基于自适应步长和莱维飞行策略的改进狼群算法

群智能启发算法在解决大规模分布式问题方面有许多优势。针对传统狼群算法易陷入局部最优和精度不高等缺陷,笔者在分析狼群特点的基础上,提出一种基于自适应性步长和莱维飞行搜索策略的改进狼群算法。首先,通过自适应步长的合理变化,提高搜索精度;其次,采用莱维飞行的搜索策略,在算法后期扩大搜索范围,提高算法的全局搜索能力。最后,为了验证该算法性能,通过仿真实验和实际案例进行了测试,与其他改进方法进行比较。测试结果表明,所提出的改进狼群算法在收敛速度、精度及稳定性方面都有明显优势。     

基于莱维飞行和高斯分布的改进教与学算法

教与学优化算法(TLBO)是一种基于课堂教学学习过程的新型元启发式算法,在解决众多科学和工程问题方面表现出了卓越的性能.然而,许多研究表明,TLBO在问题的求解过程中搜索能力较差,算法易陷入局部最优.针对这一问题,提出了一种基于莱维飞行和高斯分布的教与学优化算法(LTLBO-GD).一方面,将原有的TLBO算法与莱维飞行策略相融合,在教学阶段前期增强老师的学习能力,选择出教学能力突出的老师.另一方面,在学习阶段加入高斯分布局部搜索算子,引导学生进行自学习模式,高斯分布主要是对班级中某一维度进行搜索,从而增强算法单维搜索能力和收敛速度.测试实验结果表明,LTLBO-GD算法在求解精度和收敛速度上都有了显著的改善,并且在求解效果上也明显优于TLBO算法,在典型的标准测试函数优化问题中其优越性更加突出.     

基于莱维飞行和布朗运动的鲸鱼优化算法

针对鲸鱼优化算法存在的求解精度不高、收敛速度较慢和易陷入局部最优等缺点,设计了一种基于莱维飞行和布朗运动的鲸鱼优化算法.先利用莱维飞行方法对鲸鱼种群进行初始化,以增加初始种群的多样性;再根据布朗运动原理对鲸鱼种群的位置更新进行随机扰动,以避免算法提前陷入局部最优.将改进的鲸鱼优化算法与鲸鱼优化算法、粒子群优化算法、遗传算法和蚁群优化算法在7个不同的基准测试函数上进行对比测试,结果表明,改进的鲸鱼优化算法在求解精度、收敛速度方面均优于其他4种算法.对初始化阶段采用莱维飞行策略的改进鲸鱼优化算法与采用随机搜索策略的鲸鱼优化算法的初始解探索范围进行仿真对比实验,结果表明,改进鲸鱼优化算法一定程度上可以避免陷入局部最优.     

基于改进多目标粒子群算法的风力机大厚度翼型优化设计

仅以气动性能最佳为目标进行优化设计的翼型,结构性能较差.为了克服这一缺点,基于改进的多目标粒子群算法(MOPSO),提出了综合考虑气动性能和结构性能的大厚度翼型多目标优化设计方法.针对相对厚度为40%的翼型,应用翼型集成理论对翼型进行参数化表达,以翼型主要攻角处的升阻比最大和翼型面对弦线轴的惯性矩最大为设计目标,综合考虑翼型的粗糙度敏感性、失速特性及非设计工况特性,进行翼型的多目标优化设计,得到了Pareto最优解集.分析最优解集中的翼型,由此挑选出的新翼型在气动性能和结构性能上均比常用翼型DU00-W2-401有较大提高.     

