基于兴趣子域动态代理模型的船舶结构可靠性优化

2021-08-01 - 罗文俊，王德禹

1中远海运特种运输股份有限公司，广东广州 510623

2上海交通大学海洋工程国家重点实验室，上海 200240 3高新船舶与深海开发装备协同创新中心，上海200240

摘要:［目的］针对常规船舶结构可靠性优化设计中因高度非线性导致难以同时保证代理模型拟合精度和优化效率的问题，提出基于兴趣子域动态代理模型的可靠性优化方法。［方法］运用序贯优化与可靠性评估法（ SORA）的兴趣子域概念，确定兴趣子域的范围，基于信息熵函数H制定自适应空间减缩规则，以缩减设计空间，进而构造基于兴趣子域的自适应空间减缩序贯抽样策略，从而采用尽可能少的样本点构造对兴趣子域进行局部高度拟合的 Kriging 动态代理模型,并将代理模型和多岛遗传算法（ MIGA）嵌入 SORA中进行可靠性优化。提出概率约束可行性检查方法，以减少不必要的可靠性评估过程。同时，通过数学算例对该可靠性优化方法进行验证。［结果］结果显示，最优解与理论解的相对误差为0.066 8%，与文献中的最优方法相比减少了 40.6%的功能函数调用次数，证明了本方法的高精度和高效性。［结论］将所提方法应用于舱段结构可靠性优化设计中，舱段总质量与文献结果相比减少了0.511%，且有限元计算调用次数减少了94 次，证明了所提方法的高效性和适用性。

关键词：船舶结构；可靠性优化；SORA法；兴趣子域；动态代理模型

中图分类号: U661.4文献标志码:A DOI：10.19693/j.issn.1673-3185.02043

0 引言

基于可靠性的优化设计因在满足船舶结构经济性的同时能够保证足够的安全性而极具优势。目前，可靠性优化设计已经在航空航天、汽车和船舶等领域得到广泛应用[1-3]。

可靠性优化设计方法主要分为3 种：双循环法、单循环法和解耦法。双循环策略虽然精度高，但计算成本较大、效率较低，而后两种方法能有效解决此问题。Liang等[4] 根据库恩−塔克（KKT）最优条件代替可靠性分析过程，通过计算得到近似最小功能点，将概率约束转化为确定性约束，提出了单循环法。刘勤等[5] 采用单循环法将优化迭代计算与可靠寿命的迭代求解同步进行，并通过传动箱的结构可靠性优化结果验证了方法的高效性。单循环法虽然效率较高，但只适用于线性和弱非线性问题，对于强非线性问题，无法保证精度甚至有可能出现迭代不收敛的情况。而解耦策略在保证精度的前提下，不仅能提高求解效率，同时还具有良好的适用性。Du和 Chen[6] 提出

的序贯优化与可靠性评估（sequential optimization and reliability assessment, SORA）法通过将可靠性分析结果转化为优化边界条件的偏移向量，使确定性优化与可靠性分析被解耦。李海燕和井元伟[7] 将

SORA法应用于多学科可靠性优化，降低了协同优化计算的复杂度。解耦方法较前2种集成策略具有很大的优势，而SORA法是解耦方法中应用最为广泛的一种方法。

船舶结构响应属于多参数、强非线性问题，采用代理模型替代有限元模型能极大地提高可靠性优化效率，对于强非线性和高维度工程问题，

Kriging模型能实现良好的拟合。刘瞻等[8] 通过结合重要抽样法和人工蜂群算法，建立了参数优化的 Kriging模型，有效提高了可靠度计算精度和效率。张干锋和王德禹[9] 对常规 Kriging 模型进行了分区间泛化和参数融合，其将改进后的Kriging模型用于船舶结构型线优化，在预测多维度响应时具有更高的精度。代理模型分静态代理模型和动态代理模型2种。静态代理模型需要在设计空间中采集足够的样本点才能构造高拟合精度的代理模型，计算成本较大，而动态代理模型采用序贯抽样方法，能以较少的样本点实现对有限元模

