排序方式: 共有106条查询结果,搜索用时 31 毫秒
81.
多目标蚁群算法及其在固液混合火箭发动机系统优化设计中的应用 总被引:1,自引:0,他引:1
为了提高求解多目标优化问题的Pareto解集的效率,建立了适用于多维、多目标优化问 题的多目标蚁群算法(Multi\|objective Ant Colony Algorithm,简称MACA)。该算法首 先修正了蚁群算法的信息素更新机制和转移概率,然后改进了蚂蚁的行进策略,即提出了依 概率选择搜索策略。最后,应用该算法对某型号固液混合火箭发动机系统进行了优化设计。 计算结果表明,多目标蚁群算法获得的Pareto解集分布均匀、散布范围广,可以有效解决多 目标优化问题,能为决策者进行目标权衡提供充分依据。
相似文献
相似文献
82.
基于自主研发的飞行器气动外形大规模并行化、分布式综合设计软件AMDEsign,开展了大型民用飞机气动外形多目标综合设计,研究了处理高维目标空间多目标优化问题的有效处理方式,为优化数学模型的合理确定提供数据参考。在此基础之上,基于软件AMDEsign的主分量分析(PCA)、离散伴随方法两个典型模块,对宽体飞机数字化模型开展多目标优化,其中离散伴随方法中引入虚拟可行解集逼近方法,为权系数提供有效的导向性选择;并进一步将结果进行多目标评估分析,设计结果表明,主分量分析能够有效识别目标函数的相关性,虚拟可行解集方法效率较高,充分利用了离散伴随效率高以及导向性权函数预测等优点,多点设计外形在巡航升阻比、抖振特性以及阻力发散等性能上具有明显改善。文中提出的综合设计方法简捷高效且具有较强的工程应用价值。 相似文献
83.
布谷鸟搜索(CS)算法是一种新型的受自然现象启发的元启发式智能优化算法,其强大的全局搜索能力和收敛速度受到了广泛关注。多目标布谷鸟搜索(MOCS)算法是一种在单目标布谷鸟算法基础上发展的可以直接求解Pareto解集的多目标优化算法。针对原始MOCS算法的不足,采用一系列措施以提高算法的收敛精度、收敛速度以及解的均匀性:通过引入非支配排序与拥挤距离来改进解的适应度评估;通过改进随机游走策略来提高局部搜索能力;通过引入改进的自适应丢弃概率策略来提高算法的收敛速度;加入档案管理机制,提高解的均匀性。典型的多目标数值算例结果表明,改进的MOCS算法相较于当前主流的NSGA-Ⅱ算法拥有更快的收敛速度和更高的收敛精度。以RAE2822双目标升阻比优化设计为例,将改进的MOCS算法应用于多目标气动优化中,改进的MOCS算法共获得64个Pareto解,优化后的翼型气动性能有明显的提升,设计者可以根据自己的偏好选取不同的Pareto解。对于气动优化问题,改进的MOCS算法与目前主流的NSGA-Ⅱ相比,收敛速度更快。 相似文献
85.
86.
87.
88.
89.
90.
从联结翼多学科优化要求出发,重点对并行子空间设计算法进行了改进.采用Pareto遗传算法作为系统级搜索策略,结构子学科优化则采用模拟退火算法.并在此基础上应用了旨在提高优化计算效率的响应面方法.实现了基于改进型并行子空间设计算法对气动、结构及隐身多目标函数间的折中与优化. 相似文献