随着人类对空间的探索以及对更快速交通工具的追求,更加高效和安全的飞行器设计变得更加被人们需要。飞行器设计作为空气动力学的一个应用,是当代最重要的学科领域之一。空气动力学是研究空气的运动规律以及空气与物体之间的相互作用力的科学。现代飞行器设计过程不仅运用到了空气动力学的基本原理,还和计算机相关技术进行了结合。机翼是飞行器产生向上升力的重要组件和来源,它通常具有以机身作为中轴的对称面。从垂直于机翼对称面的方向,截取得到的平面称为翼剖面（profile）或者翼型（airfoil）。由于翼型设计的好坏在很大程度上决定了机翼以及“机翼-机身”整体的气动性能,因此通常在飞行器设计前要进行的一项必不可少的工作就是翼型气动外形的设计和优化。空气动力学外形优化（Aerodynamic Shape Optimization,ASO）通常需要使用计算流体力学（Computational Fluid Dynamics,CFD）来进行数值模拟仿真,由于空气动力学外形的设计空间往往具有高维度的特征,而该过程通常会耗费巨大的计算机算力。解决此问题的一种方法是将设计空间进行降维处理——例如,过去传统方法通过构造低维度的参数方程,进而替换为对这些参数进行优化。然而这些方法通常不能准确地提取主要特征变量,其优化结果往往不够理想。相比之下,本文基于机器学习理论,采用了基于生成式对抗网络（Generative Adversarial Networks,GAN）进行气动外形降维的方法,该方法能够从UIUC翼型数据库中学习翼型形状的变化特征,从而达到降维和提取可解释特征变量的目的,最终加速气动外形的优化过程。本文方法和研究内容概括如下:1.翼型设计空间降维方法的探索。在传统气动外形优化方法面临需要耗费巨大计算力的难题下,探索了基于机器学习算法的翼型设计空间的降维方法。主要方法有基于主成分分析法（Principal Component Analysis,PCA）的线性降维方法以及基于生成式对抗网络的非线性降维方法,最终它们能够加速优化收敛的速度。2.在面临使用基于UIUC数据库的翼型数据集的场景下,探索适合气动外形作为输入数据的生成式对抗网络的结构。针对UIUC翼型曲线数据,结合Info GAN和翼型曲线参数化技术,构造创新的生成式对抗网络,从而能够生成逼真的翼型曲线,同时能够提取相关可解释的翼型特征,提升模型精度。3.探索能够对于GAN生成的翼型数据结果进行分析的方法。主要对GAN生产的翼型曲线进行分析,从而提取出具有物理意义的潜在编码（latent code）特征变量,在翼型设计空间降维的同时获得具有可解释性的潜在编码。