汽车气动造型优化属于典型的非线性、大资源、黑箱问题,优化的最大阻力在于样本点目标函数(气动阻力)估值需要耗费大量的资源与时间。为提高优化效率,降低优化成本,本文将EGO算法引入汽车气动降阻优化中。针对某实车,通过结合CFD计算与EGO算法完成汽车气动降阻优化的方法研究。采用数据挖掘技术揭示设计域内设计变量对气动阻力的影响机制及变量间的相互作用关系。优化方法方面,对CFD和数据挖掘的基本理论进行了介绍,重点放在对EGO算法的介绍与研究上。EGO算法基于kriging响应面模型和EI函数。采用kriging模型替代CFD计算可以节约计算资源,采用EI函数作为加点准则能够准确搜寻气动阻力最低的全局最优解。此外,与经典EGO不同的是,本文算法通过选用均匀采样(UD)作为DOE实验设计采样方法,选用自适应差分进化算法(SMODE)寻找EI最大点,使优化效率进一步提高。汽车气动降阻优化分为气动阻力模拟与气动优化两个部分。首先,通过探索,采用包面—划分体网格—仿真计算的流程模拟气动阻力值,便于在优化过程中采用网格变形技术对车身气动造型进行变形。然后,基于EGO算法建立响应面模型并搜寻全局最优解。整个优化过程仅采用29个样本点就完成了4变量的汽车气动降阻全局优化,很大程度的节省了计算量。优化结果显示最优设计相比原车降阻1.56%。数据挖掘结果显示:设计空间内发动机罩倾斜度和尾部上翘角对气动阻力起主导作用,且发动机罩倾斜度影响最大。本文通过引入EGO算法,不仅节约了计算资源、提高了优化效率,还准确输出了气动阻力最低的全局最优解。数据挖掘成功揭示了各设计变量与气动阻力间的内在影响机制,为本次及后续相似优化积累了信息。总之,本文在尽量小的改变车身造型的前提下,成功降低了某车气动阻力。结合CFD数值模拟、EGO算法及数据挖掘技术的方法能有效求解类似汽车气动优化等大资源黑箱问题且优化效率高,具有实际运用价值。