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。     

粒子群算法在气动力参数辨识中的应用

将粒子群优化算法推广应用于气动力参数辨识,以取代传统的梯度类优化算法。通过采用加入动态改变惯性权重的粒子群算法对A型、B型战术导弹的纵向和横向气动力参数进行辨识计算及分析后,可以看到:(1)粒子群算法是气动力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)粒子群算法的计算效率受算法构造本身等因素的影响比较大、对粒子群规模不十分敏感,并且还有相当大的进一步完善与改进的空间。     

混合遗传算法及其在叶片自动优化设计中的应用

 在遗传算法中 ,采用单纯形法寻优取代变异运算构成混合遗传算法 ,以提高遗传算法局部搜索能力。算例表明混合遗传算法可有效提高搜索效率和对最优解的逼近程度。采用三次多项式和多圆弧方法生成叶型中弧线 ,三次多项式分布叶型厚度 ,对叶型进行参数化。将N S方程正问题流场数值计算与混合遗传算法相结合 ,构成叶轮机械叶型自动优化设计。尝试由气流转角、总压损失和叶型型面面积构成目标函数 ,对压气机叶型进行自动优化设计。     

一种基于遗传算法的动力学系统辨识方法

把遗传算法与最大似然法相结合，形成了一种基于遗传算法的动力学系统辨识方法，并以某轴对称战术导弹的非线性气动力参数仿真辨识为例，利用仿真技术，检验了该方法的实用性和有效性。结果表明，该方法是十分有效的。     

基于混合遗传算法的液氧/煤油补燃循环火箭发动机非线性稳态特性仿真

在建立数学模型的基础上,通过采用遗传算法与一般确定性算法相结合的混合遗传算法开发了有效的适于大范围参数扰动和工况调整的非线性稳态特性仿真程序,并利用该程序对液氧／煤油补燃循环液体火箭发动机系统的大范围参数扰动和工况调整的稳态特性进行了仿真计算。计算结果表明,混合遗传算法是解决该类问题的有效方法,对类似发动机的研制与改进具有一定的指导意义。     

混合遗传算法及其在翼型气动多目标优化设计中的应用

把基于实数编码的自适应遗传算法（SAGA）与可变容差法相结合，建立了数值优化设计中的混合遗传算法（HGA），并将其与翼型的气动分析相结合进行跨声速翼型的单目标和多目标气动优化设计。与自适应遗传算法相比，混合遗传算法的优化质量略有改善，优化效率有明显的提高。优化结果表明混合遗传算法在翼型单目标和多目标气动优化设计中是十分有效的。     

基于遗传算法的涡扇发动机最大状态性能寻优

对某型涡扇发动机的最大非加力寻优模式进行分析,在满足该发动机各部件的物理约束条件下,采用遗传算法对其进行性能寻优,提高其最大剩余推力值.寻优过程由基于GAlib类库的遗传算法和该涡扇发动机非线性数学模型结合编程实现.在此基础上,对遗传算法的主要运行参数进行分析和优化.在地面状态下进行仿真,其剩余推力值与设计点相比提高了4.84%.研究结果表明:遗传算法作为一种有效的全局并行优化搜索工具,适合于像涡扇发动机最大非加力状态性能寻优这样大规模、高度非线性及无解析表达式的性能优化问题;通过对遗传算法运行参数的优化,能有效的提高寻优速度并减小计算量,提高运算效率.     

一种扑翼飞行器气动参数的辨识方法

针对实际飞行中无法直接测量的扑翼飞行器气动参数辨识问题,结合刚体六自由度模型,提出一种基于迭代学习和人工鱼群法的扑翼飞行器隐式气动参数辨识方法。鉴于扑翼飞行器飞行试验中待辨识气动参数值难以直接测量、导致一般辨识算法中梯度难以求解的问题,提出基于摄动法的梯度方向寻优方法。考虑到待辨识参数数量及辨识结果对参数初始值的敏感性,该方法采用人工鱼群算法优化计算待辨识参数初始值。且针对迭代过程中损失函数易陷入局部最优和优化速度受限问题,采用变学习因子迭代学习策略。试验结果表明,所提出的算法能有效估算出扑翼飞行器气动参数。     

基于遗传算法的发动机控制通道数学模型辨识

由于控制器结构的变化,某型发动机电子调节器主要控制通道的动态响应过程为分段线性数学模型。为了获得精确的数学模型,对基本遗传算法进行了改进,提出了一种基于改进遗传算法的辨识算法,能有效辨识出系统的结构跳变时刻及其分段数学模型参数,仿真结果表明,该算法辨识的模型与实际系统接近,较之其它辨识算法具有计算稳定、辨识精度高和适应性强等优点。     

