CN109472060B - 一种面向组件的飞行器总体双循环优化方法及系统 - Google Patents

一种面向组件的飞行器总体双循环优化方法及系统 Download PDF

Info

Publication number
CN109472060B
CN109472060B CN201811210051.1A CN201811210051A CN109472060B CN 109472060 B CN109472060 B CN 109472060B CN 201811210051 A CN201811210051 A CN 201811210051A CN 109472060 B CN109472060 B CN 109472060B
Authority
CN
China
Prior art keywords
optimization
new
circulation
optimal solution
loop
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811210051.1A
Other languages
English (en)
Other versions
CN109472060A (zh
Inventor
池元成
郭大庆
张冶
海尔翰
王长庆
郑宏涛
蔡巧言
王彦静
王立伟
贾倩
姜悦
崔毅楠
何漫
张恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Launch Vehicle Technology CALT
Original Assignee
China Academy of Launch Vehicle Technology CALT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Academy of Launch Vehicle Technology CALT filed Critical China Academy of Launch Vehicle Technology CALT
Priority to CN201811210051.1A priority Critical patent/CN109472060B/zh
Publication of CN109472060A publication Critical patent/CN109472060A/zh
Application granted granted Critical
Publication of CN109472060B publication Critical patent/CN109472060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

一种面向组件的飞行器总体双循环优化方法及系统，包括(1)初始化：确定外循环优化的群智能优化算法的初始条件；(2)进行外循环优化；(3)从外循环优化中选择最优解进入内循环优化；(4)初始化：确定内循环优化的群智能优化算法的初始条件；(5)进行内循环优化；(6)从内循环优化中选择最优解进入内循环优化目标函数值队列；(7)输出本次优化的最优解。本发明解决了基于组件化模块化思想的飞行器总体优化问题，相比于传统优化方法，通过内外循环双层优化，飞行器快速选型的基础上，进一步提高飞行器总体性能，实现了内外循环并行执行，提高了飞行器设计效率。

Description

一种面向组件的飞行器总体双循环优化方法及系统
技术领域
本发明涉及一种面向组件的飞行器总体双循环优化设计方法及系统，属于飞行器总体方案设计与优化领域。
背景技术
随着模块化组件化设计思想的提出，飞行器总体也逐渐采用基于组件的设计模式。组件化的思想是将飞行器按照总体组成进行划分，如头部、壳体、发动机等，每个组成部分单独进行设计或者使用已有型号的设计形成组件库，如头部1、头部2、头部3、壳体1、壳体2、发动机1、发动机2、发动机3等。以组件库为基础开展飞行器总体设计时，首先根据飞行器用户需求，将不同类型的组件快速组合优化，从而形成满足用户需求的飞行器总体可行方案，如头部2、壳体1、发动机3的组合，然后以飞行器性能、重量、成本等为目标，对飞行器总体可行方案进行优化设计，最终获得最优的飞行器总体方案。
