大展弦比运输机标模高升力构型设计与评估

介绍了中国航空工业空气动力研究院基于分层策略遗传算法的多段翼型优化设计工具和高升力构型计算评估方法,参照国内外大展弦比运输机指标为FL-9增压风洞设计了高升力构型标模,为检验标模气动性能,在法国ONERA F1风洞进行了一系列风洞试验和采用UNSMB平台进行了数值模拟。结果显示计算结果与试验结果有着较好的一致性,设计方案具有较好的增升效果。     

一种非线性飞行控制律评估方法研究

研究了一种基于改进遗传算法的非线性评估方法。将非线性准则转换成简单的适应度函数,通过寻优找到最坏情况,在其基础上实现评估。仿真结果表明,该方法不仅能在各个飞行状态对飞行控制律进行非线性准则评估,而且能找出飞行包线内的最坏飞行状态,细化飞行包线,方法使用灵活,结果可靠。     

基因方法在网格结点位置优化中的应用

将基因方法应用于网格结点位置的优化中。文中首先简单介绍了基因优化方法中基于达尔文进化论和Ｍｅｎｄｅｌ基因理论的基本原理，其中包括插索空间表达、三个基因作用器（选择、交配和变异）等要点；然后着重阐述了相关偏微分方程的离散误差和三角形网格几何形状的适应度函数的定义、结点位置的二进制基因表达及基因方法的优化进程。离散误差是在二次非连续彭鼓包（ｂｕｍｐ）函数的空间中近似定义的，并且在点移动过程中相关解的二     

基于遗传算法的军事物流运输计划

针对军事物流运输中车辆装载和车辆路径的组合问题进行研究,建立车辆装载和车辆路径组合问题的目标优化模型。通过改进遗传算法对模型求解,得到了较为满意的结果,可以在满足多车型多品种货物配送约束的条件下,实现运输车辆最少、车辆满载率高、车辆运输路径最短的目标。     

基于改进遗传算法的机器人动态路径规划

针对基本遗传算法解决移动机器人路径规划的不足，提出了一种改进的遗传算法。首先，采用栅格法对机器人路径规划进行建模。然后，提出一种生成初始种群的方法和精英策略，设计出自适应变异概率，提高了算法的求解质量。同时，在规划过程中，将全局路径规划与局部路径规划相结合，并且根据机器人与动态障碍物碰撞类型的不同，提出了相应的避碰策略。仿真实验表明:该算法优于基本遗传算法，能够有效地指导机器人在动态环境中实现避障，获得无碰最优或次优路径。     

压电结构的控制-结构一体化设计

对于离散分布、同位配置压电片驱动器和传感器的压电耦合板，首先构造了四节点 Ｋｉｒｃｈｈｏｆｆ矩形板弯单元，从而建立了有限元模型。在此基础上，给出了主动阻尼振动控制模型。将系统的存留能量指标归结为一个 Ｌｙａｐｕｎｏｖ 方程的解。以系统的存留能量指标为适应度函数，以作动器和传感器的位置及控制增益为优化参数，利用基于共享函数机制小生境技术的遗传算法进行结构、控制设计。最后，对一悬臂压电耦合板进行了实例分析。结果表明，该方法是解决控制结构一体化设计的一种有效途径，可以得到多个最优解或次优解。     

基于小生境遗传算法的航空发动机维修构型控制

为实现航空发动机维修中构型控制,建立了基于Petri网的构型控制描述模型,通过变迁序列的激发求得改型后可能的零件集合,作为后续的约束满足条件,并提出一种基于小生境遗传算法的发动机构型多方案求解方式.     

飞行控制律全包线鲁棒稳定性评估

传统的飞行控制律评估方法只能对飞行包线内的离散点进行逐点分析,对不确定性参数也只考虑了上下界,分析过程缺乏完整性和系统性。针对这些不足,研究了基于一种改进遗传算法的分析方法,该方法将评估准则转化为某个适应度函数,通过对适应度函数寻优以找到最坏情况下的不确定参数组合,在其基础上进行评估并给出评估结果或控制律修改意见。仿真结果表明,该方法能连续地研究多个不确定性参数同时摄动时的飞行包线,克服了传统方法的不足。     

一种计算二维图象矩的神经网络方法

提出一种计算二维图象矩的神经网络方法，首先，导出一维信号矩与一维Ｈａｄａｍａｒｄ变换之间的关系。通过２Ｎ－一维Ｈａｄａｍａｒｄ变换和极少量加法，移位及乘法运行可计算二维图象矩。然后给出用Ｔａｎｋ－Ｈｏｐｆｉｅｌｄ神经网络实现Ｈａｄａｍａｒｄ变换的方法，并对该网络作了改进。     

Improved NSGA-II Multi-objective Genetic Algorithm Based on Hybridization-encouraged Mechanism

To improve performances of multi-objective optimization algorithms, such as convergence and diversity, a hybridization- encouraged mechanism is proposed and realized in elitist nondominated sorting genetic algorithm （NSGA-Ⅱ）. This mechanism uses the normalized distance to evaluate the difference among genes in a population. Three possible modes of crossover operators--＂Max Distance＂, ＂Min-Max Distance＂, and ＂Neighboring-Max＂--are suggested and analyzed. The mode of ＂Neighboring-Max＂, which not only takes advantage of hybridization but also improves the distribution of the population near Pareto optimal front, is chosen and used in NSGA-Ⅱ on the basis of hybridization-encouraged mechanism （short for HEM-based NSGA-Ⅱ）. To prove the HEM-based algorithm, several problems are studied by using standard NSGA-Ⅱ and the presented method. Different evaluation criteria are also used to judge these algorithms in terms of distribution of solutions, convergence, diversity, and quality of solutions. The numerical results indicate that the application of hybridization-encouraged mechanism could effectively improve the performances of genetic algorithm. Finally, as an example in engineering practices, the presented method is used to design a longitudinal flight control system, which demonstrates the obtainability of a reasonable and correct Pareto front.