基于多岛遗传算法的垂直轴风机翼型优化设计

为了解决垂直轴风力机的风能利用率在实际应用中低于水平轴风力机的问题,通过以多岛遗传算法为核心与翼型参数化、ICEM网格生成以及计算流体动力学(computational fluid dynamics, CFD)流场计算相结合,并以翼型的升阻比为优化目标,建立优化模型,进而开发自动优化评估流程,完成翼型的优化设计与气动性能分析。结果表明：相比初始翼型,优化翼型是非对称翼型,其最大相对厚度降低1%,升阻比提高17.78%,升力系数提高16.7%,为0.11c(c为翼型的弦长);其最大相对厚度对应在弦上的位置向翼型的前缘移动了0.036c。且翼型弯度明显增加,中弧线偏移量最大值为0.017 4c。优化翼型的前缘半径变化不大,但翼型尾缘夹角明显变小,翼型上翼面轮廓线相对平缓。     

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.     

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Isight的博弈多目标优化

复杂多目标优化设计中常遇到性能目标与设计变量之间不具有显式的函数关系式,难以直接运用传统优化方法进行设计计算,且多个性能目标相互耦合,设计周期长等问题。针对这些问题,本文提出了基于Isight的博弈多目标优化设计方法,在Isight优化平台下集成Solidworks软件和Ansys软件进行建模与分析,运用博弈论思想分别建立合作博弈模型和非合作博弈模型,用遗传算法对模型进行求解获得优化解,并以悬臂梁多目标优化设计进行示例说明。     

特殊布局无人机多目标气动外形优化设计

从无人机外形设计的总体、气动设计要求出发,根据多目标优化的基本概念,将Pareto方法与遗传优化搜索相结合,并采用了群体排序、基于共享机制的小生境等技术,使解集具有良好分布特性。在此基础上建立了一套可满足无人机气动外形综合优化设计优化模型和优化方法。针对无人机外形优化设计要求,提出了复杂外形参数化和设计变量的选取原则。根据某无人机的设计要求,以亚声速和超声速气动特性为设计目标的无人机外形综合优化设计,取得了良好的优化设计结果。     

基于网格变形的叶片多目标气动优化设计

压气机叶片的传统优化设计存在设计变量多和优化周期长等不足． 为此,文中利用非均匀有理 B 样条基函数建立了转子流场网格自由变形参数化方法,并结合改进的拉丁超立方试验设计、Kriging 响应面模型及 NSGA-Ⅱ多目标遗传算法构建了转子叶片的气动优化设计体系． 计算结果表明: 在 98%的堵塞质量流量工况下,优化后的叶片总压比提高了 0. 33%,等熵效率提高了 0. 83%; 优化后压气机转子形状为前倾型叶片,提升了转子性能,降低了激波损失; 与传统优化设计方法相比,文中优化体系的设计变量明显减少,缩短了优化设计周期．     

基于LINGO的蜗杆传动多目标优化设计

以模数、蜗杆头数、直径系数和蜗轮变位系数为设计变量,建立了蜗杆传动多目标优化模型,用线性加权法转化为单目标优化模型,编制了通用的LINGO程序,给出了算例.计算表明程序使用简单、实用,为蜗杆传动设计提供了新方法,值得推广.     

螺旋弹簧可靠性多目标优化设计

考虑可靠性等约束条件,以螺旋弹簧重量最轻,刚度误差最小为优化设计目标,建立多目标优化设计数学模型,用理想点法对模型进行求解,得到满足所有约束条件的最优解,该方法有效而实用,对求解同类零件优化设计问题具有普遍意义。     

Isight在博弈多目标优化中的应用

复杂多目标优化设计中常遇到性能目标与设计变量之间不具有显式的函数关系式,难以直接运用传统优化方法进行设计求解,且存在多个性能目标相互耦合,设计周期长等问题.针对这些问题,提出一种Isight的博弈多目标优化设计方法,在Isight优化平台下集成Solidworks软件和Ansys软件进行建模与分析,运用博弈论思想分别建立合作博弈框架和非合作博弈框架,用遗传算法对模型进行求解获得优化解,并以悬臂梁多目标优化设计进行示例说明.     

