文章探讨了生成式AI在船舶设计中的应用，聚焦船体形式优化。传统方法依赖人工迭代，成本高且耗时，而生成式AI利用机器学习算法（如高斯混合模型）从大型数据集中学习模式，生成新颖设计。研究采用SHIP-D数据集（含30,000个参数化船体），通过聚类和降维预处理数据，训练GMM生成创新船体。生成设计经Michell积分计算阻力并优化，验证了该方法在效率和多学科优化上的优势。
船舶设计是复杂且耗时的过程，船体形式占总成本约70%。传统方法依赖人工迭代，结合海军工程原则和流体力学分析，但优化周期长且创新受限。生成式AI提供新范式，通过计算算法自动探索设计空间，生成非传统方案，显著缩短设计时间并整合多学科约束。
生成式AI基于机器学习技术（如遗传算法和GANs），利用现有设计数据集学习模式并生成新船体。文章采用SHIP-D数据集，包含30,000个船体形式，每个由45个参数定义，涵盖主尺寸、横截面、锥形区域和球鼻艏几何。数据集分为三部分：多样化特征船体、无球鼻艏小型船体（如拖船）和大型船体特征（如军舰），确保真实场景覆盖。
应用K-means聚类识别数据模式，通过肘部法和轮廓法确定最优簇数（6簇）。t-SNE降维技术将45维参数压缩至2维，可视化高维数据分布，揭示船体形式的潜在结构，为模型训练奠定基础。
选择高斯混合模型（GMM）作为生成架构。GMM通过混合多个高斯分布建模数据概率，使用期望最大化算法优化参数。模型训练包括数据清洗、超参数调优（如学习率），并最大化似然函数，实现软聚类以捕捉设计多样性。
通过随机采样GMM概率分布生成新船体设计。生成方案需满足可行性条件：水密性和无自交表面。文章采用代数方法验证，避免计算密集型网格生成。生成设计通过唯一性检查，确保其不同于训练数据，体现创新性。
使用Michell积分计算船体阻力，整合波浪阻力和摩擦阻力。波浪阻力基于势流理论，忽略黏性效应；摩擦阻力采用ITTC公式。优化过程以10节航速和5米吃水为输入，循环调整设计直至阻力低于5000N。该方法计算高效，支持参数化研究，优于传统CFD分析。
生成150个低阻力船体（阻力<5000N），形成新数据集。t-SNE可视化确认生成数据分布与原始训练集一致。生成式AI实现多学科优化，综合流体力学、结构稳定性目标，缩短设计周期至分钟级，为定制化船舶设计提供高效框架。