CN114912195B - 一种商用车空气动力学序列优化方法 - Google Patents

Abstract

本发明公开了一种商用车空气动力学序列优化方法，包括：构建待优化商用车的GTS简化商用车模型，分析影响空气动力学性能的主要参数，作为优化变量，采集样本，生成样本空间，并建立样本数据集；根据样本数据集，构建自适应组合代理模型，由径向基函数和Kriging模型构成；采用POINTER优化求解器对自适应组合代理模型进行求解，得到最优值；判断自适应组合代理模型的模型精度是否达标，如果达标，则输出该最优值；如果没有达标，则利用序列优化算法，通过混合加点准则得到新的样本；将新的样本加入样本数据集，重复构建代理模型并求解。该方法可实现对商用车整体造型关键参数进行寻优计算，使商用车的风阻系数达到最小，有效提升了商用车的车辆减阻。

Description

一种商用车空气动力学序列优化方法

技术领域

本发明涉及汽车空气动力学仿真优化技术领域，特别涉及一种商用车空气动力学序列优化方法。

背景技术

目前全球二氧化碳排放主要来自能源活动，占总排放量的73％。其中，发热供电占30％，交通运输占16％，制造业和建筑业占12％。因此，降低商用车能源消耗已成为商用车主要发展方向。

当商用车在高速公路上以80km/h匀速行驶时，气动阻力所导致的燃油消耗占到了总能耗的50％以上，又由于车辆高速行驶、运输里程大等使用特点，运用空气动力学减小商用车气动阻力的意义重大，且节能减排效果非常可观。根据相关数据显示，改善商用车的空气动力学性能，可以减少12％的燃料使用。因此，降低商用车气动阻力对降低碳排放量有着相当重要的意义。

目前，对车辆减阻方式的研究主要针对一些具体的气动附加装置。且传统商用车空气动力学试验过多依赖附加气动装置，整体造型设计过于依赖设计师传统经验所得，进而导致空气动力学试验成本过高，时间线过长，影响经济效益，且难以找到最佳方案。商用车的气动减阻技术正从车身细部造型优化、气动附加装置向卡车整体造型优化的方向发展。

且现有商用车造型优化算法的最优值求解多采用单一智能优化算法，其存在不可避免的缺陷。例如，遗传算法寻优需要在初始阶段设置大量的关键参数，如果参数设置错误或者不当，整个优化过程便会失败。梯度下山算法则极其依赖初始点，且极易陷入局部最优。

因此，在现有商用车的气动减阻技术的基础上，如何提供一种针对商用车整体造型关键参数优化设计的方法，使其空气动力学风阻系数最小，并且大大节约设计成本，缩短设计周期，并且避免在优化过程中陷入局部最优，成为本领域技术人员亟需解决的问题。

发明内容

鉴于上述问题，本发明提出了一种至少解决上述部分技术问题的商用车空气动力学序列优化方法，该方法可在取少量样本点的情况下以商用车空气动力学风阻系数最小为优化目标，实现对商用车整体造型关键参数的寻优计算，可有效节约计算时间，简化计算流程，且具有良好的优化性能。

本发明实施例提供一种商用车空气动力学序列优化方法，包括如下步骤：

S1、构建待优化商用车的GTS简化商用车模型，分析所述GTS简化商用车模型影响空气动力学性能的主要参数，将所述主要参数作为优化变量；根据所述优化变量采集样本，生成样本空间，并建立样本数据集；

S2、根据所述样本数据集，构建自适应组合代理模型；所述自适应组合代理模型由径向基函数和Kriging模型构成；采用POINTER优化求解器对所述自适应组合代理模型进行求解，得到最优值；

S3、根据所述最优值，判断所述自适应组合代理模型的模型精度是否达到预设标准，如果达到所述预设标准，则输出所述自适应组合代理模型的最优值，所述最优值即为使所述待优化商用车的风阻系数达到最小值时的最优状态；如果没有达到所述预设标准，则执行步骤S4；

