Domain knowledge-driven decomposition-based large-scale optimization for ship cabin structures

算法：分解优化框架
输入：目标函数f(x)，设计变量个数 d
输出：最终优化解xi
1　设置迭代索引：i = 1，当前最优解：x0；
2　while 未达到停机准则 do
3　　使用某种准则生成并选择一个子集$ {s_i} \subset \{ 1, \ldots, d\} $；
4　　使用优化求解器更新$ x_{ \in {s_i}}^i = \mathop {\arg \min }\limits_{{x_{ \in {s_i}}}} f({x_{ \in {s_i}}};x_{ \notin {s_i}}^{i - 1}) $并且保持除了$ x_{ \in {s_i}}^i $之外的所有变量不变；
5　　设置迭代索引：i = i+1；
6　end

Table 2. Domain knowledge-driven cabin segment structural layout and dimension decomposition optimization algorithm

View table

View in Article

Table 2. Domain knowledge-driven cabin segment structural layout and dimension decomposition optimization algorithm

算法：先验知识驱动的舱段结构布局与尺寸分解优化
输入：待优化的舱段立体框架数学模型以及可行的初始解
输出：立体框架各布局及尺寸变量优化解
1　将初始解设为当前优化解；
2　对原始问题进行基于先验知识的特征选择与空间缩减；
3　根据先验知识将问题分组，并将子问题类型归类；
4　while 不满足停机准则 do
5　　根据先验知识，选择对应的子问题，并根据子问题类型确定子目标函数；
6　　使用代理模型辅助的BiP-CDE算法对子问题进行优化，并更新最优解；
7　end

Table 3. Sub-problems resource allocation strategy based on domain knowledge

View table

View in Article

Table 3. Sub-problems resource allocation strategy based on domain knowledge

算法：基于先验知识的子问题资源分配策略
输入：先验知识分组策略以及当前最优解
输出：选择的子问题
1　if 当前所有子问题均已被优化 then
2　　将所有子问题标记为未优化
3　end
4　if 有未优化的尺寸变量子问题 then
5　　从未优化的子问题中选择约束裕度最大的桁材对应的尺寸变量子问题，并将其标记为已优化；
6　else
7　　选择布局位置变量子问题，并将其标记为已优化；
8　end

Table 4. Pseudo code of BiP-CDE algorithm

View table

View in Article

Table 4. Pseudo code of BiP-CDE algorithm

算法：超参数自适应迁移GPR辅助的BiP-CDE子问题优化器
输入：初始子问题种群：Psub
输出：进化后的子问题种群Psub以及样本点集里的最优解
1　从初始种群中随机选择个体作为初始样本集，将当前最优解加入样本点集，分别建立目标和约束条件的初始GPR模型；
2　使用GPR模型预测种群个体的目标和约束；
3　根据可行性准则对Psub进行排序，并将其分为局部子种群$ p_{\rm{sub}}^{\rm{local}} $以及全局子种群$ p_{\rm{sub}}^{\rm{global}} $；　　//最好的一半形成$ p_{\rm{sub}}^{\rm{local}} $，其余的形成$ p_{\rm{sub}}^{\rm{global}} $
4　if $ p_{\rm{sub}}^{\rm{global}} $的多样性低于给定的阈值 then
5　　随机生成新的$ p_{\rm{sub}}^{\rm{global}} $
6　end
7　for i = 1 to Maxgen do
8　　使用全局和局部差分变异算子分别生成全局和局部后代$ p_{\rm{sub\_trial}}^{\rm{global}} $，$ p_{\rm{sub\_trial}}^{\rm{local}} $，并基于GPR模型预测均值评估其适应度；
9　　根据局部和全局选择操作，分别生成新的局部和全局子种群$ p_{\rm{sub}}^{\rm{local}} $，$ p_{\rm{sub}}^{\rm{global}} $
10　　分别打乱$ p_{\rm{sub}}^{\rm{local}} $和$ p_{\rm{sub}}^{\rm{global}} $中个体的顺序并且设置$ p_{\rm{sub}}^{\rm{local}} = $$ p_{\rm{sub}}^{\rm{local}} \cup p_{\rm{sub}}^{\rm{global}} $；
11　　if 当前找到的最优解为可行解then
12　　　　按照可行性准则，选择种群中LCB值最小的个体作为候选解
13　　else
14　　　　选择种群中约束的LCB值之和最小的个体作为候选解
15　　end
16　　if 候选解与已有样本点最小距离大于阈值then
17　　　　计算得到的候选解的真实目标和约束函数值，并将其添加到样本点集中；
18　　else
19　　　　选择种群中距离已有样本点最小距离最大的个体作为候选解，并计算得到候选解的真实目标和约束函数值，将其添加到样本点集中；
20　　end
21　　基于超参数自适应迁移策略，更新目标和约束条件的GPR模型；
22　end
23　　使用极大似然估计，更新GPR模型并使用约束差分进化算法来获得GPR模型预测均值的最优解，加入样本点集