型的高度拟合。Echard 等[10] 引入了一种学习函数，其以该学习函数作为筛选准则进行序贯抽样来构造动态 Kriging 模型，以较少的样本点实现了对极限状态边界的高度拟合。高月华和王希诚[11]基于 Kriging 代理模型提出了多点加点准则，基于样本集信息和预测函数特征添加新样本集，在寻优迭代之时自适应地提升代理模型的精度。

根据结构可靠性理论，最大可能失效点（MPP）周围区域对可靠度的贡献最大，而结构优化的最优解通常位于约束边界附近，因此可靠性优化必然存在一个可能存在最优解的区域，即兴趣子域。

Zhao 等[12] 通过计算影响可靠度主要区域的大小，提出兴趣子域的概念，从而构造了在MPP附近区域实现高度近似的代理模型。龙周等[13] 引入少数类

合成的过采样算法(synthetic minority oversampling technique，SMOTE) 对 MPP附近进行过采样，构建对极限状态边界高度拟合的BP 神经网络模型，极大地提高了计算效率和精度。

针对船舶结构因强非线性、多参数、多响应而导致计算成本较大、难以获取大量样本点的问题，本文拟提出可靠性优化策略。首先，提出并确定基于SORA法中圆弧搜索法（arc search method， ASM）的兴趣子域范围，基于信息熵函数H 制定自适应空间减缩规则，对设计空间进行不断的缩减，进而构造基于兴趣子域的自适应空间减缩序贯抽样策略，以采用尽可能少的样本点构造对兴趣子域进行高度拟合的Kriging动态代理模型，减少计算成本；其次，提出基于SORA 法的概率约束可行性检查方法，减少不必要的可靠性评估过程，提高可靠性分析效率；最后，将 Kriging 模型和

多岛遗传算法（multi-island genetic algorithm，MIGA）嵌入 SORA法中进行可靠性优化，以保证可靠性优化结果的准确性。

1基于兴趣子域的自适应空间减缩及序贯抽样策略

1.1圆弧搜索法本文中的SORA 法采用ASM 法作为可靠性分析方法，该方法由Du 等[14] 提出，用于将逆可靠性分析法中的优化过程转化为数学迭代计算，从

而简化计算，提高可靠性分析效率。ASM法的原理如下：逆可靠性分析法是在期望可靠度指标的

等值面（||u||=βa）上寻找概率约束性能函数 G(u)（其中，G>0为可行性条件）的最小值，约束条件为可靠度指标期望值βa。根据 KKT条件，可以将逆可靠性分析的优化过程推导为如下迭代公式：

能失效点（inverse most probable point, IMPP）； βa为

(uk )为概率约束性能∥u∗∥ ∇G

期望可靠度， βa = αk ；

函数 G(u) 样本点uk处的梯度； αk为概率约束性能函数 G(u)样本点uk处的逆向单位梯度。

ASM法的迭代原理如图1 所示。图中： x1， x2 为设计变量；Gk为概率约束性能函数第k 次迭代取值。

当式（1）迭代收敛至 uk+1 ，即功能函数与期望可靠度指标面相切时，若 G(uk+1)

(uk )的夹角。

∇G优迭代的最优解；γk为uk和

通过第2阶段的寻优迭代策略，可以保证新的迭代收敛点的功能函数值比上一个最优点的更小，实现对原迭代策略的补充完善。本文充分利用ASM法的寻优过程原理，提出基于兴趣子域的自适应空间减缩及序贯抽样策略，实现了对兴趣子域的高度拟合；而对于非兴趣子域，则采用空间减缩技术，无需对这些区域进行精确拟合，因而减少了可靠性优化的循环次数，可在保证拟合精度的同时提高效率。

