固体火箭发动机成本与性能双目标优化设计

为求解某运载火箭上面级固体推进剂火箭发动机多属性价值优化问题,建立了发动机主要部件的参数成本模型,研究了一种改进的Pareto多目标遗传算法--IPGA算法,测试函数的计算结果表明,该算法收敛性优于NSGA-Ⅱ算法.以运载火箭末速度增量最大和发动机制造成本最低作为目标函数,采用IPGA计算得到了壳体材料分别为APMOC和碳纤维时的Pareto非劣解集,采用理想点法得到非劣解集中费效比变化的拐点,计算结果表明,以该点为满意解设计方案可以使该运载火箭的有效载荷提高7.6%,并使发动机的成本降低.     

应用于工程设计的多目标优化方法比较

归纳并分析了几种常用的多目标优化方法,在悬臂梁的双目标极小化问题和火箭发动机系统的双目标极大化问题中,用线性加权法、逐步宽容约束法、NCGA(Neighborhood Cultivation Genetic Algorithm)法求解优化问题的非劣解集;用p模理想点法、最短距离法、极大模理想点法、目标规划法求解优化问题的非劣解.并且在悬臂梁的优化问题中,对不同的定值点用目标点法求解优化问题的非劣解,结果说明不同的定值点对应不同的优化结果.最后分别采用二元相对比较法和模糊关联度法求出以上问题的最佳非劣解.通过2个实例说明了这些方法的特点,证明了这些方法的实用性,适用于一般的多目标优化问题.      

基于动态指标的飞机方案多目标优化方法

为提高飞机方案多目标优化过程中最优解的搜索效率,对多目标方案的比较评价方法及其在优化中的应用进行了研究.提出了可用于多目标方案对比评价的基准指标,并建立了利用新生成方案的目标值对基准指标进行动态更新的动态指标.通过采用动态指标构造适应度函数改进了多目标遗传算法,进行的双目标优化算例表明,改进的算法能够获得更优的Pareto前沿.采用改进的多目标优化方法对一种轻型战斗机概念方案进行了优化设计,设置了重量、气动、隐身等4个优化目标,优化结果验证了基于动态指标改进的多目标遗传算法在飞机概念方案设计优化中的有效性.      

旋翼翼型高维多目标气动优化设计

先进旋翼翼型设计是典型的多设计点、多目标优化问题,常规优化方法已无法满足翼型高维多目标优化设计的要求。基于分解的多目标优化算法（MOEA/D）,建立了考虑高低速升阻特性、力矩特性、阻力发散特性等的旋翼翼型高维多目标优化设计方法,并采用高精度kriging模型以提高优化设计效率。针对旋翼内段、中段翼型进行了5个设计目标的全局优化设计,采用自组织图映射（SOM）方法对最优Pareto解集进行了聚类分析。典型翼型CFD结果分析表明,中段翼型低速力矩系数幅值减小约50.7%,高速最大升力系数提高约6.5%,最大升阻比提高约7.7%,同时阻力发散特性得到改善,内段翼型同样取得了良好的多目标优化效果。研究表明,MOEA/D算法对高维多目标气动优化设计问题具有很好的适应性,能有效提升旋翼高低速气动性能设计的能力。      

基于MODPSO-GSA的协同空战武器目标分配

提出基于多目标决策理论的协同空战武器目标分配模型,并用进化多目标优化算法求解.空战是一个多阶段攻防过程,针对多数空战武器目标分配采用一次性完全分配、不考虑火力资源消耗等不足,构建多目标决策模型,在达到毁伤门限的前提下,同时对一次攻击后使敌编队的总期望剩余威胁最小和分配导弹消耗量最小两个目标函数寻优.提出用多目标离散粒子群-引力搜索算法(MODPSO-GSA)求解分配模型,该混合进化多目标优化算法结合二者优点,具有稳定的全局搜索能力并保证收敛到Pareto前沿.该算法可求得满足毁伤门限的不同耗弹量的分配方案最优解集以供指挥员决策参考.仿真算例验证了新模型及所提出MODPSO-GSA进化多目标优化求解算法的有效性.      

