Pareto最优解及其优化算法

给出了带不等式约束多目标优化局部Ｐａｒｅｔｏ最优解与多目标函数线性加权组合而形成的单目标化问题局部极值点的充分必要关系，然后以此为理论依据给出了多目标优化乘法而合理的求解方法，同时附有算例。     

应用确定性优化算法求解多目标气动设计问题的Pareto阵面

将确定性优化算法和Pareto阵面概念结合起来处理了多目标优化设计问题；给出了结合算法及数值过程的细节，并将其应用到了气动优化设计中；描述了如何用确定性优化算法快速抓获多目标优化问题的Pareto阵面以及能够抓获哪些类型的Pareto阵面。数值实验结果表明，确定性优化算法可以准确高效地抓获任意凸的和某些凹的Pareto阵面，故对于此类多目标气动优化问题，可用确定性算法代替进化算法。     

基于Pareto集与多目标决策的飞控参数优化

针对传统的单目标优化方法不能对飞控系统多个性能指标同时进行优化的问题,提出了一种基于Pareto遗传算法和多目标决策的飞控系统参数优化方法。通过NSGA-Ⅱ算法对飞控系统参数进行优化获得最优解集,在此基础上首先进行方案的初选,然后利用综合权重的Vague集决策方法对备选方案进行模糊评价和优选,找到最终满意解。仿真结果验证了所设计方法的有效性。     

超径向可视化技术及其在火箭设计中的应用

针对传统可视化技术处理高维多目标设计优化问题的不足,对超径向可视化技术开展了研究.该技术将超空间Pareto前沿无损地显示于二维空间,有助于设计人员直观了解复杂的Pareto解集空间、并快速获得较好的权衡设计.此外,在超径向可视化过程中,通过采用权重因子和基于偏好区间的颜色标记原则引入设计偏好,可以辅助设计者选择出更加符合特定偏好的设计方案.将超径向可视化技术应用于近地空间火箭的多目标设计优化,验证了该技术处理高维多目标设计优化问题的可行性和高效性.      

飞翼布局隐身翼型优化设计

针对飞翼布局设计中气动与隐身设计矛盾更为突出的问题,采用高精度气动和隐身计算方法,建立了基于Parsec参数化方法、径向基函数（RBF）神经网络、Pareto遗传算法和松散式代理模型管理方法的翼型多目标优化设计平台。根据飞翼布局内外翼不同功能和特点,确定了内外翼翼型不同的优化设计目标和约束条件,开展了兼顾气动与隐身性能要求的翼型综合优化设计研究。结果表明：对兼顾气动与隐身性能要求的飞翼布局,内翼段翼型主要通过弯度、前缘半径、尾缘角及厚度等设计,减小低头力矩和重点方位角的雷达散射截面（RCS）均值。外翼段翼型上表面的几何形状对跨声速气动效率的影响很大,应通过上表面设计提高跨声速气动效率,重点方位角RCS均值的减小则通过下表面设计实现。某些翼型参数对气动和隐身性能均有较大影响,但作用相反,应作为综合优化设计的主要设计参数,并采用不同的优化设计策略。Pareto方法给出的前沿阵面可为飞翼布局的三维设计提供更丰富的信息。     

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.      

大型民用飞机气动外形典型综合设计方法

基于自主研发的飞行器气动外形大规模并行化、分布式综合设计软件AMDEsign，开展了大型民用飞机气动外形多目标综合设计，研究了处理高维目标空间多目标优化问题的有效处理方式，为优化数学模型的合理确定提供数据参考。在此基础之上，基于软件AMDEsign的主分量分析（PCA）、离散伴随方法两个典型模块，对宽体飞机数字化模型开展多目标优化，其中离散伴随方法中引入虚拟可行解集逼近方法，为权系数提供有效的导向性选择；并进一步将结果进行多目标评估分析，设计结果表明，主分量分析能够有效识别目标函数的相关性，虚拟可行解集方法效率较高，充分利用了离散伴随效率高以及导向性权函数预测等优点，多点设计外形在巡航升阻比、抖振特性以及阻力发散等性能上具有明显改善。文中提出的综合设计方法简捷高效且具有较强的工程应用价值。     

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。     

多无人机系统协同多任务分配模型与仿真

针对多约束条件下的多无人机系统协同多任务分配问题(CMTAP),提出了利用多约束条件下的多车场车辆路径问题(MDVRPMC)对协同多任务分配问题进行建模,在设计基于Pareto最优的遗传模拟退火算法的基础上,对存在任务点动态时间窗口约束、任务类型约束、无人机任务能力约束等条件下的协同多任务分配问题进行了求解.实例仿真表...     

联结翼布局气动/结构/隐身一体化设计方法

从联结翼多学科优化要求出发,重点对并行子空间设计算法进行了改进.采用Pareto遗传算法作为系统级搜索策略,结构子学科优化则采用模拟退火算法.并在此基础上应用了旨在提高优化计算效率的响应面方法.实现了基于改进型并行子空间设计算法对气动、结构及隐身多目标函数间的折中与优化.