● 摘要
通过传统方法进行复杂系统比如运载火箭（SLV）设计的学科交换分析是一项费时的过程，它受控于设计学科与分析模型间的重组、变形以及数据传递等。本研究的一个特征就是发展一种更高效的设计方法，以进行SLV的综合设计分析和优化。设计与分析是互补的，设计必须支持期望的分析，而分析必须从预定的计算中得到尽可能多的信息。各种复杂的MDO仿真模型涉及到高维的输入空间，要进行综合的试验设计是不可行的。尽管计算机的能力与速度在稳定连续的增长，但是进行高保真的工程分析和仿真的计算成本限制了其在一些重要领域的应用，比如设计优化与可靠性分析。本文采用基于变模型的支持向量机（SVR）的方法进行SLV的费时的、非线性精确的分析（如：弹道分析）。变模型的训练数据通过一种近似正交空间填充的方法，此方法基于LNOHSS。LNOHSS方法进行试验设计与拉丁超平面采样进行比较，SVR变模型与神经网络变模型比较。采用遗传算法进行全局优化，序列二次规划进行局部优化的混合优化方法。设计工程系统如SLV的一个需要考虑的重要因素是不确定性，它源于系统的随机性、数据的局限性或系统知识的局限性。本研究采用鲁棒设计方法考虑设计变量的不确定性进行多级运载火箭的多学科设计优化。采用一阶正交设计矩阵的最坏变异估计用于设计合并非确定性因子。设计者通常希望一种明晰且具有更多信息（知识和规则）的设计过程，并且希望有多种优化解。反设计方法采用粗糙集理论，通过映射设计空间和性能空间做出更具鲁棒性的决策。基于粗糙集的期望性能和规则吸引能力，感兴趣的设计区域（如：优化和/或鲁棒）从性能空间到设计变量空间通过直接合成鉴别出来。这种设计方法使用人工智能和非确定性方法，在设计“固体多级火箭多学科设计优化”——设计一吨级有效载荷的三级SLV——的过程中被认为是有效的。此方法在SLV的设计中具有高效性，而且能够被推广应用于任何复杂的工程系统设计，无论这些复杂的工程系统是否仿真计算复杂或者实验昂贵以及不能确定性建模等。