弹道导弹总体参数的混合遗传算法全局优化

液体火箭发动机推进弹道式导弹总体设计参数的全局最优化问题是亟待解决的计算问题。遗传算法具有全局搜索能力强、鲁棒性强、适于并行处理的特点,而Powell算法具有很好的求解局部最优解的能力。将两种方法进行有效改进后使之相结合,设计出并行全局最优化混合遗传算法。并以此为基础,建立了液体火箭发动机推进弹道式导弹总体优化设计模型。以液体火箭发动机推进弹道式导弹的起飞质量最小为目标,对液体推进剂弹道式导弹设计参数进行了优化设计。数值优化结果表明:该混合算法提高了搜索全局最优解的速度,优化精度高,且避免了初值敏感、病态梯度和局部收敛等问题,能够搜索到全局最优设计参数。     

基于SVR-PSO改进算法的航空发动机稳定性控制

在多变量发动机寻优控制中,用支持向量回归算法(SVR)对粒子群优化算法(PSO)进行改进可以有效避免局部最优解的出现.将改进算法应用于航空发动机实时稳定性控制,根据发动机仿真计算程序计算出发动机在各工作点处的稳定裕度,根据控制参数的变化域进行全局寻优,寻找满足压缩系统稳定裕度最小的工作点.仿真和分析表明:该算法实时性高,收敛速度快,具有较强的全局寻优能力,能在保证发动机稳定裕度最小的同时有效降低涡轮前温度和耗油率.      

改进型蚁群算法的全局路径规划仿真研究

针对传统蚁群算法收敛较慢的问题,提出了一种在复杂环境下全局路径规划的改进型蚁群算法。利用链接图法建立了路径规划的空间模型;借鉴狼群分配原则对信息素进行更新;在缩小搜索区域,提高搜索效率的过程中,引入了启发式概率公式和启发函数;通过参数自适应调整策略,进一步对最优解进行了优化。将基于Dijkstra算法的初始路径规划和改进后蚁群算法的规划结果进行了仿真对比,结果表明,改进后蚁群算法的全局优化性能较好,具有一定的有效性和可行性。     

一种改进的果蝇优化算法及其在气动优化设计中的应用

果蝇优化算法(FOA)是一种新的群体智能优化算法,具有良好的全局收敛特性。为进一步提高FOA的寻优性能,将其引入到气动优化设计中,发展形成了改进的果蝇优化算法(IFOA)。IFOA通过引入惯性权重函数动态调整搜索步长,有效实现了算法全局搜索和局部搜索之间的动态平衡,提高了算法整体搜索效率和寻优精度;对于多维优化问题,IFOA每次搜索仅随机扰动其中一个决策变量,并在每个迭代步内将所有优秀果蝇个体(可行解)结合产生一个全新的果蝇个体进行一次搜索,大大加快了算法的收敛速度。函数测试结果表明,IFOA显著提高了FOA的寻优性能。将IFOA应用到气动优化设计中,翼型反设计和单/多目标优化设计的算例表明,IFOA是一种简单高效的优化方法,可广泛应用于气动优化设计。     

改进粒子群优化算法在亚轨道飞行器固液混合发动机设计中的应用

针对粒子群优化算法在求解多维复杂优化问题时容易陷入局部最优的缺点,提出了动态目标粒子群优化算法,通过分析寻优过程中粒子与个体最优位置和全局最优位置之间存在的位置关系,建立了新的速度更新公式.最后,应用该算法对某型号亚轨道飞行器固液混合发动机进行了优化设计.仿真结果表明,改进算法搜索能力强、收敛速度快,能有效解决此类问题,可为亚轨道飞行器的发动机优化设计提供理论参考.      

考虑轴承游隙的非线性动力学轴承-转子系统优化

针对一类带动态性能约束的轴承-转子系统优化设计存在的问题,做如下改进工作:一是在目前一类轴承-转子系统优化模型基础上,将轴承游隙作为设计变量,考虑轴承游隙的影响;二是提出了一种演化算法/线性搜索的混合算法,将优化过程分为两个阶段,首先采用演化算法对问题全局寻优,求得给定代数时的优化解,再以此解作为新的初始解,采用线性搜索方法进行局部搜索.经数值仿真表明:该优化模型中增加考虑轴承游隙后,对优化结果有较大影响;提出的混合算法克服了使用线性搜索方法难以确定初始解的问题,在同等计算精度和耗时情况下,该方法求解成功率较高.      

