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.      

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。     

基于免疫粒子群算法的滑油屑末支持向量机预测模型设计

将人工免疫理论的克隆选择算法中的抗体克隆、变异和抑制策略引入粒子群优化算法中,提出了一种基于克隆选择的免疫粒子群优化算法,克服了基本粒子群算法易于陷入局部最优解的缺点.针对支持向量机预测模型的参数选择影响其预测精度的问题,引入免疫粒子群优化算法设计了参数自适应优化的航空发动机滑油屑末支持向量机预测模型.仿真结果表明:与传统的交叉验证试算法相比,基于免疫粒子群优化的预测模型实现了参数的自动择优,并且提高了预测精度.      

基于改进粒子群算法的航空发动机状态变量建模

为了克服现有航空发动机状态变量建模过程中的不足,采用了一种改进粒子群算法建立航空发动机状态变量模型。首先改进了粒子群算法,提出一种每个粒子根据自身适应值动态调整其惯性系数方法来平衡搜索性能;对群体最优位置进行实时的代内更新以提高搜索速度;为避免陷入局部最优,在最优个体附近进行随机搜索。其次利用该算法建立航空发动机状态变量模型,根据航空发动机在稳态点处的线性化模型应与在该同一稳态工作点处的非线性模型响应一致的原则构造适应值函数,仿真结果表明所建立的状态变量模型不论是稳态过程还是动态过程都与非线性模型响应基本一致,建模精度较高,建立过程简便。     

基于模拟退火粒子群算法的波浪发电系统最大功率跟踪控制

波浪发电系统最大功率点跟踪控制中,传统粒子群算法存在早熟收敛和局部搜索能力不足问题,为此提出基于模拟退火算法的粒子群优化方案。该算法每次更新粒子的速度和位置时,通过比较当前温度下各个粒子的适配值与随机数的大小,从所有粒子中确定全局最优解的替代值,从而使粒子群算法在发生早熟收敛时能够跳出局部最优并快速找到全局最优解。仿真结果表明,与传统粒子群优化算法相比,模拟退火粒子群算法可有效避免波浪发电系统陷入局部最大功率点,并快速实现全局最大功率跟踪,提高了波浪能捕获率。     

基于SAPSO算法的异步电动机参数辨识

异步电动机等效电路参数的准确辨识对电动机的控制具有重要作用,同时,等效电路参数的变化可以反映电动机的运行状态,故参数辨识也被运用到电机故障诊断中。将现代最优化算法应用到三相异步电动机的等效电路参数辨识中。通过将粒子群优化算法(PSO)和模拟退火算法(SA)相结合,可以准确有效地对异步电动机的6个等效参数进行辨识,与遗传算法相比,SAPSO算法易于实现且收敛速度快。算法采用考虑铁耗的异步电机dq坐标系下的模型来实现,将温度对电阻参数的影响考虑在内。通过算例证明了算法能够有效地对电机参数进行辨识及跟踪电阻的变化。     

基于SPSO-SVR的融合航空发动机传感器故障诊断

针对航空发动机常见的传感器故障问题, 提出了一种利用改进的粒子群算法训练支持向量回归机, 并利用融合机制将其应用于传感器故障诊断.论述了用一簇支持向量回归机(SVR)预测器对传感器进行实时检测, 通过逻辑判断机制隔离故障传感器, 并且依据剩余的无故障传感器信息实现信号重构.以某型航空发动机传感器在其整个工作范围内受到的冲击、偏置和漂移故障为例, 验证了基于自协调粒子群优化支持向量回归机(SPSO-SVR)算法的融合诊断机制对传感器单一故障和多重故障具有较高的精度和计算效率.      

Particle swarm optimization applied to hypersonic reentry trajectories

This paper presents the novel use of the particle swarm optimization(PSO)to generate the end-to-end trajectory for hypersonic reentry vehicles in a quite simple formulation.The velocitydependent bank angle profile is developed to reduce the search space of unknown parameters based on the constrained PSO algorithm.The path constraints are enforced by setting the fitness function to be infinite on condition that the particles violate the maximum allowable values.The PSO algorithm also provides a much easier means to satisfy the terminal conditions by adding penalty terms to the fitness function.Furthermore,the approximate reentry landing footprint is fast constructed by incorporating an interpolation model into the standardized bank angle profiles.Numerical simulations demonstrate that the PSO method is a feasible and flexible tool to generate the end-to-end trajectory and landing footprint for hypersonic reentry vehicles.     

