基于遗传算法的航空发动机机载模型支持向量机修正方法

航空发动机的实时模型与发动机的匹配精度直接影响着航空发动机故障诊断的精度.提出了基于自适应遗传算法的最小二乘支持向量回归机(AGA-LSSVR)方法对航空发动机机载实时模型进行修正,有效的提高了模型的匹配精度.分析了最小二乘支持向量机中的参数的选取对模型修正的影响,在参数的选取空间里采用自适应遗传算法搜索最优参数.最后,比较了Back propagation(BP)神经网络、支持向量回归机、AGA-LSSVR等方法在机载模型中的修正效果.结果表明:提出的AGA-LSSVR具有很好的修正精度,验证了修正模型的有效性.      

风险驱动的安全关键实时任务调度

安全关键系统面临着日趋严峻的安全威胁,如何降低安全关键实时应用的风险成为挑战。通过结合风险评估与实时调度,给出一种风险驱动的任务调度方案。在分析非周期实时任务可调度性的基础上,提出一种基于处理器瞬态利用率、系统安全风险最小的在线调度近似算法。在不违背关键任务的时间约束和安全约束的前提下,该算法能够在低时间复杂度内得到安全性能确保的次优解。实验结果显示所提算法能明显降低安全关键实时应用的风险。具体来讲,最大安全风险可降低22.2%,并且在安全风险近似率上界为110%情况下,真实近似率最小为102.4%。     

基于样条曲线的机动弹头再入轨迹优化研究

使用三次样条函数拟合再入飞行器纵向运动轨迹,以样条曲线上的控制节点为优化参数,将再入轨迹优化问题转化为静态参数优化问题.最后以纵向平面内的最优轨迹为例,以终点速度最大和飞行时间最短为优化目标,采用基于Pareto定级排序遗传算法求解了在末端状态受约束的最优再入轨迹问题,验证了该方法的有效性.     

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.     

适用于连续数值标签的兴趣漂移增量学习方法

针对现有兴趣漂移增量学习方法大多针对包含二值数据标签的用户反馈进行学习的不足,提出了一种适用于连续数值标签反馈的兴趣漂移增量学习方法,以或然概念集的形式描述用户兴趣,将用户反馈中包含的数据标签视为用户对该实例的喜好概率,并采用基于指数近度加权平均的方法对兴趣模型进行增量学习.在不同学习任务下的实验结果表明,该方法能够在反馈数据标签为连续数值的条件下达到比现有方法更好的学习效果.     

ANN和GA混合算法在故障诊断中的应用

介绍了ANN和GA的混合诊断算法,采用双重GA循环优化神经网络的结构和连接权重。设计提出了ANN和GA的混合方法的计算机流程图,运用三层前向神经网络执行诊断功能,并给出了混合算法在某型导弹自动驾驶仪故障诊断中的应用实例分析。     

基于分布式并行遗传算法的电力系统无功优化

针对传统遗传算法寻优质量差、计算时间长的问题,提出了基于计算机集群的一种新的分布式并行遗传算法解决电力系统无功优化问题.采用遗传模拟退火算法和分布式并行计算MPI(Message Passing Interface)技术,实现多进程的分布式集群计算.该算法通过个体迁移策略来协调优化各个子种群,使用计算效率来判断计算负载状态,采用动态种群来进行负载平衡.通过运用标准测试算例IEEE14节点和一个实际电力系统的无功优化计算,结果表明这种算法具有很高的稳定性,有较好的并行效率,适合求解大规模电力系统的无功优化问题.      

基于混合遗传算法的火箭姿态控制设计方法

针对火箭控制系统姿态网络设计,提出了一种采用遗传算法和模拟退火算法混合的算法进行姿态网络自动设计的方法。该算法实现了已知校正网络幅频特性曲线的幅频向量,通过系统辨识和寻优搜索,可以计算出该网络的传递函数。本文对该算法进行了试验验证,证明该方法可行并优于单纯的模拟退火算法和遗传算法。     

基于自适应模拟退火遗传算法的最优Lambert转移

主要研究了航天器采用Lambert二脉冲变轨的优化问题。对于初始位置、目标位置和转移时间都不固定的Lambert二脉冲转移,由于多变量以及方程本身的复杂性,采用传统的优化方法效率低甚至无法求解.采用了自适应遗传算法(AGA),寻求多变量的最优解.同时结合模拟退火算法,得到了自适应模拟退火遗传算法(ASAGA),该算法既具有全局搜索能力,又改善了一般遗传算法的局部寻优能力.通过仿真,比较了遗传算法和自适应模拟退火遗传算法的寻优结果,表明两者寻求最优转移的有效性,以及自适应模拟退火算法具有更强的寻优能力.      

基于铸件热应力及变形的人工神经网络和遗传算法优化方法

将神经网络与遗传算法相结合,以有限元分析得到的样本集合作为教师样本,通过神经网络的训练建立设计参数与控制目标的非线性映射关系,并以此代替后续的有限元分析,获得遗传算法求解优化问题迭代中所需的目标函数近似值。以Al-4.5%Cu应力框为例,在分析铸件热应力及变形机理的基础上,对应力杆的高度、宽度和粗细杆截面比、浇注温度、界面换热系数和砂型的预热温度6个参数进行优化,从而有效地控制铸件内部的热应力及变形。优化结果表明:此方法在较少的有限元计算情况下即可获得较好的优化解,与初始设计相比,弯曲变形和热应力分别降低了58.5%和40.6%。