1.2兴趣子域范围的确定

ASM法是在半径为可靠度指标β 的圆（球面

或超球面）上寻找功能函数的最小值，如图2所示，分别为当功能函数为凹函数和凸函数时的搜索过程（G>0为可行域）。

搜索空间为从过圆心处对应的功能函数值

G (x¯)至与圆（球面或超球面）相切处对应的功能函数值。由于ASM 法搜索空间为标准正态空间，所以当转换至样本点空间时，圆心对应于设计空间的均值点x¯。而过圆心处的功能函数必定不与期望的可靠度指标的等值面相切，以过圆心处功能函数值作为边界会过于保守。本文引入了非线性因子λi （ λi > 0.1βt ）， λi由样本点x¯与对应约束功能

i函数的距离决定，其值由式（4）确定。设置搜索区域一侧边界的功能函数值等于λiG (x¯) ，该边界位于过圆心处功能函数曲线和与等值面相切的功能函数曲线之间。确定性约束边界G (x) =0是与β圆相切的功能函数曲线的包络线。因此，本节提出的兴趣子域为功能函数值G (x) =0至功能函数值λiG (x¯)之间的对应区域，即0 ⩽ G(x) ⩽ λiG (x¯)。图 3所示为兴趣子域示意图，其中x1 和 x2 为设计变量，实线为确定性约束边界，虚线为概率约束边界，样本点填充区域即为兴趣子域。

1.3自适应空间减缩及序贯抽样策略

1.3.1自适应空间减缩规则构建对兴趣子域进行高度拟合的动态代理模

型，可同时提高确定性优化和可靠性分析过程的计算效率。本节将采用蒙特卡罗抽样生成整个设计空间的样本点集S，采用 Lv 等[16] 提出的 AK-LS方法中基于信息熵的主动学习函数H实现序贯抽样，在提高 Kriging 模型全局拟合精度的同时，采用自适应的空间减缩技术不断删减样本点集S中位于非兴趣子域的样本点，从而缩小设计空间的范围直至兴趣子域。学习函数H 如下：式中： Gˆ(x)为 Kriging 代理模型的预测值； f (Gˆ(x))为Gˆ(x)的正态分布概率密度函数； H(Gˆ(x))为信息熵，反应了Gˆ(x)的混乱度，可以用来判断Gˆ(X)的不确定性。信息熵越大，预测越不准确。因该处样本点对提高代理模型精度的作用较大，因此选择H最大值（ Hmax ）的样本点加入实验设计（ DoE）中，更新 Kriging 模型。

由于初始 Kriging 模型的全局拟合精度较低，因此非兴趣子域中样本点的删减条件应当远离兴趣子域。随着 Kriging 模型拟合精度的不断提高，非兴趣子域中样本点的删减条件自适应地不断逼近兴趣子域边界，即在进行序贯抽样更新动态代理模型的同时不断减缩设计空间。最后，只保留兴趣子域及其附近的部分样本点，通过学习函数H构造代理模型来实现对兴趣子域的局部高精度拟合。考虑到随着样本点的不断增加，整个设计空间中样本点的Hmax 值逐渐减小，因此，本文在序贯抽样的同时采用Hmax 作为筛选因子。本文采用的自适应空间减缩规则如下：式中：m为概率约束功能函数的个数； β t为各约束

0功能函数对应的期望可靠度指标； β 为样本点x¯对

应第 i 个功能函数的可靠度（其前提是，样本集

D的均值点位于可靠域内，若该点位于失效域，则寻找新的位于可靠域的样本点替代该点）； Gˆ(xi )为 Kriging 模型对各样本点的第i 个功能函数的预测值；Gˆ(x¯)为每次迭代中 Kriging 模型对样本点x¯的预测值； Hmaxi为对应第 i个功能函数的所有样本点的信息熵的最大值； λi为设计空间中心样本点对应第i个功能函数的距离因子，该距离因子的物理意义是，以β t和β 0的比值反映样本点x¯与各

i i

约束函数的远近程度，当该样本点t远离功能函数时，该比值趋近于0，此时，以 0.1 β iGˆ(x¯)作为空间

缩减边界的下确界。

其中，筛选条件中下确界的设定参考了Cox

和 John[17] 提出的用于优化的下置信界（lcb）函数，

下置信界函数如下所示：

lcb(x) = Gˆ(x) bσ ˆ(x) (5)

−

Cox 和 John[17] 设定系数 b=2表示局部优化。由于H值和 Kriging模型的σGˆ(x)均表示预测不确定性，因此，本文中的下确界设置为max(2Hmaxi ,λ iGˆ(x¯))。1.3.2 自适应空间减缩及序贯抽样流程