S4、利用序列优化算法，通过混合加点准则得到新的样本；将所述新的样本加入所述样本数据集，重复执行所述步骤S2～步骤S3。

进一步地，还包括：

S5、分别通过数值计算得到所述GTS简化商用车模型的气动阻力响应值，以及所述自适应组合代理模型的气动阻力响应值。

进一步地，所述步骤S1中，通过改进的拉丁超立方抽样生成所述样本空间；所述改进的拉丁超立方抽样中样本x_i，x_j之间的距离d_ij通过如下公式表达：

上式中，m为样本量；t为可选正整数。

进一步地，所述步骤S2中，所述径向基函数由RBF神经网络构成；所述RBF神经网络的学习过程包括：无监督学习阶段和监督学习阶段；所述无监督学习阶段根据所述样本空间，利用聚类分析计算中心数，利用K近邻法求出样本偏差；所述监督学习阶段将所述样本空间经基函数转换后，映射到高维空间，通过线性回归计算输出之间的权重。

进一步地，所述步骤S2中，所述POINTER优化求解器集成线性拟合、序列二次规划、梯度下山算法和遗传算法四种核心算法，根据所述自适应组合代理模型的优化精度指标，自动切换核心算法。

进一步地，所述步骤S3中，所述自适应组合代理模型的模型精度由全局精度评价和局部精度评价生成；所述全局精度评价采用均方根值RMSE和决定系数R²评价所述自适应组合代理模型的精度；所述局部精度评价采用绝对最大误差MAE表达评价所述自适应组合代理模型的精度。

进一步地，所述均方根值RMSE和决定系数R²分别通过下式表达：

上式中，y_i为第i个样本的实际气动阻力响应值；

为所有样本的气动阻力响应值的均值；/>

为所述自适应组合代理模型中的第i个样本的预测值；n为样本量。

进一步地，所述绝对最大误差MAE表达通过下式表达：

上式中，y_i为第i个样本的实际气动阻力响应值；

为所述自适应组合代理模型中的第i个样本的预测值。

进一步地，所述步骤S4中，混合加点准则包括：局部加点准则和全局加点准则；所述局部加点准则将所述自适应组合代理模型的最优值以及所述最优值对应的优化变量作为新的样本加入所述样本数据集；所述全局加点准则采用交叉验证-泰森图解采样。

进一步地，所述交叉验证-泰森图解采样利用泰森图解法划分所述样本空间，生成多个空间，每个空间只存在一个样本点，且所述每个空间内的点到其对应的样本点的距离最近，位于空间边缘的点到其两侧最近样本点的距离相等。

进一步地，所述交叉验证-泰森图解采样采用交叉验证对所述每个空间及其对应的样本点进行误差评价。

进一步地，所述交叉验证-泰森图解采样获取误差最大的空间内距离中心样本点最远的点对应的优化变量；将所述优化变量作为新的样本加入所述样本数据集。

进一步地，所述自适应组合代理模型的预测精度采用预测平方和PRESS作为响应，使用CV交叉验证进行计算。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明实施例提供的一种商用车空气动力学序列优化方法，包括：构建待优化商用车的GTS简化商用车模型，分析影响空气动力学性能的主要参数，作为优化变量，采集样本，生成样本空间，并建立样本数据集；根据样本数据集，构建自适应组合代理模型，由径向基函数和Kriging模型构成；采用POINTER优化求解器对自适应组合代理模型进行求解，得到最优值；判断自适应组合代理模型的模型精度是否达标，如果达标，则输出该最优值；如果没有达标，则利用序列优化算法，通过混合加点准则得到新的样本；将新的样本加入样本数据集，重复构建代理模型并求解。该方法可在取少量样本点的情况下以商用车空气动力学风阻系数最小为优化目标，实现对商用车整体造型关键参数的寻优计算，可有效节约计算时间，简化计算流程，且具有良好的优化性能。有效提升商用车的车辆减阻，大大节约了商用车的设计成本，缩短设计周期，提高商用车设计效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的商用车空气动力学序列优化方法流程图；

