高效的气动优化设计方法对于提升小型无人飞行器翼型的气动性能具有重要的价值。针对CFD分析成本较大的问题,提出了基于CFD收敛提前终止和变复杂度模型的两级气动优化方法。在第一级优化中,分别将CFD收敛提前终止和CFD完全收敛的数据作为低、高精度样本建立变复杂度模型。采用多岛遗传算法基于变复杂度模型进行全局优化。第二级优化中,以第一级全局最优解为初值,采用Hooke-Jeeves算法直接基于CFD完全收敛分析进行优化,从而得到局部更精确的解。采用该方法对小型无人飞行器的翼型进行了气动优化设计,并与基于单一精度Kriging代理模型的EGO方法进行了对比。结果表明,文中所提的两级气动优化方法所需的优化耗时更少。

传统气动优化设计需要大量CFD分析,而代理优化(SBO)方法能够有效降低CFD分析次数,但该方法并没有改变单次CFD分析时间。提出一种基于本征正交分解—反向传播神经网络(POD-BPNN)模型的热启动策略,并应用于气动代理优化。使用POD-BPNN模型对SBO中的初始样本建立从几何设计变量到流场数据的预测模型;在SBO迭代过程中,使用该模型预测新样本的流场,并将其作为CFD分析的初场,进行热启动计算,获得新样本的数据;添加新样本数据到POD-BPNN建模样本并更新模型,直到优化结束,通过案例对该策略进行对比验证。结果表明在跨声速翼型减阻优化设计中,基于POD-BPNN的热启动策略使得单次CFD计算时间降低68%,SBO的效率整体提升37%。