基于兴趣子域的自适应空间减缩及序贯抽样策略是通过不断减缩全局设计空间，直至保留兴趣子域，同时通过具备高效提高全局精度特点的学习函数H 建立 Kriging 动态代理模型来拟合兴趣子域。

Lv 等[16]通过大量的算例结果分析指出，当H函数对应的迭代停止准则为Hmax ⩽0.5 时，代理模型具有足够的拟合精度。因此，为保证Kriging模型在兴趣子域内具有足够的拟合精度，本文拟采用 Hmax⩽0.5作为自适应空间减缩和序贯抽样的迭代停止准则。

基于兴趣子域的自适应空间减缩及序贯抽样策略流程如图4所示。

1）在设计空间中采用拉丁超立方抽样或蒙特卡罗抽样生成样本集S，S集中的所有样本点均无需调用有限元计算。

2）生成训练集T。采用最优拉丁超立方抽样生成少量样本点，作为训练集T。

3）调用功能函数或有限元软件计算，得到训练集响应值G。

4）根据训练集T，同时对约束条件和目标函数使用 Matlab 自带的DACE 工具箱建立多个

Kriging 模型。

5）分别用 Kriging 模型预测S集中样本点对应的响应值。

6）采用学习函数H筛选最优样本点ui，具体准则见 1.3.1节，同时根据空间缩减规则选择样本点集D。

7）进行序贯抽样迭代停止准则判断。若满足所有功能函数的迭代停止条件，则输出代理模型，否则，将筛选的新样本点ui 加入训练集，转到步骤3）。若某个功能函数对应的代理模型已达

到精度要求，则无需继续对该代理模型进行最优样本点筛选，同时从样本集S中剔除样本集D中的样本点，从而更新S 集，转到步骤5），循环直

到所有动态代理模型均满足序贯抽样迭代停止准则。

2基于兴趣子域的可靠性优化方法

2.1基于SORA法的概率约束可行性检查方法

SORA法作为最理想的可靠性优化解耦方法，在工程实际中得到了广泛应用。不过该方法的提出者Du 和 Chen[6] 指出，该方法值得改进之处在可靠性评估寻找逆最大可能失效点的过程中，并非所有的概率约束都起作用，因此研究识别概率约束可行性检查方法，以此避免不必要的可靠性分析过程可以极大地减少计算量，提高计算效率。如图 5所示，图中：G1，G2，G3 为 3个功能函数，x1，x2 为 2个设计变量，由于最优点H2 的位

置远离第2个概率约束的极限状态边界，在对该最优点进行可靠性分析时，第2个概率约束是不起作用的，所以无需对第2个概率约束进行可靠性分析。

本节采用ASM 法对 SORA 法中的可靠性进行评估，在确定性优化计算得出最优解样本点之后，以最优解样本点为中心进行蒙特卡罗抽样，生成若干个随机样本点，然后分别计算各个概率约束条件的失效概率以及整体失效概率。若某个概率约束条件的失效概率高于设计值，则采用ASM法计算逆最大可能失效点，从而计算偏移向量，在下一循环的确定性优化中按该偏移向量移动该概率约束条件；若某个概率约束条件的失效概率低于设计值，则直接设置偏移向量为0 的向量，即无需移动该概率约束条件。

本节提出的概率约束可行性检查方法操作简单、易于实现，能极大地减少不必要的可靠性评估过程，提高了计算效率。

2.2基于兴趣子域的可靠性优化流程

MIGA算法具备遗传算法的优点，即适用于全局的、离散的、非光滑的优化问题，同时，还克

1）在确定性空间中，采用自适应空间减缩及序贯抽样策略构造基于兴趣子域的Kriging 模型，具体过程详见 1.3.2 节。

2）设置所有概率约束条件的偏移向量初值为 0的向量。

3）在确定性优化部分，根据偏移向量V调整约束条件位置，采用MIGA 算法作为优化算法，通过每次调用 Kriging 模型计算各个功能函数的响应值，并判断各约束响应是否满足约束条件，然后输出符合约束条件的最优样本点ui。