图2为本发明实施例提供的整体流程图；

图3为本发明实施例提供的改进的GTS简化商用车模型图；

图4为本发明实施例提供的RBF神经网络的学习过程图；

图5为本发明实施例提供的CV-Voronoi采样方法示意图；

图6为本发明实施例提供的二维泰森多边形示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供一种商用车空气动力学序列优化方法，参照图1所示，包括如下步骤：

S1、构建待优化商用车的GTS简化商用车模型，分析GTS简化商用车模型影响空气动力学性能的主要参数，将主要参数作为优化变量；根据优化变量采集样本，生成样本空间，并建立样本数据集；

S2、根据样本数据集，构建自适应组合代理模型；自适应组合代理模型由径向基函数和Kriging模型构成；采用POINTER优化求解器对自适应组合代理模型进行求解，得到最优值；其中，该最优值包括：风阻系数(Cd)的最小值，以及这个Cd值所对应的12个优化变量的设计值。

S3、根据最优值，判断自适应组合代理模型的模型精度是否达到预设标准，如果达到预设标准，则输出自适应组合代理模型的最优值，最优值即为使待优化商用车的风阻系数达到最小值时的最优状态；如果没有达到预设标准，则执行步骤S4；

S4、利用序列优化算法，通过混合加点准则得到新的样本；将新的样本加入样本数据集，重复执行步骤S2～步骤S3。

本实施例提供的商用车空气动力学序列优化方法，构建了改进GTS空气动力学性能的组合代理模型，以风阻系数最小为优化目标，使用POINTER优化求解器进行优化，并使用混合加点准则补充数据库(样本数据集)，实现最优参数组合的GTS空气动力学性能智能优化方法。该方法可以在取少量样本点的情况下实现寻优计算，且适用于多变量高维样本空间的计算优化，节约计算时间，简化计算流程，且具有良好的优化性能。本方法对应的实际工程应用为针对求取商用车空气动力学风阻系数的最小值，提出了一套商用车整体造型关键参数优化设计方法，大大节约了设计成本，缩短了设计周期，提高了商用车设计效率。

下面以一个具体实际应用例子对本实施例提供的方法进行详细阐述：

参照图2所示，为整个方法的流程图。

1)首先构建改进的GTS简化商用车模型，使其更贴近实际商用车形式。分析该模型影响空气动力学性能的主要参数。通过改进的拉丁超立方抽样生成N组样本空间。

商用车造型参数的选择影响着其空气动力学性能。参照图3所示，选取了整车气动阻力作为优化对象，选取驾驶室高度z1，离地间隙z2，前保和前围部分长度x1，前悬长度x2，驾驶室卧铺及顶棚区域长度x3，驾驶室宽度y1，车门旋转角y2，A柱及顶棚边沿绕x轴倾斜角y3，顶棚边沿绕x轴旋转角y4，前围及前保部分绕y轴旋转的角度a，顶棚倾角b，共11个参数作为优化变量，基本覆盖了商用车车身部分全部基础结构参数。

采用改进的拉丁超立方抽样进行样本空间的搭建。拉丁超立方抽样具有均匀分层特性，且少量样本可以描述全局特征。改进的拉丁超立方进一步加强了原有采样方法的均匀性，使样本更具有空间代表性。若每个样本用x表示，那么整个样本空间为X＝[x₁,x₂,...,x_n]^T，总采样次数为n，那么第i次采样的样本为

改进的拉丁超立方采用φp准则，即改进的最大最小距离准则。样本x_i，x_j之间的距离d_ij可用如下公式表达：

上式中，m为样本量；t为可选正整数。φp准则则是将全部样本间距离按从小到大排序，将距离索引与样本距离结合表达样本间距的综合，用φp表达这个值，使φp最大，即每两个样本间均具有最大距离，保证现有样本在该空间内最为均匀且充斥空间。其中，φp的计算公式为：

式中，d_i为按从小到大顺序排列的样本间距离；J_i为距离原来位置的索引；p为给定的正整数，这里取2；s为总体样本量；i表示第几个样本。

其中，原来位置是指没有排序前样本i所在的位置。例如：原来样本{3,1,5,8,6}，排序后为{1,3,5,6,8}，对于索引，J应为{2,1,3,5,4}，意思是“1(J₁)”这个数字原来所在的位置是第二个，“3(J₂)”这个数字原来所在的位置是第一个，以此类推，本实施例不对其作赘余阐述。

