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。     

应用Delaunay图映射与FFD技术的层流翼型气动优化设计

采用非均匀有理B样条(NURBS)基函数属性建立了任意空间的自由式变形(FFD)翼型参数化方法,进一步结合基于Delaunay图映射技术建立了结构对接网格变形模式,通过粒子群优化(PSO)算法进行参数化方法、网格变形模式以及计算流体力学(CFD)数值模拟技术之间的整合,研究、构建了气动优化设计系统,并对某型层流理念设计的高空长航时(HALE)飞机基本翼型进行气动优化设计。气动特性目标函数评估方法中,边界层转捩数值模拟技术采用γ-Re_θt转捩模型耦合剪切应力输运(SST)模式湍流模型。优化设计后翼型气动特性表明:采用相关技术建立的层流翼型气动优化设计系统对于层流理念设计的HALE飞机翼型的设计具备较高的优化效率。     

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。     

气动设计的多目标优化算法比较研究

由于目标函数复杂且流场求解耗时,气动优化设计需要选择搜索能力强且调用目标次数少的优化算法,现有的优化算法种类很多,针对不同类型问题算法性能不同。本文将常用的多目标优化算法进行了分类总结并进行函数测试,判断各个优化算法对不同问题的收敛性和稳定性,找出适合气动优化的多目标优化算法。将该算法应用于气动优化问题当中,进行了针对翼型的气动优化设计,缩短了优化时间,取得了一定的优化效果。     

基于遗传算法的翼型气动优化设计

采用遗传算法进行跨声速翼型的反设计与阻力和升阻比的优化设计。翼型的反设计达到了设计要求,优化设计后的翼型其气动特性也有显著的改善,这表明了遗传算法应用于翼型气动优化设计的可行性。在优化设计的过程中,翼型由解析函数线形叠加法表示,目标函数和个体的适应值由二维欧拉方程的流场解来提供。     

基于混合粒子群算法的上升段交会弹道快速优化设计

基于梯度搜索的高效性和粒子群搜索的随机性,提出了一种混合粒子群算法,并应用该算法研究了运载火箭上升段交会弹道快速优化设计问题.以运载火箭与目标飞行器在交会时刻的距离最小为目标函数,设计了运载火箭飞行程序,建立了运载火箭上升段交会弹道优化模型,同时分别采用混合粒子群算法、遗传算法和粒子群算法进行求解.仿真结果表明:基于本文算法对运载火箭上升段交会弹道进行优化设计,平均交会位置误差为4.137m,较遗传算法减少了17.940m,平均优化耗时488.922s,较粒子群算法缩短了2342.125s.混合粒子群算法搜索速度较快,收敛精度较高,可用于运载火箭上升段交会弹道的快速优化设计.      

基于遗传算法的低雷诺数高升力翼型的优化设计

利用遗传算法进行低雷诺数高升力翼型的气动优化设计,优化后的翼型其气动特性有明显改善,从而表明利用遗传算法进行翼型气动优化的可行性.在优化设计过程中翼型由解析函数线性叠加法表示,并对设计翼型进行了升力系数和阻力系数的气动计算,以提供目标函数和个体的适应值.     

基于逐次升阶的翼型参数化与气动优化方法研究

研究了基本Bezier样条曲线的特性,对比了不同阶次Bezier曲线对超临界翼型的几何描述能力以及由几何偏差带来的气动性能的偏差。利用Bezier曲线的特性提出逐次升阶的翼型参数化方法,结合改进的粒子群优化算法,建立了逐步扩展设计空间的气动优化设计方法,兼顾设计空间和优化效率,很好地解决了设计质量和设计效率之间的矛盾。最后通过典型翼型的优化设计,对比了文中方法与传统Hicks-Henne型函数方法,验证了文中方法的可行性和高效性。     

自适应差分进化算法在气动优化设计中的应用

以实数编码的差分进化（DE）算法为基础,引入种群熵估计方法分析种群个体的分散程度,自适应地调整设计变量的搜索范围。采用Navier-Stokes方程作为主控方程计算翼型气动性能,分别采用标准遗传算法（SGA）、基本DE算法和自适应差分进化（ARDE）算法作为气动性能优化算法进行了针对翼型的气动优化设计。函数测试实例表明,ARDE算法具有更好的收敛稳定性和收敛速度。并针对翼型气动优化问题的特点,分析了参数设置对ARDE算法优化结果的影响。实验结果对比表明,ARDE算法得到了更好的优化结果。     