基于熵产方法的跨音速翼型减阻优化设计

将熵产方法引入跨音速翼型气动优化设计中,采用涡黏性模型对翼型流场熵产进行计算,进而阐述熵产对翼型阻力的影响.通过类别形状函数(CST)方法和径向基函数(RBFs)网格变形方法完成翼型参数化建模与网格变形,并将改进的NSGA2多目标遗传算法与CFD计算耦合起来实现了翼型自动优化设计,用此方法进行了跨音速翼型的气动优化设计,目标函数为来流马赫数为0.73、攻角为2.54°时升阻比最大,熵产最小.设计结果表明:优化方法在小种群下有很好的全局收敛性,得到的非支配解集分布均匀,质量较高.与参考翼型相比,优化翼型通过降低流场熵产,有效地减少了翼型阻力,大幅度提高了翼型升阻比,消除或减弱了翼型上表面激波,有效提高了翼型的气动性能.     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

遗传算法与蚁群算法的融合研究

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率不高.而蚁群算法是通过信息素的累积和更新来收敛于最优路径,具有分布、并行、全局收敛能力,但是搜索初期信息素匮乏,导致算法速度慢.通过将两种算法进行融合,克服两种算法各自的缺陷,优势互补,形成一种时间效率和求解效率都比较好的启发式算法.并通过仿真计算,表明融合算法的性能优于遗传算法和蚁群算法.     

基于遗传算法的单向路网配时优化

为求取单向路网整体配时优化方案,实现路网排队长度最小,构造了路网排队长度模型作为评价函数。考虑到单向路网信号配时的整体性和相关性较强,计算复杂度较高,为降低计算的复杂度,采用遗传算法对路网排队长度模型进行计算,得到优化的配时方案。通过评价指标的对比,表明利用遗传算法进行最优值的计算可以取得很好的优化效果。     

基于模拟退火的进化算法性能对比研究

将模拟退火算法和遗传算法、粒子群优化算法分别进行结合，形成模拟退火-遗传算法以及模拟退火-粒子群优化算法，并作性能对比分析。研究结果表明，这两种算法都在进化代数和全局寻优能力方面有较大突破，在找寻最佳个体解的效率士，模拟退火-粒子群优化算法更突出。     

遗传算法在宽带IP网设计中的应用

讨论了使用遗传算法来进行宽带IP网络设计的研究方法 ,使用遗传算法对网络设计中的拓扑、路由和容量分配等方面的优化问题进行了详细的描述 ,并简要举例说明遗传算法的使用     

遗传算法在电力电子电路控制参数优化中的应用

本文综述了遗传算法在电力电子电路控制参数中各个方面的应用情况,主要包括PWM控制参数优化、SHEPWM参数优化、交流斩波控制参数优化以及遗传算法与其他方法相结合的应用,详细分析了各种应用的核心问题,为遗传算法在电力电子电路控制参数中的进一步应用研究与实现提供一定理论依据。     

一种改进的遗传优化算法在网络故障预测中的应用

模糊逻辑控制器(FLC)模型简明，易于利用专家知识，适应能力强．适用于多输入、具有不确定因素、非线性系统的控制。随着系统复杂度的提高，直观经验获取难度变得越来越大．既难表述，又难使用。本文针对网络系统中故障的预测和诊断问题，将遗传算法与前馈网络结合，提出了一种基于BP的遗传优化改进型算法(RGA—BP)，并与经典BP算法结果作了比较，迭代步骤很明显的减少，精度明显提高。     

基于GA参数优化整定的PI型广义预测控制

针对PI型广义预测控制比例因子和积分因子参数整定困难,提出了基于遗传算法参数优化整定的PI型广义预测控制(GAPIGPC)。PI型广义预测控制(PIGPC)采用预测技术克服时变时滞,用PI(PID)控制技术加强系统的鲁棒性,极大程度地减少了模型失配的影响。由于其参数的优化设计是一个组合优化问题,而遗传算法是一类可用于复杂系统优化计算的鲁棒性算法,并为组合参数整定及优化提供了一个有效的手段。仿真实例表明,该算法具有较好的鲁棒性和抗干扰性。     

一种新颖的串行小生境粒子群算法

提出了一种新颖的自适应串行小生境粒子群优化算法(ASNPSO),它使用多个子群能够串行发现多个最优解.在此算法中,使用了山谷函数以决定如何改变当前运行的子群中粒子的适应度函数,算法具有很强的自适应搜索能力.经使用几个标准测试函数证明了ASNPSO算法在没有任何先验知识的情况下能够有效地发现多个最优解.     

多目标组卷模型及其算法研究

针对计算机辅助教学(CAI)中的智能组卷问题,依据对试卷整体的评价标准,建立了一个多目标的组卷模型.采用多目标理论中的理想点法将该多目标问题转化为单目标问题,并设计了一个遗传算法求解方法,通过仿真计算,能够证明该方法具有较好的性能和实用性.