改进的拉丁超立方具有更好的空间表达性与代表性，更便于后续自适应组合代理模型的构建。

该商用车第一次采样样本量为50，变量数为11，由此形成50*11的样本空间矩阵，用以计算。

2)通过数值计算改进的GTS简化商用车模型的空气动力学性能，得到气动阻力响应值Cd。此时，改进的GTS简化商用车模型的原型的Cd为0.4463(基础值)。通过改进的拉丁超立方抽样后，基于50个样本，最好的Cd为0.4057。其中，数值计算是指实际的流体仿真计算，计算出的数值是真实可信的，是指一组设计变量(优化变量)对应的气动阻力实际响应值。

3)根据样本数据库，构建自适应组合代理模型。

代理模型是指计算结果与高精度的模型的计算分析结果相似的近似模型，克服了复杂工程问题计算量大的缺点。而由于实际工程问题的复杂性，单一的代理模型难以描述具体情况，因此，组合代理模型应运而生。组合代理模型可以针对不同情况的实际工程问题选择不同的代理模型进行加权组合。比起单一代理模型，组合代理模型具有实用性高、精度高、预测准和高度稳健性等特点。

考虑到商用车空气动力学性能优化问题，选取两种无偏估计的代理模型构建自适应组合代理模型：径向基函数与Kriging模型。这两种模型为插值型模型，即模型全部过样本点，其在样本点处的预测误差为零，具有良好的无偏性。这种模型更适用于本商用车整体造型关键参数优化涉及的非线性问题。

其中，径向基函数即RBF函数，基本思想是将数据转化到高维空间，使其在高维空间线性可分。可用下面公式表达：

上式中，y_j为响应(指气动阻力响应值，不带下角标的Y泛指径向基函数的输出向量，y_j为输出向量的其中一个)，w_ij为权重，n为神经元个数，x为径向基函数的输入向量，||x-u_i||为输入向量与阈值向量之间的距离，u_i为阈值向量，这里阈值向量为中心向量，p为给定的正整数。

径向基神经网络是径向基函数的一种，径向基神经网络是两层神经网络结构，即隐藏层与输出层。隐藏层采用高斯函数，用下式表达：

上式中，u为中心数(中心向量)，σ为方差(高斯函数协方差)，x为输入向量。

RBF神经网络(指径向基神经网络)超参数采用自适应算法根据样本空间自动调整。其中，涉及的超参数包括中心数，中心偏差的处理方式，正则化参数，委员会数，原始数据预处理方法。其中，中心偏差的处理方式分为k-均值聚类的协方差(或是平均样本)到中心的距离。原始数据预处理方法分为原始数据、线性缩放、数据增强、数据降维共4种。

参照图4所示，RBF神经网络的学习过程可分为两个阶段，第一阶段为无监督学习，根据样本空间，利用聚类分析计算中心数，利用K近邻法求出样本偏差。第二阶段为监督学习，将样本空间经基函数转换后，映射到高维空间，通过线性回归计算输出之间的权重。其中，输出指RBF神经网络输出层的神经元，指将原有变量与响应映射到高维空间之后的值。

Kriging模型是一种估计方差最小的无偏估计模型，具有局部估计特征，且相关函数的连续性和可导性较好，在解决非线性程度较高的问题时能取得比较理想的拟合效果。可用下式表达：

其中

上式中，R为数据点之间的协方差，Y为数据点的目标值，F为数据点的基函数矩阵，f(x)为未知点的基函数矩阵，m为样本量，γ为相关常数矩阵。

每一个自适应组合代理模型都需要评价其模型精度。采取全局精度评价与局部精度评价两种方法。全局精度评价即采用均方根值RMSE和决定系数R²评价模型样本的精度，可用下式表达：

