用INSGA-Ⅱ进化NPCs的复杂行为

目前游戏中NPCs多目标行为进化是一个非常复杂的问题。对此建立了NPCs多目标优化的数学模型,并提出了一种NSGA-Ⅱ的改进算法——INSGA-Ⅱ。该算法在进行精英选择时,采用了基于K-均值聚类的方法联合了不同等级之间的个体进行集合划分,然后从不同的集合中选择下一代个体,从而更好地保持了种群的多样性。通过实例比较证明,在玩家和NPCs作战的游戏场景下,INSGA-Ⅱ能够得到NPCs复杂多目标控制问题的Pareto最优解,而且比NSGA-Ⅱ表现出更好的收敛性和多样性。     

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。     

改进人工蜂群算法及其轴流压气机优化应用

为了探索更优的全局优化算法并将其应用于轴流压气机气动优化上,将标准人工蜂群(ABC)算法中采蜜蜂和观察蜂探索新蜜源的方式进行改进,从而更好地利用总体蜜源的探索信息,得到改进人工蜂群(IABC)算法。经基准函数测试表明,改进算法既能提升全局寻优能力,又能加快收敛速度。采用IABC算法和经过校核的CFD数值方法搭建优化平台,对单级跨声速轴流压气机Stage35进行优化。优化变量为动叶和静叶径向6个截面的弯、掠、前缘重弯值和尾缘重弯值,以流量和压比相对变化保持在0.5%以内为约束条件,以提高绝热效率为优化目标。结果表明:在设计转速下,优化后设计点绝热效率提升0.83%,全工况范围内平均绝热效率提升2.0%,同时喘振裕度提升1.0%,验证了IABC算法在轴流压气机优化中的有效性。     

改进人工蜂群算法及其轴流压气机优化应用

为了探索更优的全局优化算法并将其应用于轴流压气机气动优化上，将标准人工蜂群（ABC）算法中采蜜蜂和观察蜂探索新蜜源的方式进行改进，从而更好地利用总体蜜源的探索信息，得到改进人工蜂群（IABC）算法。经基准函数测试表明，改进算法既能提升全局寻优能力，又能加快收敛速度。采用IABC算法和经过校核的CFD数值方法搭建优化平台，对单级跨声速轴流压气机Stage35进行优化。优化变量为动叶和静叶径向6个截面的弯、掠、前缘重弯值和尾缘重弯值，以流量和压比相对变化保持在0.5%以内为约束条件，以提高绝热效率为优化目标。结果表明：在设计转速下，优化后设计点绝热效率提升0.83%，全工况范围内平均绝热效率提升2.0%，同时喘振裕度提升1.0%，验证了IABC算法在轴流压气机优化中的有效性。     

基于社会模型改进粒子群算法的翼型优化设计

为了解决粒子群算法在寻优过程中全局最优和局部最优的矛盾,通过在粒子群算法优化过程中引入鱼类的聚群行为,发展了一种基于社会模型的改进粒子群算法。算法以粒子可视范围的不同用法为基础,提出了两种不同的优化策略,同时探讨了种群规模等参数对算法性能的影响,并通过函数测试结果证明了两种优化策略的有效性和不同的优化特性。将改进的优化算法应用在翼型的气动优化中,显著改善了翼型气动特性,提高了算法的全局搜索能力,取得了良好的优化效果。     

一种基于生物趋化的改进粒子群算法

针对标准粒子群算法进行多极点函数优化时易导致早熟收敛及陷入局部最优的问题,把生物趋化原理引入到粒子群优化算法中,改变传统粒子群优化算法只存在吸引操作而没有排斥操作的单向性,提出一种保持种群多样性的改进算法,并对其关键参数的选择进行了研究。仿真实验结果表明,与传统粒子群优化算法相比,基于生物趋化的粒子群算法对于处理复杂的多峰函数或优化问题,可显著提高算法的全局寻优性能。     

高超声速飞行器多目标气动优化设计

随着高超声速飞行器的发展,其外形优化受到了广泛关注。应用一种新型的改进多目标布谷鸟优化搜索算法(IMOCS),采用修正的牛顿法与面元法相结合来获得高超声速飞行器的气动性能,采用自由变形参数化方法(FFD)来进行外形的参数化,以最大化容积率和升阻比为设计目标,开展了高超声速滑翔飞行器的多目标气动外形优化设计,获得了综合容积率及升阻比性能更高的气动外形,验证了方法的有效性。最后,将IMOCS算法和当前主流的多目标优化算法NSGA-Ⅱ进行了对比,结果表明,IMOCS算法的效果明显优于NSGA-Ⅱ。     

基于蚁群算法的固体火箭发动机总体参数优化

为建立一种支持连续域、离散域混合变量的优化算法以用于固体火箭发动机总体参数优化,改进了基本蚁群算法,融入"网格划分"、"哑元化"和"变尺度局部搜索"三种策略,以改进算法的寻优性能和使用范围,其中局部搜索算法仍采用蚁群算法。使用了几个较具欺骗性的经典测试函数对改进蚁群算法进行了测试,计算结果表明改进蚁群算法找到全局最优值的概率较大。应用改进蚁群算法对固体火箭发动机总体设计中的两个重要总体参数——燃烧室工作压强和喷管面积比,进行了优化求解,获得了满意结果。诸算例的优化结果表明,该改进蚁群算法具有支持混合变量,全局寻优性能稳定和搜索精度高的优点,对工程优化设计问题具有较好的寻优性能和更强的适用性。     

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.      

