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.     

航空发动机结构可靠性优化方法研究

通过采用多项式响应面的近似模型和模拟退火寻优技术．建立了航空发动机结构可靠性优化方法：采用多项式响应面为近似模型构造状态变量和目标函数与设计变量的关系,并采用模拟退火算法对响应面模型进行寻优,通过替代距离目标最远点,重构响应面进行模拟退火寻优。涡轮盘结构可靠性优化分析算例结果表明,涡轮盘结构在满足强度和寿命可靠性约束前...     

退火算法在电子元件位置优化上的应用

一块电路板上有电子元件，它们不仅有热源，而且相互和，另外与空气还交换热，对这类问题建立线性数学模型，从而算出温度稳态分布，因为许多集成电路系统可靠性很大程度上取愉于温度，所以温度的模拟显向很重要性，把温度模型与退火算法相结合可以获得元件最接近优化的布局，并用一个例子加以说明，通过优化能降低板子最高温度，从而提高系统的可靠性。     

基于模拟退火算法的可靠性优化

建立了可靠性冗余优化模型，分析了各种优化方法的优缺点，采用模拟退火算法解决了此总是要，通过实例给出了算法，并与启发式算法作了比较，结果表明该方法比较有效。     

退火对CoFe薄膜结构特性的影响

利用粉末冶金方法置备了Co90Fe10靶材,用X射线能量损失谱(EDX)分析靶材成分,并利用X射线衍射分析靶材的结构。CoFe薄膜在优于5.5×10-4Pa的本底真空度下室温沉积在热氧化Si基片上,样品在3×10-5Pa真空度下分别进行了450℃和500℃的60min退火处理。用EDX和俄歇电子能谱分别分析了靶材和薄膜的成分中Co,Fe的比例。X射线衍射发现沉积在热氧化Si基片上的CoFe膜(111)晶面面间距明显小于靶材相应晶面面间距,退火处理使膜(111)晶面面间距明显增大,趋向靶材面间距。磁阻特性测量表明室温沉积的薄膜磁电阻经450℃和500℃退火后得到非常明显改善。     

非静止轨道卫星网络中Hopfield神经网络路由算法

应用Hop fie ld神经网络路由算法能够解决全球无缝覆盖的W a lker de lta卫星通信网络中的路由问题。模拟退火算法作为一种全局优化的方法能够解决神经网络迭代运算中的振荡环问题,消除Hop fie ld神经网络计算局部稳定状态。Hop fie ld神经网络路由算法需要大量的神经元,消耗大量的运算时间。本文提出一种适合卫星网络运算的神经元数量减少的神经网络路由算法,根据卫星网络半径,削减神经元数量、加快运算时间。根据中轨和低轨卫星网络卫星数量的差异,在仿真过程中选择Hop fie ld神经网络的最优参数,比较不同源-目标节点对、不同时刻和不同收敛判决门限时的算法性能。     

汽车凸轮轴摩擦焊接、热处理及其组织性能

45钢同种金属凸轮和轴体由摩擦焊实现连接。对焊接头的组织与性能进行了实验分析和研究;进而研究了热锻的凸轮轴强韧性损伤的机理;阐述了摩擦焊接的优越性及接头形成机制,并提供了摩擦焊接头较佳的焊接和热处理参数。     

基于模拟退火算法的SAR图像复原

根据吉布斯马尔可夫随机场模型和SAR图像斑点噪声的伽玛分布统计特性，应用模拟退火算法．实现雷达截面的全局优化伪似然估计。本文将新解4选1的方法从极化SAR图像推广到一般SAR图像；提出一个实用有效的图像特征检测法；说明了一阶模型和零阶模型之间的联系．并给出满意的处理结果。     

星间链路数量受限的导航卫星网络链路分配问题

对星间链路数量非常有限、需要同时满足星间测距和星间通信需求的导航卫星网络的链路分配问题进行了研究。首先,分析了导航卫星网络的特点,并设计了一种基于有限状态自动机(FSA)的拓扑处理机制。然后,将星间测距需求作为一个约束,以星间通信的延时性能为优化目标,将导航卫星网络的链路分配问题建模为一个多目标优化问题。最后,针对建立的多目标优化问题,分别提出一种基于首次改善(FI)的本地搜索算法和基于模拟退火(SA)的启发式优化算法以对链路分配问题进行求解,并提出一种基于分支交换策略的新链路分配生成方法。仿真结果表明,通过FI算法和SA算法获得的优化链路分配的网络延时性能均得到了改进,且SA算法的性能要优于FI算法;同时,FSA的状态持续时间的减小有利于获得网络延时性能好的链路分配。     

Crater detection via genetic search methods to reduce image features

Recent approaches to crater detection have been inspired by face detection’s use of gray-scale texture features. Using gray-scale texture features for supervised machine learning crater detection algorithms provides better classification of craters in planetary images than previous methods. When using Haar features it is typical to generate thousands of numerical values from each candidate crater image. This magnitude of image features to extract and consider can spell disaster when the application is an entire planetary surface. One solution is to reduce the number of features extracted and considered in order to increase accuracy as well as speed. Feature subset selection provides the operational classifiers with a concise and denoised set of features by reducing irrelevant and redundant features. Feature subset selection is known to be NP-hard. To provide an efficient suboptimal solution, four genetic algorithms are proposed to use greedy selection, weighted random selection, and simulated annealing to distinguish discriminate features from indiscriminate features. Inspired by analysis regarding the relationship between subset size and accuracy, a squeezing algorithm is presented to shrink the genetic algorithm’s chromosome cardinality during the genetic iterations. A significant increase in the classification performance of a Bayesian classifier in crater detection using image texture features is observed.