局部精度评价则采用绝对最大误差MAE表达评价模型样本的精度，如下式：

上式中，y_i为第i个样本的实际气动阻力响应值；

为所有样本的气动阻力响应值的均值；/>

为自适应组合代理模型中的第i个样本的预测值(指第i个样本的变量带入自适应组合代理模型中计算出来的值，为代理模型所给出的气动阻力估计值)；n为样本量。

R²的值小于等于1，其值越趋近于1，表明代理模型和真实模型近似度越高，越能最为直观的表现出代理模型在全局的预测能力。对于RMSE来说，其数值越小，代表全局预测精度越高。与RMSE同理，MAE越小，代表代理模型的局部预测精度越高。

自适应组合代理模型可用下式表达：

上式中，ω_i为自适应组合代理模型的权重系数；N为单个代理模型的个数，这里将两种代理模型相组合，因此N为2，如果将3种代理模型组合，那么N为3。

一般而言，单一代理模型的预测精度越高，其对应的权系数w越大。

评价代理模型的预测精度方法采用模型的预测平方和PRESS作为响应，使用CV交叉验证进行计算。即将样本数据集随机分为k个包，每次将其中一个包做为测试集，剩下k-1个包做为训练集进行训练，进行计算。这里使用留一法，即LOO交叉验证。当数据库有N个样本时，除了第i个点，其他所有样本点均用来构建代理模型，i作为测试集，对应的预测误差为

则预测平方和PRESS为

单一代理模型的预测平方和PRESS简写为P，那么利用反比例法求得自适应组合代理模型的权重系数ω_i可表达为：

上式中，i为自适应组合代理模型中某一种代理模型；j为自适应组合代理模型中另一种代理模型；N为单个代理模型的个数。例如，一共选取了三种代理模型A,B,C，它们的PRESS分别为1,2,3；那么对于模型A而言，其所对应的ω_i为1/(1+0.5+0.33)，以此类推，本实施例不对其作赘余阐述。

4)利用优化算法求得自适应组合代理模型的最优值。

单一智能优化算法存在不可避免的缺陷。例如，遗传算法寻优需要在初始阶段设置大量的关键参数，如果参数设置错误或者不当，整个优化过程便会失败。梯度下山算法极其依赖初始点，且极易陷入局部最优。

采用POINTER优化求解器进行优化求解，可以避免单一优化算法的弊端。该优化求解器集成线性拟合、序列二次规划、梯度下山法与遗传算法四种核心算法，根据优化精度指标，自动切换技术(自动切换上述四种核心算法中的其中一种算法)，且只要运行，就会继续尝试寻找更好的解决方案。POINTER优化求解器能够处理高度非线性的问题，适用于高维设计空间。

基于50个样本构建自适应组合代理模型，第一次优化结束，根据自适应组合代理模型给出的最优设计，气动阻力响应值实际仿真计算结果为0.3692，相比基础值，第一次优化结果降低了17.3％，相比改进拉丁超立方给出的最优解，优化降低了9.0％。说明第一次优化循环有效。此时，自适应组合代理模型的RMSE为0.1628，R²为0.8104，虽然RMSE满足经验小于0.2的需求，但显然R²不满足大于0.9的需求。

5)通过混合加点准则得到新的样本；将新的样本加入样本数据集。

考虑时间成本及计算时间，初始样本空间往往采用最小样本量，这会导致初始样本空间构建的自适应组合代理模型可能不满足实际精度需求，需要补充样本数据库，以不断增加代理模型的精度来寻找最优值。利用序列优化算法，相比于直接优化算法流程，序列优化算法在自适应组合代理模型构建后，利用加点准则得到新的样本加入样本数据库，以更新代理模型，提高代理模型的精度。可选地，加点准则可采用混合加点准则，即集合局部加点准则与全局加点准则。混合加点准则适用于组合代理模型，具有良好的通用性，提高全局与局部预测精度，从而节约计算成本。

局部加点准则操作简单，便于实现，并且可以引导优化算法加快收敛速度，具有较强的局部开发能力。采用的局部加点准则为最小化模型预测准则，即采用上一次循环的自适应组合代理模型输出的最优值以及该最优值对应的优化变量作为最优设计(作为局部最优点)，加入样本数据库内，更新构建自适应组合代理模型。即：

