无约束优化问题的一个新的DFP信赖域算法

在文献[1]的基础上,给出了一个新的DFP信赖域算法,此算法具有较好的性质,并给出了该算法的全局收敛性以及二次收敛速度.     

DPLR隐格式在多块结构网格的计算实现

利用DPLR隐格式收敛快、适于并行计算的特点,结合DPLR在多块结构网格的对接边界处理,提出了一种隐式对接边界条件数学模型与数值处理方法。以二维和三维球头绕流为算例,研究了网格分块方式对DPLR隐式算法稳定性和收敛性能的影响。通过返回舱复杂绕流问题数值模拟、气动特性检验分析以及与风洞试验对比,考察了算法在复杂外形数值模拟中的能力和高收敛性能特点:在非求解方向上进行网格分块,不会对DPLR算法的收敛性能产生影响;而在求解方向上进行网格分块,特别是分块位置在边界层内,会降低算法的稳定性和收敛性;提出的隐式对接边界条件处理方法,能改善在求解方向上进行网格分块造成的算法稳定性和收敛性能下降的问题。DPLR算法结合隐式对接边界条件能够成功应用于类返回舱外形体复杂流动数值模拟,且收敛速度较快。     

非结构同位网格SIMPLE类算法收敛性能比较

以非结构网格的SIMPLE算法为基础,将算法扩展为SIMPLEC算法.利用30°角的斜方腔流动计算成果,分析了非结构同位网格的SIMPLE/SIMPLEC算法的收敛性能;比较了因网格的非正交而引入的非正交项的取舍对该算法收敛性能的影响;并采用显式校正步法对SIMPLEC算法进行了显式校正.比较表明,在非结构同位网格SIMPLEC算法中可忽略非正交项,但有必要对压力作亚松弛.显式校正步法可显著地加速在非结构网格上求解N-S方程的收敛性能,而且在不同的松弛因子组合下,均有较好的收敛速率.     

基于鲁棒迭代学习的四旋翼无人机轨迹跟踪

针对四旋翼无人机高精度轨迹跟踪问题,充分考虑外部扰动等因素,提出了一种带遗忘因子的基于可变增益的前馈-反馈鲁棒迭代学习控制算法。其中,前馈迭代学习控制器采用选择迭代学习方案,弥补了传统的基于遗忘因子迭代学习控制方法的不足,且控制器学习增益可随迭代变化,可以加快算法的收敛性。反馈控制器采用比例-微分控制器,可以保持系统稳定并且加快跟踪误差收敛速度。最后通过收敛性分析和四旋翼仿真试验验证了所提出算法的有效性,所设计算法具有很好的鲁棒性和较高精度。     

基于动态因子的粒子群算法在航路规划中的应用

粒子群优化PSO(Particle Swarm Optimization)因其实现容易、精度高、调整参数少、收敛速度快等优点而在解决优化问题中得到了广泛的应用。分析了惯性权值及加速度因子对粒子群算法优化性能的影响,进而提出改进粒子群算法的方法:线性或非线性动态调整惯性因子,从而有效地提高算法的搜索能力;进行了仿真实验,仿真结果表明改进后的算法在全局搜优的速率与精度方面均有明显提高。     

迭代动力缩聚法的收敛性分析

 利用Lyapunov矩阵方程和Riccati矩阵方程解的理论,对迭代动力缩聚法的收敛性进行了分析证明,并给出了迭代收敛的充分条件。揭示了动力缩聚法与经典的子空间迭代法的内在关系,阐明了各自的优缺点。迭代动力缩聚法实质上是子空间迭代法的变形,它需要人为选择主辅自由度,而子空间迭代法需要人为选定初始迭代向量。从理论上讲,只有主辅自由度选择满足收敛的充分条件要求,才能保证迭代结果收敛到理论上的精确解。给出了一个数值算例,对几种算法进行了对比,并验证了本文的论点。     

小扰动线性化分析法在嵌入式大气传感系统中的应用

介绍了嵌入式大气数据传感系统三点法计算大气数据的方法,提出采用小扰动线性化分析法解决多变量叠代算法的收敛性分析,最后应用Matlab软件进行了计算验证。研究结果表明,在一般的超声速状态下(马赫数小于4.5),该算法是收敛的。     

流体网络节点残量修正算法的改进

为了提高流体网络求解的收敛性与稳定性,对网络节点残量修正算法进行改进。基于理论分析,提出使残量修正算法大范围收敛的初值赋值规律,并通过简单模型的数值分析加以验证;在节点残量修正显式迭代的基础上,提出隐式梯形迭代格式,扩大最大迭代步长。基于改进方法,以某典型航空发动机空气系统为例进行计算,获得空气系统各节点的压力、温度以及各支路的质量流量。该计算过程显示,相对于残量修正显式迭代,改进计算振荡大幅度减弱,收敛速度提高了80%以上。结果表明:改进算法有效地提高了流体网络求解的稳定性和收敛性。     

牛顿迭代收敛的加速

基于Newton迭代法单根的二阶收敛性和重根的线性收敛性,提出了加速牛顿迭代收敛的思想。利用反函数的性质,取Taylor展开式的前三项进行迭代;并利用差商代替导数的方法,构造出更高收敛阶的迭代公式。大量的数值实验结果表明,本文算法理论上的推导是完全可行的,且有效地提高了迭代公式的收敛速度。     

