综述：形状优化中设计空间降维方法综述

这篇综述系统梳理了形状优化领域的设计空间降维（Dimensionality Reduction, DR）技术，涵盖从传统线性方法（如主成分分析PCA）到非线性方法（如自动编码器Autoencoders）的演进，特别强调了物理信息融合（Physics-Informed）技术对提升几何-性能关联有效性的突破。通过分类比较空间缩减（Space Reduction）与维度缩减（Dimensionality Reduction）策略，揭示了这些方法在航空航天、船舶工程等领域如何克服"维度灾难"（Curse of Dimensionality），显著提升计算效率与优化精度。

　　

形状优化问题概述

形状优化是提升工程系统性能的核心手段，涉及飞行器机翼、船舶船体等与流体交互的几何界面设计。其核心挑战在于高维设计空间导致的"维度灾难"——设计变量数目的指数增长会大幅增加计算成本。例如，某翼型优化中，10个设计变量需要10⁴次仿真评估才能覆盖设计空间，而传统优化方法在此类问题中效率低下。

设计空间降维技术分类

降维方法可分为两大策略：

空间缩减技术

通过约束设计变量范围（如边界收缩Bounds Narrowing）或几何过滤（Geometric Filtering）剔除异常形状，直接压缩搜索空间体积。例如，在船体优化中，动态空间缩减策略结合自组织映射（SOM）可将计算成本降低60%。

维度缩减技术

通过数学变换将高维参数映射到低维潜空间：

• •

  线性方法：主成分分析（PCA）及其衍生技术（如参数模型嵌入PME）通过特征向量提取几何主变异模式。某水翼优化案例显示，仅需前5个PCA模态即可保留95%几何方差。

• •

  非线性方法：自动编码器通过神经网络实现非线性压缩，在RAE-2822翼型优化中，深度自动编码器（DAE）较传统PCA提升20%重构精度。

物理信息融合的突破性进展

传统PCA仅依赖几何数据，而物理信息PCA通过融合流场压力、速度等仿真数据，显著提升降维的物理相关性。例如，在涡轮机械优化中，结合压力梯度的PCA模态使优化收敛速度提升3倍。参数模型嵌入（PME）技术更进一步，通过显式关联原始CAD参数与潜空间变量，解决了工业界关注的"逆向映射"难题。

前沿挑战与未来方向

当前非线性方法（如生成拓扑映射GTM）仍面临训练数据量大、超参数敏感等问题。新兴的Grassmann流形学习等几何感知算法，有望更高效捕捉复杂形状变异。在跨学科应用中，降维技术与多保真度（Multi-Fidelity）优化、不确定性量化（UQ）的融合，将成为突破计算瓶颈的关键。

工程应用启示

船舶领域，PME技术成功将某驱逐舰船体优化变量从50维降至8维，计算耗时减少80%；航空航天中，主动子空间法（ASM）通过梯度敏感度分析，精准锁定影响升阻比的3个关键翼型参数。这些案例印证了"降维即增效"的工程优化哲学。