基于模糊策略的高速飞行器滑模控制律设计

以通用高超声速飞行器GHV为研究对象,针对其俯仰通道设计了具有良好鲁棒性的飞行控制系统.为了便于应用滑模控制理论,对该模型进行了输入输出反馈线性化,将其转换成仿射型.鉴于鲁棒性与抖振的矛盾,基于指数趋近律完成了滑模控制律结构设计,进而采用了模糊控制理论改进指数趋近律.基于遗传算法完成了所有控制参数的设计,确定了模糊逻辑...     

翼伞系统分段归航轨迹的优化设计

如何有效利用翼伞系统自身的可操作性来规划归航轨迹 ,一直是研究人员关心的问题。近来 ,分段设计的方法以其计算简单、轨迹可知和工程实用的特点而备受关注。从六自由度动力学建模和仿真入手 ,分析了翼伞系统飞行的基本特性 ,在此基础上进一步简化了模型。然后详细介绍了一种分段优化设计翼伞轨迹的思想和各阶段的特点 ,仿真试验结果表明此方法是可行的。     

基于改进遗传算法的飞行航迹规划

航迹规划技术是有效提高飞行器突防概率的关键技术之一,能在大范围的真实环境中 规划出满足各种约束的较优航迹,因此对所采用的算法有比较高的要求。基于此,首先 研究了航迹包含的角度、高度、航迹段长度及飞行器的最大航程等约束条件;其次对航迹编 码方式进行了改进,采用数组混合编码方式;并对遗传算法的交叉概率和变异概率的计算、 交叉算子和变异算子进行了改进,并应用该算法在求解航迹规划问题上进行了应用仿真研究 。对应用不同的航迹编码方式所得结果进行了对比分析。仿真计算表明,该算法能够规划出 一条满足要求的航迹,避免了分层规划的复杂性,提高了算法的工程实用性。
     

主控格栅反射器基体结构/压电作动器参数集成优化设计

为提高反射器形面控制能力和减小在轨热变形,本文以锆钛酸铅压电陶瓷(PZT)驱动的主控格栅反射器为研究对象,开展反射器基体结构和PZT压电作动器参数的集成优化设计研究。首先,建立主控格栅反射器有限元模型并通过实验验证了有限元模型的正确性。然后,以形面控制能力最大和热变形最小为目标函数,以设计变量上限、下限和结构基频为约束,采用遗传算法(GA)和非支配排序遗传算法(NSGA-II)求解。最后,给出多个仿真算例的优化结果。仿真结果表明,控制能力最大的单目标优化,其热变形远大于控制能力,多目标的帕累托(Pareto)最优前沿可以给出更合理的设计方案。通过优化设计可以显著提高形面控制能力和减小热变形。     

一种改进的区域覆盖星座优化设计方法

为缩短区域覆盖星座优化设计的计算时间，对网格点仿真法进行了改进。在统计时间内，以解析法计算卫星覆盖时刻集，并采用遗传算法优化星座参数。仿真计算结果表明，本文改进方法的计算时间仅为优化前的百分之一。     

基于遗传算法的无传感器永磁同步电机控制优化

基于实数编码遗传算法．实现对无传感器永磁同步电机(PMSM)控制器参数的选取和优化．速度的估计采用扩展卡尔曼滤波(EKF)方法,以PMSM转子速度的测量值与估计值的偏差信号作为遗传算法自适应度求取的依据,实现协方差矩阵中参数的在线调整,节约了系统协方差参数的求取时间,提高了估计器的估计精度。基于dSPACE的快速控制原型工具验证了该方法的有效性。     

基于能量法的无人机弓形起落架优化设计

弓形起落架的轴线形状和横截面直接影响无人飞机着陆时起落架的缓冲性能。为提高弓形起落架的缓冲性能,基于能量法构建了弓形起落架的参数化模型,以某一无人机的起落架为对象采用遗传算法进行优化设计,用MD.Nastran对优化设计的弓形起落架进行动力学仿真。结果证明优化后的弓形起落架吸收冲击能量的能力得到了提高,从而可以降低无人机降落时的过载,同时减小了起落架的质量。     

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。     

空天飞行器上升轨迹优化

飞行器轨迹优化是一类最优控制问题,传统的优化方法存在对初值敏感的缺陷。采用一种组合优化方法,对空天飞行器的上升轨迹进行优化。首先用遗传算法对直接打靶法离散的非线性规划问题进行全局寻优,得到初步优化结果,然后以该结果作为初值,用序列二次规划法对伪谱法离散的非线性规划问题进行局部寻优,得到最终的优化结果。结果表明,组合优化方法既解决了初值敏感问题,又有较高的优化精度,可以有效求解轨迹优化问题。     

基于GA-BP贝叶斯算法的可靠性分析近似模型

研究了GA-BP(Genetic Algorithm-Backpropagation)贝叶斯算法在可靠性仿真中的应用.GA-BP贝叶斯算法是一种新型前馈神经网络训练算法,它建立在遗传算法(GA)、L-M(Levenberg-Marquardt) BP算法以及贝叶斯方法这三者的基础上.由于该算法的训练目标是获取对应于后验分布最大值的权值向量,并且在搜索过程中融入了遗传算法,因此能够使前馈神经网络具有更佳、更稳定的泛化性能.在可靠性仿真中,采用GA-BP贝叶斯算法来构造前馈神经网络近似模型,再用它来替代复杂费时的数值仿真程序进行Monte Carlo模拟,就能够在计算成本得到有效控制的同时获取随机输出变量的概率分布情况.