随着城市生活方式不断向垂直生活的转变,建筑物因高度的增加而变得更高柔。这种高柔结构在结构安全性、完整性和适用性方面面临着严峻的工程挑战。气动形状优化可显著提升建筑的气动性能,是最有效的缓解上述问题的措施之一。然而,传统的气动形状优化策略主要基于试错法,设计参数取值范围相当有限,过于依赖研究人员或设计者的经验。可见,这种优化策略缺乏探索性,由于没有考虑大设计空间,也无法期待创新性的优化设计成果。因此,提出一种既能充分发挥设计者的创造力又具有可行性的气动外形优化方法势在必行。本研究将CFD数值模拟方法、代理模型和采样策略相结合,构建了基于代理模型更新的多目标优化框架,并将其应用于凹角修正三角形柱体的气动形状优化。抽样策略包括基于最优拉丁超立方设计（OPLHD）获取初始样本点和从Pareto前沿中选取样本点进行更新的策略。采用遗传算法（GA）优化广义回归神经网络（GRNN）,构造GA-GRNN代理模型,并将其与非支配排序遗传算法（NSGA-II）相结合,应用于多目标优化算法中。本文将抽样策略、GA-GRNN代理模型和NSGA-II多目标优化算法相结合,构建了基于代理模型更新的优化算法。利用风洞试验数据验证了基于代理模型更新的优化方法的可行性和优化效率。研究结果表明,该方法能够在相对误差为3.5%的精度要求下寻找到全局最优解,在总采样点占比小于6.07%的前提下获得最优帕累托前沿,其理论上的最优初始采样点占比为2.0%。本文针对凹角修正进行优化,以气动力系数最小为优化目标,选取凹角率、凹角角度、凹角个数为设计参数并考虑风向角的影响。设计空间总样本数为6500个,目标函数为一个二维空间。首先,利用OPLHD生成初始样本点,采用基于URANS的CFD数值模拟方法计算初始样本点的气动力系数;然后,利用GAGRNN代理模型训练设计变量（输入）与气动力系数（输出）之间的复杂关系。在基于凹角修正的三角形多目标优化中,采用GA-GRNN代理模型进行目标函数值预测。经13次迭代更新,发现优化结果仍不满足收敛准则。这表明需要对GAGRNN代理模型进行改进,以提高其预测能力。将GA-GRNN代理模型改进为NSGA-GRNN模型。改进主要包括两个方面:（1）修改GRNN结构,将每个神经元的光滑因子作为一个独立的变量;（2）光滑因子的多目标优化,为代理模型的调整提供了更严格的标准。然后,采用相同的风洞试验数据,进行了基于NSGA-GRNN模型的多目标优化效率验证,结果表明NSGA-GRNN在所有算例中使用的采样点较少（小于设计空间的6%）,并且比GA-GRNN代理模型的学习效率更高;因此,NSGA-GRNN更有利于解决大设计空间问题。将NSGA-GRNN引入到基于代理模型更新的多目标优化方法中,使用相同的设置和参数进行基于凹角修正的三角形柱体气动外形优化。结果表明,经过12次迭代更新后满足收敛准则,表明基于NSGA-GRNN模型的多目标优化方法能够以较少的计算资源和较高的精度解决复杂的优化问题。然后,选择每个风向角的最优气动外形,并对风向角的影响进行了全面的研究。研究结果表明,最优凹角率为1.0%～1.7%,最优凹角角度为102°,凹角个数可进行相应调整。在0°风向角下,平均阻力系数和均方根升力系数的减幅最大,分别达到23.11%和80.94%。通过时均流线和涡度分析,进行了凹角修正对三角形气动性能的影响机理分析。对基本模型（边长100米的等边三角形）和不同风向角下的最优气动外形（截面1～5）进行了分析。机理分析表明,尾流长度增加,尾流宽度稍有增加,近尾流涡度较弱,涡形成长度较长,涡流耗散最小是气动力减小的主要原因。