基于神经网络的二维随机翼型优化设计方法(英文)

为避免翼型单点优化设计存在的非设计状态气动性能损失,改进对实际飞行环境中不确定性因素的适应能力,提出了基于神经网络的二维随机翼型优化设计方法。采用4个BP神经网络作为代理模型,用于预测翼型的气动系数与几何参数,以提供高效和可靠的分析。同时联合服从正态分布的概率密度函数和遗传算法构成了优化设计方法。采用该方法,对GA(W)-2翼型,在关于马赫数和迎角的二维飞行区域内进行了随机优化设计。通过与原始翼型和单点优化设计翼型的结果对比,表明该二维随机优化方法能够在指定飞行区域内改进翼型的整体性能,提高了翼型对多个飞行参数随机变化的适应能力。     

银行印鉴的模糊识别方法

印鉴的计算机自动识别在金融电子化进程中是一个关键问题,也是一项十分难以解决的课题,目前国内外已提出了一些算法,但仍然在存在若干未能解决的问题,本文结合遗传算法,图像分析,模糊识别等方法,提出了一套完整的印鉴识别方法,能适应不同形状,大小的印鉴,配准精度高,特征提取较为全面,有效,分类准确,且能较好的消除背景干扰,基本达到实用要求。     

求解装箱问题的遗传算法

本文提出了两种求解装箱问题（ＢｉｎＰａｃｋｉｎｇ）的遗传算法。一种是简单遗传算法,它采用等长度字符代码编码方法,使用常规的遗传操作算子。另一种是混合遗传算法,它综合运用解装箱问题的ＦＦＤ（ＦｉｒｓｔＦｉｔＤｅ－ｃｒｅａｓｉｎｇ）近似算法和简单遗传算法。试算结果表明,由这两种遗传算法所得到的装箱方案较一些近似算法所得到的装箱方案都要好。     

基于子目标进化的高维多目标优化算法

多目标优化问题是工程应用中的常见问题,已有的方法在解决3个目标以上的高维优化问题时效果欠佳.如何进行有效的个体选择是求解高维多目标优化问题的关键.针对该问题,提出了求解高维多目标优化问题的子目标进化算法.从理论上证明了多目标优化问题Pareto非支配解的求取,可通过子目标函数值排序,先行选择进化种群中部分非支配解;然后,根据排序信息有选择性地比较进化种群中的元素,减少了比较次数,从而快速获得非支配解集.同时,提出归一化函数差值的Minkowski距离"k近邻"距离计算方法,在进化过程中应用到密度函数中,加速了收敛速度.同当前求解高维多目标优化的算法,在对标准测试函数的计算性能上进行比较,统计结果显示了所提算法在性能上的优势.      

ICP算法在叶型点云数据配准中的应用

针对叶片截面型线测量点云数据与理论点云数据的配准问题,研究了将ICP算法应用于叶型点云数据配准的方法。首先概述了叶型测量数据与理论数据的匹配问题;然后阐述了基于ICP算法的叶型点云数据配准方法,并在MATLAB平台进行了配准实现;最后给出了配准实例,并将配准结果与点云处理软件CloudCompare的匹配结果进行了对比,验证了该方法的准确性。     

适于直升机配平计算的混合遗传算法

结合传统的数值计算如拟牛顿法的局部快速收敛特性,以及遗传算法的全局收敛与群体搜索的优点,发展出一种新的混合遗传算法,使之具备全局快速收敛特性。通过两个算例及某型直升机在前进比为0.2状态下的配平,验证了该算法的可行性及高效性,从而为直升机的配平计算提供了一种新的成功的算法,同时也在传统数值分析方法和现代智能进化算法之间的有效结合做了一次比较成功的尝试。     

气动计算软件集成系统中的远程控制

随着我国航空航天技术的飞速发展,气动计算软件集成技术日趋成熟,但用户在并行计算中需要手动输入的操作较多。鉴于此,通过编程开发了基于TCP／IP协议的FTP客户端应用程序,实现了对网格文件的信息采集、过滤并将其和参数、脚本文件等批量自动上传的功能。根据批处理文件中的命令,调用Windows平台自带的客户端Telnet,向远程集群管理节点发出命令,远程启动服务器集群的并行计算任务。最后,在客户端实现了远程控制服务器集群上的计算流体力学软件Fluent进行并行计算。结果表明：使用该远程控制系统能够减少用户输入操作,提高计算效率,保证数据的实时更新。     

气动外形多点优化设计研究

将优化方法中的遗传算法与高精度的CFD分析方法相结合,并将其引入到气动优化设计中.在引入实数编码机制的基础上,将遗传算法与线性加权和法结合在一起,建立了可以处理多目标优化设计问题的遗传优化模型,并应用该方法进行了翼型的多点气动外形优化设计.设计实践表明,该方法是可行的.     

单扇区管制移交间隔管理模型和算法研究

针对区域管制移交间隔管理问题进行研究,通过分析当前的流量管理模型和算法,提出单个扇区管制移交间隔管理模型。在研究中,引入间隔矩阵概念,以指定时段内的延误控制为目标,分析扇区容量和管制移交高度层选择等限制因素,建立数学模型,并通过间隔增量矩阵的使用来优化算法。算例中采用在国内某区域管制范围内的繁忙时段数据进行了分析和验证。     

基于强化学习的航空器机场智能静态路径规划

随着人工智能迅速发展以及“智慧机场”的提出,研究人工智能在机场如何有效地辅助机场管制人员,驾驶员指挥航空器在地面滑行具有重要意义。本文提出一种基于强化学习的滑行路径规划方法,构建航空器机场地面强化学习移动模型,并以海口美兰机场为案例采用 Python 内置工具包 Tkinter 进行场面仿真;在此基础上,考虑机场航空器滑行规则,采用 Off-Policy 中 Q-Learning 算法求解贝尔曼方程,实现航空器在 Model-based 环境中进行静态路径规划。结果表明：本文所提方法能够实现停机位到跑道出口智能静态路径规划