改进遗传算法在飞机总体参数优化中的应用

基于飞机总体参数设计中的多目标优化问题,提出了改进的多目标遗传算法.算法围绕Pareto最优解的概念,利用遗传算法的内在并行性,设法求取多目标优化问题的"Pareto前沿".将不同的改进遗传算法应用于同一干线客机总体参数优化设计中,要求巡航升阻比和有效载荷系数两个目标达到最大,并对各种算法所得的结果进行综合分析与比较,结果显示:基于Pareto排序的多目标优化算法(NSGA,Non-dominated Sorting Genetic Algorithm)的Pareto解最优,可以支配改进的向量评价遗传算法(VEGA,Vector-Evaluated Genetic Algorithm)和随机权重遗传算法(RWGA,Random-Weight Genetic Algorithm)的结果;而VEGA和RWGA的结果互有优劣.      

基于改进的NSGA-Ⅱ算法的区域覆盖卫星星座优化

对基于Pareto最优概念的非劣性分层遗传算法(NSGA-Ⅱ)进行了改进，与区域覆盖卫星星座的多目标优化设计相结合，提出基于改进的NSGA-Ⅱ算法的区域覆盖卫星星座优化设计方法，并利用多属性决策中的字典序法，根据目标的重要程度，在得到的Pareto解中进行选择．最后，利用STK和Matlab工具对遥感卫星星座进行了仿真，仿真结果表明该算法可以找到多个Pareto解，避免了传统的多目标优化求解方法的权值选择问题，并且比简单遗传算法具有更好的灵活性，从而解决了多目标优化的星座设计问题。     

基于子目标进化的高维多目标优化算法

多目标优化问题是工程应用中的常见问题,已有的方法在解决3个目标以上的高维优化问题时效果欠佳.如何进行有效的个体选择是求解高维多目标优化问题的关键.针对该问题,提出了求解高维多目标优化问题的子目标进化算法.从理论上证明了多目标优化问题Pareto非支配解的求取,可通过子目标函数值排序,先行选择进化种群中部分非支配解;然后,根据排序信息有选择性地比较进化种群中的元素,减少了比较次数,从而快速获得非支配解集.同时,提出归一化函数差值的Minkowski距离"k近邻"距离计算方法,在进化过程中应用到密度函数中,加速了收敛速度.同当前求解高维多目标优化的算法,在对标准测试函数的计算性能上进行比较,统计结果显示了所提算法在性能上的优势.      

基于Pareto遗传算法的复合材料机翼优化设计

针对某型飞机设计过程中遇到的副翼反效问题,提出了复合材料机翼满足气动弹性要求的优 化方法,构造了一种基于Pareto最优解定义的多目标遗传算法——Pareto遗传算法.该算法 以权重信息为基础建立Pareto解集过滤器,引入小生境技术等实现Pareto前沿面的求解.测 试函数计算表明该算法有较好的收敛性.以复合材料机翼的升力系数和滚转力矩系数为目标 函数,采用Pareto遗传算法进行计算得出一组Pareto最优解集,计算结果表明,给出的方案 能够满足工程需求,为决策者提供了多种可选方案.      

解决排班问题的多目标优化模型及算法研究

为提高排班结果的准确性可靠性,提出了排班问题的多目标优化模型,并应用改进的基于信息熵的自适应遗传算法求解模型的最优解.同时引入分割集和模拟退火算法的思想进行优解的选择.通过对航空公司机组排班问题的仿真比较,模型的正确性和先进性得到了验证.      

按区域惩罚划分的并行多目标遗传算法

解决多学科设计优化问题的多目标遗传算法通常面临着大计算量的挑战,提出了一种新型的并行化算法来提高其效率.全局个体均匀的分布在各个进程,首先从所有的进程中获取全局范围的Pareto最优解极值,并发送给每个进程,再由这些极值来构造各个进程自己的惩罚函数.通过惩罚函数给个体添加约束来划分各个进程的收敛区域,同时采取优化措施保证每个进程加速收敛并且收敛区域没有重叠和遗漏,这样每个进程只需收敛到特定的一段Pareto最优解,降低了计算量;同时由于进程间交换的数据量小,保证了效率的提高.通过与串行算法(NSGA2)和其他的并行化算法比较,显示了该算法的有效性和先进性.     