4）基于最优样本点ui ，根据 2.1 节中的概率约束可行性检查方法，筛选出需要进行可靠性分析的概率约束条件，然后，采用ASM法调用 Kriging模型寻找逆最大可能失效点，计算偏移向量，以作为下一次循环过程确定性优化中对应约束条件的偏移向量。

5）根据 2.1节中计算的整体失效概率Pf 判断服了传统遗传算法易早熟、局部优化能力弱且计算耗时的缺点。本节将具有全局寻优性能的MIGA算法和基于兴趣子域的 Kriging 模型嵌入SORA解耦方法中，通过SORA 法，将可靠性分析解耦成了确定性优化和可靠性分析的优化过程。本节提出的基于兴趣子域的可靠性优化设计流程如图6所示，归纳如下：

是否停止迭代，若得到满足约束条件要求的最优可行解，可靠性优化结束；否则，转到步骤3）进行下一次循环。

2.3数学算例效果校验

本文采用文献 [18]中具有非线性概率约束的数学算例，来验证本文所提基于兴趣子域的自适应空间减缩及序贯抽样策略的有效性。该算例的数学模型如下：

式中： ux 表示由2 个设计变量x1 ，x2 组成的样本点； Φ为标准正态分布的分布函数；N表示正态分布；u0 为初始样本点；µxi为均值。

根据3 个概率约束函数Gi (X)，在平面空间中绘制如图7所示曲线。

根据 1.3.2 节的自适应空间减缩及序贯抽样流程，如图 8(a) 所示，横、纵坐标分别表示2 个设计变量，采用拉丁超立方抽样方法，在设计空间中生成 10 000个样本点作为样本集S，生成 10 个样本点作为训练集T。图中，小圆点代表样本集S，*点代表训练集T。

图 8(a)~图 8(f)所示为该数学算例的自适应空间缩减过程图。由图可知，随着序贯抽样的进行，代理模型精度不断提高，同时，设计空间不断缩小至兴趣子域。其中，至图8(f) 所示在第15 次空间缩减后，共剩余3 265个样本点，分布区域主要集中在兴趣子域中，训练集38 个样本点，主要分布在约束边界上。

为测试本文基于兴趣子域的可靠性优化策略的性能，将文献 [4]中的理论解和文献[18] 中4种采用 SORA解耦的可靠性算法计算结果与本文方

由表1可知，采用本文提出的基于兴趣子域的可靠性优化方法得到了该数学算例的全局最优解，该最优解与理论解的相对误差为0.066 8%，证明本文方法具有足够的计算精度。且本文方法相比其他方法极大地减少了调用功能函数的次数，其中和文献 [18] 中最优的HCC 方法相比减少了 40.6% 的调用次数，证明本文可靠性优化方法高效。

3船舶舱段的可靠性优化

3.1 船舶舱段模型介绍

本文将采用基于兴趣子域的可靠性优化设计方法，对一艘 618TEU 型多用途船的货舱舱段进行可靠性优化。该船主要装载矿石等散装货物和集装箱，其主尺度等参数如表2所示。

本文优化的区域为该船的中间货舱。由于模型结构、载荷和边界条件都是沿中纵剖面对称分布，为节省计算成本，船宽方向仅选取舱段的1/2 作为计算模型。同时，考虑到减少边界条件的影响，船长方向选取 1/2+1+1/2 舱段作为计算模型。舱段模型的垂向范围则选取为船体型深。该舱段有限元模型如图9所示。法进行了对比，结果如表1所示。表中： β ， β ， β

1 2 3 mcs mcs mcs分别为3 个功能函数的可靠度结果；λ为参考文献中设定的参数；Inf表示可靠度结果为无穷大。

舱段模型的坐标规定为：船长方向为X 轴，正方向由船艉指向船艏；船宽方向为Y 轴，正方向由右舷指向左舷；型深方向为Z 轴，正方向由基线指向甲板。

该舱段首、尾端面载荷对称分布，可在两端面建立多点约束（multi-point constraints，MPC），将MPC与两端面上节点耦合，从而施加约束和载荷。舱段模型边界约束如表3所示，有限元模型上边界约束情况如图10所示。表3 中：Ux 表示约束 X 方向的平移；Uy 表示约束Y 方向的平移；Uz表示约束Z 方向的平移；URy 表示约束绕Y 轴的转动；URz表示约束绕Z轴的转动。

