目前,基于CFD的船型优化技术在节能船型研发领域被广泛应用。该技术采用CFD数值仿真对优化目标进行计算,并通过船体曲面参数化几何重构技术和最优化技术对船型设计空间进行探索,最终获得满足约束条件下的最优船型。然而,该方法往往涉及的设计变量较多,包含密集的计算分析与仿真过程,常导致优化时间过长,不能满足工程实践的需求。针对以上不足,近似模型、高效优化算法、灵敏度分析等技术被应用于船型优化中。尽管这些方法在船型优化中取得了成功,但是依然存在一些问题,如近似模型技术在处理高维优化问题时,难以建立高精度近似模型,直接影响优化质量;高效优化算法可以减少优化迭代次数,却难以大幅提高优化效率;灵敏度分析技术可以实现优化问题的降维,但存在降低优化质量的风险。为了同时兼顾优化质量和优化效率,本文将设计空间缩减技术应用于船型优化中,通过数据挖掘技术定位得到性能目标优良的子空间,在子空间内进行优化,可以大幅提高优化效率。具体研究内容如下1)阐述了自组织映射(Self-Organization Mapping,SOM)的基本理论,并将该方法应用于空间缩减技术中。通过数学函数、KCS集装箱船兴波阻力优化算例,分析基于SOM的空间缩减方法的实用性和可靠性。2)介绍了粗糙集理论的基本知识,并研究了粗糙集离散化的部分科学问题,提出一种改进的基于模糊C均值聚类(FCM)的启发式离散化方法,该方法使连续型仿真数据具有较好的离散化结果,最后通过算例验证了该方法的实用性和可靠性。3)比较自组织映射和粗糙集理论两种空间缩减技术的优缺点,结合两种方法的优点,提出一种适用于高维优化问题的多级设计空间缩减技术。最后,以46000DWT油船的总阻力和桨盘面处伴流均匀度优化为例,验证该空间缩减技术的可行性。通过以上研究,本文提出一种基于SOM和粗糙集的多级设计空间缩减方法。该方法可以显著缩减设计空间,在缩减子空间内集中精力进行优化工作,将有助于提升优化效率,满足船型快速优化的工程需求。