基于改进AFSA的桨扇发动机加速控制计划优化

为了提升桨扇发动机的过渡态性能，提出了一种可以满足发动机性能参数约束和寻优结果正确性要求的桨扇发动机加 减速控制计划优化方法。引入自适应调整策略和半可行域对人工鱼群算法（AFSA）进行改进，经过数值验证，改进后的算法较原 始算法具有更快的收敛速度和更高的寻优精度。将推力与目标推力间的差值作为寻优目标，采用改进后的人工鱼群算法和序列 二次规划算法（SQP）对桨扇发动机的加速过程进行优化，得到了满足约束前提下的桨扇发动机时间最短的加速控制计划，结果表 明：与采用传统的基于梯度的序列二次规划算法相比，采用改进的人工鱼群算法进行离线分段寻优所得到的控制计划总加速时间 缩短了21.8%（0.58 s），证明了改进人工鱼群算法具有更强的全局寻优能力，更适用于桨扇发动机加速控制计划的优化。     

区间不确定性下的空中作战行动过程优选方法

针对空中作战行动过程（COA）设计问题,根据动态影响网（DINs）理论和改进快速非支配排序遗传（NSGA-Ⅱ）算法,提出一种基于DINs和区间多目标优化的空中作战过程优选方法。首先,分析空中作战过程基本概念,分别进行静态和动态建模,并对参数不确定性进行分析。然后,基于改进Kendall协和系数检验法确定一致性检验后的关键参数,设计DINs概率传播算法。随后,分析期望效果实现概率与各关键参数的相关关系,在分析行动过程优选效果评价指标基础上,采用改进NSGA-Ⅱ算法对模型进行求解。最后,通过多组仿真案例,验证了模型的合理性,以及算法的有效性和优越性。     

基于改进L-SHADE算法的航空发动机性能退化评估

针对航空发动机健康因子求解寻优精度差的问题，提出了一种基于改进L-SHADE算法的航空发动机性能退化评估方法。首先，采用多工作点分析方法拓展发动机健康因子估计的适应度函数，解决气路测量传感器数量不足的问题；其次，通过引入非线性种群缩减策略解决种群快速缩减的问题，同时通过改进的优化加权变异策略，改变不同迭代阶段贪婪算子的权值，增加算法的全局搜索和局部开发能力；最后，在30个经典基准函数上验证了改进算法的收敛精度和鲁棒性。对航空发动机性能退化评估的计算结果表明，改进L-SHADE算法增强了算法迭代前期的种群多样性和算法后期的开发能力，计算精度较标准L-SHADE算法平均提高了65.5%，能够满足工程精度要求，具有较强的工程适应性，能够应用于实际飞参数据，从而为发动机健康管理和性能监测提供理论依据。     

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。     

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。     

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.      

基于改进多目标布谷鸟搜索算法的翼型气动优化设计

布谷鸟搜索（CS）算法是一种新型的受自然现象启发的元启发式智能优化算法，其强大的全局搜索能力和收敛速度受到了广泛关注。多目标布谷鸟搜索（MOCS）算法是一种在单目标布谷鸟算法基础上发展的可以直接求解Pareto解集的多目标优化算法。针对原始MOCS算法的不足，采用一系列措施以提高算法的收敛精度、收敛速度以及解的均匀性：通过引入非支配排序与拥挤距离来改进解的适应度评估；通过改进随机游走策略来提高局部搜索能力；通过引入改进的自适应丢弃概率策略来提高算法的收敛速度；加入档案管理机制，提高解的均匀性。典型的多目标数值算例结果表明，改进的MOCS算法相较于当前主流的NSGA-Ⅱ算法拥有更快的收敛速度和更高的收敛精度。以RAE2822双目标升阻比优化设计为例，将改进的MOCS算法应用于多目标气动优化中，改进的MOCS算法共获得64个Pareto解，优化后的翼型气动性能有明显的提升，设计者可以根据自己的偏好选取不同的Pareto解。对于气动优化问题，改进的MOCS算法与目前主流的NSGA-Ⅱ相比，收敛速度更快。     

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CMVO的涡扇发动机加速过程优化控制

针对涡扇发动机加速过程控制寻优难的问题,提出了一种混沌多元宇宙优化算法。在多元宇宙优化算法的基础上加入混沌初始化和混沌搜索,增强了全局搜索能力。采用算法进行涡扇发动机加速过程优化控制仿真,并与可行序列二次规划算法、粒子群算法和多元宇宙优化算法进行对比验证。结果表明：算法能够实现加速过程的优化控制,发动机紧贴喘振边界加速,且满足各个约束条件。对燃油流量、喷口面积、风扇和压气机导叶角度四控制量同时进行优化时,其加速时间为3.8 s,优于其他三种算法。验证了算法具有较强的全局搜索能力,在涡扇发动机加速过程优化控制问题中具有一定的优势。     

改进的细菌觅食算法在航空装备维修任务调度优化中的应用

以海军航空装备定检维修工作为原型,将一种新兴的仿生全局随机搜索算法--细菌觅食优化算法应用到该类任务调度问题的解决中,对算法进行了改进,增强了全局寻优能力,并将其应用于工程实践,对维修任务工序进行优化调度.对于提高航空装备维修工作效率和指挥自动化水平,提高资源利用率,降低保障维修费用,有较好的应用价值.     

遗传算法在气动力参数辨识中的应用

将遗传算法推广用于气动力参数辨识，以取代通常采用的梯度类优化算法。通过采用遗传模拟退火算法对某型飞机的纵向气动力参数进行辨识计算及分析后，可以看到：(1)遗传算法是气动力参数辨识的一种新的有效方法，该算法不受参数初值选取的影响，具有较好的全局寻优特性；(2)遗传算法的计算效率受种群规模、遗传算法构造本身等因素的影响比较大。并且还有相当大的进一步完善与改进的空间。