货舱舱段的载荷布置情况按中国船级社的《散货船结构强度直接计算分析指南》[19] 确定。有限元模型中施加的载荷主要分为3个部分：端面弯矩、外部水压力和舱室内货物压力，如图11所示。

3.2 船舶舱段可靠性优化数学模型

考虑到骨材尺寸相对于板材尺寸对船体总纵强度和船体重量影响较小，因此，在本文的舱段可靠性优化设计方案中，不将骨材尺寸作为设计变量，而只选择中剖面的板材厚度作为设计变量。因在实际船舶工程中板材厚度均为离散值，故对于每种板材初始厚度ti0 ，本文以 1 mm作为板厚间隔，设置板厚范围为[ ti0 −2，ti0 +2]，即取 5 个离散值作为每种板材的取值范围。将骨材形状及尺寸作为已知量，总共选取16 种板材作为设计变量，各设计变量的位置如图12所示。假定板厚为随机变量，且服从正态分布，各板厚的均值µti为每次确定性优化迭代后得出的最优设计方案所对应的板厚值；而标准差σti则设为制造加工的许用偏差，本文取为对应板材厚度均值的2% ，即ti N

∼ (µti (0.02µti )2 )。,

各设计变量的编号以及对应的名称和初始值如表4所示。本文的可靠性优化目标为，在保证舱段具有足

够可靠度的前提下使货舱舱段的总质量∑16

Mass(ti )

i=1

最小。根据规范[19] ，对板的中面和梁的轴向许用应力按应力值进行分类，提取出6个约束条件，即舱段横剖面中板和梁均小于对应规范中的许用应力。设置结构可靠度Pri = 99.653%(i= 1, 2, , 6)，

···

此舱段结构可靠性优化模型为：式中：Gj (ti )为各个概率约束条件的功能函数；gj (ti )

为按照规范分类的板和梁的应力响应。gj (ti )对应的计算区域及许用应力要求如表5所示。通过对表 5 中 6个结构分类区域分别建立分组，输出每

个分组中单元绝对值最大的 von Mises应力值作为表5 中 6个变量的应力响应值。3.3船舶舱段可靠性优化计算结果

本文通过 Isight 优化平台，集成 Matlab，Patran和 Nastran 软件，采用 2.2 节所述的基于兴趣子域的可靠性优化流程，对此舱段结构进行可靠性优化设计。即采用 Isight 自带的MIGA 优化算法，采用 Matlab 软件实现SORA算法，然后采用 Patran软件进行参数化建模及后处理，并调用Nastran 软件进行模型分析计算。具体参数设置和流程如下：

1）采用最优拉丁超立方抽样技术生成180 个初始样本点，对6个概率约束条件和目标函数分别构造初代 Kriging 模型，进而采用基于兴趣子域的自适应空间减缩及序贯抽样策略构造7个 Kriging

动态代理模型。

2）采用 SORA 算法结合MIGA 算法进行可靠性评估和优化，具体流程详见2.2 节。并将不考虑概率约束的优化结果与可靠性优化结果进行对比，结果如表6和表7所示。

由表7可知，对船舶舱段进行可靠性优化后，可靠度达99.68%，满足概率约束条件；舱段总质

量相比初始方案下降了6.32%，优化效果显著；舱

段总质量相比确定性优化增加了0.728%，符合基

于可靠性的优化设计原理，即考虑到设计变量的不确定性，通过偏移向量将边界条件朝着可靠域偏移，从而牺牲部分经济性来达到可靠度指标。通过对比文献 [13] 的可靠性优化结果可知，本文与文献 [13]相比少调用了94次有限元计算次数，且舱段总质量和文献 [13]的结果相比减少了 0.883%，

