本文提出一种基于奖励引导的扩散模型框架，用于船体局部几何优化。通过在数据集生成阶段使用参数掩码，仅对船首的球鼻和前体等选定变量进行几何修改，同时保持全船体的连续性。\
在优化过程中，采用代理模型辅助的顺序蒙特卡洛采样，目标是降低预测的平静水阻力，并通过训练数据约束保证船体的稳定性和排水量匹配。\
为评估生成的船体变体，构建了全自动的粘性自由表面 CFD 流程，并在两个基准集装箱船上进行验证。结果显示，在匹配 KRISO Container Ship (KCS) 排水量的情况下，生成的变体在 $F_n=0.195$ 时的总阻力与基准相当，但在 $F_n=0.250$ 与 $0.260$ 时阻力提升了 45%~50%，这一现象在经验筛选中未被捕获。\
与之对比，经过海军建筑师在相同表示下手工优化的 GenHull E 在 $F_n\le0.240$ 时总阻力降低 6%~8%，但在 $F_n\ge0.250$ 时阻力反而升高，原因在于摩擦阻力与压力阻力的趋势相反，导致整体收益被抵消。\
对阻力的整体聚合会掩盖摩擦与压力分量分别评估时出现的权衡。评估结果表明，当前模型难以表示光滑的球鼻形状，且奖励函数缺少对粘性压力和稳定性的约束。该研究展示了高保真评估在改进生成模型表示和目标设定方面的关键作用。\
点评