射线跟踪法的改进及其应用

研究复杂组合体目标后向散射场问题，并对射线跟踪法的典型算法进行改进，以提高计算精度和运算速度。推导精确的积分公式，用典型体目标对改进的算法进行验证，进而计算复杂组合体目标的后向散射场。矩形截面直进气道的计算结果不仅比学者Hao Ling的计算结果更为精确，而且计算速度提高了两倍。三面角反射器的计算结果与实验结果基本吻合。最后，计算了某型航母甲板上复杂目标组合体目标的RCS，并与近似法和像素法的计算结果进行了比较分析。     

改进的BP神经网络技术在平面叶栅气动性能实验中的应用

将多维实验方法应用于平面叶栅正反向流动实验中,避免了单参数实验方法中的缺陷,大大提高了实验数据的可靠性。同时采用改进的BP神经网络技术,对气动性能实验数据进行分析。实验发现：低雷诺数下,翼型的流动状态很复杂,附着涡在确定翼型边界层行为和失速特性中起着重要作用。在反向流动中,翼型的吸力面常伴随有旋涡的流动,类似于薄翼流动,翼型在较小的迎角下就会发生薄翼失速。     

求解约束优化的一种混合遗传算法

对于一类约束优化问题 ,基于罚函数和单纯形方法 ,本文提出了一种混合遗传算法 ,数值算例表明该算法是有效的     

风力机叶型增升技术

介绍了利用栅片改善风力机叶型大迎角下气动性能的研究结果。通过对风力机专用翼型的数值模拟,研究了栅片对翼型流动分离的控制效果,并在数值模拟结果的基础上对栅片进行基因算法优化。优化过程采用多岛基因算法,以N-S方程为控制方程,以升力最佳为目标,对栅片进行多参数优化。结果表明:栅片可以有效控制翼型的失速特性,抑制翼型大迎角下的流动分离,推迟失速攻角和增加升力;基因优化算法能更大地提升栅片的控制效果。     

注入式的遗传算法的分析与研究

该文提出了一种改进的遗传算法———注入式的遗传算法。该算法利用遗传算法全局搜索能力强和知识库具有存储记忆功能的特点,通过引入知识库中的经验值来提高遗传算法的求解速度和精度。该实验用基本遗传算法和注入式遗传算法来求解旅行商问题,通过对比实验结果,证明改进遗传算法的可行性和有效性。     

一种基于多维空间超球体的快速聚类算法

提出了一种基于多维空间超球体的快速聚类算法。这种算法结合密度聚类和层次聚类两种思想。首先利用密度聚类方法将小范围内的数据对象聚合成超球体,然后再按照层次聚类中的凝聚思想,根据超球体之间的位置关系产生最终聚类。实验表明,该算法对于数值型数据集不仅在效率、噪声敏感性等方面均有较好的表现,同时还可以通过诸如“双环测试”等带有刁难性的特殊测试集。以往,常常简单的以距离来刻画的数据间“相似性”,而所提出的快速聚类算法则改由超球体之间连接的紧密程度来描述这种性质。实验表明,这种修改使得算法的性能得到了很好的改善。     

一种改进的微粒群优化算法

标准微粒群优化(PSO)算法是一种群体智能算法,它容易陷入局部极值点,进化后期收敛速度慢且精度较差,而且参数的选择对算法的优劣影响很大。针对这些缺点,首先提出了一种在位置进化方程中引进动态参数的方法,改进了标准微粒群算法收敛速度;然后通过在速度、位置进化方程中同时引进动态参数来提高算法收敛速度和收敛率。经J．D．Schaffer函数和LevyNo．5函数对改进算法的测试表明,相比于标准微粒群算法,该方法的收敛速度和平均收敛率均有大幅度提高。     

双重稀疏保持投影(英文)

稀疏保持投影(Sparsity preserving projection,SPP)是一种新型的基于图的降维方法,近年来被成功应用于人脸识别。SPP基于数据的稀疏重建关系建图,从而包含自然的判别信息。然而,经SPP变换后,新的特征是所有原始特征的线性组合,因此很难解释其降维结果。为此,提出了一种新的降维方法——双重稀疏保持投影(Dual-sparsity preserving projection,DSPP),通过进一步对SPP的投影方向施加稀疏约束,希望获得投影方向的稀疏解。具体地,该方法把SPP中投影函数的计算转化为一个回归类优化问题,然后借助L1正则化回归技术获得稀疏投影向量。在人脸数据上的实验结果表明了该算法的有效性。     

飞机环境控制系统的模糊控制研究

地面实验表明,采用传统PID(Proportional-Integral-Differential)控制方法的飞机环境控制系统不能很好的解决电子设备和座舱的温度控制问题.采用了基于遗传算法优化的模糊控制方法,根据系统不同的工作任务,分别采用了2种模糊控制规则.通过优化输入输出变量的隶属度函数参数,使得新的模糊控制系统具有响应快、超调小、稳态精度高的特点.仿真表明,该模糊控制系统优于原系统并且能够满足飞机环境控制系统的设计要求.      

设计敏度在气动弹性遗传优化中的应用

利用遗传算法和遗传/敏度混合优化算法对某复合材料机翼进行气动弹性优化设计研究,并提出在使用这两种算法时根据设计敏度信息计算设计变量的重要性指标、从而确定主要和次要设计变量、进而调整设计变量变化域的方法,以提高算法的寻优效率.研究表明:设计变量变化域的定义直接影响遗传算法和遗传/敏度混合优化算法的寻优效率,特别是单独使用遗传算法时影响程度更大;定义时应该在确保设计空间包含足够的优秀可行解的前提下,尽可能地缩减搜索空间.所提出的基于设计敏度调整设计变量变化域的方法在实际应用中能取得较好的效果:该方法既能明显提高遗传算法和遗传/敏度混合优化算法的搜索效率,又能显著增强两种算法辨识可行域的能力.