计算机工程

作者：安畅, 毛力

单位：1. 江南大学人工智能与计算机学院, 江苏 无锡 2141222. 江南大学先进技术研究院, 江苏 无锡 2141223. 江苏省模式识别与计算机智能工程实验室, 江苏 无锡 214122

关键词：优化算法,迁移学习,代理辅助优化,船型设计,计算流体力学

基金：船舶总体性能创新研究开放基金(26322209)

在昂贵目标函数的代理辅助优化中，获取足量样本在流体仿真中会相当耗时。为了减少所需样本量并提高问题的求解性能，提出了一种基于迁移学习双代理辅助的船型优化算法(TLDSAO)。首先，在代理构建阶段采用了迁移学习来辅助建模，利用迁移源域知识到目标域来减少对船型样本数量的需求。其次，针对样本数据构建了粗代理模型和细代理模型，用以进行双代理的辅助优化，该过程通过引入外部公共池来进行双代理间种群信息的交换，以提高优化算法的搜索性能。最后，将TLDSAO算法应用在KCS的船型优化实验上，实验结果表明在相同样本量下，迁移学习的加入显著提高了代理模型的准确性，在达到相同精度的情况下相比未加入迁移学习时能减少约1/2的样本量。通过TLDSAO算法最终使得KCS的总阻力系数降低了10.85%，预测误差为2.93%，相较于同条件下的3种对比方法其优化结果进一步减少了0.61%、6.11%和1.56%，并且对比方法在增加40个样本后的效果才接近未增加样本的TLDSAO算法。因此，即使在更少样本量下，TLDSAO算法也能获得更优的解和更低的预测误差。

来源：2025年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第9期