但由于实际工程问题具有高度非线性、多峰多谷等特点，初始设计空间难以覆盖全局，全局最优点易忽略，且局部加点准则易使优化算法陷入局部最优，因此需要全局加点准则的共同作用。全局加点准则探究样本设计空间中最优设计可能存在的区域，可提高代理模型的精度，使优化覆盖全局。采用的全局加点准则为交叉验证-泰森图解(CV-Voronoi)采样方法。

参照图5所示，CV-Voronoi采样方法为设定d维变量存在一组样本点X＝{x₁，x₂，…，x_n}，将n个样本组成的样本空间视为设计空间，利用泰森图解法划分设计空间，使其成为N个独立的设计空间，即样本设计空间为{R₁，R₂，…，R_n}，每个空间记为R_i，可表达为

R_i＝{x∈Ω|||x-x_i||₂＜||x-x_j||₂}，

j＝1，2，…，n，j≠i

每个R_i空间内仅存在一个样本点，且每个空间内的点到其对应的样本点距离最近，位于空间边缘的点到其附近两侧的样本点的距离相等。对每个空间R_i及其对应的样本点进行误差评价。采用交叉验证(CV)，可表达为：

i＝1,2,...,k

上式中，R_i为第i个样本所对应的设计变量的高维空间；f(R_i)为这个设计变量对应的响应值。

将每一个空间的误差按大小排序，其中，误差最大的空间视为敏感多边形，参照图6所示为二维泰森多边形示意图，即该空间内存在距离中心样本点最远的点，根据最大最小距离原则，选取该空间内距离中心样本点最远的点作为全局最优设计(全局最优点)。

在样本空间内根据混合加点法则，在每次循环中加入局部最优点与全局最优点，不断更新自适应组合代理模型，提高模型精度。

根据混合加点法则，在样本空间内加入两个点，样本空间扩充为52个样本。此时自适应组合代理模型的RMSE为0.1508，R²为0.8427。第二次优化循环，气动阻力响应值最优设计经流体仿真计算结果为0.3697。第三次循环自适应组合代理模型的RMSE为0.1488，R²为0.8627，气动阻力响应值最优设计经流体仿真计算结果为0.3678。第四次循环自适应组合代理模型的RMSE为0.1488，R²为0.8962，气动阻力响应值最优设计经流体仿真计算结果为0.3671。第五次循环自适应组合代理模型的RMSE为0.1465，R²为0.9102，气动阻力响应值最优设计经流体仿真计算结果为0.3669。第五次循环结果RMSE与R²均满足自适应组合代理模型的模型精度要求，停止循环，取此时仿真结果为最优解，相比于基础值，第五次循环结果降低了17.8％，相比改进拉丁超立方给出的最优解，优化降低了9.6％，相比于第一次优化结果降低了0.62％。

由此可得出，通过将自适应组合代理模型序列优化算法与数值计算相结合，可以显著改善商用车空气动力学性能，且仅用58组样本就描述了整个11维的设计空间，大大节约了计算时间和样本量，提高了商用车设计效率。

本实施例，对商用车进行空气动力学优化，不再着眼于商用车局气动附件，而是从整体造型入手寻求最优设计。通过本实施例提供的自适应组合代理模型的商用车空气动力学序列优化方法，构建了改进GTS空气动力学性能的组合代理模型，采用代理模型替代原模型的优化迭代过程，降低了初始样本空间构建的数据量，提升求解效率。原模型指用复杂的仿真流体计算来计算每一个车型的风阻系数，不同尺寸的车型分别计算风阻系数值，得到风阻系数与变量之间的关系，这样的计算复杂且耗费时间，计算成本很大。而本实施例对代理模型的自适应组合进行了改进，提升了代理模型描述数据空间的准确性。对优化流程的改进，增加了混合加点循环过程，加快了代理模型的动态更新，有针对性的加速模型收敛，减小模型误差，从而增加了代理模型的精确度。该方法提升了商用车空气动力学优化流程，大大节约了设计成本，缩短了设计周期，有限提高了商用车的设计效率。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种商用车空气动力学序列优化方法，其特征在于，包括如下步骤：

