Entropy based inverse design of aircraft mission success space in system-of-systems confrontation

This paper presents a practical and efficient design method for aircraft Mission Success Space (MSS) based on the entropy measurement (EM). First, fundamentals regarding MSS, Inverse Design (ID) and entropy are discussed. Then, two EM schemes of entropy-based ID and the whole MSS ID procedure are given to demonstrate alternative ways of entropy quantification and MSS design. After that, Genetic Algorithm (GA) is utilized as a search algorithm to find the optimal MSS design with the minimum objective, entropy, in each EM scheme. A simulation case of aircraft penetration mission is given for the method validation where the best aircraft MSS design is obtained by GA according to the minimum entropy. Results from two schemes are compared at the end.     

Inverse design of mission success space for combat aircraft contribution evaluation

This paper presents a novel design method of the Mission Success Space(MSS) for the evaluation on aircraft contribution effectiveness. MSS concept was proposed for giving success criterion of a mission and judging the success by conventional mission effectiveness with regards to the aircraft capabilities. This space is created by the Mission Success Function(MSF) and the original Effectiveness Index Space(EIS) where empirical equations are usually assumed to be MSFs. Based on this MSS concept, t...     

基于并行多目标遗传算法大涵道分开式排气系统气动优化设计

通过引入快速非支配排序算法、拥挤距离以及拥挤距离比较算子等对基本遗传算法进行改进,并结合massage passing interface(MPI)并行编程技术,发展了主从式并行多目标遗传算法(PMGA).将PMGA与排气系统型面参数化设计方法、Navier-Stokes方程求解器相结合建立了分开式排气系统气动优化设计平台.应用该平台对某型分开式排气系统进行了多目标优化设计,得到了一组在三个目标上都优于初始设计的Pareto最优设计.将典型的Pareto最优设计和初始设计进行分析、比较,证明了该气动优化设计平台的高效性和可靠性.      

混合遗传算法在最优Lambert轨道转移设计中的应用

研究了初始位置、目标位置和转移时间均不固定的双冲量Lambert转移问题,旨在实现燃料和转移时间的综合最优.在对Lambert飞行时间定理推导的基础上,提出了一种遗传算法和迭代法相结合的优化算法,并给出了算法的设计步骤;同时,对影响遗传算法寻优性能的两个参数进行了自适应调整,提高了算法的收敛性.最后,通过两个实例验证了所提算法的有效性和准确性.     

混合遗传算法及其在翼型气动多目标优化设计中的应用

把基于实数编码的自适应遗传算法（SAGA）与可变容差法相结合，建立了数值优化设计中的混合遗传算法（HGA），并将其与翼型的气动分析相结合进行跨声速翼型的单目标和多目标气动优化设计。与自适应遗传算法相比，混合遗传算法的优化质量略有改善，优化效率有明显的提高。优化结果表明混合遗传算法在翼型单目标和多目标气动优化设计中是十分有效的。     

基于遗传算法的飞机经济爬升速度优化方法

为提高宽体飞机的爬升经济性,首先建立了爬升阶段飞行动力学模型和优化目标计算模型,确定了基于速度优化的最佳爬升策略;然后,在最佳爬升策略的基础上,建立了基于遗传算法的双表速爬升优化模型,得到近似最佳爬升策略,并分析了该爬升策略的可行性;最后,以某宽体飞机为例,分析了近似最佳爬升策略的影响因素。研究结果表明:最佳爬升策略相对传统爬升策略经济性提升3%～8%,且改进后的近似爬升策略与最佳爬升策略误差不超过1.4%;飞机重量、温度偏差和成本指数均会影响爬升策略的性能参数。     

基于设计变量空间范围自适应优化设计方法研究

通过对翼型优化设计方法的研究,对设计变量在设计空间的分布进行了探讨,建立了设计变量空间范围自适应优化设计方法,解决了优化设计模型建立过程中的设计变量空间范围的选择问题.该方法建立了聚集度的概念,利用聚集度对优化设计过程中设计变量在设计空间内的分布规律进行统计分析,并根据统计分布规律对设计变量的设计空间进行调整,将设计变量重构,实现了优化设计过程中的设计变量空间自适应.该设计变量空间范围自适应优化设计方法,一方面能够在给定的条件下扩大搜索范围来搜索满足工程设计需要的最优解,一方面又能够通过对设计变量的重构提高搜索算法的搜索效率.利用该方法对NACA 0012和NLF(1) 0416翼型进行了优化设计,并与固定设计变量空间范围的优化设计方法进行对比分析.优化结果验证了本文提出的优化设计方法具有一定的可行性,可以在更大范围内找到最优解,并具有较高的优化搜索效率.     

