基于混合遗传算法的压气机叶型自动优化设计

1引言遗传算法(Genetic A lgorithms,简称GA)是模拟生物在自然环境中的遗传选择和自然淘汰的进化过程而形成的一种全局优化概率搜索算法。遗传算法实施群体搜索,概率转移,不需要目标函数的导数信息,其全局搜索能力强,简单通用,适于并行处理,因而广泛应用于各种复杂系统的优化问     

非线性摩擦失谐叶片排序并行退火算法

基于叶片模态实验获得的叶片失谐参数,基于非线性摩擦阻尼分析提出一种失谐叶盘结构的集中参数模型.综合模拟退火算法的局部搜索能力和遗传算法的全局搜索能力,并引入禁忌表作为搜索记忆表,提出了一种应用模拟退火进化算法附加禁忌表的叶片排序优化方法.同时结合图形处理器运算设计了基于compute unified device architecture(CUDA)的并行算法并且分析其算法性能.研究表明:基于并行框架寻优可以获得4.5倍的加速,同时按照优化后方案安装,可以明显降低叶盘系统振动响应幅值与方差.      

基于自适应模拟退火遗传算法的月球软着陆轨道优化

 将自适应遗传算法与模拟退火算法相结合,形成一种自适应模拟退火遗传算法。该算法不但具备了自适应遗传算法的强大全局搜索能力,也拥有模拟退火算法的强大局部搜索能力。针对月球软着陆轨道优化的特点,利用一种新的参数化方法将轨道优化问题转换为非线性规划问题,并应用提出的自适应模拟退火遗传算法进行优化。数值结果表明：该算法的收敛速度快,优化精度高,且避免了初值敏感、病态梯度和局部收敛等问题,能够搜索到全局最优轨道。     

基于多子人口群协作进化的拦截轨道优化

针对基本遗传算法对航天器拦截轨道数值优化计算效率较低的问题,提出了一种新的基于多子人口群协作进化的算法。使用子人口划分技术提高了人口多样性防止早熟,用免疫算子减小搜索空间,两者都加速了进化计算过程。应用此算法求解了具有推力约束和拦截时间约束使燃料消耗量最小的航天器拦截轨道,并分析了其与基本遗传算法的不同。通过航天器拦截轨道仿真表明,该算法优于基本遗传算法,可用较少的计算时间得到全局最佳解,提高了航天器拦截轨道优化的计算效率。     

弹道导弹总体参数的混合遗传算法全局优化

液体火箭发动机推进弹道式导弹总体设计参数的全局最优化问题是亟待解决的计算问题。遗传算法具有全局搜索能力强、鲁棒性强、适于并行处理的特点,而Powell算法具有很好的求解局部最优解的能力。将两种方法进行有效改进后使之相结合,设计出并行全局最优化混合遗传算法。并以此为基础,建立了液体火箭发动机推进弹道式导弹总体优化设计模型。以液体火箭发动机推进弹道式导弹的起飞质量最小为目标,对液体推进剂弹道式导弹设计参数进行了优化设计。数值优化结果表明:该混合算法提高了搜索全局最优解的速度,优化精度高,且避免了初值敏感、病态梯度和局部收敛等问题,能够搜索到全局最优设计参数。     

基于分解策略的SSO发射轨道遗传全局优化设计

提出了基于轨道分解优化和遗传算法（GA）的SSO发射轨道优化设计策略。针对多个轨道段相互耦合问题,基于分解优化策略,将整个发射轨道设计问题分解为两个轨道段设计问题。为了高效可靠地获得全局最优解,对基本遗传算法进行了改进。首先提出了基于多变异操作等改进措施的改进遗传算法;此外,结合遗传算法的全局搜索特性和Powell算法的局部搜索特性,设计了一种串行混合遗传算法。一个二级SSO运载火箭的计算结果表明,轨道分解优化策略确保了问题的成功求解,改进遗传算法和混合遗传算法均可稳定地获得全局最优解,但是混合算法更有效地提高了GA性能。     

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.      

基于混合遗传算法的航空发动机PID控制参数寻优

结合某型航空发动机的比例积分微分控制(PID)参数整定与优化问题, 提出了一种全局最优且与初值无关的优化算法.算法采用与单纯形相结合的混合遗传算法, 结合了遗传算法良好的全局收敛性和单纯形算法的优秀的局部搜索能力, 提高了搜索速度与精度.仿真结果表明这种方法具有较好的收敛性与稳定性.      

基于遗传算法的神经网络优化

针对神经网络结构的设计基本上依赖于人的经验的缺点，提出了一种利用遗传算法优化神经网络的算法。该算法结合了神经网络的快速并行性和遗传算法的全局搜索性，对神经网络的连接权和结构进行了优化，剔除整个网络冗余节点和冗余连接权，提高了网络的处理能力。通过实例证明该算法具有很高的精度，在机械故障诊断中具有良好的应用前景。     

基于自适应遗传算法的航迹规划研究

对传统遗传算法进行了改进,通过采用交叉概率和变异概率的自适应设计,避免了进化过程中固定的交叉概率和变异概率产生的个体早熟和收敛缓慢的现象。仿真算例结果表明,自适应遗传算法能够有效地提高遗传算法的全局寻优能力,加快算法的收敛速度,有较强的地形和威胁回避能力,可为低空突防飞行器提供满足战术要求的参考航迹。