填充函数法在发动机加力最小油耗模式控制中的应用

主要研究了航空发动机性能寻优控制(PSC)算法问题。提出一种用于解决非线性约束优化问题的基于填充函数方法(FFM)的实时优化控制策略。通过构造填充函数,该算法可以在优化计算过程中能够不断跳出局部最优点,使得算法本身具备了全局寻优能力。详细介绍了其算法主要内容与实现途径,基于上述的填充函数优化算法,以某型涡扇发动机加力最小油耗优化控制模式为仿真算例,验证了该算法在解决航空发动机性能寻优控制问题时,相比传统的序列线性规划方法在全局寻优方面具有更好的效果。     

增广拉格朗日子集模拟优化方法

传统的工程结构优化设计方法在求解多设计变量、多约束条件的结构优化设计问题时,存在诸多不足,针对上述问题,基于增广拉格朗日约束处理方法和子集模拟优化方法发展一种新的结构优化设计方法——增广拉格朗日子集模拟优化方法(ALSSO).该方法首先利用拉格朗日乘子法处理多重约束条件,然后利用子集模拟优化方法对转化后的无约束优化问题进行求解;对罚函数因子的更新方法进行改进,以保证收敛过程的稳定性;利用两个算例对该方法的计算精度、稳健性以及计算效率进行验证,并与其他优化方法进行对比.结果表明:增广拉格朗日子集模拟优化方法具有非常优秀的寻优性能.     

一种适用于气动优化的高效自适应全局优化方法

随着设计空间的增大和优化问题非线性程度的提高，基于代理模型的优化（SBO）过程收敛越来越慢，并且在局部勘测上呈现不足。本文发展了一种高效自适应全局优化方法，在整个样本细化迭代过程中采用变设计空间取样：即在每一步样本细化迭代过程中，利用当前设计空间中的样本建立代理模型，并且根据样本的内部特征，利用模糊聚类算法将该设计空间分割成几个子空间，然后在每个子空间内通过最大化目标函数的期望提高函数和最小化模型预测目标来增加新的样本，之后对子空间进行融合更新设计空间。6个解析测试算例的结果表明，所发展的方法相比于一般的代理模型优化方法，具有更好的鲁棒性以及全局探索和局部勘测能力，更适用于具有强非线性和多极值的优化问题。RAE2822气动优化实例表明，所发展的方法在处理工程实际问题时，仍然能够保持很好的效率、鲁棒性和自适应性。     

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。     

Dynamic neighborhood genetic learning particle swarm optimization for high-power-density electric propulsion motor

To maximize the power density of the electric propulsion motor in aerospace application, this paper proposes a novel Dynamic Neighborhood Genetic Learning Particle Swarm Optimization (DNGL-PSO) for the motor design, which can deal with the insufficient population diversity and non-global optimal solution issues. The DNGL-PSO framework is composed of the dynamic neighborhood module and the particle update module. To improve the population diversity, the dynamic neighborhood strategy is first proposed, which combines the local neighborhood exemplar generation mechanism and the shuffling mechanism. The local neighborhood exemplar generation mechanism enlarges the search range of the algorithm in the solution space, thus obtaining high-quality exemplars. Meanwhile, when the global optimal solution cannot update its fitness value, the shuffling mechanism module is triggered to dynamically change the local neighborhood members. The roulette wheel selection operator is introduced into the shuffling mechanism to ensure that particles with larger fitness value are selected with a higher probability and remain in the local neighborhood. Then, the global learning based particle update approach is proposed, which can achieve a good balance between the expansion of the search range in the early stage and the acceleration of local convergence in the later stage. Finally, the optimization design of the electric propulsion motor is conducted to verify the effectiveness of the proposed DNGL-PSO. The simulation results show that the proposed DNGL-PSO has excellent adaptability, optimization efficiency and global optimization capability, while the optimized electric propulsion motor has a high power density of 5.207 kW/kg with the efficiency of 96.12%.     

基于Proximal-Newton-Kantorovich凸规划的空天飞行器实时轨迹优化

针对空天飞行器大气层内上升段实时轨迹优化问题，提出一种基于Proximal-Newton-Kantorovich凸规划的轨迹优化方法。首先，应用Newton-Kantorovich迭代方法将轨迹优化问题转化为一系列的子问题，每个子问题都是一个线性最优控制问题；其次，针对Newton-Kantorovich迭代方法忽略运动方程中的高阶信息，导致难以收敛这一问题，提出Proximal-Newton-Kantorovich迭代方法，在子问题的性能指标中加入邻近规则化项，改善了Newton-Kantorovich迭代方法的收敛性；最后，将子问题离散为二阶锥规划问题，并应用内点法进行求解。提出的Proximal-Newton-Kantorovich凸规划方法是一种求解非线性轨迹规划问题的可行途径。理论分析表明，Proximal-Newton-Kantorovich迭代方法的收敛结果一定是轨迹优化问题的局部最优解。数值实验表明，此方法的计算时间在毫秒级。     

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.      

Sequential ensemble optimization based on general surrogate model prediction variance and its application on engine acceleration schedule design

The Efficient Global Optimization (EGO) algorithm has been widely used in the numerical design optimization of engineering systems. However, the need for an uncertainty estimator limits the selection of a surrogate model. In this paper, a Sequential Ensemble Optimization (SEO) algorithm based on the ensemble model is proposed. In the proposed algorithm, there is no limitation on the selection of an individual surrogate model. Specifically, the SEO is built based on the EGO by extending the EGO algorithm so that it can be used in combination with the ensemble model. Also, a new uncertainty estimator for any surrogate model named the General Uncertainty Estimator (GUE) is proposed. The performance of the proposed SEO algorithm is verified by the simulations using ten well-known mathematical functions with varying dimensions. The results show that the proposed SEO algorithm performs better than the traditional EGO algorithm in terms of both the final optimization results and the convergence rate. Further, the proposed algorithm is applied to the global optimization control for turbo-fan engine acceleration schedule design.     

超参数自适应的MOEA/D-DE算法在翼型气动隐身优化中的应用

MOEA/D-DE 算法易于实现，被广泛应用于处理多目标优化问题，但其超参数CR 和F 对算法性能影响较大。基于MOEA/D-DE 算法框架、利用Sobol 全局灵敏性分析方法对差分进化算子中的交叉控制参数CR进行改进，使用莱维飞行策略控制比例因子F，使算法中的超参数拥有自适应能力，得到超参数自适应的MOEA/D-DE 算法——MOEA/D-DEAH 算法；对MOEA/D-DEAH 算法、不同超参数设置的MOEA/D-DE算法和NSGAII 算法进行函数测试和翼型气动隐身优化算例对比。结果表明：MOEA/D-DEAH 算法性能良好，具有较强的鲁棒性，气动隐身优化效果也比其他算法更好。     

基于混合优化的运载器大气层内上升段轨迹快速规划方法

针对运载器大气层内的最优轨迹快速规划问题,提出一种将求解最优控制问题的间接法与直接法相结合的混合优化方法。首先,基于最优控制问题的一阶必要条件,将运载器大气层内的三维最优上升问题转化为Hamiltonian两点边值问题;然后,采用直接法中能以较少的节点获得较高求解精度的Gauss伪谱法进行求解,提高算法的求解效率;最后,采用真空解析解初值及密度同伦技术,解决初值猜测与算法收敛困难的问题。仿真结果表明,混合优化算法能够准确、快速地对运载器大气层内的最优上升轨迹问题进行求解,并在计算精度与效率上均优于间接法,可应用于运载器的轨迹在线规划与闭环制导。