基于支持向量机的船舶阻力近似模型

肖振业+冯佰威+刘祖源+常海超+王峰

摘要： 为检验支持向量机（Support Vector Machine，SVM）理论构建船舶阻力近似模型的可行性，以国际标准船舶模型KCS为研究对象，采用均匀试验设计方法在船型参数空间内选取样本点；用SHIPFLOW对样本点进行数值模拟，产生样本集；利用SVM理论建立船舶总阻力的近似模型，并与神经网络建立的近似模型进行对比.结果表明SVM近似模型具有较好的预测精度和可推广能力.

关键词： 船舶阻力； 近似模型； 支持向量机； 神经网络； 均匀试验设计； 径向基插值

中图分类号： U661.311文献标志码： B

Abstract： To check the feasibility of building ship resistance approximation model by Support Vector Machine（SVM） theory， the international standard ship model KCS is taken as the research object， the sample points in ship type parameter space are selected by uniform test design method； the sample set is generated by the numerical simulation on the sample points using SHIPFLOW； the approximate model of the total resistance of ship is built by SVM theory and compared with the approximate model which is built by neural network. The results show that the SVM approximation model has better prediction accuracy and generalization ability.

Key words： ship resistance； approximation model； support vector machine； neural network； uniform test design； radial basis interpolation

收稿日期： 2014[KG*9〗04[KG*9〗09修回日期： 2014[KG*9〗05[KG*9〗15

作者简介： 国家自然科学基金重点项目（51039006）；国家自然科学基金（51279147，51179143）

作者简介： 肖振业（1990—），男，山东潍坊人，硕士研究生，研究方向为船舶多学科设计优化，（Email）marine0318@126.com；

冯佰威（1974—），男，辽宁锦州人，副教授，博士，研究方向为船舶多学科设计优化，（Email）fengbaiwei@126.com0引言

多学科设计优化（Multidisciplinary Design Optimization，MDO）是一种协调复杂系统中相互作用的有效方法，近年来在船舶性能优化方面取得很好的应用效果.[1]由于受各学科仿真计算量和学科间耦合关系等因素的影响，优化过程出现计算周期长、工作量大等问题.解决这一问题的有效途径之一是采用近似模型，即在保证精度的前提下，寻找近似模型替代精度较高的仿真模型，以达到减小计算量、提高优化效率的作用.

目前，常用的近似模型有响应面（Response Surface Methodology， RSM）模型[2]、Kriging模型[3]、径向基（Radial Basis Functions， RBF）模型[4]和人工神经网络（Artificial Neural Network， ANN）模型[5]等.

传统近似模型方法受样本点数量的影响，增加样本点的数量可以提高近……