与均匀试验设计优化船横剖线型对比如图3所示，可见该方法优化船的双尾间距比均匀试验设计优化船更大，首部舭部位置靠近船中方向更瘦窄，但靠近船首方向更肥大。两次优化船模阻力优化结果对比见表3，约束空间采样优化船的船模总阻力为13.75N，已知母型船的总阻力为14.225N，均匀试验设计优化船的船模总阻力为13.87N，对比可得优化船的船模总阻力较母型船降低了3.34％，较均匀试验设计优化船降低了0.87％。静水力数据对比见表4，优化船船模的排水体积较母型船增大了0.36％，较均匀试验设计优化船减小了0.03％。其浮心纵向位置较母型船向船尾方向移动了0.001m，较均匀试验设计优化船向船首方向移动了0.002m。其湿表面积较母型船减小了0.7％，较均匀试验设计优化船减小了0.2％。说明约束空间采样优化船型摩擦阻力降低了。

图7优化收敛图；图8优化船与母型船横剖线型对比图；图9基于约束空间的样本点选取优化船与均匀试验设计优化船横剖线型对比图。

表3船模阻力优化结果

表4静水力数据对比

本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。

为验证提出的基船型于约束空间的样本点选取方法可行性，将其与均匀试验设计进行对比，同时选出数量相同的样本点构建Kriging近似模型，并分析这两种样本点选取方法构建的近似模型的预报精度，说明基于约束空间的样本点选取方法的可行性。近似模型输入为三个设计参数见表1，输出为船模总阻力。

表1近似模型输入设计参数

基于均匀试验设计在上述三维设计参数中选取的部分样本点见表2，

表2基于约束空间的样本点选取方法选取的部分点

构建Kriging近似模型，使用均匀试验设计选出的60个样本点，计算其静水力数据后有40个样本点是符合约束的。使用对应的总阻力数据构建近似模型并从中选取10个符合约束的样本点作交叉验证，由于均方根误差能够评估预报值与真实值之间的偏差程度，因此一般选择均方根误差作为近似模型精度评判标准：

其中：a表示实际值，p表示预测值。

得到的均方根误差为0.1374，近似模型精度分析图如图5所示。

基于上述三维设计参数空间的约束空间选出的部分样本点见表3，

表3基于约束空间的样本点选取方法选取的部分点

构建Kriging近似模型，使用基于约束空间的样本点选取方法选出的60个样本点以及对应的总阻力数据构建并从中选取10个样本点作交叉验证，同样使用公式(12)的均方根误差作为近似模型预报精度的评判标准，得到的均方根误差为0.10003，近似模型精度分析图如图6所示。

上述两种样本点选取方法构建的Kriging近似模型精度指标见表4，基于约束空间的样本点选取方法构建的Kriging近似模型的均方根误差比均匀试验设计构建的Kriging近似模型小27.2％，并且从交叉验证预报的情况来看，基于约束空间的样本点选取方法构建的近似模型明显预报的更准确，选出的10个样本点预报结果也更为接近真实值，说明了基于约束空间的样本点选取方法的可行性。

表4两种样本点选取方法构建的Kriging近似模型预报精度对比

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。