基于混合算法的涡轴发动机稳态性能仿真模型

以自由涡轮式涡轴发动机为研究对象,建立了涡轴发动机的稳态性能仿真模型,提出了基于天牛须算法和N+1点残量法的求解发动机模型的混合算法(BAS-N+1混合算法),利用发动机台架试车数据对仿真计算结果进行了验证。结果表明,该稳态性能仿真模型各参数的求解误差在3%以内。与PSO-N+1混合算法相比,BASN+1混合算法求解精度更高,收敛更快。BAS-N+1混合算法既保留了智能算法对初猜值误差的包容性,也拥有接近经典迭代算法的收敛速度和精度,能够实现涡轴发动机稳态仿真模型的高精度大范围快速收敛。     

粒子群混合算法在变导向器面积计算中的应用

求解非线性方程组经典方法具有严格的局部收敛性;粒子群等进化算法解决了全局收敛的问题,但计算效率偏低,存在最优解不稳定的问题。结合经典Newton-Raphson法的超线性收敛速度和粒子群算法全局收敛能力的粒子群混合算法具备2类算法的优点。在迭代初期采用粒子群算法获得的近似全局解作为Newton-Raphson算法的初始值,以确定高精度的解。利用粒子群混合算法在发动机变导向器面积的大偏离计算中获得了较好的收敛效果,解决了常规Newton-Raphson法不收敛的问题。     

基于改进的混合粒子群算法的变循环发动机模型求解

为了降低变循环发动机模型求解时对初始值的依赖性,提升算法的全局收敛性,同时提高模型求解的效率,提出了一种基于改进的混合粒子群算法的变循环发动机模型求解思路。首先建立了变循环发动机的部件级模型,并建立了发动机的共同工作方程组;然后采用Broyden法对牛顿-拉夫森算法中的雅可比矩阵进行更新计算,在经典粒子群算法的基础上引入粒子中心,作为干扰项,并引入限制因子和自适应时变惯性系数;最后,综合了两种改进的算法,提出改进的混合粒子群算法。实验结果表明:该算法不仅继承了牛顿-拉夫森算法的高计算效率,还吸收了改进的粒子群算法的全局收敛优点,可实现模型大范围收敛。     

基于混合遗传算法的航空发动机数学模型解法

针对发动机模型现有平衡方程迭代解法存在不收敛或计算效率差的不足,以涡轮风扇发动机为对象,结合遗传算法与牛顿-拉夫逊法的优点,设计了在模型不收敛点采用遗传算法与牛顿-拉夫逊法交替计算的平衡方程求解混合算法。理论分析与数值仿真结果表明,对于整个模型而言,该算法既保持了牛顿-拉夫逊法的高计算效率,又吸收了遗传算法全局收敛的优点,可实现模型大范围收敛。     

基于粒子群算法的发动机部件模型求解

传统求解航空发动机部件模型中的非线性方程和共同工作方程组的方法因对初值的依赖使得模型并不总能收敛。首先针对模型中的非线性方程求解的特点,在带邻域的粒子群算法的基础上,将收敛因子、被动聚集压力因子和自适应惯性权重引入算法,提出一种混合粒子群算法HPSO1。而对模型中的共同工作方程组的求解,则是在基本粒子群算法的基础上,将收敛因子和被动聚集压力因子引入基本粒子群算法,提出另一种混合粒子群算法HPSO2。实验仿真表明HPSO1和HPSO2均克服了对初值的依赖性,因而对发动机部件模型求解是有效的。     

基于SOA-Newton迭代的六自由度平台正解算法

运动学正解是实现六自由度平台高精度控制和三维可视化仿真的基础，但是传统方法存在着求解难度大、精度低的缺陷。针对Newton-Raphson迭代法求解时依赖迭代初值的问题进行了研究，提出了一种基于SOA-Newton迭代的六自由度平台正解混合算法。该混合算法充分发挥了SOA算法的群体搜索性和拟Newton法的局部细致搜索性，同时也克服了粒子群算法后期搜索效率降低和Newton法对初始点敏感的缺陷。以研制的车载位姿平台为例，在Simulink软件中建立了混合求解算法的仿真模型，给出了计算实例，并与单独的Newton-Raphson迭代法和SOA算法进行了对比。对比结果表明，SOA-Newton混合算法具有极好的稳定性和较高的收敛速度及精度，更能满足工程实际应用。     