基于离散伴随方法的翼型定常/非定常气动优化设计

为了有效提升翼型的气动性能,本文发展了一种基于离散伴随方法的翼型定常/非定常气动优化设计方法。应用该方法,对给定目标压力下的翼型反设计问题和振荡翼型的时平均阻力优化问题进行了研究,所得结果表明：反设计得到的翼型几何外形与目标翼型高度一致;振荡翼型的阻力优化计算经过12次迭代后,时平均阻力降低了约40%。     

改进的粒子群算法在翼型优化设计中的应用

建立了多目标风力机翼型型线优化模型,并采用改进的粒子群优化算法对多目标风力机翼型型线进行优化,设计出4种不同厚度的性能较好的风力机翼型。对CQUA18和CQUA21两种新翼型的气动特性与相同厚度典型的风力机翼型进行对比分析,结果表明,该翼型具有良好的气动特性,对翼型的前缘粗糙度不敏感,在主要攻角范围内,光滑和粗糙条件下,新翼型的升力系数和升阻比都要高,其气动特性具有显著的提高。     

基于Isight的自适应翼型前缘气动优化设计

为了兼顾翼型在各个飞行状态下的气动效率,基于Isight优化设计平台对自适应翼型前缘进行了气动优化设计研究.首先对Hicks-Henne型函数进行了改进,实现了翼型前缘的参数化描述;然后采用拉丁超立方实验设计方法生成样本点,并运用CFD软件进行翼型流场的气动计算,进而利用该样本数据完成对RBF神经网络的训练;最后对神经网络近似模型应用多岛遗传算法进行优化.以NACA 0006翼型为例,采用上述组合优化策略以升阻比为目标函数进行优化设计.仿真结果表明:改进后的Hicks-Henne型函数较好地描述了翼型前缘;组合优化方法显著提高了翼型气动优化效率.     

FFD方法在气动优化设计中的应用

本文将基于弹性体变形思想的FFD(Free Form Deformation,自由变形)方法引入飞机气动外形优化设计中,为气动优化设计提供了一种快速、有效的参数化方法和自动网格生成方法.对FFD方法的原理进行分析,归纳了FFD方法的特点;将FFD方法应用于几何外形参数化和空间网格自动生成中,建立了基于FFD方法和遗传算法的翼型优化设计系统以及基于FFD方法、遗传算法和Kriging代理模型的翼根整流包优化设计系统;分别对NACA0012翼型和DLRF4翼身组合体翼根整流包进行减阻优化设计,优化结果得到了显著的减阻成效,证明了FFD方法在气动优化设计中有很好的应用效果.     

基于模拟退火算法的垂直轴风机翼型优化设计

为了实现智能优化垂直轴风机翼型的气动特性,提高垂直轴风机的功率系数,通过模拟退火算法作为寻优方法,用气动性能计算工具XFOIL与MATLAB程序下的失速修正模型相结合用来计算翼型优化前后的气动特性;通过CST(class/shape function transformation)翼型建模法构建控制翼型曲线的翼型数学模...     

基于混合遗传算法和复合形法的翼型优化设计

遗传算法的缺点在于计算过多的目标函数适应值而增加了优化设计的计算量。为了提高遗传算法的优化效率,将遗传算法和复合形法相结合,建立了基于混合遗传算法和复合形法的气动优化设计方法,对超临界翼型进行了单目标和多目标的优化设计,流场计算采用雷诺数平均N-S方程。算例表明,该设计优化方法稳定,设计质量高,效率比单纯遗传算法有很大提高,在工程中有较大的应用价值。     

控制参数值非线性调整策略的灰狼优化算法

为了克服灰狼优化算法在解决函数优化问题时容易陷入局部最优的缺陷,提出采用正弦曲线、对数曲线、正切曲线、余弦曲线和2次曲线的非线性调整策略控制参数值。同时采用变异策略对智能个体位置进行处理,使其位置受适应度值大小影响。对3个标准测试函数进行仿真表明,余弦曲线和2次曲线调整策略优于线性调整策略,其他3种非线性调整策略劣于线性策略。     

连续优化问题的细菌觅食改进算法

为更有效解决连续优化问题,提出了一种基于群体搜索的群智能优化算法———细菌觅食算法.该算法模拟了细菌觅食全过程,并对细菌个体的初始化、趋化操作中的搜索步长和搜索方向进行了改进.改进后的算法有效避免了算法陷入局部最优,而算法中采用的搜索步长,进一步提高了优化的收敛速度.经大量实验仿真表明,细菌觅食算法能够有效地求解连续优化问题.将仿真结果与其它算法对比,证明了细菌觅食算法的搜索质量优于其它算法.     