基于改进的混合粒子群算法的变循环发动机模型求解

为了降低变循环发动机模型求解时对初始值的依赖性,提升算法的全局收敛性,同时提高模型求解的效率,提出了一种基于改进的混合粒子群算法的变循环发动机模型求解思路。首先建立了变循环发动机的部件级模型,并建立了发动机的共同工作方程组;然后采用Broyden法对牛顿-拉夫森算法中的雅可比矩阵进行更新计算,在经典粒子群算法的基础上引入粒子中心,作为干扰项,并引入限制因子和自适应时变惯性系数;最后,综合了两种改进的算法,提出改进的混合粒子群算法。实验结果表明:该算法不仅继承了牛顿-拉夫森算法的高计算效率,还吸收了改进的粒子群算法的全局收敛优点,可实现模型大范围收敛。     

一种制导误差分离的新方法

针对制导误差分离模型中环境矩阵S存在严重病态性,从而影响分离结果精度问题,提出了一种基于动力系统求解的制导误差分离方法。该方法从分析线性迭代求解方法入手,将具有病态特性的线性方程组求解问题转化为对相应刚性动力系统的求解问题。这里给出了该方法收敛性及其他特性的证明。为了验证该方法效果,在遥外测视速度误差分别为0.01m/s、0.02m/s以及0.03 m/s的条件下,选用PB(Primary Bayesian,主成分贝叶斯)估计方法与其进行比较,数值结果表明,该方法可有效地降低环境矩阵病态性对误差分离结果的影响,且分离结果的稳健性和精度都优于PB估计方法得到的结果。     

遗传算法在求解航空发动机非线性模型中的应用

将求解发动机非线性模型转化为一优化问题，提出一种用遗传算法(GA)来求解非线性模型的方法。与传统的N-R法相比，用GA法对初猜值的精度没有要求。对猜值缺少先验知识的非线性方程组的求解，GA法可大大提高求解非线性模型的收敛性。将GA算法与N-R法适当地组合应用，可进一步提高收敛速度。     

Optimization Based on Convergence Velocity and Reliability for Hydraulic Servo System

This article presents an optimal hybrid fuzzy proportion integral derivative (HFPID) controller based on combination of proportion integral derivative (PID) and fuzzy controllers, by which the parameters could be evaluated by global optimization either in convergence velocity or in convergence reliability. Focusing on the nonlinear factors of hydraulic servo system, this article takes advantage of PID and fuzzy logic controller integrated with scaling factors to acquire precise tracking performances. To further improve the performances, it provides new developed optimization with rapid convergence to attain reliable approach probability. Focusing on the performance indictors of evolutionary algorithm, this article presents a new technique to predict reliability of the optimization algorithm. Statistics authenticates the effectiveness and robustness of the optimization. Further, many simulation and experimental results indicate that the optimal HFPID could acquire perfect immunity against parametric uncertainties with external disturbance.     

基于改进Q学习的IMA系统重构蓝图生成方法

重构蓝图定义了故障状态下系统软硬件资源的重新配置方案,是实现综合模块化航空电子系统重构容错的关键。提出了一种基于改进Q学习的重构蓝图生成方法,综合考虑负载均衡、重构影响、重构时间、重构降级等多优化目标,并应用模拟退火框架改进探索策略,提高了传统Q学习算法的收敛性能。实验结果表明,与模拟退火算法、差分进化算法、传统Q学习算法相比,本文提出的改进Q学习算法效率更高,所生成重构蓝图质量更高。     

基于混合遗传算法的航空发动机PID控制参数寻优

结合某型航空发动机的比例积分微分控制(PID)参数整定与优化问题, 提出了一种全局最优且与初值无关的优化算法.算法采用与单纯形相结合的混合遗传算法, 结合了遗传算法良好的全局收敛性和单纯形算法的优秀的局部搜索能力, 提高了搜索速度与精度.仿真结果表明这种方法具有较好的收敛性与稳定性.      

基于启发式模拟退火的多边形近似算法

将曲线多边形近似问题转换为最小化代价函数的问题,利用模拟退火算法对其求解最优解,并采用启发式方法将曲线的局部特征作为先验知识引入退火过程加速其收敛。通过实验比较表明,该方法在数据压缩率和近似误差等方面具有更好的性能,且压缩了运行时间。     

非线性MIMO系统神经网络自适应方法及其在飞控中的应用

提出了一种非线性系统的对角自回归神经网络模型。为了实现MIMO系统自适应控制,采用自回归辨识网络对未知非线性系统进行辨识,并将被控对象的误差灵敏度信息用于对角自回归控制网络训练。辨识网络和控制网络都用动态BP算法训练。实际某型飞机纵向模型的仿真结果表明,运用这种控制结构可得到较好的控制效果。     

基于约简遗传规划的线参数模型及在航空发动机起动建模中的应用

提出了一种新的约简遗传规划(PGP)算法和一种新的基于约简遗传规划的航空发动机起动动态线参数模型.这种模型采用遗传规划产生航空发动机起动模型的输入输出非线性模型集,并以二叉树结构表征函数项,运用正交最小二乘算法(OLS)估计二叉树分支(基本函数项)对于模型精度的贡献并去除复杂、冗余的函数项,从而加快遗传规划的收敛速度,最后通过GP进化可获得简单、可靠、准确的线参数非线性模型.发动机起动过程试车数据建模和与支持向量机的比较证明,这种方法可以产生适用性好、解析性强的线参数非线性模型,产生的模型可获得与支持向量机相当甚至更优的结果.     

Improving performance in pulse radar detection using neuralnetworks

A new approach using a multilayered feed forward neural network for pulse compression is presented. The 13 element Barker code was used as the signal code. In training this network, the extended Kalman filtering (EKF)-based learning algorithm which has faster convergence speed than the conventional backpropagation (BP) algorithm was used. This approach has yielded output peak signal to sidelobe ratios which are much superior to those obtained with the BP algorithm. Further, for use of this neural network for real time processing, parallel implementation of the EKF-based learning algorithm is indispensable. Therefore, parallel implementation has also been developed