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。     

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。     

基于DMOM算法的航空发动机性能寻优控制

提出一种分散迁移优化算法(DMOM),可实现多峰值优化问题的全局最优解搜索.该算法通过随机选择参考粒子,不断迁移搜索自身所处区域峰值点,再通过分散操作排除局部最优点,重新生成新个体,可快速搜索到全局最优区域.将DMOM应用于航空发动机性能寻优控制仿真,结果表明:在最小油耗和最低涡轮温度模式下, DMOM的寻优速度相比遗传算法(GA)和粒子群算法(PSO)提高了2倍以上;同时DMOM的优化精度相比自组织迁移算法(SOMA)提高了60%以上,相比可行性序列二次规划(FSQP)算法提高了20%以上.验证了DMOM相比其他优化算法有更强的跳出局部最优的能力,在航空发动机最小油耗和最低涡轮温度这类多峰值寻优问题中具有明显的优势.      

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。     

多变量气动设计问题分层协同优化

 通过验证实例分析,气动设计中精细化优化模型对设计结果收敛精度的提高有很大帮助,但同时也带来优化算法搜索困难的问题,并且由于不同类型设计变量之间的相互耦合干扰使优化难以收敛到全局最优解。于是提出基于响应均值灵敏度的概念对大规模的设计变量进行重要性分组的策略,依据设计变量分组情况应用系统分解思想对多变量设计问题进行分层协同优化来降低系统的复杂度,这既保证了精细化设计的要求,又缓解了优化算法对大规模问题搜索困难的问题。与传统气动优化方法相比,基于系统分解的分层协同优化算例有较大寻优效率和性能提升,证明了该方法的可行性。     

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。     

一种基于生物趋化的改进粒子群算法

针对标准粒子群算法进行多极点函数优化时易导致早熟收敛及陷入局部最优的问题,把生物趋化原理引入到粒子群优化算法中,改变传统粒子群优化算法只存在吸引操作而没有排斥操作的单向性,提出一种保持种群多样性的改进算法,并对其关键参数的选择进行了研究。仿真实验结果表明,与传统粒子群优化算法相比,基于生物趋化的粒子群算法对于处理复杂的多峰函数或优化问题,可显著提高算法的全局寻优性能。     

改进粒子群优化算法在亚轨道飞行器固液混合发动机设计中的应用

针对粒子群优化算法在求解多维复杂优化问题时容易陷入局部最优的缺点,提出了动态目标粒子群优化算法,通过分析寻优过程中粒子与个体最优位置和全局最优位置之间存在的位置关系,建立了新的速度更新公式.最后,应用该算法对某型号亚轨道飞行器固液混合发动机进行了优化设计.仿真结果表明,改进算法搜索能力强、收敛速度快,能有效解决此类问题,可为亚轨道飞行器的发动机优化设计提供理论参考.      

基于工程环境的气动多目标优化设计平台研究

工程环境中,飞机气动力设计面临在多个目标和多种约束条件下寻找最优值,需在较短时限内完成设计优化,并保证最终方案可靠。基于高性能计算环境,采用现代计算流体力学(CFD)数值模拟技术和优化技术等构建了面向实际工程的飞行器气动多目标优化设计平台:采用基于非均匀有理B样条(NURBS)方法的自由曲面变形技术,实现对工程复杂气动外形的参数化表达;采用网格变形技术,实现优化过程中计算网格的自动更新;采用基于有限体积方法和多块结构网格的雷诺平均Navier-Stokes(RANS)方程并行解算器进行气动力求解;采用基于精英保留策略的非支配排序的多目标遗传算法(NSGA-II)进行多目标全局优化求解;采用非线性单纯形算法进行局部优化求解,优化过程中,通过人工调整优化种群,引入人工经验,构建"人在回路"的设计流程。以某翼型/机翼气动力优化设计为例对该平台技术进行验证:多目标优化设计可得到清晰的Pareto前沿解分布;优化后的翼型/机翼在满足各项约束的前提下,具备更高的综合气动性能。结果表明:所发展的气动多目标优化设计平台具有很好的工程适用性。     

基于代理模型的高效全局气动优化设计方法研究进展

基于高可信度计算流体力学的数值优化设计方法，在提高飞行器气动与综合性能方面正发挥着越来越重要的作用。基于代理模型的优化算法（SBO），由于能够实现高效全局优化，逐渐成为了气动优化设计领域的研究热点之一。近20年来，代理优化算法研究已取得了长足进步，多种先进的新型代理模型被提出，优化理论和算法也不断完善和发展。以飞行器精细化气动优化设计为背景，综述了基于代理模型的高效全局气动优化设计方法研究进展。首先，介绍了基于变可信度代理模型的气动优化设计方法、结合代理模型和伴随方法的气动优化设计方法以及基于非生物进化的并行气动优化设计方法的研究现状和最新进展。然后，针对飞行器气动优化设计学科领域的前沿问题，介绍了基于代理模型的多目标气动优化设计方法、混合反设计/优化设计方法、稳健气动优化设计方法的研究进展，以及基于代理模型的多学科优化设计方法的研究进展。文献综述表明，代理优化算法在设计效率、全局性以及鲁棒性等方面性能优良，已经发展到可以解决100维（100个设计变量）以内的气动优化设计问题，具有良好的工程应用前景。最后，探讨了基于代理模型的高效全局气动优化设计在理论、方法及飞行器设计应用方面所面临的问题和挑战，给出了未来研究方向的建议。     

