基于改进遗传算法的终端区排序研究

终端区航班排序是减少航班延误,降低成本的关键技术。基于安全性考虑,将进近无冲突作为约束条件,这是一个组合优化问题,多约束条件互相制约,导致可行解较难获得。采用改进遗传算法,针对航班速度编码的特性引入局部适应度函数,并以此为标准指导交叉变异操作。仿真结果表明,求得的进近队列延误低、无冲突,且遗传更具方向性,收敛快,大大提升求解速度,更符合实际运用中实时性要求,优于传统方法。     

基于第二代非支配排序遗传算法的转子优化设计

为了减小双盘转子系统的整体振动,针对航空发动机普遍采用的典型1-0-1支承结构下的双盘转子,提出了一种使用多学科优化软件Isight与通用有限元软件ANSYS集成的分析方法。将两转盘位置作为优化变量,以一阶临界转速在10%内的变化为约束条件,采用第二代非支配排序遗传算法NSGA_Ⅱ(Non-Dominated Sorting Genetic AlgorithmⅡ)最小化过一阶临界转速时两转盘的振幅。在高速柔性模拟转子试验器上进行了试验验证,优化后,盘1过一阶临界转速时最大振幅下降了77%,盘2下降了68%,试验结果证明了该优化方法的正确性,能够有效、准确地获取转盘的最优位置,提高了转子设计的效率和质量。     

基于差分进化算法的飞机油量传感器布局优化方法

针对飞机油量测量传感器布局问题,综合考虑底部不可测量油量、顶部不可测量油量、姿态误差3个指标,设计并实现了一种基于差分进化算法的飞机油量传感器多目标布局优化方法。通过建立初始传感器安装线集合将连续优化空间转换为离散优化空间,解决了安装约束问题。通过分析优化目标建立了考虑倾斜传感器的布局指标评估方法。将离散型变异算子引入标准差分进化算法,并使用NSGA-Ⅱ中的快速非支配排序、拥挤度计算策略解决传感器布局中的多目标优化问题。通过OpenMP并行计算技术优化求解速度。最后,进行了优化试验,结果表明：该方法实现了飞机油量测量传感器布局的多目标优化,且在求解质量和优化速度方面明显优于对比方法。     

基于NSGA-Ⅱ的伺服系统控制参数多目标优化设计

针对采用分段式PID控制策略的伺服系统控制参数设计周期长、成本高的问题,提出一种基于快速非支配排序遗传算法(NSGA-Ⅱ)的控制参数多目标优化设计方法。在建立某型伺服系统仿真模型的基础上,选择各区间的PID控制参数为优化变量,以伺服控制系统的3个性能指标作为优化目标,寻找伺服系统控制参数的最优解,并进行仿真与实物实验验证。结果表明,设计的控制参数可以满足伺服控制系统的性能指标要求,大大缩短设计周期,节约设计成本。     

基于多目标遗传算法的再入飞行器气动布局优化

本文采用多目标遗传算法来确定再入飞行器气动布局优化问题的Pareto最优解集，并和传统的多目标优化方法（加权和方法、约束法）进行比较。通过计算表明，多目标遗传算法能够在一次运行中搜索到优化问题的近似Pareto最优解集，这为飞行器设计得进行目标折衷决策提供了充分的依据。     

基于自由涡尾迹和遗传算法的叶尖小翼气动优化设计

风力机叶片采用分裂式叶尖小翼可以改善叶片的气动性能。以风能利用系数最大和风轮推力系数最小为目标,采用自由涡尾迹(FVW)方法与快速非支配排序遗传算法(NSGA-Ⅱ)耦合对小翼的形状进行优化设计。NS-GA-Ⅱ算法对每一代种群进行评价、筛选和变异,最终得到小翼形状的Pareto最优解集,其中气动性能评价目标通过FVW方法计算。结果表明,FVW模型能够较准确的模拟叶片的气动性能;两目标优化给出的不是传统优化方法追求的单个最优解,而是一个Pareto最优解集,且分布在一条曲线上;相比NREL原始叶片,风能利用系数最高能提高30%;小翼的几何形状在最优解集下分布具有一定的规律性,对后面的设计及改型有很好的指导性作用。     

叶片质量矩优化排序中遗传算法的应用

针对某型发动机压气机转子,考虑叶片质量矩和初始不平衡量,采用遗传算法,对叶片进行优化排序以达到减少转子不平衡量的目的.经过对10余台发动机转子叶片质量矩优化排序验证,结果表明:整个转子的不平衡量大大减小,该方法可在实际发动机转子动平衡中推广应用.     