Satellite range scheduling with the priority constraint: An improved genetic algorithm using a station ID encoding method

Satellite range scheduling with the priority constraint is one of the most important problems in the field of satellite operation.This paper proposes a station coding based genetic algorithm to solve this problem,which adopts a new chromosome encoding method that arranges tasks according to the ground station ID.The new encoding method contributes to reducing the complexity in conflict checking and resolving,and helps to improve the ability to find optimal resolutions.Three different selection operators are designed to match the new encoding strategy,namely random selection,greedy selection,and roulette selection.To demonstrate the benefits of the improved genetic algorithm,a basic genetic algorithm is designed in which two cross operators are presented,a single-point crossover and a multi-point crossover.For the purpose of algorithm test and analysis,a problem-generating program is designed,which can simulate problems by modeling features encountered in real-world problems.Based on the problem generator,computational results and analysis are made and illustrated for the scheduling of multiple ground stations.     

应用多目标遗传算法的叶栅气动优化设计

采用Pareto排名策略和共享小生境技术, 实现遗传算法的多目标优化设计.叶栅的气动性能通过求解二维Navier-Stokes方程获得.本文中压气机叶栅的多目标优化确定为在给定条件下同时追求高增压比和低总压损失系数.优化设计获得的Pareto解集显示出本文发展的优化设计平台能够较好的实现多目标的气动优化设计.      

基于遗传算法的弧齿锥齿轮动态特性优化设计

基于集中质量法建立了弧齿锥齿轮八自由度弯-轴-扭三维空间动力学模型,在模型中考虑了啮合刚度的时变性、几何传动误差的非线性、齿面侧隙以及支承刚度的非线性.采用Runge-Kutta法对传动系统动态响应进行求解.在此基础上,以啮合周期内动态特性指标——振动加速度均方根作为优化目标函数,使用遗传算法对局部综合法中的齿面控制参数进行优化.在对设计参数进行优化的同时也获得了齿轮副最优加工参数.最终以齿面修形的方式实现了航空弧齿锥齿轮动态特性优化,减小了齿轮传动系统的振动与噪声.      

基于遗传算法的发动机控制通道数学模型辨识

由于控制器结构的变化,某型发动机电子调节器主要控制通道的动态响应过程为分段线性数学模型。为了获得精确的数学模型,对基本遗传算法进行了改进,提出了一种基于改进遗传算法的辨识算法,能有效辨识出系统的结构跳变时刻及其分段数学模型参数,仿真结果表明,该算法辨识的模型与实际系统接近,较之其它辨识算法具有计算稳定、辨识精度高和适应性强等优点。     

基于变精度遗传算法的翼型快速优化设计方法

低碳环保的电动飞机在要求较高升阻比的同时,需要尽量降低成本、缩短研制周期。但高精度的数值模拟时间代价很大,因此针对电动飞机翼型设计中初始翼型较难选取、优化速度较慢的问题,提出了一种基于变精度遗传算法的翼型多点快速优化方法。以常用的 Hicks-Henne 型函数为基础,改进了其对翼型后缘描述不精确的问题。在数值模拟阶段,介绍了一种快速气动参数计算软件XFOIL,并分析了该软件的适用性与局限。之后给出了使用XFOIL 与 Matlab 进行联合求解的方法,在无人干预的情况下完全实现了翼型设计与优化的自动化,提高了设计效率。在翼型优化阶段,为保持较高的精度和寻优效率,设计了翼型参数的实数编码方法。针对传统遗传优化算法了改进,设计了染色体变精度杂交方法以及动态惩罚方法。最后,给出了基于遗传算法的多点优化方案,以及翼型多目标快速优化一体化设计方案。仿真分成两部分进行,首先改进的 Hicks-Henne 型函数能够有效实现参数化翼型的后缘夹角改变。通过与 NSGA-II 方法的优化结果对比,本文的方法在一定迭代次数范围内获得的升阻比更高,失速特性更加缓和,特别是在综合提高翼型优化效率方面表现较好。仿真结果表明,该方法能够快速获得多种工况下具有较高升阻比的翼型,也可以作为进一步优化的初始翼型,能提高翼型优化效率。     

自适应遗传神经网络算法在推力估计器设计中的应用

为了在全包线内能够准确方便估计出航空发动机推力,提出了一种自适应遗传神经网络算法:将遗传算法和神经网络技术相结合充分发挥遗传算法和神经网络各自的全局收敛性和局部搜索快速性的优点,其中通过自适应概率遗传操作及局部寻优算子直接优化出神经网络拓扑结构及权值(包括阈值),克服了神经网络隐层节点需凭经验尝试的缺点和神经网络对初始权值(包括阈值)敏感的缺点,再应用神经网络对上述优化的权值(包括阈值)进行"精调",最后设计出全包线推力估计器.经验证,此推力估计器具有较高估计精度和良好泛化能力.      

