基于混合遗传算法的航空发动机数学模型解法

针对发动机模型现有平衡方程迭代解法存在不收敛或计算效率差的不足,以涡轮风扇发动机为对象,结合遗传算法与牛顿-拉夫逊法的优点,设计了在模型不收敛点采用遗传算法与牛顿-拉夫逊法交替计算的平衡方程求解混合算法。理论分析与数值仿真结果表明,对于整个模型而言,该算法既保持了牛顿-拉夫逊法的高计算效率,又吸收了遗传算法全局收敛的优点,可实现模型大范围收敛。     

引入平均最好位置的量子粒子群算法及在航空发动机非线性模型求解中的应用

为改善粒子群算法的全局搜索能力和计算精度,在标准粒子群算法和量子理论的基础上,将平均最好位置引入粒子的状态更新过程,提出了1种基于量子行为改进的粒子群算法及不同的收缩-扩张因子取值策略.采用该量子粒子群算法对建立的典型双轴涡扇发动机部件级非线性模型进行了求解,结果表明:分段线性递减收缩-扩张因子适用于复杂的航空发动机隐式模型,其收敛效率和精度都较高,具有一定的工程应用价值.     

粒子群混合算法在变导向器面积计算中的应用

求解非线性方程组经典方法具有严格的局部收敛性;粒子群等进化算法解决了全局收敛的问题,但计算效率偏低,存在最优解不稳定的问题。结合经典Newton-Raphson法的超线性收敛速度和粒子群算法全局收敛能力的粒子群混合算法具备2类算法的优点。在迭代初期采用粒子群算法获得的近似全局解作为Newton-Raphson算法的初始值,以确定高精度的解。利用粒子群混合算法在发动机变导向器面积的大偏离计算中获得了较好的收敛效果,解决了常规Newton-Raphson法不收敛的问题。     

基于微分进化算法的航空发动机模型修正

为了提高航空发动机性能仿真模型精度,采用微分进化算法对发动机部件特性进行修正.对微分进化算法进行改进,提出折线式交叉变量变化方式,提高了算法的寻优能力.提出变步长牛顿-拉夫逊迭代算法,基于平衡方程残差范数变化趋势,改变牛顿-拉夫逊算法迭代计算步长,提高了模型的收敛性和收敛速度.在设计点,对各部件特性、引气系数、总压恢复系数进行修正,使修正后的模型输出与试验数据相匹配.仿真结果表明:改进后的牛顿-拉夫逊迭代算法收敛性更强、计算速度更快,修正后的各输出参数的最大建模误差减小到1.3762％,满足建模误差需求.     

基于粒子群算法的发动机部件模型求解

传统求解航空发动机部件模型中的非线性方程和共同工作方程组的方法因对初值的依赖使得模型并不总能收敛。首先针对模型中的非线性方程求解的特点,在带邻域的粒子群算法的基础上,将收敛因子、被动聚集压力因子和自适应惯性权重引入算法,提出一种混合粒子群算法HPSO1。而对模型中的共同工作方程组的求解,则是在基本粒子群算法的基础上,将收敛因子和被动聚集压力因子引入基本粒子群算法,提出另一种混合粒子群算法HPSO2。实验仿真表明HPSO1和HPSO2均克服了对初值的依赖性,因而对发动机部件模型求解是有效的。     

基于混合多目标粒子群算法的飞行器气动布局设计

 为了提高多目标优化算法求解非劣解集的效率,在多目标粒子群算法的基本框架中引入了Pareto过滤算子、小生境技术和模拟退火算法,建立了全新的混合多目标粒子群算法。该算法具有运算收敛快,所得非劣解集分布均匀、广泛的特点。将其应用于求解以升阻比和效用体积最大化为目标的再入式高超声速飞行器气动布局多目标优化设计模型,将计算结果与原始多目标粒子群算法的计算结果进行对比,体现出本文提出的混合多目标粒子群算法能够更加有效地求解复杂多目标优化设计问题的非劣解集,从而为多目标决策提供有力的支持。     

涡轴发动机高精度实时部件级模型研究

提出了基于神经网络的涡轴发动机共同工作方程求解方法。在基于牛顿-拉夫逊迭代法求解共同工作方程的模型上采集离线训练数据,以共同工作方程迭代求解前的残差为输入,迭代收敛后的共同工作方程猜值修正量为输出,训练BP神经网络,对共同工作方程进行求解。采用变缩放因子的萤火虫算法优化神经网络参数,提高了猜值修正量的预测精度。在飞行包线的某一区域内,采集额定发动机在直升机前飞过程的数据进行神经网络离线训练,并将网络参数代入部件级模型对共同工作方程进行求解,在训练数据采集区域附近的爬升状态、远离训练数据采集区域的前飞状态下进行测试,计算模型输出与牛顿-拉夫逊迭代算法模型输出的偏差,与一次通过算法相比,本文提出方法模型输出最大偏差约为一次通过算法的1/34到1/4,模型运行耗时约为一次通过算法的2/5,验证了算法的有效性。     

基于混合粒子群算法的航空发动机数学模型解法

以双转子混合排气涡扇发动机为研究对象,研究了粒子群算法(PSO)应用于航空发动机性能仿真时,控制参数对模型收敛性的影响,并结合N+1点残量法的优点,提出了在模型不收敛点采用粒子群算法与N+1点残量法交替计算的混合算法。理论分析与数值仿真结果表明,该算法既保持了N+1点残量法的高效率、高精度计算,又继承了粒子群算法大范围收敛的优点,可实现模型大范围、高效率、高精度收敛。     

遗传算法在航空发动机非线性数学模型中的应用

收敛性是航空发动机非线性数学模型的重要指标。现有发动机平衡方程迭代解法还不能保证模型大范围收敛。以某涡扇发动机为对象,采用遗传算法求解发动机非线性数学模型,将模型中的发动机平衡方程求解转换为极小值优化问题,建立了遗传算法计算模型,重点分析了采用遗传算法求解的适应度函数设计方法。数值仿真结果表明,与牛顿-拉夫逊解法相比,采用遗传算法方法可实现模型大范围收敛。     

粒子群优化算法求解航空发动机模型的应用

将粒子群优化(PSO)算法引入到发动机模型的求解中,利用粒子群优化算法所具有的群体智能和记忆功能,能够较快地求解模型,克服了N-R法求解发动机模型时对初值的敏感以及需要函数求导的困难.计算结果表明,粒子群优化算法求解发动机模型比N-R法具有更好的收敛性和更高的精度.