基于穆迪图表法改进的AHP目标排序

在登陆作战敌滩头目标数量众多时,对目标排序再进行火力打击是登陆作战中必须解决的问题。运用穆迪图表法改进的层次分析法较好的解决了决策过程中的目标排序问题。     

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.     

基于遗传算法的寻优解卫星星座优化设计策略

卫星星座优化设计与直接部署卫星或普通迭代计算后部署卫星等方法不同,目的 是在有限的资源中达到更好的星座观测效果.通过使用遗传算法(Genetic Algorithm),在卫星星座构型模型的基础上,得到星座种群内对目标观测实效性较强、重访周期较短的卫星个体,并使用较优的卫星个体生成Walker星座组网,实现了生成的星座对目标区域的高精度观测与覆盖.这种方法避免了复杂的计算与主观上的加权计算,在经济成本和观测效果相互制约的前提下,得到了更加高效的卫星星座构型设计策略.将此优化设计策略用于选定的卫星星座构型中,通过仿真实验表明,基于遗传算法优化后的"深圳一号"卫星星座相较于其优化前的部署,其对目标区域及全球区域的整体观测性能提升了90％以上.     

一种基于改进蚁群算法的维修拆卸序列规划方法

鉴于现有的蚁群算法用于维修拆卸序列规划时易受到初始序列的影响而陷入局部最优解的问题,本文根据维修拆卸的特点,基于DCPN模型构建了拆卸Petri网可达图,将拆卸序列规划问题转化为对Petri网可达图最优路径的搜索问题。同时以拆卸代价最小为目标,提出了一种适用于维修拆卸序列规划的蚁群算法,并以飞机前机身电子设备舱设备作为典型实例,验证表明该方法准确有效。     

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.     

基于改进型遗传算法的多传感器—多目标定位信息融合

针对用遗传算法解决多传感器-多目标定位收敛速度的问题,提出了采用拉格朗日松驰技术改进遗传算法的方法,并给出几种典型情况下算法的实验结果。实验结果表明,改进的遗传算法收敛速度比改进前提高了5—6倍。     

基于自适应免疫遗传的工艺与调度集成研究

针对多目标柔性工艺规划和调度集成问题,提出基于免疫遗传算法的多目标柔性工艺与调度集成求解方法。首先建立多目标柔性工艺规划和调度集成模型;引入决策者的模糊偏好信息实现对多个优化目标的决策;提出了基于自适应策略的免疫遗传算法,通过实例验证了方法的有效性,并与遗传算法和免疫遗传算法进行对比分析证明了方法的优越性。     

基于IGA算法优化的RBF神经网络应用

提出了一种基于改进遗传算法(Improved Genetic Algorithm,IGA)优化的径向基函数(RBF)神经网络,将实数编码的自适应交叉和变异操作的遗传算法与梯度下降法混合交互运算,作为RBF网络的学习算法,并应用于非线性函数的逼近和导弹故障模式的识别问题。仿真结果表明,基于IGA算法的RBF神经网络不仅结构简单,而且具有较好的网络泛化性能。     

基于遗传算法的翼型多目标气动优化设计

采用遗传算法实现了单/多目标情况下NACA0012翼型的气动优化设计。绕翼型的外部无粘流场解采用基于非结构网格的显式时间推进Jameson有限体积方法。遗传算法采用二进制编码,通过外部调用流场解算器对种群适应度函数进行评估。为提高计算效率,使用了动弹网格技术以及使得优化程序可以从任一进化代继续计算的中间进化结果存储技术。优化参数为翼型气动型面,分别以给定来流条件下的升力系数、阻力系数作为优化目标进行了单目标优化设计,并以此为基础,结合博弈论中的Nash博弈,实现了升力系数和阻力系数的多目标优化设计,得到了优化结果。分析表明,该方法具有较高的计算效率,能够给出更优的翼型气动性能,具有一定的实际工程应用前景。     

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。     

基于功能检测的备用系统维修优化研究

为了减小或消除主系统故障的后果,机械中经常采用备用系统在主系统故障时代替其完成功能。根据某些机械设备的备用系统故障具有延迟性的特点,提出了不等间隔的功能检测策略;建立了该策略下备用系统的可用度模型和费用率模型;以系统可用度为约束,维修费用率为目标,建立了不等间隔功能检测维修策略下的维修优化模型;最后给出了优化模型的求解算法,得到了维修间隔的确定方法并进行了实例验证分析,结果表明：当首次检测间隔是重复检测间隔的3倍时采用不等间隔的功能检测优化模型比采用等间隔的功能检测优化模型节约9.55%。