Pareto基因算法多目标翼型优化设计

 基于 Pareto最优解的定义,通过构造新型的联赛式选择复制等算子而发展了一种适合于求解多目标优化设计的 Pareto基因算法。通过等级法来正确识别每一代中近 Pareto波阵面的解,从而消除选择误差达到快速收敛的目的。为提高解的分布性:采用小生境技术解决了基因材料多样性损失问题;采用常规实数编码方式配合平均交叉算子解决了编码端点效应问题。将所发展的方法应用于多目标翼型优化设计中,获得了理想的 Pareto波阵面,为决策者提供了一个可选的有效解数据库。     

旋翼翼型多目标多约束气动优化设计

为了克服传统旋翼翼型优化设计方法的不足,发展了一种基于Kriging模型与遗传算法的旋翼翼型多目标多约束气动优化设计方法。采用基于雷诺平均Navier-Stokes方程的数值模拟获得样本翼型气动性能,并建立目标函数和状态函数的Kriging模型,采用遗传算法搜索Kriging模型最小值和相应的EI(Expected Improvement)函数最大值,更新Kriging 模型直至找到满足约束的最优翼型。运用加权目标函数法进行了旋翼翼型的多设计点优化设计。优化结果表明,优化后旋翼翼型在满足约束的同时,与基准旋翼翼型OA209相比:在悬停状态下,阻力系数下降了2.1%;在机动状态下,最大升力系数提高了4.2%;在前飞状态下,阻力系数在不同马赫数下均有所减小。     

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。     

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。     

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。     

基于遗传算法的翼型气动优化设计

采用遗传算法进行跨声速翼型的阻力和升阻比的优化设计。在优化设计的过程中,为避免进化的早熟和停滞,引入了自适应变异并对其作了适当的修改。进行减阻优化设计后的翼型其气动特性有显著的改善,这表明了遗传算法应用于翼型气动优化设计是可行的。在此基础上,进行了最大升阻比和双目标优化设计,得到了较为满意的结果。     

基于遗传算法的翼型气动优化设计

采用遗传算法进行跨声速翼型的反设计与阻力和升阻比的优化设计。翼型的反设计达到了设计要求,优化设计后的翼型其气动特性也有显著的改善,这表明了遗传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,翼型由解析函数线形叠加法表示,目标函数和个体的适应值由二维欧拉方程的流场解来提供。     

基于N-S方程的跨声速翼型多目标多约束优化设计

本文将粘性流场分析和数值优化方法耦合起来,发展了一种跨声速翼型设计方法,用以提高翼型在一个或多个设计点、在多种约束条件下的气动性能。由粘性流场分析程序计算得到的升力、阻力等气动参数构成目标函数,数值优化程序对其进行最小化。粘性流场分析采用了雷数平均Ｎ－Ｓ方程,这比过去翼型设计中使用的全速势方程或Ｅｕｌｅｒ方程更能模拟流动的本质,因而设计结果的可靠性大大提高了。优化算法采用传统的拟牛顿法（Ｑｕａｓｉ     

基于分层策略的翼型多参量气动优化设计研究

与基于梯度的优化方法相比,遗传算法因其极强的鲁棒性、随机搜索及优化结果全局性等特点在工程优化中得到越来越广泛的应用。为提高优化设计的效率,改进了传统的遗传算法,采用并行分层策略基因遗传算法开展了翼型多参量气动优化设计研究,包括翼型和多段翼型的基因编码、外形参数化,以及动网格技术。结果表明,并行分层策略在得到较优气动优化结果的同时,极大地缩短了优化时间,提高了计算效率,具有广阔的工程应用前景。     

一种改进的果蝇优化算法及其在气动优化设计中的应用

果蝇优化算法(FOA)是一种新的群体智能优化算法,具有良好的全局收敛特性。为进一步提高FOA的寻优性能,将其引入到气动优化设计中,发展形成了改进的果蝇优化算法(IFOA)。IFOA通过引入惯性权重函数动态调整搜索步长,有效实现了算法全局搜索和局部搜索之间的动态平衡,提高了算法整体搜索效率和寻优精度;对于多维优化问题,IFOA每次搜索仅随机扰动其中一个决策变量,并在每个迭代步内将所有优秀果蝇个体(可行解)结合产生一个全新的果蝇个体进行一次搜索,大大加快了算法的收敛速度。函数测试结果表明,IFOA显著提高了FOA的寻优性能。将IFOA应用到气动优化设计中,翼型反设计和单/多目标优化设计的算例表明,IFOA是一种简单高效的优化方法,可广泛应用于气动优化设计。     

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。     

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。     

多目标进化算法和代理模型技术在气动稳健优化设计中的应用

通过与传统优化方法的优缺点对比,提出针对飞行器环境参数存在不确定性影响时的气动稳健优化设计模型,并应用多目标进化算法和代理模型技术对稳健模型进行优化设计研究。提供了翼型稳健性优化实例,通过选择合适的翼型参数化方法和CFD求解程序以及不确定性分析方法,得到了稳健设计结果的Pareto前缘图。从其中选择的设计结果可以看出,稳健设计结果表现出更稳定的特性,证明了稳健设计的优势所在。     

基于流形结构重建的多目标气动优化算法

在多目标优化中,Pareto解集是一个分段连续的k维流形,这一规律被传统进化算法所忽略。本文提出了一种基于流形结构重建的多目标优化算法,首先利用流形结构重建方法完成解集分布从目标空间到设计空间的映射,建立解集的概率分布,并在目标空间中扩展流形结构,从而借助解集在目标空间的推进来指导优化算法的快速演化。数值算例表明本文算法对于具有不同特征的Pareto前沿具有很好的适应性,能够极大提高算法的收敛效率。多目标气动优化算例验证,本文算法相比于常规多目标进化算法能够减少约80%的计算量,极大程度缩短了气动设计的周期。     

超临界机翼多目标气动优化设计的策略与方法

超临界机翼的气动设计十分复杂,往往需要借助于有效的优化手段。然而,优化方法本身往往无法直接表达真实完整的设计意图,因此需要将工程需求和约束转换为优化方法所能处理的数学形式。本文首先探讨了梯度优化方法和进化类优化方法在气动优化中的表现。之后简要总结了前人在飞机气动设计中提出的准则和要求,并基于压力分布形态定义了超临界机翼气动设计的关键特征及定量要求,探究其在超临界机翼气动优化设计中的应用效果。研究结果表明,在多目标优化中引入面向压力分布形态特征的目标和约束,能有效引导优化体现工程设计思想,进而提高优化效率。     

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。     

气动优化设计中的遗传算法研究

建立以实数编码技术为基础的多种遗传算法模型，利用这些模型来研究复制、重组和变异三种基本的遗传操作对气动优化设计的优化质量和效率产生的影响，在此基础上研究群体规模、最大进化代数和遗传概率等遗传控制参数对优化质量和优化效率的影响，期望对应用遗传算法的气动优化设计提供一些有益的参考。