无铰旋翼变截面盒型梁桨叶气弹动力学多目标优化

基于有限元法建立了无铰旋翼变截面盒型梁桨叶的挥舞/摆振气弹稳定性优化分析模型,提出了多目标、多约束条件下的灵敏度分析方法,采用遗传优化算法(Non-dominated sorting geneti calgorithm-NSGA-Ⅱ),实现了盒型梁桨叶气弹稳定性条件下多约束、多目标优化.最后完成了实例模型旋翼桨叶的优化与对比验证,结果表明,在气弹稳定性、自转惯量和振动固有频率等多约束条件下,实现自转惯量提高到原来的1.147倍,桨叶重量减少5.74%～8.6%,应力减少29.6%～30.1%的多目标优化,优化性能良好.      

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.     

并行遗传算法在机载宽频带天线罩设计中的应用研究

用评估函数法构造了适用于遗传算法求解的复合材料结构多目标优化问题的等价表达形式,给出了离散变量与连续变量混合优化问题解的染色体表示。研究了粗粒并行遗传算法和细粒并行遗传算法在本类问题中应用的优劣。给出的数值实验表明:粗粒并行遗传算法对天线罩等复合材料结构的优化设计具有更好的适应性和鲁棒性。具有很好的应用前景。     

基于改进蚁群算法的飞机低空突防航路规划

蚁群算法是一种新型的基于群体的仿生算法。采用蚁群算法实现了飞机低空突防的航路规划,为航路规划问题提供了新的解决思路。并对原始蚁群算法进行了改进,提出了保留最优解、自适应选择策略和自适应信息素调整准则,有效地提高了算法的收敛速度和解的性能。最后用计算机进行了仿真,取得了较好的结果。     

基于粒子群算法的翼型优化设计

采用粒子群算法（PSO）对层流翼型进行了以提高升阻比为目标的优化设计。翼型的设计达到了设计要求,优化设计后的翼型气动特性也有显著地改善,这表明了粒子群算法应用于翼型气动优化设计的可行性。在优化设计的过程中,粒子采用递减惯性权重,以加强粒子初期的全局搜索能力与后期的局部搜索能力。翼型由解析函数线性叠加法表示,目标函数和粒子的适应度由基于二维欧拉方程的流场数值解来提供。     

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.      

冗余直接驱动阀系统的余度控制策略

针对冗余直接驱动阀伺服系统中由于余度降级所造成的性能降低问题,提出一种神经网络自适应滑模余度控制策略.利用径向基函数神经网络RBFNN(Radial Basis Function Neural Network) 的在线学习功能,对系统发生的变化进行快速自适应补偿,使系统状态趋近于滑模面,提高跟踪精度和鲁棒性;并通过与比例微分PD(Proportional-Derivative)算法的并行控制,促进RBFNN的收敛,增强系统的稳定性.通过与PID(Proportional-Integral-Derivative)切换控制策略的对比研究,表明RBFNN自适应滑模余度控制方法不但设计简单,而且能够有效克服余度降级带来的系统性能下降的问题,极大地改善了系统的品质.      

飞机飞行控制律/操纵效率器多学科优化设计

基于近似模型和遗传算法,针对多操纵面布局飞机提出一种对全包线飞行控制律和操纵效率器几何形状与位置进行多学科优化的设计方法.该方法采用力矩控制方式进行控制,应用鲁棒增益调参方法设计全包线飞行控制系统,利用试验设计方法和径向基神经网络响应面获取近似的气动学科模型和控制学科模型,在近似模型基础上由遗传算法获得优化的设计参数并最终获得优化的控制律和操纵效率器.以某多操纵面布局无尾飞机为例进行计算机飞行仿真验证,结果表明该方法具有可行性.      

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.