区间多目标线性优化的功效系数求解方法

针对工程领域中普遍存在的具有不确定参数的多目标优化问题,提出了一种基于功效系数的区间优化模型及求解方法.通过引入增补变量,将含有区间参数的目标函数化为参数确定的形式.建立以功效系数为基础的评价函数,将原多目标优化问题转化为单目标优化问题,然后分别在区间约束条件的最好情况和最差情况下求解,得到设计变量的最优解区间和目标函数的最优值区间.通过工程算例,与传统概率方法的优化结果相比较,验证了所提出优化模型及方法的有效性.     

一种改进的多目标粒子群优化算法

为了增强多目标粒子群优化算法的收敛性与多样性,提出一种改进的多目标粒子群算法.采用Kent映射对种群进行初始化,并将目标空间均匀划分为若干扇形区域;基于一种新的多样性和收敛性判定标准,选取合适的收敛性最优解和多样性最优解,并提出一种改进的粒子群更新公式进行全局搜索;采用聚类算法对外部种群与坐标轴夹角进行分析,维护外部种群.通过标准测试函数的仿真实验,与多目标优化算法基本MOPSO(Multi-objective Particle Swarm Optimization Algorithm)和NSGA-II(Nondominated Sorting Genetic Algorithm II)进行对比,结果表明了该改进算法的有效性.     

参数化产品族递进式优化设计方法

基于产品平台技术,提出了基于混合进化算法的参数化产品族递进式优化设计方法.建立了参数化产品族的递进式优化设计流程,提出改进的强度Pareto进化算法(SPEA2+)与非支配排序遗传算法(NSGA-II)相结合的多目标混合进化算法对参数化产品族设计问题进行优化,混合进化算法使用了两类种群进行求解,解决了同步进化带来的数据扰动问题.在参数化产品族递进式优化设计过程中,首先优化产品族设计平台,建立参数化产品族设计问题的多目标优化数学模型,通过产品设计参数的敏感度分析和变差指数计算,划分产品平台的设计常量和设计变量,形成稳健的产品平台来获得最优参数.然后对产品族中实例产品的多个性能进行优化,在已有的产品平台基础上,优化设计变量的取值.最后,以电动机产品族的递进式优化设计过程为例证明了该方法的有效性和适用性.      

Hierarchical approach for fast searching optimal launch opportunity in a wide range

Launch opportunity search is crucial for preliminary design of interplanetary trajectories. However, it is difficult to obtain the optimum solution efficiently when the range of search is wide. In this paper, a new fast search algorithm based on a modified hierarchical approach is proposed. At the top level, a simplified Pork-Chop diagram is plotted by sampling interpolation to delimit the candidate regions of the optimal solution. Each candidate region contains only one optimal solution, which fundamentally avoids the local optimal problem of genetic algorithms. At the bottom level, a hybrid optimization approach combining the genetic algorithm and the conjugate directions method is used to solve the accurate optimal solution of each candidate region and obtain the global optimal launch opportunity in the whole wide range of search. Simulation results show that the proposed hierarchical approach can quickly and robustly find the global optimal launch opportunity in a wide search space.     

不可靠测试条件下基于NSGA-Ⅱ的多目标测试优化选择

针对测试不可靠因素严重影响测试优化选择结果以及现有方法不能很好解决多目标测试优化选择等问题，提出基于第二代非支配排序遗传算法(NSGA-Ⅱ)的多目标测试优化选择的方法。首先，描述了测试不可靠条件下多目标优化选择问题的数学模型；其次，在该数学模型下，将系统给出的故障检测率和隔离率作为约束条件，将测试代价、漏检率和虚警率作为优化目标，建立了多目标优化问题；然后，提出带有精英保留策略的NSGA-Ⅱ对多目标问题进行优化选择，利用NSGA-Ⅱ能够得到一组Pareto最优解，可根据实际需求选择最优的测试组合；最后，针对某装备进行实例分析，得到3组最优解，可以满足不同需求下的最优选择，验证了所提数学模型与多目标优化算法的可行性与有效性。