飞机飞行控制系统参数多目标优化设计研究

针对传统飞行控制律参数单目标优化设计不能同时满足多控制指标要求,且与飞行品质要求缺乏相关性,物理意义不明确等缺点,提出了一种基于改进粒子群算法的飞行控制律多目标优化设计方法。算法模拟鸟类捕食过程,使得种群随着"食物"的发现和消耗,聚集为数量和构成动态调整多个子群,且子群粒子速度也随之进行自适应变异,从而有利于维持种群的多样性,有效抑制早熟收敛现象发生。最后,使用改进的粒子群优化算法对某型飞机纵向控制律设计进行数值仿真,结果显示,算法有效提高控制律优化调参效率,结果满足期望的飞行品质要求。     

一种线性辨识系统动态模型的自寻优算法

基于静态特性已知的线性时变系统,通过对其动态响应数据的分析,建立了随时间跳变的动态参数模型,提出了一种新的线性自寻优辨识算法。该算法在静态特性约束条件下,可估计模型的跳变时刻及结构参数。经对某航空发动机电子综合调节器燃油通道动态过程参数模型辨识的实例,验证了该算法精确快速。      

基于PSO算法的航空发动机起动燃油控制

针对航空发动机起动过程燃油流量优化控制的实时性要求, 提出一种新的航空发动机起动燃油控制方法——基于粒子群优化（PSO）算法的非线性预测控制.该方法在建立最小二乘支持向量机（LS-SVM）预测模型的基础上, 运用PSO算法实现其滚动优化功能.经实例验证, 燃油流量经过PSO算法优化控制后, 高低压转子转速的超调量减小, 并且其稳定的时间比没有经过优化控制的要快上56 s.由仿真结果可知, 该方法可以用于航空发动机起动过程燃油控制, 当给定的约束条件足够精确时, 能以较高的精度计算出最佳供油规律.      

基于改进PSO的飞行控制律参数多目标优化方法

针对传统飞行控制律参数单目标优化设计不能同时满足多控制指标要求,且与飞行品质要求缺乏相关性,以及物理意义不明确等缺点,提出了一种基于改进粒子群算法的飞行控制律多目标优化设计方法。该算法模拟鸟类捕食过程,使得种群随着"食物"的发现和消耗,聚集为数量和构成动态调整多个子群,且子群粒子速度也随之进行自适应变异。从而,有利于维持种群的多样性,有效抑制早熟收敛现象发生。最后,还使用改进的粒子群优化算法对某型飞机横侧向控制律设计进行了数值仿真,结果显示该算法有效提高控制律优化调参效率,可满足期望的飞行品质要求。     

基于自适应Kalman滤波的改进PSO算法

针对基于Kalman滤波的PSO算法在设计与应用过程中存在的不足,提出了基于自适应Kalman滤波的改进PSO算法。利用粒子群状态空间Markov链模型,建立粒子群系统状态方程;采用粒子的速度和位置作为观测量,构建观测方程;引入记忆衰减因子动态调整Kalman滤波模型参数及噪声方差阵,降低模型误差,提高粒子的位置估计精度。仿真实验表明:改进的PSO算法无论在优化精度、收敛速度,还是在稳定性方面都有很大的改进和提高,这就有效避免了粒子的"早熟"收敛问题;尤其在处理复杂多峰问题上,改进算法表现出很明显的优越性。     

基于PSO算法的舰载机舰面布放调度方法研究

基于智能粒子群(PSO)算法对戴高乐航母舰载机舰面布放调度问题的解决方法进行了研究。首先,分析了舰载机舰面布放调度的必备条件,包括设置舰面战位;测量计算舰载机由各个停机战位分别到2个准备战位的近似移动距离;分析了舰载机正常的出动流程;设计了不同数量舰载机的出动时间计算公式等。其次,将舰载机舰面布放调度问题转换为带有约束条件的多目标函数求最小解问题,并给出了数学模型。再次,分析PSO算法本身的特点、优点,给出其用于解决舰载机舰面布放调度问题的可行性,并具体分析了解决思路。最后,通过编制程序对该解决方法予以实现。实验结果表明,基于PSO算法的舰载机舰面布放调度问题解决方法是可行的,与实际要求也基本一致。     