群智能算法是一种仿生优化算法，通过模拟自然界优胜劣汰，逐步更新迭代种群群体，最终获得最优解。群智能算法由于具有天然的并行性，且寻优速度块，搜寻范围广，不易陷入局部最优的特点。因此，在很多领域都得到了广泛的应用。
目前，传统的优化方法，往往针对优化问题采用群智能优化算法，定义变量、约束条件，依靠算法本身的搜索性能，忽略组件化策略，直接进行优化。从而，优化问题庞大，搜索效率低。
发明内容
本发明的技术解决问题是：克服现有技术的不足，利用飞行器总体组件，提出一种面向组件的飞行器总体双循环优化方法及系统，快速完成飞行器总体方案优化设计，填补现有技术的不足。
本发明采用的技术方案为：
一种面向组件的飞行器总体双循环优化方法，步骤如下：
(1)初始化：确定外循环优化的群智能优化算法的初始条件；
(2)进行外循环优化；
(3)从外循环优化中选择最优解进入内循环优化；
(4)初始化：确定内循环优化的群智能优化算法的初始条件；
(5)进行内循环优化；
(6)从内循环优化中选择最优解进入内循环优化目标函数值队列；
(7)输出本次优化的最优解。
所述步骤(1)确定外循环群智能优化算法的初始条件具体为：
令T＝1，s＝1，初始化外循环群智能优化算法的种群，即在设计变量定义域内，随机生成变量Xij T，i＝1,…,N,j＝1,…,D；其中，T为外循环迭代次数，s为内循环优化目标函数值队列的个数，N为种群数，D为设计空间的维度。
所述步骤(2)进行外循环优化，具体为：
根据目标函数值，调用外循环群智能优化算法H，更新设计变量的值，生成新的设计变量Xij T+1＝H(Xij T)。
所述步骤(3)从外循环中选择最优解进入内循环，具体为：
(3.1)从外循环目标函数值Fi＝F(Xij T)，i＝1,…,N,j＝1,…,D中选择最小值 Fnew T＝min{Fi(i＝1,…,N)}作为当前群体的最好解Xnew T；
比较Fnew T和Fnew T-1的大小，若Fnew T>Fnew T-1，则不对Xnew T开展内循环优化；若Fnew T≤Fnew T-1，则令s的数量加1，内循环目标函数值Fin s＝Fnew T，将Xnew T的值赋值给xin s，进入步骤(3.2)；
(3.2)若s>S，S为内循环优化队列的数量上限，则不对xin s开展内循环优化，否则进入步骤(3.3)；
(3.3)比较Fin s和Fin k的大小，k＝1,..,s-1，若Fin k>Fin s，则停止对xin k的寻优，否则对Fin k进行内循环优化。
所述步骤(4)确定内循环优化的群智能优化算法的初始条件，具体为：令 t＝1，初始化内循环群智能优化算法的种群，即在设计变量定义域内，随机生成变量xij T，i＝1,…,n,j＝1,…,d；其中，t为内循环迭代次数，n为种群数，d为设计空间的维度。
步骤(5)进行内循环优化，具体为：
根据目标函数值，调用内循环群智能优化算法h，更新设计变量的值，生成新的设计变量xij t+1＝h(xij t)。
所述步骤(6)从内循环优化中选择最优解进入内循环优化目标函数值队列，具体为：
比较目标函数值Fi＝F(xij t)的大小，i＝1,…,n,j＝1,…,d，选取最小者作为最优解Fin，进入内循环优化目标函数值队列。
输出本次优化的最优解具体为：比较内循环目标函数值Fin k的大小， k＝1,..,s-1，其中最小值即为本次优化的最优解。
所述外循环群智能优化算法H以及内循环群智能优化算法h采用遗传算法、粒子群优化算法或者蚁群算法实现。
一种基于所述面向组件的飞行器总体双循环优化方法实现的优化系统，包括：
外循环初始化模块：用于确定外循环优化的群智能优化算法的初始条件；
外循环优化模块：进行外循环优化；
选取内循环优化解模块：用于从外循环优化中选择最优解进入内循环优化；
内循环初始化模块：用于确定内循环优化的群智能优化算法的初始条件；
内循环优化模块：进行内循环优化；
