基于细菌觅食性的改进粒子群优化算法翼型设计

提出了一种基于细菌觅食性的改进粒子群优化算法。该算法以粒子群优化算法的社会模型为基础,添加了个体之间的交流项,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,同时,引入了细菌觅食算法中的趋化和驱散机制,使得算法能够有效地跳出局部最优。函数测试结果表明,该算法显著地提高了粒子群优化算法的寻优性能,并将该算法应用到了翼型设计之中。     

基于粒子群算法的翼型优化设计

采用粒子群算法（PSO）对层流翼型进行了以提高升阻比为目标的优化设计。翼型的设计达到了设计要求,优化设计后的翼型气动特性也有显著地改善,这表明了粒子群算法应用于翼型气动优化设计的可行性。在优化设计的过程中,粒子采用递减惯性权重,以加强粒子初期的全局搜索能力与后期的局部搜索能力。翼型由解析函数线性叠加法表示,目标函数和粒子的适应度由基于二维欧拉方程的流场数值解来提供。     

粒子群优化算法在微型无人机设计中的应用

针对一种翼展为550mm的电动力微型无人机的优化设计问题．对粒子群优化算法进行了改进，弥补了原来算法当最优解在设计变量上下限边界时无法找到最优解的缺陷，然后对电动力无人机的电池容量的优化选取进行了探讨，最后对该机进行了研制和试飞。由试飞结果可知，该机的留空时间为68min，与优化计算结果十分相近，证明了优化计算结果的可行性和高精度。     

一种单亲DNA算法在翼型设计中的应用

随着遗传工程的不断发展,受其启发建立的各类算法已经应用到各个设计领域.其中,基于达尔文的适者生存、优胜劣汰的生物进化机制,由模拟有性生物的繁殖进化过程演变而来的遗传算法,因其具有全局搜索能力、广泛的适用性等特点在气动设计方面应用的已经比较成熟.但是常规遗传算法在实际应用中也暴露出许多不足,主要就是未能准确反映出生物的双向进化以及变异与交叉化关系的不对等.针对遗传算法的这些问题,本文采用了一种单亲DNA算法,模拟单亲生物自然遗传繁衍机理,将其应用到翼型设计中.与遗传算法相比,全局搜索能力更强,收敛速度更快,优化效果更理想.     

基于全局信息的粒子群算法翼型综合优化设计

 翼型优化往往需要考虑众多的设计目标和约束条件,对此发展了稳健高效的翼型综合优化方法。在粒子群优化算法中用繁殖策略深度挖掘由Kriging代理模型所获取的全局信息,对基准函数优化、翼型几何外形重构与层流翼型优化问题进行了测试,结果表明该算法可大幅度提高优化速度。将改进的Hicks-Henne翼型参数化方法和雷诺平均Navier-Stokes(N-S)方程流场求解器与优化算法相结合,采用可方便确定权重系数的多目标非线性适应值加权方法,分别对多点、多目标和多约束的超临界翼型与低速翼型进行综合优化,计算结果表明该方法可大大提高气动外形优化的工程实用性。     

一种改进粒子群算法及其在飞控系统中的应用

针对标准粒子群优化算法过早地陷人局部最优问题,提出了一种改进的粒子群优化算法,引人基于均匀设计区域选取的变异算子和改进的自适应权重来提高种群多样性和粒子群搜索效率,并应用于某飞行控制系统的优化调参.通过该方法,不但可以降低结果过早陷人局部最优的可能性,而且还提高了飞行控制系统优化调参的效果,仿真实验验证了该设计方法的有...     

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。     

粒子群优化算法在网络计划资源优化中的应用

对粒子群优化算法在网络计划资源优化中的应用进行了探讨,首先,介绍了粒子群优化算法的基本原理,给出了网络计划中工期固定一资源均衡优化问题的优化目标和数学模型;然后,详细介绍了粒子群优化算法实现网络计划资源优化的算法流程及其编程实现,对典型网络计划进行优化的结果表明粒子群算法可以较好地实现网络计划资源优化。     

分布式进化算法及其在翼型气动反设计中的应用

构造了一种新型基于基因算法与博弈论的并行分级多目标优化方法，并应用于多段翼型气动反设计。此方法基于二进制编码的基因算法和博弈论，优化变量被分配给不同的博弈者，因而总体优化问题转变为分裂空间中的局部优化问题。文中给出了一个多段翼型形状，位置可压位流的反设计问题的求解算例，引入了基于非结构网格的分级结构。与传统基因算法数值算例的对比表明了本文构造的并行分级算法具有较高的计算效率，可广泛应用于多目标优化问题。     

基于分布式粒子群算法的翼型优化设计

采用求解N-S方程作为优化算法中的CFD分析方法,基于标准粒子群优化算法(PSO),将其与遗传算法中的选择机制相结合,形成了一种改进的基于自然选择的粒子群算法(SELPSO),以提高算法的求解精度和改善算法的全局收敛性。为改善串行粒子群算法效率低,耗机时等缺点,文中将分布式计算引入到优化设计过程中,实现了基于分布式粒子群算法的翼型设计优化系统,设计实践表明,文中发展的优化算法对优化设计系统质量和效率都有着大幅度的提高,在工程中具有很好的实用价值。     

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。     

基于混合多目标粒子群算法的飞行器气动布局设计

 为了提高多目标优化算法求解非劣解集的效率,在多目标粒子群算法的基本框架中引入了Pareto过滤算子、小生境技术和模拟退火算法,建立了全新的混合多目标粒子群算法。该算法具有运算收敛快,所得非劣解集分布均匀、广泛的特点。将其应用于求解以升阻比和效用体积最大化为目标的再入式高超声速飞行器气动布局多目标优化设计模型,将计算结果与原始多目标粒子群算法的计算结果进行对比,体现出本文提出的混合多目标粒子群算法能够更加有效地求解复杂多目标优化设计问题的非劣解集,从而为多目标决策提供有力的支持。     

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。     

小型无人机翼型优化设计

采用类别形状函数变换（CST）方法对翼型参数化描述;利用Fluent软件,进行翼型升力系数和阻力系数的气动计算;以升阻比最大为优化目标,通过拉丁超立方设计生成样本点,建立了径向基神经网络（RBF）代理模型;使用粒子群优化算法（PSO）,在Isight平台上,实现对Clark Y翼型优化的整个过程。优化翼型升阻比比原始翼型提高了约10%,表明此种方法是可行的,可用于小型无人机设计的工程中。     

基于混合粒子群算法的航空发动机数学模型解法

以双转子混合排气涡扇发动机为研究对象,研究了粒子群算法(PSO)应用于航空发动机性能仿真时,控制参数对模型收敛性的影响,并结合N+1点残量法的优点,提出了在模型不收敛点采用粒子群算法与N+1点残量法交替计算的混合算法。理论分析与数值仿真结果表明,该算法既保持了N+1点残量法的高效率、高精度计算,又继承了粒子群算法大范围收敛的优点,可实现模型大范围、高效率、高精度收敛。     

粒子群优化方法及其实现

介绍了一种新颖的全局优化搜索新方法-粒子群优化方法,讨论了其中的参数设置问题,给出了一个用VB实现的程序,详细给出了该实现的数据结构和程序框架,该程序以二维视图形象地表现粒子群的寻优过程,并辅以学习曲线,有利于进一步的研究。