基于伴随方法的动态非定常气动外形优化设计

为实现动态非定常条件下的气动外形优化设计,基于非定常形式的欧拉方程及伴随方程,建立了一套完整的针对非定常动态问题的气动外形优化设计方法,并采用所建立的方法,对俯仰振荡的NACA0012翼型在跨声速(Ma=0.8)及限制条件下进行了翼型时均减阻外形优化. 对优化设计的结果进行了分析. 研究结果表明:该动态非定常气动外形优化设计方法具有较高的可靠性和实用性.      

一种改进的粒子群优化算法

提出一种改进的粒子群算法(EDAPSO).这种改进算法结合分布估计算法的探索能力和粒子群算法的开发能力.首先利用EDAPSO算法解决无约束的问题,并且比较EDAPSO算法与其他三种经典的粒子群算法的结果.无约束问题的实验结果表明:EDAPSO算法可以找到更好的解,并且稳定性更高.然后EDAPSO算法被用来解决含有13个单元的电力系统的负荷经济分配问题.实验结果表明:EDAPSO算法所获得的解比近期文献所报道的解好.     

基于改进粒子群优化算法求解带时间窗的车辆路径问题研究

针对粒子群优化算法易出现早熟收敛、陷入局部最优的问题,提出了在粒子群搜索解的过程中监控粒子健康度的方法,对健康度低的粒子进行交叉操作。该方法既保证了健康粒子继续搜索最优解,又有效地改变了非健康粒子的状态,提高了粒子群的寻优能力以及跳出局部最优解的能力。最后通过实验数据集验证了新算法,实验结果表明与标准粒子群算法相比新算...     

4块问题的H~∞优化设计

本文对状态不完全可测系统的4块H~∞控制问题进行了研究,运用动态输出反馈的方法,通过系统的两个代数Riccati方程,实现了预定H~∞范数指标下的优化控制.与现有文献不同之处在于,本文方法在代数Riccati方程不加摄动项的情况下放宽了假定条件,而且控制器的计算较为简单.     

基于偏序对改进蝙蝠算法的旅行商问题研究

作为一种新兴的群智能启发式算法,蝙蝠算法近年来被广泛用于求解离散、连续、及组合优化问题。针对典型组合优化问题中的旅行商问题,本文提出一种基于偏序对改进的蝙蝠算法用于求解离散型旅行商问题。通过对蝙蝠速度、位置的更新,使算法具有更强的适用性。本文对16个标准TSP问题进行测试与对比分析以验证算法有效性。实验结果表明,本文提出的偏序对蝙蝠算法在大多数实例中均优于其他算法。     

局部搜索灰狼优化算法求解武器-目标分配问题

武器—目标分配（Weapon Target Assignment, WTA）问题是根据武器对来袭目标毁伤概率的不同,合理确定待打击目标的武器分配方案,以达到尽可能少的武器对来袭目标毁伤程度最大化的目的,是作战指挥决策领域的重要研究内容。在构建WTA问题模型的基础上,针对传统灰狼优化（Grey Wolf Optimization, GWO）算法局部开发能力不足等问题,采取了一种精英保留及免疫变异局部搜索策略。改进灰狼优化算法（Improved Grey Wolf Optimization, IGWO）首先在灰狼种群中选择部分优质精英个体,然后通过随机点变异和受体编辑两种免疫局部搜索策略对精英个体进一步寻优,从而改善传统GWO算法过早收敛和易陷入局部最优的缺点。针对3种不同规模的武器—目标分配问题,将IGWO与交叉熵算法、传统GWO算法进行了对比,计算结果显示IGWO算法所求适应度值的分位数均明显高于对比算法,进而验证了IGWO算法的有效性。