队列生成模块：从内循环优化中选择最优解进入内循环优化目标函数值队列；
最优解确定模块：输出本次优化的最优解。
外循环初始化模块确定外循环优化的群智能优化算法的初始条件，具体为：令T＝1，s＝1，初始化外循环群智能优化算法的种群，即在设计变量定义域内，随机生成变量Xij T，i＝1,…,N,j＝1,…,D；其中，T为外循环迭代次数，s为内循环优化目标函数值队列的个数，N为种群数，D为设计空间的维度；
外循环优化模块进行外循环优化，具体为：
根据目标函数值，调用外循环群智能优化算法H，更新设计变量的值，生成新的设计变量Xij T+1＝H(Xij T)；
选取内循环优化解模块从外循环中选择最优解进入内循环，具体为：
(3.1)从外循环目标函数值Fi＝F(Xij T)，i＝1,…,N,j＝1,…,D中选择最小值 Fnew T＝min{Fi(i＝1,…,N)}作为当前群体的最好解Xnew T；
比较Fnew T和Fnew T-1的大小，若Fnew T>Fnew T-1，则不对Xnew T开展内循环优化；若Fnew T≤Fnew T-1，则令s的数量加1，内循环目标函数值Fin s＝Fnew T，将Xnew T的值赋值给xin s，进入步骤(3.2)；
(3.2)若s>S，S为内循环优化队列的数量上限，则不对xin s开展内循环优化，否则进入步骤(3.3)；
(3.3)比较Fin s和Fin k的大小，k＝1,..,s-1，若Fin k>Fin s，则停止对xin k的寻优，否则对Fin k进行内循环优化；
内循环初始化模块确定内循环优化的群智能优化算法的初始条件，具体为：令t＝1，初始化内循环群智能优化算法的种群，即在设计变量定义域内，随机生成变量xij T，i＝1,…,n,j＝1,…,d；其中，t为内循环迭代次数，n为种群数，d为设计空间的维度；
内循环优化模块进行内循环优化，具体为：
根据目标函数值，调用内循环群智能优化算法h，更新设计变量的值，生成新的设计变量xij t+1＝h(xij t)；
队列生成模块从内循环优化中选择最优解进入内循环优化目标函数值队列，具体为：
比较目标函数值Fi＝F(xij t)的大小，i＝1,…,n,j＝1,…,d，选取最小者作为最优解Fin，进入内循环优化目标函数值队列；
最优解生成模块输出本次优化的最优解，具体为：比较内循环目标函数值 Fin k的大小，k＝1,..,s-1，其中最小值即为本次优化的最优解。
本发明与现有技术相比的优点在于：
本发明解决了基于组件化模块化思想的飞行器总体优化问题，相比于传统优化方法，通过内外循环双层优化，飞行器快速选型的基础上，进一步提高飞行器总体性能，实现了内外循环并行执行，提高了飞行器设计效率。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合附图对本发明的运行方式做进一步说明：
如图1所示，本发明提出了一种面向组件的飞行器总体双循环优化方法，步骤如下：
(1)初始化：确定外循环优化的群智能优化算法的初始条件；
具体为：
首先定义飞行器总体组成部件的集合M＝{mij,i＝1,…,I,j＝1,…,J}，其中i代表组件大类，如机身、发动机等，j代表发动机种类。对于集合M中的组件每一个组件mij都有参数xk(k＝1,…,K)。
对于内外循环优化，定义优化问题。优化目标为飞行器性能函数F，内循环优化设计变量为xk，即组件参数，外循环优化设计变量为X＝{mij,xk}，即组件种类和组件参数，约束条件函数是飞行器设计约束G，则双循环优化问题可定义如下所示
min F(X)
s.t.G(X)<＝0
min F(x) (1)
s.t.G(x)<＝0
令T＝1，s＝1，初始化外循环群智能优化算法的种群，即在设计变量定义域内，随机生成变量Xij T，i＝1,…,N,j＝1,…,D；其中，T为外循环迭代次数，s为内循环优化目标函数值队列的个数，N为种群数，D为设计空间的维度。外循环最大迭代次数Tmax。
(2)进行外循环优化；
具体为：
根据目标函数值，调用外循环群智能优化算法H，更新设计变量的值，生成新的设计变量Xij T+1＝H(Xij T)。