证明了本文所提可靠性优化策略的高效性和适用性。

采用蒙特卡罗法对上述可靠性优化结果进行验证。在设计空间均匀生成106 个随机样本点，采用蒙特卡罗仿真（Monte Carlo simulation，MCS）得到可靠度Pr = 99.67%，由此可知，本文的可靠性优化方案满足可靠度要求。为检验本文中基于兴趣子域的自适应空间减缩及序贯抽样策略所构建的动态代理模型的预测精度，将最终方案进行了有限元计算验证，表8所示为概率约束条件和优化目标对比结果。

舱段质量作为优化目标，可靠性优化设计和有限元分析两种方式的计算结果分别为456.6 t 和452.536 t ，相对误差为 0.898 1 ，因此综合表8可知，本文构建的替代舱段模型的 Kriging 模型对各个约束功能函数和优化目标的预测相对误差均

在 1%以内，验证了本文所提可靠性优化方法的精度，以及其在船舶结构领域的适用性。

4 结论

本文针对船舶结构可靠性优化，采用序贯抽样策略构建了高精度、高效率的动态代理模型，用以达到使用尽可能少的样本点构建具有足够拟合精度的代理模型的目的，从而减少调用耗时的有限元模型计算的次数，节约计算成本。得到的主要结论如下：

1）通过研究本文所采用SORA 算法中ASM

法的寻优原理，以及确定性优化的最优解可能存在的区域，确定了基于可靠性优化的兴趣子域范围，并提出了基于兴趣子域的自适应空间减缩序贯抽样策略，通过制定自适应空间减缩规则，在采用主动学习函数进行序贯抽样的同时，逐步对设计空间进行了缩减，从而能采用尽可能少的样本点构造对兴趣子域进行局部高度拟合的动态代理模型。

2）针对 SORA 法在可靠性评估寻找逆最大可能失效点的过程中并不是所有的概率约束都起作用的问题，提出了概率约束可行性检查方法，该方法操作简单、易于实现，能极大地减少不必要的可靠性评估过程，节省了计算成本。

3）将基于兴趣子域构建的动态Kriging 代理模型与MIGA 算法相结合嵌入SORA 算法中，构建了基于兴趣子域的可靠性优化方法，通过采用数学算例，验证了该方法的计算效率和精度。

4）将基于兴趣子域的可靠性优化方法应用于船舶舱段结构可靠性优化设计中，结果显示舱段总质量相比初始方案下降了6.32%，相比确定

性优化增加了0.883%，可靠度达到了 99.68%。该

方案在保证结构安全性的同时提升了经济性，证明了本文所提可靠性优化策略的高效性和适用性。

参考文献：

[1] FANG J G, GAO Y K, SUN G Y, et al. Multi objective reliability-based optimization for design of a vehicle door[J]. Finite Elements in Analysis and Design, 2013, 67: 13–21.

[2] YOUN B D, CHOI K K, DU L. Enriched performance measure approach for reliability-based design optimization[J]. AIAA Journal, 2005, 43(4): 874–884.

[3] 胡新明, 王德禹.基于迭代均值组合近似模型和序贯优化与可靠性评估法的船舶结构优化设计[J]. 上海交通大学学报, 2017, 51(2): 150–156.

HU X M, WANG D Y. Optimization of ship structures using ensemble of surrogates with recursive arithmetic average and sequential optimization and reliability assessment[J]. Journal of Shanghai Jiao Tong University, 2017, 51(2): 150–156 (in Chinese).

[4] LIANG J H, MOURELATOS Z P, TU J. A single-loop method for reliability-based design optimisation[J]. International Journal of Product Development, 2008, 5(1/2): 76–92.

[5] 刘勤, 孙志礼, 涂宏茂, 等.基于单循环功能度量法的结构可靠寿命优化设计[J]. 兵器装备工程学报, 2016, 37(6): 6–9.

LIU Q, SUN Z L, TU H M, et al. Structural reliable life optimization design based on single-loop performance measure approach[J]. Journal of Ordnance Equipment Engineering, 2016, 37(6): 6–9 (in Chinese).