基于改进粒子群优化模糊控制的MPPT算法研究

在光照强度和温度变化时,常规的最大功率点跟踪(MPPT)算法难以快速准确地跟踪光伏系统最大功率点。针对此问题,设计了一种改进粒子群优化算法(PSO)的模糊控制器。首先,依据常规MPPT特性,设计了一种带调整因子的模糊控制算法以快速收敛到最大功率点；然后,采用参数自适应PSO对设计的模糊控制器调整因子进行动态优化。仿真结果表明:所设计的参数自适应PSO优化模糊控制器能快速准确地跟踪最大功率点,保证了MPPT的动态响应速度和稳态精度,提高了光伏系统的工作效率。     

小型无人机气动参数辨识的新型HGAPSO算法

针对小型无人机(UAVs)研制中操稳特性和飞行控制律设计评估对气动参数辨识的需求,提出了一种混合遗传粒子群优化算法(HGAPSO)。该算法以粒子群优化算法(PSO)为主体,在粒子优化路径中,引入遗传算法(GA)的交叉变异操作,增强粒子群跳出局部最优的能力;同时采用Kent映射改进粒子种群的初始化,使初始种群在可行解空间内分布更加均匀,增强全局优化能力。基于仿真结果,依据辨识准度及辨识成功率,对比了HGAPSO、常规PSO和GA优化算法气动参数辨识的结果,然后用蒙特卡洛仿真测试随机观测噪声的影响,结果表明该算法兼备PSO算法高的搜索效率和GA算法的全局优化能力,对随机观测噪声不敏感。最后,通过设计小型UAV试飞示例进行综合应用评价,结果表明:HGAPSO算法基于真实试飞数据进行气动参数辨识取得了满意结果,具有良好的实用性。     

基于改进的粒子群优化算法的无人作战飞机航路规划

事先针对敌方防御区内的威胁部署和目标的分布情况,对无人作战飞机的飞行航路进行整体规划设计,可以综合减小被敌方发现和反击的可能性、降低耗油量,从而显著提高UCAV执行对地攻击(或侦察)任务的成功率.在对粒子群优化技术研究的基础上,将一种用于解决TSP的PSO算法加以改进,引入模拟退火的策略思想,借以克服PSO算法易陷局部最优的早熟现象,并在UCAV航路规划中加以运用.仿真实验表明,该算法简易而有效,用其优化出的航路能够满足UCAV飞行任务规划的需要.     

基于云自适应粒子群算法的高压转子复杂接触有限元模型参数修正

为建立更加准确的航空发动机高压转子的有限元模型,提出一种修正有限元模型描述航空发动机复杂接触的方法.将修正问题转化为求解定义在时域的误差函数的极小值,运用云自适应方法动态调整粒子群算法的惯性权重,使得算法在接近较优解时,惯性因子分布在云低端,有利于收敛得到更优解;当问题解较差时,其惯性因子分布在云顶端,有利于跳出局部极小点,扩大搜索范围.以仿真算例和实际航空发动机高压转子模型为例,通过与相关算法的修正结果比较,证明该算法是可行且有效的.      

Stochastic structural optimization using particle swarm optimization, surrogate models and Bayesian statistics

This paper focuses on a method to solve structural optimization problems using particle swarm optimization (PSO), surrogate models and Bayesian statistics. PSO is a random/stochastic search algorithm designed to find the global optimum. However, PSO needs many evaluations compared to gradient-based optimization. This means PSO increases the analysis costs of structural optimization. One of the methods to reduce computing costs in stochastic optimization is to use approximation techniques. In this work, surrogate models are used, including the response surface method (RSM) and Kriging. When surrogate models are used, there are some errors between exact values and approximated values. These errors decrease the reliability of the optimum values and discard the realistic approximation of using surrogate models. In this paper, Bayesian statistics is used to obtain more reliable results. To verify and confirm the efficiency of the proposed method using surrogate models and Bayesian statistics for stochastic structural optimization, two numerical examples are optimized, and the optimization of a hub sleeve is demonstrated as a practical problem.