令T的数量加1，若T>Tmax，则停止外循环优化；否则，继续外循环优化。
(3)从外循环优化中选择最优解进入内循环优化；
具体为：
(3.1)从外循环目标函数值Fi＝F(Xij T)，i＝1,…,N,j＝1,…,D中选择最小值 Fnew T＝min{Fi(i＝1,…,N)}作为当前群体的最好解Xnew T；
比较Fnew T和Fnew T-1的大小，若Fnew T>Fnew T-1，则不对Xnew T开展内循环优化；若Fnew T≤Fnew T-1，则令s的数量加1，内循环目标函数值Fin s＝Fnew T，将Xnew T的值赋值给xin s，进入步骤(3.2)；
(3.2)若s>S，S为内循环优化队列的数量上限，则不对xin s开展内循环优化，否则进入步骤(3.3)；
(3.3)比较Fin s和Fin k的大小，k＝1,..,s-1，若Fin k>Fin s，则停止对xin k的寻优，否则对Fin k进行内循环优化。
(4)初始化：确定内循环优化的群智能优化算法的初始条件；
具体为：令t＝1，初始化内循环群智能优化算法的种群，即在设计变量定义域内，随机生成变量xij T，i＝1,…,n,j＝1,…,d；其中，t为内循环迭代次数，n为种群数，d为设计空间的维度。内循环最大迭代次数tmax。
(5)进行内循环优化；
具体为：
根据目标函数值，调用内循环群智能优化算法h，更新设计变量的值，生成新的设计变量xij t+1＝h(xij t)。
令t的数量加1，若t>tmax，则停止内循环优化；否则，继续内循环优化。
(6)从内循环优化中选择最优解进入内循环优化目标函数值队列；
具体为：
比较目标函数值Fi＝F(xij t)的大小，i＝1,…,n,j＝1,…,d，选取最小者作为最优解Fin，进入内循环优化目标函数值队列。
(7)输出本次优化的最优解：比较内循环目标函数值Fin k的大小，k＝1,..,s-1，其中最小值即为本次优化的最优解。
基于上述优化方法，本发明还提出一种面向组件的飞行器总体双循环优化系统，包括：
外循环初始化模块：用于确定外循环优化的群智能优化算法的初始条件；
外循环优化模块：进行外循环优化；
选取内循环优化解模块：用于从外循环优化中选择最优解进入内循环优化；
内循环初始化模块：用于确定内循环优化的群智能优化算法的初始条件；
内循环优化模块：进行内循环优化；
队列生成模块：从内循环优化中选择最优解进入内循环优化目标函数值队列；
最优解确定模块：输出本次优化的最优解。
本发明中所述外循环群智能优化算法H以及内循环群智能优化算法h采用遗传算法、粒子群优化算法或者蚁群算法实现。
本发明的系统及方法已经成功应用于中国运载火箭技术研究院的某飞行器的预研阶段，证明了本发明方法及系统能够快速、正确实现飞行器优化设计。
同理，该方法及系统能够拓展应用于其他采用模块化组件化思想的产品的优化设计。
本发明未详细描述的部分属于本领域公知技术。

Claims (7)

1.一种面向组件的飞行器总体双循环优化方法，其特征在于步骤如下：
(1)初始化：确定外循环优化的群智能优化算法的初始条件；
(2)进行外循环优化；
(3)从外循环优化中选择最优解进入内循环优化；
(4)初始化：确定内循环优化的群智能优化算法的初始条件；
(5)进行内循环优化；
(6)从内循环优化中选择最优解进入内循环优化目标函数值队列；
(7)输出本次优化的最优解；
所述步骤(1)确定外循环群智能优化算法的初始条件具体为：
令T＝1，s＝1，初始化外循环群智能优化算法的种群，即在设计变量定义域内，随机生成变量Xij T，i＝1,…,N,j＝1,…,D；其中，T为外循环迭代次数，s为内循环优化目标函数值队列的个数，N为种群数，D为设计空间的维度；
所述步骤(2)进行外循环优化，具体为：
根据目标函数值，调用外循环群智能优化算法H，更新设计变量的值，生成新的设计变量Xij T+1＝H(Xij T)；
所述步骤(3)从外循环中选择最优解进入内循环，具体为：
(3.1)从外循环目标函数值Fi＝F(Xij T)，i＝1,…,N,j＝1,…,D中选择最小值Fnew T＝min{Fi(i＝1,…,N)}作为当前群体的最好解Xnew T；