[6] DU X P, CHEN W. Sequential optimization and reliability assessment method for efficient probabilistic design[J]. Journal of Mechanical Design, 2004, 126(2): 225–233.

[7] 李海燕, 井元伟. 基于 SORA的多学科协同优化可靠性优化方法 [J]. 东北大学学报(自然科学版), 2018, 39(1): 1–5.

LI H Y, JING Y W. SORA-based reliability optimization method for multidisciplinary collaborative optimization [J]. Journal of Northeastern University(Natural Science), 2018, 39(1): 1–5 (in Chinese).

[8] 刘瞻, 张建国, 王灿灿, 等. 基于优化 Kriging 模型和重要抽样法的结构可靠度混合算法[J]. 航空学报, 2013, 34(6): 1347–1355.

LIU Z, ZHANG J G, WANG C C, et al. Hybrid structure reliability method combining optimized Kriging model and importance sampling[J]. Acta Aeronauticaet Astronautica Sinica, 2013, 34(6): 1347–1355 (in Chinese).

[9] 张干锋, 王德禹. 基于分区间泛化 Kriging 近似模型的船舶局部结构形状优化[J]. 海洋工程, 2018, 36(6): 46–57.

ZHANG G F, WANG D Y. Shape optimization of ships' local structure with the partition and generaliza

tion Kriging approximation model[J]. The Ocean Engineering, 2018, 36(6): 46–57 (in Chinese). [10] ECHARD B, GAYTON N, LEMAIRE M. AK-MCS: an active learning reliability method combining Kriging and Monte Carlo simulation[J]. Structural Safety, 2011, 33(2): 145–154.

[11]高月华, 王希诚. 基于 Kriging 代理模型的多点加点序列优化方法 [J]. 工程力学, 2012, 29(4): 90–95.

GAO Y H, WANG X C. A sequential optimization method with multi-point sampling criterion based on Kriging surrogate model[J]. Engineering Mechanics, 2012, 29(4): 90–95 (in Chinese).

[12] ZHAO W T, SHI X Y, TANG K. A response surface method based on sub-region of interest for structural reliability analysis[J]. Structural Engineering and Mechanics, 2016, 57(4): 587–602.

[13]龙周, 陈松坤, 王德禹. 基于 SMOTE 算法的船舶结构可靠性优化设计 [J]. 上海交通大学学报, 2019, 53(1): 26–34.

LONG Z, CHEN S K, WANG D Y. Reliability-based design optimization of ship structures based on SMOTE algorithm[J]. Journal of Shanghai Jiao Tong University, 2019, 53(1): 26–34 (in Chinese).

[14] DU X P, SUDJIANTO A, CHEN W. An integrated framework for optimization under uncertainty using inverse reliability strategy[J]. Journal of Mechanical

Design, 2004, 126(4): 562–570.

[15]陈振中.基于可靠性的设计优化中精确解耦与高效抽样技术研究 [D]. 武汉:华中科技大学, 2013.

CHEN Z Z. Research on precise decoupling and efficient sampling technologies for reliability based design optimization[D]. Wuhan: Huazhong University of Science and Technology, 2013 (in Chinese).

[16] LV Z Y, LU ZZ, WANG P. A new learning function for Kriging and its applications to solve reliability problems in engineering[J]. Computers & Mathematics with Applications, 2015, 70(5): 1182–1197.

[17] COX D D, JOHN S. SDO: a statistical method for global optimization[M]//ALEXANDROV N, HUSSAINI MY. Multidisciplinary Design Optimization: State of the Art. Philadelphia: SIAM, 1997: 315–329.

[18]孟增. 结构可靠度优化设计的高效稳健算法研究[D].大连:大连理工大学, 2015.

MENG Z. Efficient and robust algorithms for reliabilitybased design optimization of structures[D]. Dalian: Dalian University of Technology, 2015 (in Chinese).

[19]中国船级社.散货船结构强度直接计算分析指南[M].北京:人民交通出版社, 2003.

China Classification Society. Guidelines for direct calculation of structural strength of bulk carriers[M]. Beijing: China Communications Press, 2003 (in Chinese).