混合遗传算法的研究及其在压气机叶型优化设计中的应用

对混合遗传算法进行了初步研究,并以此为基础建立了压气机叶型优化设计平台。在遗传算法中引入模拟退火算法,增强了算法的局部寻优能力,提高了运行效率和优化质量。为维护群体的多样性,保证寻优的收敛,选择概率和交叉概率的设计可以随个体适应度和进化阶段的不同而自适应变化。二维叶型定义采用的是Bezier函数参数化定义方法。该方法可以较好的拟合叶型曲面,并通过少数控制点的调节灵活有效的修正叶型形面。对某压气机二维叶型的正问题数值优化结果表明本研究所建立的优化设计平台具有高效、可靠性好的特点。     

基于遗传模拟退火算法的机器人路径规划

探讨了利用遗传算法来进行机器人路径规划的方法,分析了可能产生的问题及其产生原因,并在此基础上提出利用遗传算法与模拟退火算法相结合的方法来解决机器人路径规划问题。仿真结果表明,这种遗传模拟退火算法切实可行,它能够有效地提高路径规划的计算速度和保证路径规划的质量。     

考虑任务合成的成像卫星调度问题

某些成像卫星的侧摆机动性能较差,限制了卫星的观测能力,需要考虑任务合成以提高观测效率.建立了考虑任务合成的成像卫星调度问题模型,并提出了求解该模型的快速模拟退火算法(VFSA).算法针对元任务及合成任务分别构造邻域,采用合成邻域、分解邻域实现调度过程中任务动态合成操作.采用"冒险"的接受概率和快速退火计划,提高算法的求解速度.采用回火机制及3种分化策略,避免算法陷入局部最优.大规模测试算例验证了算法的效率.     

释热分布对超燃冲压发动机性能的影响及优化

为了改进燃烧室、尾喷管的设计和优化燃料在燃烧室内的释热方案,建立了广义一维流动/释热分析方法,对超燃冲压模型发动机的主要性能参数进行了研究。通过与单凹腔模型发动机实验结果的对比,着重分析了燃料在燃烧室内不同的释热分布对模型发动机推力性能的影响,同时采用模拟退火优化算法对发动机燃烧室内释热分布和内流道作了优化,结果表明,在燃烧室内采用多阶段分散释热方案对模型发动机推力性能有较大的提高。     

航空发动机结构可靠性优化方法研究

通过采用多项式响应面的近似模型和模拟退火寻优技术．建立了航空发动机结构可靠性优化方法：采用多项式响应面为近似模型构造状态变量和目标函数与设计变量的关系,并采用模拟退火算法对响应面模型进行寻优,通过替代距离目标最远点,重构响应面进行模拟退火寻优。涡轮盘结构可靠性优化分析算例结果表明,涡轮盘结构在满足强度和寿命可靠性约束前...     

退火态ZTi6Al4V铸造钛合金的断裂韧度研究

将尖切口强度理论用于ZTi6Al4V铸造钛合金损伤容限性能的评价,探讨了不同退火温度对其三点弯曲断裂韧度KQ的影响。结果表明:尖切口试样测定的断裂韧度KQ1不等同于标准试验方法测定的KQ,但可用于铸造钛合金不同工艺间断裂韧度的比较。退火温度的改变可微调ZTi6Al4V铸造钛合金的强度和断裂韧度,在700℃或820℃保温2h退火处理,试样的断裂韧度较好,KQ值分别达到78.11 MPa.m1/2和79.44MPa.m1/2,屈服强度分别为782.74MPa和771.49MPa,抗拉强度分别为860.18MPa和853.0MPa,伸长率达8.10%和7.46%,获得了较好的强塑性匹配。     

燃气涡轮起动机高空台高空起动试验研究

介绍了某型燃气涡轮起动机在高空台进行高空起动试验的安装方式、试验条件和试验方法,并对高空起动试验结果进行了详细分析。研究表明,通过增加起动加速供油量与起动电机功率,可有效扩展燃气涡轮起动机的高空起动包线,且起动机的冷机时间对其起动特性有着显著影响。同时,在此类起动机高空台试验中,应对滑油管道提供相应的保温措施,以保证起动机在低温环境下的冷机过程中,滑油温度不至于过低而影响起动。     

基于发动机高模试车的高温隔热屏热模型修正技术

与常压环境地面试车相比,发动机高空模拟试车的热源分布更接近于实际飞行工况,本文通过搭载高模试车验证了高温隔热屏设计的正确性。通过考虑高温隔热屏层间气体导热和接触导热等,对高温隔热屏的传热模型进行了修正,其计算结果与高空模拟试车搭载试验结果的误差较小。在考虑真空引射背景红外辐射以及真空舱内气体与发动机及隔热屏的导热后,利用修订的高温隔热屏的当量热导率,进行了上面级高空模拟整机热分析,进一步提升了热模型的分析精度。     

模拟退火算法在连续变量全局优化问题中应用

研究了基于模拟退火算法应用于连续变量全局优化问题,并给出了实现步骤.介绍了控制参数实用选择方法.针对连续变量的特殊性,给出了新解产生的实用方法.最后以计算机视觉领域中的基本矩阵的求解作为一个实例,来说明它在连续变量中的应用.大量数字仿真结果表明该算法能有效地解决连续变量全局优化问题.      

Crater detection via genetic search methods to reduce image features

Recent approaches to crater detection have been inspired by face detection’s use of gray-scale texture features. Using gray-scale texture features for supervised machine learning crater detection algorithms provides better classification of craters in planetary images than previous methods. When using Haar features it is typical to generate thousands of numerical values from each candidate crater image. This magnitude of image features to extract and consider can spell disaster when the application is an entire planetary surface. One solution is to reduce the number of features extracted and considered in order to increase accuracy as well as speed. Feature subset selection provides the operational classifiers with a concise and denoised set of features by reducing irrelevant and redundant features. Feature subset selection is known to be NP-hard. To provide an efficient suboptimal solution, four genetic algorithms are proposed to use greedy selection, weighted random selection, and simulated annealing to distinguish discriminate features from indiscriminate features. Inspired by analysis regarding the relationship between subset size and accuracy, a squeezing algorithm is presented to shrink the genetic algorithm’s chromosome cardinality during the genetic iterations. A significant increase in the classification performance of a Bayesian classifier in crater detection using image texture features is observed.