基于神经网络-遗传算法的液力透平叶片型线优化

提出了一种叶片型线的多工况优化设计方法,该方法包括叶片型线参数化、优化的拉丁超立方试验设计、CFD技术、GA-BP(genetic algorithm-back propagation)神经网络与遗传算法.具体采用三次非均匀B样条曲线参数化叶片型线,优化的拉丁超立方试验设计方法在设计空间内获取训练GA-BP神经网络的样本点,各个样本点性能分析由CFD技术完成,随后开展GA-BP神经网络的学习训练,最后采用GA-BP神经网络和遗传算法相结合的优化技术求解液力透平叶片型线的多工况优化问题.基于上述优化方法对一液力透平进行了叶片型线的优化改进,结果表明,在保证扬程不小于相应初始扬程的约束条件下,优化后的液力透平效率在3个指定工况下分别提高了3.91%,3.59%和3.09%, 证明采用此方法优化叶片型线具有一定的可行性.      

Cooperative task assignment of multiple heterogeneous unmanned aerial vehicles using a modified genetic algorithm with multi-type genes

The task assignment problem of multiple heterogeneous unmanned aerial vehicles （UAVs）, concerned with cooperative decision making and control, is studied in this paper. The heterogeneous vehicles have different operational capabilities and kinematic constraints, and carry limited resources （e.g., weapons） onboard. They are designated to perform multiple consecutive tasks cooperatively on multiple ground targets. The problem becomes much more complicated because of these terms of heterogeneity. In order to tackle the challenge, we modify the former genetic algorithm with multi-type genes to stochastically search a best solution. Genes of chromo- somes are different, and they are assorted into several types according to the tasks that must be performed on targets. Different types of genes are processed specifically in the improved genetic operators including initialization, crossover, and mutation. We also present a mirror representation of vehicles to deal with the limited resource constraint. Feasible chromosomes that vehicles could perform tasks using their limited resources under the assignment are created and evolved by genetic operators. The effect of the proposed algorithm is demonstrated in numerical simulations. The results show that it effectively provides good feasible solutions and finds an optimal one.     

基于遗传算法优化的人工神经网络下高速滚动轴承的疲劳可靠性

考虑到高速滚动轴承中热弹流润滑效应的影响,提出一种人工智能方法进行航空轴承疲劳可靠性分析。通过带交叉项的二次多项式近似拟合温度场效应,并将热应力映射到滚动轴承赫兹接触区内,完成热弹流润滑效应下航空轴承接触应力分析模型的建立,同时考虑热弹流润滑效应、材料属性以及疲劳强度修正系数的随机性,运用人工神经网络法完成热弹流润滑效应下航空滚动轴承疲劳可靠性分析。采用遗传算法完成最小可靠性指标寻优和惩罚函数最佳设计点。基于改进的一次二阶矩法完成可靠性灵敏度分析。数值算例表明,所建立的可靠性分析模型能正确反映热弹流润滑效应对航空轴承接触疲劳的影响。与传统的Monte Carlo法相比,两种计算结果的失效概率之差为2.0×10-4,相对误差为23.8%,而所提方法耗时只有蒙特卡洛方法的0.15%,具有良好的全局搜索能力和高效的计算性能。      

基于遗传算法优化小波网络的柔性喷管力矩特性辨识方法

为准确辨识负载力矩并提高主动加载负载模拟的真实度,使用了一种基于遗传算法优化的神经网络辨识方法。使用小波分析方法对测试信号进行预处理,将消噪与分解后得到的信息作为神经网络训练的扩充样本,提高了辨识精度。使用遗传算法选择最优输入信息、网络结构和隐含层规模,加快网络收敛速度并简化计算过程,实现对柔性喷管力矩的快速准确辨识。仿真结果表明该辨识方法可以准确地描述柔性喷管在典型测试信号激励下的力矩特性,平均辨识误差为2%,对于实现精确主动加载控制和验证伺服控制性能具有重要意义。     

基于神经网络与果蝇优化算法的涡轮叶片低循环疲劳寿命健壮性设计

在对涡轮叶片低循环疲劳寿命概率分析的基础上,将广义回归型神经网络(generalized regression neural network,GRNN)与果蝇优化算法(fruit fly optimization algorithm,FFOA)结合,利用果蝇优化算法的多点全局的快速搜索能力来优化影响疲劳寿命的随机变量,进行涡轮叶片低循环疲劳寿命健壮性优化设计.优化结果表明:疲劳寿命的概率区间减小17.9%,对随机变量的敏感度降低,从而可以更精确地对疲劳寿命进行估计.计算结果验证了该方法在工程应用中的可行性.