改进的粒子群优化算法在气动设计中的应用

为了提高优化系统的搜索效率,发展出了社会模型这种改进智能优化算法的通用策略,在此基础上,提出了一种基于社会模型的改进粒子群优化(IPSOSM)算法。该算法对社会模型进行了分析并在此指导下,将人工鱼群算法(AFSA)中的聚群行为引入到粒子群优化(PSO)算法中,丰富了粒子之间的优势信息源,增强了粒子的信息共享能力,使得IPSOSM算法能够有效地跳出局部最优。函数测试表明,该算法显著提高了PSO算法的寻优性能。将IPSOSM算法应用到翼型和机翼的气动优化设计之中,取得了良好的结果,从而表明提出的算法简洁有效,具有较好的实用性。     

基于全局信息的粒子群算法翼型综合优化设计

 翼型优化往往需要考虑众多的设计目标和约束条件,对此发展了稳健高效的翼型综合优化方法。在粒子群优化算法中用繁殖策略深度挖掘由Kriging代理模型所获取的全局信息,对基准函数优化、翼型几何外形重构与层流翼型优化问题进行了测试,结果表明该算法可大幅度提高优化速度。将改进的Hicks-Henne翼型参数化方法和雷诺平均Navier-Stokes(N-S)方程流场求解器与优化算法相结合,采用可方便确定权重系数的多目标非线性适应值加权方法,分别对多点、多目标和多约束的超临界翼型与低速翼型进行综合优化,计算结果表明该方法可大大提高气动外形优化的工程实用性。     

基于中弧线曲率控制的压气机叶型优化

为提高压气机叶型优化设计水平,基于中弧线曲率控制方法编写了压气机叶片造型程序,将中弧线曲率控制参数作为优化变量,结合粒子群寻优算法对传统可控扩散叶型(CDA)进行了优化研究。结果表明:基于中弧线曲率控制的叶片造型程序能够对CDA叶型进行较好的拟合,拟合叶型的气动性能与设计要求较符。优化叶型在设计点的总压损失降低了约6.34%,优化叶型总压损失随攻角变化较为平缓。在一定攻角范围内,叶型中弧线曲率峰值的前移能够将吸力面马赫数峰值前移,提高叶型吸力面的扩压能力,降低总压损失。在大攻角工况下,改进的中弧线曲率分布能够显著降低叶型总压损失。将中弧线曲率控制参数作为优化变量进行CDA叶型的优化是可行的。     

基于卷积神经网络和多项式混沌方法的翼型鲁棒性优化

在常规的翼型优化设计方法中,设计点处最优翼型的气动性能会在非设计点处有所恶化,因此有必要对翼型鲁棒性优化方法进行研究。提出一种基于卷积神经网络和多项式混沌方法的翼型鲁棒性设计方法,首先搭建基于卷积神经网络的气动力预测模型;其次采用多项式混沌方法对马赫数和攻角进行不确定度量化,构建翼型鲁棒性气动优化设计系统;最后对以 RAE2822 翼型为基准翼型的气动优化设计问题进行优化设计验证。结果表明：本文提出的翼型鲁棒性设计方法可行,优化后翼型的气动性能和鲁棒性气动优化设计效率在较宽的设计范围内都有所提升。     

高升力翼型的气动优化设计和实验研究

利用遗传算法进行了低雷诺数高升力翼型的气动优化设计,并利用风洞实验检查了设计的正确性。优化后的翼型其气动特性有明显改善,这说明了利用遗传算法进行低雷诺数翼型气动优化的可行性。风洞实验结果验证了优化设计方法的正确性,同时也表明新设计翼型有较高的升力系数和相对大的升阻比,其升阻比提高了10%。     

前加载翼型多点综合优化设计

前加载翼型具有低头力矩小、隐身性能好的特点,能够对气动和隐身特性进行合理折中,是理想的飞翼布局飞机截面翼型。首先介绍典型翼型参数化方法和评估方法,并对前加载翼型外形的控制能力进行评估,结果表明Hicks-Henne方法和CST方法对前加载翼型外形的控制能力较强,并且CST方法参数个数较少。然后依据飞翼布局飞机设计需求,在确定翼型设计状态和优化设计模型的条件下,将CST翼型参数化方法、N-S方程数值求解方法和遗传算法相结合进行前加载翼型多点综合优化设计,得到比参考翼型具有更大相对厚度和更优气动特性的设计结果。