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。     

基于多岛遗传-模拟退火算法的气动外形优化

针对超声速翼型滑翔机的气动外形优化问题,提出了一种多岛遗传算法与模拟退火算法相结合的混合优化算法。首先,通过多岛遗传算法产生一个随机的初始种群,找到全局最优点附近区域的一个次优解;然后,将此次优解作为模拟退火算法的初值启动退火进程,缩小设计空间的范围,找到全局最优解。优化结果表明,所提混合算法可以有效地解决飞行器外形优化问题;在数量巨大的设计空间中,滑翔机的最优气动外形能够以较低的计算资源代价快速得到;双弧形翼型的气动特性较六边形翼型更有优势,叉形尾翼的静稳定性和控制效率高于十字形;优化后的外形极大地增加了滑翔机的滑翔距离。     

应用混合演化策略的机翼气动优化设计

把基于实数编码的遗传算法与可变容差法相结合,建立了数值优化设计中的混合演化策略(HES),并将其与机翼的气动分析相结合进行跨音速机翼的气动优化设计.与基准机翼相比,优化设计的机翼其气动性能有较大程度的改善,表明了混合演化策略在机翼优化设计中的有效性.与单纯的遗传算法(GA)相比,应用混合演化策略的气动优化设计具有更高的优化效率和优化质量.     

改进的模拟退火算法在翼型设计中的应用

通过研究模拟退火算法的机理和应用,对标准模拟退火算法进行了改进,并应用到翼型气动优化中。改进算法与标准算法相比,在耗费机时基本一致的情况下,优化了初始翼型NACA0012,使其设计点的阻力分别减小了30.16%和32.95%。由此可见,模拟退火算法在翼型气动优化设计中具有实用性和有效性,并且改进算法的优化效果更理想。     

基于模拟退火遗传算法的平面连续体结构的拓扑优化

采用遗传算法,用染色体基因映射结构离散化后的单元体,通过改变基因代码实现连续结构的拓扑。优化过程中,利用遗传算法进行结构优化,通过有限元技术对结构进行建模和分析。在遗传算法中,引入模拟退火的思想,实时调整结构优化的适应度函数,改善优化分析中个体所处的生存环境,提高优化分析效率,获得较优的结构拓扑效果。算例分析表明所提出的方法是有效的。      

基于代理模型方法的翼型优化设计

提出了基于代理模型的两步优化方法,用于翼型在黏性流场中气动外形的优化设计.第一步优化使用基于代理模型的遗传算法(GA)获得全局最优解的大致范围.以本征正交分解(POD)方法作为第一步优化中气动力计算的代理模型方法,降低遗传算法的计算量,并对其采样解的生成方法进行改进,提高了计算精度;第二步优化使用基于NavierSto...     

混合遗传算法的研究及其在压气机叶型优化设计中的应用

对混合遗传算法进行了初步研究,并以此为基础建立了压气机叶型优化设计平台。在遗传算法中引入模拟退火算法,增强了算法的局部寻优能力,提高了运行效率和优化质量。为维护群体的多样性,保证寻优的收敛,选择概率和交叉概率的设计可以随个体适应度和进化阶段的不同而自适应变化。二维叶型定义采用的是Bezier函数参数化定义方法。该方法可以较好的拟合叶型曲面,并通过少数控制点的调节灵活有效的修正叶型形面。对某压气机二维叶型的正问题数值优化结果表明本研究所建立的优化设计平台具有高效、可靠性好的特点。     

基于分层策略的翼型多参量气动优化设计研究

与基于梯度的优化方法相比,遗传算法因其极强的鲁棒性、随机搜索及优化结果全局性等特点在工程优化中得到越来越广泛的应用。为提高优化设计的效率,改进了传统的遗传算法,采用并行分层策略基因遗传算法开展了翼型多参量气动优化设计研究,包括翼型和多段翼型的基因编码、外形参数化,以及动网格技术。结果表明,并行分层策略在得到较优气动优化结果的同时,极大地缩短了优化时间,提高了计算效率,具有广阔的工程应用前景。     

基于自适应模拟退火遗传算法的月球软着陆轨道优化

 将自适应遗传算法与模拟退火算法相结合，形成一种自适应模拟退火遗传算法。该算法不但具备了自适应遗传算法的强大全局搜索能力，也拥有模拟退火算法的强大局部搜索能力。针对月球软着陆轨道优化的特点，利用一种新的参数化方法将轨道优化问题转换为非线性规划问题，并应用提出的自适应模拟退火遗传算法进行优化。数值结果表明：该算法的收敛速度快，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轨道。