【目的】针对翼型优化气动参数间性能冲突问题，提出一种基于深度学习和MOEA/D相结合的混合优化模型，将卷积神经网络、遗传算法内插到MOEA/D框架之中，用于权衡各目标函数之间的相关性和复杂度。【方法】首先，尝试将深度学习方法作为常规流体力学分析方法的补充，建立高可信度的翼型气动特性CNN响应预测模型，用于快速评估翼型的气动参数；然后将响应模型、遗传算子内插到MOEA/D框架之中，构建基于MOEA/D的多目标混合优化模型，并以NACA某5位数高升力翼型巡航工况下的升阻比和力矩系数为优化目标，对其进行测试。【结果】结果表明：利用该混合模型可以高效地在设计空间内获得连续的Pareto前沿解，最后对获得的Pareto前沿面翼型进行气动性能和流场结构分析，研究不同翼型构型在前沿面的分布规律，进一步指导设计者在翼型选型中挖掘潜在的基础翼型。

国家自然科学基金青年项目资助项目(12102290)；山西省关键核心技术和共性技术研发攻关专项(2020XXX017)；

1 深度学习模型
1.1 构建卷积神经网络
1.2 训练样本准备
1.3 气动计算
1.4 模型训练结果
2 基于MOEA/D多目标混合优化模型
2.1 MOEA/D算法
2.2 优化目标和约束
2.3 优化结果
2.4 Pareto解集验证与分析
2.4.1 气动特性分布
2.4.2 流场结构
3 结论

[1]沈永强,王菡,向纪鑫,等.基于深度学习和MOEA/D的高升力翼型气动优化设计[J].太原理工大学学报,2024,55(04):660-669.