S1、构建待优化商用车的GTS简化商用车模型，分析所述GTS简化商用车模型影响空气动力学性能的主要参数，将所述主要参数作为优化变量；根据所述优化变量采集样本，生成样本空间，并建立样本数据集；

具体的，所述GTS简化商用车模型，选取整车气动阻力作为优化对象，选取驾驶室高度，离地间隙，前保和前围部分长度，前悬长度，驾驶室卧铺及顶棚区域长度，驾驶室宽度，车门旋转角，A柱及顶棚边沿绕轴倾斜角，顶棚边沿绕轴旋转角，前围及前保部分绕轴旋转的角度，顶棚倾角，共11个参数作为优化变量；

通过改进的拉丁超立方抽样生成所述样本空间；所述改进的拉丁超立方抽样中样本x_i，x_j之间的距离d_ij通过如下公式表达：

上式中，m为样本量；t为可选正整数；

改进的拉丁超立方采用φp准则，其中，φp的计算公式为：

式中，d_i为按从小到大顺序排列的样本间距离；J_i为距离原来位置的索引；p为给定的正整数，这里取2；s为总体样本量；i表示第几个样本；

S2、根据所述样本数据集，构建自适应组合代理模型；所述自适应组合代理模型由径向基函数和Kriging模型构成；采用POINTER优化求解器对所述自适应组合代理模型进行求解，得到最优值；

S3、根据所述最优值，判断所述自适应组合代理模型的模型精度是否达到预设标准，如果达到所述预设标准，则输出所述自适应组合代理模型的最优值，所述最优值即为使所述待优化商用车的风阻系数达到最小值时的最优状态；如果没有达到所述预设标准，则执行步骤S4；

S4、利用序列优化算法，通过混合加点准则得到新的样本；将所述新的样本加入所述样本数据集，重复执行所述步骤S2～步骤S3。

2.如权利要求1所述的一种商用车空气动力学序列优化方法，其特征在于，还包括：

S5、分别通过数值计算得到所述GTS简化商用车模型的气动阻力响应值，以及所述自适应组合代理模型的气动阻力响应值。

3.如权利要求2所述的一种商用车空气动力学序列优化方法，其特征在于，所述步骤S3中，所述自适应组合代理模型的模型精度由全局精度评价和局部精度评价生成；所述全局精度评价采用均方根值RMSE和决定系数R²评价所述自适应组合代理模型的精度；所述局部精度评价采用绝对最大误差MAE表达评价所述自适应组合代理模型的精度。

4.如权利要求3所述的一种商用车空气动力学序列优化方法，其特征在于，所述均方根值RMSE和决定系数R²分别通过下式表达：

上式中，y_i为第i个样本的实际气动阻力响应值；

为所有样本的气动阻力响应值的均值；/>

为所述自适应组合代理模型中的第i个样本的预测值；n为样本量。

5.如权利要求1所述的一种商用车空气动力学序列优化方法，其特征在于，所述步骤S4中，混合加点准则包括：局部加点准则和全局加点准则；所述局部加点准则将所述自适应组合代理模型的最优值以及所述最优值对应的优化变量作为新的样本加入所述样本数据集；所述全局加点准则采用交叉验证-泰森图解采样。

6.如权利要求5所述的一种商用车空气动力学序列优化方法，其特征在于，所述交叉验证-泰森图解采样利用泰森图解法划分所述样本空间，生成多个空间，每个空间只存在一个样本点，且所述每个空间内的点到其对应的样本点的距离最近，位于空间边缘的点到其两侧最近样本点的距离相等。

7.如权利要求6所述的一种商用车空气动力学序列优化方法，其特征在于，所述交叉验证-泰森图解采样采用交叉验证对所述每个空间及其对应的样本点进行误差评价。

8.如权利要求7所述的一种商用车空气动力学序列优化方法，其特征在于，所述交叉验证-泰森图解采样获取误差最大的空间内距离中心样本点最远的点对应的优化变量；将所述优化变量作为新的样本加入所述样本数据集。

Images