A new hybrid aerodynamic optimization framework based on differential evolution and invasive weed optimization

Since many aerodynamic optimization problems in the area of aeronautics contain highly nonlinear objectives and multiple local optima, it is still a challenge for most of the traditional optimization methods to find the global optima. In this paper, a new hybrid optimization framework based on Differential Evolution and Invasive Weed Optimization (IWO_DE/Ring) is developed, which combines global and local search to improve the performance, where a Multiple-Output Gaussian Process (MOGP) is used as the surrogate model. We first use several test functions to verify the performance of the IWO_DE/Ring method, and then apply the optimization framework to a supercritical airfoil design problem. The convergence and the robustness of the proposed framework are compared against some other optimization methods. The IWO_DE/Ring-based approach provides much quicker and steadier convergence than the traditional methods. The results show that the stability of the dynamic optimization process is an important indication of the confidence in the obtained optimum, and the proposed optimization framework based on IWO_DE/Ring is a reliable and promising alternative for complex aeronautical optimization problems.     

高超声速飞行器多目标气动优化设计

随着高超声速飞行器的发展,其外形优化受到了广泛关注。应用一种新型的改进多目标布谷鸟优化搜索算法(IMOCS),采用修正的牛顿法与面元法相结合来获得高超声速飞行器的气动性能,采用自由变形参数化方法(FFD)来进行外形的参数化,以最大化容积率和升阻比为设计目标,开展了高超声速滑翔飞行器的多目标气动外形优化设计,获得了综合容积率及升阻比性能更高的气动外形,验证了方法的有效性。最后,将IMOCS算法和当前主流的多目标优化算法NSGA-Ⅱ进行了对比,结果表明,IMOCS算法的效果明显优于NSGA-Ⅱ。     

Pressure distribution guided supercritical wing optimization

Pressure distribution is important information for engineers during an aerodynamic design process. Pressure Distribution Oriented (PDO) optimization design has been proposed to introduce pressure distribution manipulation into traditional performance dominated optimization. In previous PDO approaches, constraints or manual manipulation have been used to obtain a desirable pressure distribution. In the present paper, a new Pressure Distribution Guided (PDG) method is developed to enable better pressure distribution manipulation while maintaining optimization efficiency. Based on the RBF-Assisted Differential Evolution (RADE) algorithm, a surrogate model is built for target pressure distribution features. By introducing individuals suggested by sub-optimization on the surrogate model into the population, the direction of optimal searching can be guided. Pressure distribution expectation and aerodynamic performance improvement can be achieved at the same time. The improvements of the PDG method are illustrated by comparing its design results and efficiency on airfoil optimization test cases with those obtained using other methods. Then the PDG method is applied on a dual-aisle airplane’s inner-board wing design. A total drag reduction of 8 drag counts is achieved.     

基于截尾概率-非概率混合模型的可靠性优化算法

针对工程中截尾概率变量与非概率变量同时存在的情况,给出一种新的截尾概率与非概率混合可靠性模型。在该混合可靠性模型基础上,按照可靠性指标(RIA)法给出双层嵌套可靠性优化模型,并采用改进搜索策略后的ST-Powell优化算法在外层搜索设计变量的最优值,内层采用能保证收敛的改进的有限步长迭代法求解混合可靠性指标。数值算例表明,改进搜索策略后的ST-Powell优化算法的全局寻优性得到显著提升;改进搜索策略后的ST-Powell优化算法与改进的有限步长迭代法相结合求解双层嵌套混合可靠性优化模型的正确性得到验证,且对于非线性程度较高的极限状态函数同样能够得到满足截尾概率与非概率混合可靠性模型指标要求的最优解,并对工程结构算例具有很好的适应性。     

增广拉格朗日子集模拟优化方法

传统的工程结构优化设计方法在求解多设计变量、多约束条件的结构优化设计问题时,存在诸多不足,针对上述问题,基于增广拉格朗日约束处理方法和子集模拟优化方法发展一种新的结构优化设计方法——增广拉格朗日子集模拟优化方法(ALSSO).该方法首先利用拉格朗日乘子法处理多重约束条件,然后利用子集模拟优化方法对转化后的无约束优化问题进行求解;对罚函数因子的更新方法进行改进,以保证收敛过程的稳定性;利用两个算例对该方法的计算精度、稳健性以及计算效率进行验证,并与其他优化方法进行对比.结果表明:增广拉格朗日子集模拟优化方法具有非常优秀的寻优性能.     

基于多岛遗传-模拟退火算法的气动外形优化

针对超声速翼型滑翔机的气动外形优化问题,提出了一种多岛遗传算法与模拟退火算法相结合的混合优化算法。首先,通过多岛遗传算法产生一个随机的初始种群,找到全局最优点附近区域的一个次优解;然后,将此次优解作为模拟退火算法的初值启动退火进程,缩小设计空间的范围,找到全局最优解。优化结果表明,所提混合算法可以有效地解决飞行器外形优化问题;在数量巨大的设计空间中,滑翔机的最优气动外形能够以较低的计算资源代价快速得到;双弧形翼型的气动特性较六边形翼型更有优势,叉形尾翼的静稳定性和控制效率高于十字形;优化后的外形极大地增加了滑翔机的滑翔距离。