基于DMOM算法的航空发动机性能寻优控制

提出一种分散迁移优化算法(DMOM),可实现多峰值优化问题的全局最优解搜索.该算法通过随机选择参考粒子,不断迁移搜索自身所处区域峰值点,再通过分散操作排除局部最优点,重新生成新个体,可快速搜索到全局最优区域.将DMOM应用于航空发动机性能寻优控制仿真,结果表明:在最小油耗和最低涡轮温度模式下, DMOM的寻优速度相比遗传算法(GA)和粒子群算法(PSO)提高了2倍以上;同时DMOM的优化精度相比自组织迁移算法(SOMA)提高了60%以上,相比可行性序列二次规划(FSQP)算法提高了20%以上.验证了DMOM相比其他优化算法有更强的跳出局部最优的能力,在航空发动机最小油耗和最低涡轮温度这类多峰值寻优问题中具有明显的优势.      

基于截尾概率-非概率混合模型的可靠性优化算法

针对工程中截尾概率变量与非概率变量同时存在的情况,给出一种新的截尾概率与非概率混合可靠性模型。在该混合可靠性模型基础上,按照可靠性指标(RIA)法给出双层嵌套可靠性优化模型,并采用改进搜索策略后的ST-Powell优化算法在外层搜索设计变量的最优值,内层采用能保证收敛的改进的有限步长迭代法求解混合可靠性指标。数值算例表明,改进搜索策略后的ST-Powell优化算法的全局寻优性得到显著提升;改进搜索策略后的ST-Powell优化算法与改进的有限步长迭代法相结合求解双层嵌套混合可靠性优化模型的正确性得到验证,且对于非线性程度较高的极限状态函数同样能够得到满足截尾概率与非概率混合可靠性模型指标要求的最优解,并对工程结构算例具有很好的适应性。     

基于改进启发式蚁群算法的无人机自主航迹规划

无人机自主航迹规划是未来无人机作战使用的关键技术难题。针对传统航迹规划方法存在的求解效率不高、实时性较差、容易陷入局部最优等缺点,提出一种基于改进启发式蚁群算法的无人机航迹规划。算法前期使用Dijkstra 算法进行初始化航迹,引入启发式信息,提高搜索效率;采用Logistic 混沌映射初始化信息素,增加解的多样性,提高算法收敛速度;算法中、后期采用多航迹选择策略和模拟退火机制,提高全局搜索能力,避免因收敛速度过快,陷入局部最优解。对该算法进行仿真分析,结果表明：在存在威胁和障碍的复杂环境中,本文的改进蚁群算法与标准蚁群算法相比,能够有效规划出一条从起点到终点的航迹,并且寻优精度更高,收敛速度更快,具有一定应用价值。     

基于自适应连续蚁群算法的卫星星座设计(英文)

蚁群算法是一种解决多变量问题的新型启发式仿生算法。本文分析了卫星对地面的覆盖条件,提出用——/(n 1)重覆盖率来评价星座的覆盖性能,建立了以覆盖性能为目标函数的卫星星座参数优化模型。采用蚁群算法对卫星星座参数进行优化,为星座优化问题提供了一种新方法。在连续蚁群算法的基础上对算法进行改进,提出蚂蚁种群数量的自适应准则,有效的提高了搜索范围与收敛速度。通过仿真表明,与其他方法相比,蚁群算法在星座参数优化有着明显的效率。     

基于混合蚁群算法的柔性模糊车间作业调度

采用蚁群算法作为全局搜索算法,提出一种混合搜索策略,用于求解柔性模糊Job Shop调度问题.根据模糊Job Shop调度问题解的特性,提出基于     

蚁群算法的改进设计及在航迹规划中的应用

将蚁群算法与人工势场算法相结合，提出了一种新的寻优算法。在算法的设计过程中，首先引入人工势场法进行蚁群算法初始信息素的分配，避免了在迭代初始阶段，信息素太少与启发信息不成比例而使得蚂蚁集中在启发信息最强的路径上，从而陷入局部最优的问题。其次，通过引入势场引导函数改进蚁群算法的状态转移函数，避免了在三维空间中蚂蚁搜索容易忽视节点周围障碍物因素，从而陷入盲目选择导致搜索时间过长的问题。将优化算法应用于无人机三维航迹规划问题的求解，并通过仿真验证了有效性。     