基于模拟退火的改进粒子群算法研究及应用

为加快粒子群算法效率,跳出局部最优陷阱,得到高精度最优解,文章提出了基于模拟退火的带收缩因子的粒子群混合算法(SACPSO)。首先,对混合优化算法进行了分析;然后,对混合算法进行函数数值仿真;最后,将SACPSO算法应用于PID参数整定问题。结果表明,改进粒子群算法的稳定性和搜索精度有了明显提高,收敛速度明显加快;在PID参数整定应用上,同传统方法相比,系统稳定,收敛性能好。     

基于Levenberg-Marquardt算法的航空发动机模型求解混合算法

为了降低航空发动机非线性模型求解的收敛性要求，将模型非线性方程组的求解问题转化为最小二乘问题，提出了基于Levenberg-Marquardt(L-M)算法的混合算法。为了使L-M算法跳出局部解，混合算法使用动力学方法修正局部解；为了提高计算效率，利用Broyden拟牛顿法加速L-M算法。以涡扇发动机为研究对象，应用混合算法、L-M算法、牛顿法和Broyden拟牛顿法进行稳态和瞬态仿真。结果表明：在稳态工况下，L-M算法和混合算法收敛范围更大，在随机初值条件下能达到90%以上的收敛率，远高于牛顿法和Broyden拟牛顿法不到20%的收敛率，且混合算法计算速度与Broyden拟牛顿法相当。在瞬态工况下，L-M算法和混合算法能够在牛顿法和Broyden拟牛顿法都不收敛的强瞬变工况收敛，且混合算法瞬态计算时间仅为Broyden拟牛顿法的1.13倍。仿真结果表明该算法在航空发动机模型求解上具有良好的适用性。     

引入平均最好位置的量子粒子群算法及在航空发动机非线性模型求解中的应用

为改善粒子群算法的全局搜索能力和计算精度,在标准粒子群算法和量子理论的基础上,将平均最好位置引入粒子的状态更新过程,提出了1种基于量子行为改进的粒子群算法及不同的收缩-扩张因子取值策略.采用该量子粒子群算法对建立的典型双轴涡扇发动机部件级非线性模型进行了求解,结果表明:分段线性递减收缩-扩张因子适用于复杂的航空发动机隐式模型,其收敛效率和精度都较高,具有一定的工程应用价值.     

粒子群优化算法求解航空发动机模型的应用

将粒子群优化(PSO)算法引入到发动机模型的求解中,利用粒子群优化算法所具有的群体智能和记忆功能,能够较快地求解模型,克服了N-R法求解发动机模型时对初值的敏感以及需要函数求导的困难.计算结果表明,粒子群优化算法求解发动机模型比N-R法具有更好的收敛性和更高的精度.     

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。     

Model parameters estimation of aero-engine based on hybrid optimization algorithm

A hybrid optimization algorithm for the time-domain identification of multivariable,state space model for aero-engine was presented in this paper.The optimization procedure runs particle swarm optimization (PSO) and least squares optimization (LSO) "in series".PSO starts from an initial population and searches for the optimum solution by updating generations.However,it can sometimes run into a suboptimal solution.Then LSO can start from the suboptimal solution of PSO,and get an optimum solution by conjugate gradient algorithm.The algorithm is suitable for the high-order multivariable system which has many parameters to be estimated in wide ranges.Hybrid optimization algorithm is applied to estimate the parameters of a 4-input 4-output state variable model (SVM) for aero-engine.The simulation results demonstrate the effectiveness of the proposed algorithm.      

基于粒子群算法的涡扇发动机气路性能修正

针对由于建模过程中条件简化及发动机零部件的差异性导致的发动机数学模型计算结果与整机性能实测数据偏差较大的问题,提出基于粒子群算法(PSO)的发动机模型修正方法,运用修正因子提高模型计算精度。将修正后发动机模型的计算结果与实测数据对比,结果表明:运用PSO算法对模型进行的修正能够显著提高模型的精度,修正前模型计算值与实测值的最大误差达4.85%,修正后最大误差只有0.97%,修正效果良好,且涡轮等后端部件比压气机等前端部件精度提高更为明显。     

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.      

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。