Table 5. Up and low bounds of beam cross-section size variables for each longitudinal and transverse component

View table

View in Article

Table 5. Up and low bounds of beam cross-section size variables for each longitudinal and transverse component

尺寸变量所属构件	下界	上界
1，2甲板纵、横向构件	⊥12×400/14×140	⊥16×460/18×180
舷侧构件	⊥12×400/14×140	⊥16×460/18×180
船底纵向构件	⊥12×400/14×140	⊥20×600/22×400
船底横向构件	⊥12×400/14×140	⊥20×600/22×300

Table 6. Domain knowledge-driven surrogate-assisted model cooperative differential evolution algorithm optimization results
View table
View in Article
Table 6. Domain knowledge-driven surrogate-assisted model cooperative differential evolution algorithm optimization results
设计方案特征物理量
重量/t 最大弯曲应力/MPa 最大剪应力/MPa 最大位移/mm 1甲板失稳欧拉应力/MPa
初始解 92.72 193.13 48.75 17.09 1 085.20
优化解 52.35 234 69.29 24.06 780

Table 7. Comparison of optimization results from different algorithms

View table

View in Article

Table 7. Comparison of optimization results from different algorithms

优化方法	特征物理量
优化方法	重量/t	最大弯曲应力/MPa	最大剪应力/MPa	最大位移/mm	1甲板失稳欧拉应力/MPa
无下界检验	51.99	234.00	76.97	24.77	780.00
有下界检验	52.35	234.00	69.29	24.06	780.00
无先验知识	54.16	234.00	76.50	24.83	780.01
差分进化	63.44	218.25	71.42	21.81	962.08

Tools

Get Citation

Copy Citation Text

Puyu JIANG, Jun LIU, Qiangjun LUO, Yuansheng CHENG. Domain knowledge-driven decomposition-based large-scale optimization for ship cabin structures[J]. Chinese Journal of Ship Research, 2025, 20(3): 108

Download Citation

EndNote(RIS)BibTex Plain Text

Set citation alerts for article

Save article for my favorites

Paper Information

Category: Ship Structure and Fittings

Received: Jan. 4, 2024

Accepted: --

Published Online: Jul. 15, 2025

The Author Email:

DOI:10.19693/j.issn.1673-3185.03721

Topics

laser devices and laser physics

Lasers and Laser Optics

Laser physics

laser manufacturing

Instrumentation, Measurement and Metrology

Table 1. Decomposition optimization framework

Table 1. Decomposition optimization framework

Table 2. Domain knowledge-driven cabin segment structural layout and dimension decomposition optimization algorithm

Table 2. Domain knowledge-driven cabin segment structural layout and dimension decomposition optimization algorithm

Table 3. Sub-problems resource allocation strategy based on domain knowledge

Table 3. Sub-problems resource allocation strategy based on domain knowledge

Table 4. Pseudo code of BiP-CDE algorithm

Table 4. Pseudo code of BiP-CDE algorithm

Table 5. Up and low bounds of beam cross-section size variables for each longitudinal and transverse component

Table 5. Up and low bounds of beam cross-section size variables for each longitudinal and transverse component

Table 6. Domain knowledge-driven surrogate-assisted model cooperative differential evolution algorithm optimization results

Table 6. Domain knowledge-driven surrogate-assisted model cooperative differential evolution algorithm optimization results

Table 7. Comparison of optimization results from different algorithms

Table 7. Comparison of optimization results from different algorithms