基于改进蚁群算法的结构形状优化

 对TACO算法进行了改进，引入最大最小蚁群算法，并提出正实数编码方法和添加常数项的信息素更新技术，以增大算法搜索范围，简化搜索过程，降低挥发系数、信息素上下限等参数和优化函数值对算法的影响程度，改善算法的性能，提高算法的普遍适应性，并通过3个函数的优化求解，证明了其有效性。对于目标函数为隐式的复杂结构优化问题，提出将改进的蚁群算法与有限元方法相结合的方法，发展用于航空发动机涡轮盘的结构形状优化分析，结果表明所提出的方法是成功的。     

基于粒子群和人工蜂群混合算法的气动优化设计

现代启发式智能算法存在全局与局部搜索能力的平衡问题,针对此问题,采用双种群进化策略和信息交流机制,提出一种基于粒子群算法和人工蜂群算法相结合的新型混合优化算法——MABCPSO,并分别进行函数测试和翼型的气动优化设计验证。结果表明:MABCPSO新型混合优化算法具有更好的寻优能力,相比粒子群算法和人工蜂群算法,该算法能以更少的进化代数分别提高1.7%和2.2%的减阻效果。     

数字化城市交通向导仿真的蚁群优化算法

以求解旅行商问题的蚁群算法为基础,充分考虑交通向导最佳路径的具体要求,对算法的选择机制、更新机制以及协调机制作进一步改进,引入自适应的转移策略,并融入节约法,以克服基本蚁群算法计算时间长、易出现停滞等缺陷。以湖北荆门地区车辆选择路径为研究对象,采用蚁群优化算法建立了车辆最佳路径的模型,并对其进行了仿真分析。仿真实验结果表明,优化算法比基本蚁群算法的路径更优,寻路时间更短。     

敏捷成像卫星多星密集任务调度方法

 面向应急观测需求,对敏捷成像卫星多星密集点目标观测任务调度问题进行研究。针对敏捷成像卫星观测特点,综合考虑卫星可观测时间窗口、任务间卫星姿态调整时间、卫星最长连续工作时间、星上存储容量、卫星能量等约束,建立多星任务调度模型。提出了一种改进的蚁群优化(ACO)算法对调度模型进行求解。该算法借鉴了蚁群系统(ACS)和最大最小蚂蚁系统(MMAS)的思想,结合调度相关约束设计寻优策略和信息素更新策略。引入任务优先级、最早及最晚可观测时间等因素来控制转移概率。仿真结果验证了模型和算法的有效性。     

基于云蚁群算法的高效节能氩弧焊工艺参数优化研究

为在氩弧焊加工过程中提升效率的同时降低能耗,研究了一种氩弧焊高效节能工艺参数的多目标优化模型及算法。首先确定了以焊接速度及焊接电流为优化变量,在综合考虑焊接设备、工件特性、操作方法及焊接质量等约束的前提下,建立了以最小电能消耗以及最短加工时长为优化目标的多目标工艺参数优化模型;提出一种基于云模型的蚁群算法(CBACO)以对所构建的优化模型进行求解,其中包含一种适当的编码方式、一种局部与全局相结合的探索策略、一种基于云模型的变异因子、传统的单点交叉因子、单形交叉因子以及适当的选择策略;通过一个针对某航空器油箱的焊接实例,对所提出的优化模型及算法的实用性进行了验证,结果表明优化参数可在保证加工质量的前提下有效地节省时间60.41%~69.05%,节省电能34.88%~46.30%。     

蚁群算法在宽弦风扇叶片优化排序中的应用

从风扇转子的力学模型出发,推导了同时考虑三个维度质量矩的风扇转子静不平衡量和偶不平衡量的计算公式,并使用某型发动机风扇叶片装配和试车验证,结果表明考虑三个维度质量矩的不平衡量计算方法能显著减少配重块的使用,并减少配平次数。提出了基于邻域搜索改进的蚁群算法的风扇叶片排序优化方法,对某套风扇叶片进行优化排序。本优化算法的最优不平衡量比传统蚁群算法减少88.9%,比改进的遗传算法减少36.8%,优势明显。