一、研究背景
临近空间飞艇凭借其飞行高度高、驻空时间长的优势，在侦察监视、通信中继等领域展现出广阔的应用前景。然而，其总体设计面临气动/能源耦合的复杂问题。传统优化方法面临多学科高精度数值计算量大、计算周期长，优化算法经验迁移性差、效率低等挑战。因此，如何高效实现气动与能源的协同优化，是提升飞艇综合性能的关键技术。
二、摘要
深度强化学习（DRL）凭借其策略学习与环境交互机制，为突破传统优化方法的瓶颈提供了新思路。然而，现有研究多集中于单学科优化或简化耦合场景，所提理论方法往往仅针对特定的优化问题，可迁移性不足，尤其对于飞艇气动能源耦合这类多学科耦合问题，缺乏系统性的方法研究。
针对上述问题，本研究提出一种基于高精度代理辅助深度强化学习的多目标优化框架。主要创新与贡献如下：
●基于深度学习的代理模型构建：基于多层感知机（MLP）和残差神经网络（ResNet）构建太阳能阵列与阻力系数代理模型。平均相对误差均小于1.5%。
●基于DRL的多目标优化框架：将多目标优化问题建模为通用马尔可夫决策过程，采用软Actor-Critic（SAC）算法学习多目标优化策略，实现对高维设计空间的高效探索。
●飞艇气动能源高效协同优化：以阻力系数最小化和太阳能电池阵列面积最小化为目标，在满足功率、体积等约束条件下，实现飞艇外形与太阳能阵列布局的协同优化。
仿真实验结果表明，与LOTTE基准飞艇相比，优化后的飞艇阻力系数降低了20.8%，太阳能电池阵列面积减少了29%。相比于NSGA-II、SPEA2和CMOPSO等经典多目标优化算法，本方法在相同计算耗时或迭代次数下，获得了更优的超体积（HV）和平均欧氏距离（AED），展现出更强的优化性能，更高的优化效率以及更强的泛化能力。
三、方法概述
本研究提出的方法主要包含高精度代理模型构建与DRL多目标优化框架两个核心环节，通过代理模型加速优化过程，并结合DRL学习多目标优化策略。
l高精度代理模型
基于深度学习方法，提出基于MLP的“编码器-解码器”架构以构建太阳能阵列代理模型。针对气动特性与能源特性的计算差异，引入ResNet增强特征表达能力和缓解梯度消失问题，实现对复杂非线性气动特性的高精度拟合。代理模型的引入，使得连续100次预测耗时相比单次CFD仿真和数值计算分别降低2个数量级。
图 1太阳能阵列代理模型网络架构
图 2阻力系数代理模型网络架构
lMOO-DRL：基于DRL的多目标优化框架
将多目标优化问题建模为马尔可夫决策过程。状态空间包含设计变量向量、目标向量、约束向量等关键信息；动作空间对应设计变量的调整量；奖励函数通过解耦约束条件与优化目标，并引入参考向量进行目标归一化，确保训练稳定性。采用SAC算法作为优化策略，通过最大化累积奖励，引导智能体在满足约束的前提下，持续优化飞艇外形与太阳能电池布局。
图 3 基于DRL的飞艇气动能源耦合优化流程
四、结果分析
本研究从代理模型、优化效果、对比实验和泛化验证四个维度验证了所提方法的有效性。
●代理模型：太阳能阵列和阻力系数代理模型在测试集上的最大相对误差均不小于5%，平均相对误差均小于1.5%。两类代理模型均取得优秀的拟合精度和泛化性能，可有效代替成本高昂的数值仿真计算。
●优化效果：以LOTTE飞艇为基准，优化后飞艇的阻力系数降低20.8%；太阳能阵列面积减小29.0%。流场分析表明，优化后的艇体转捩位置由43.5%后移至47.9%，有效降低了摩擦阻力。太阳能阵列布局由对称式优化为靠右侧的非对称布局，在春分日，北纬40°的太阳光照条件下，功率分布更均匀，日间总输出能量基本持平。
●对比实验：在相同迭代次数下，DRL方法的HV和AED均优于NSGA-II、SPEA2和CMOPSO，且稳定性更优；在相同计算耗时下，DRL方法同样取得最优的综合性能。Pareto前沿对比显示，DRL得到的非支配解集能够支配其他算法得到的解集，表现出更强的支配能力与探索能力。
●泛化验证：在不同纬度（30°N~50°N）和日期（春分前后两周）的工况下，DRL优化方案均能满足功率约束，并显著降低阻力系数和太阳能电池面积。对随机选取的10组初始设计变量进行优化，面积平均优化率为25.9%，阻力系数平均优化率为14.9%。结果表明，DRL方法具备良好的泛化能力，可适应多种设计工况和初始条件。
图 4 DRL方法优化前后的对比（左上：优化前后的外形，左中：优化前的太阳能阵列布局，左下：优化后的太阳能阵列布局，中上：优化前后的压差系数分布，中下：优化前后的壁面摩擦系数分布，右上：优化前的太阳能阵列辐射云图，右下：优化后的太阳能阵列辐射云图）
五、作者介绍
欧洲（第一作者）：四川大学计算机学院2023级硕士研究生，主要研究方向为基于深度强化学习的多目标优化。
李冠雄（通讯作者）：四川大学工程数值模拟基础算法与模型全国重点实验室副研究员，主要研究方向为工业软件研发、飞行器优化设计，作为项目负责人主持完成了国家自然科学基金项目、国家重大科技专项分承研项目、四川省应用基础研究项目等国家和省部级项目，以第一作者和通讯作者在国内外期刊上发表高水平学术论文十余篇。
六、期刊介绍
Applied Soft Computing（ASOC）是由Elsevier出版的国际知名期刊，主要关注软计算技术（如深度学习、进化计算、模糊逻辑等）在解决复杂实际工程问题中的创新应用。该期刊在计算机科学与人工智能领域具有广泛的学术影响力，其最新影响因子为6.6。目前，该刊位列JCR Q1区，并入选中科院二区TOP期刊，是软计算与跨学科应用领域公认的高水平论文发表平台。
七、论文链接
https://doi.org/10.1016/j.asoc.2026.115144