比较Fnew T和Fnew T-1的大小，若Fnew T>Fnew T-1，则不对Xnew T开展内循环优化；若Fnew T≤Fnew T-1，则令s的数量加1，内循环目标函数值Fin s＝Fnew T，将Xnew T的值赋值给xin s，进入步骤(3.2)；
(3.2)若s>S，S为内循环优化队列的数量上限，则不对xin s开展内循环优化，否则进入步骤(3.3)；
(3.3)比较Fin s和Fin k的大小，k＝1,..,s-1，若Fin k>Fin s，则停止对xin k的寻优，否则对Fin k进行内循环优化。
2.根据权利要求1所述的一种面向组件的飞行器总体双循环优化方法，其特征在于：所述步骤(4)确定内循环优化的群智能优化算法的初始条件，具体为：令t＝1，初始化内循环群智能优化算法的种群，即在设计变量定义域内，随机生成变量xij T，i＝1,…,n,j＝1,…,d；其中，t为内循环迭代次数，n为种群数，d为设计空间的维度。
3.根据权利要求1所述的一种面向组件的飞行器总体双循环优化方法，其特征在于：步骤(5)进行内循环优化，具体为：
根据目标函数值，调用内循环群智能优化算法h，更新设计变量的值，生成新的设计变量xij t+1＝h(xij t)。
4.根据权利要求1所述的一种面向组件的飞行器总体双循环优化方法，其特征在于：所述步骤(6)从内循环优化中选择最优解进入内循环优化目标函数值队列，具体为：
比较目标函数值Fi＝F(xij t)的大小，i＝1,…,n,j＝1,…,d，选取最小者作为最优解Fin，进入内循环优化目标函数值队列。
5.根据权利要求1所述的一种面向组件的飞行器总体双循环优化方法，其特征在于：输出本次优化的最优解具体为：比较内循环目标函数值Fin k的大小，k＝1,..,s-1，其中最小值即为本次优化的最优解。
6.根据权利要求3所述的一种面向组件的飞行器总体双循环优化方法，其特征在于：所述外循环群智能优化算法H以及内循环群智能优化算法h采用遗传算法、粒子群优化算法或者蚁群算法实现。
7.一种基于权利要求1～6中任一项所述面向组件的飞行器总体双循环优化方法实现的优化系统，其特征在于包括：
外循环初始化模块：用于确定外循环优化的群智能优化算法的初始条件；
外循环优化模块：进行外循环优化；
选取内循环优化解模块：用于从外循环优化中选择最优解进入内循环优化；
内循环初始化模块：用于确定内循环优化的群智能优化算法的初始条件；
内循环优化模块：进行内循环优化；
队列生成模块：从内循环优化中选择最优解进入内循环优化目标函数值队列；
最优解确定模块：输出本次优化的最优解；
外循环初始化模块确定外循环优化的群智能优化算法的初始条件，具体为：令T＝1，s＝1，初始化外循环群智能优化算法的种群，即在设计变量定义域内，随机生成变量Xij T，i＝1,…,N,j＝1,…,D；其中，T为外循环迭代次数，s为内循环优化目标函数值队列的个数，N为种群数，D为设计空间的维度；
外循环优化模块进行外循环优化，具体为：
根据目标函数值，调用外循环群智能优化算法H，更新设计变量的值，生成新的设计变量Xij T+1＝H(Xij T)；
选取内循环优化解模块从外循环中选择最优解进入内循环，具体为：
(3.1)从外循环目标函数值Fi＝F(Xij T)，i＝1,…,N,j＝1,…,D中选择最小值Fnew T＝min{Fi(i＝1,…,N)}作为当前群体的最好解Xnew T；
比较Fnew T和Fnew T-1的大小，若Fnew T>Fnew T-1，则不对Xnew T开展内循环优化；若Fnew T≤Fnew T-1，则令s的数量加1，内循环目标函数值Fin s＝Fnew T，将Xnew T的值赋值给xin s，进入步骤(3.2)；
(3.2)若s>S，S为内循环优化队列的数量上限，则不对xin s开展内循环优化，否则进入步骤(3.3)；
(3.3)比较Fin s和Fin k的大小，k＝1,..,s-1，若Fin k>Fin s，则停止对xin k的寻优，否则对Fin k进行内循环优化；
内循环初始化模块确定内循环优化的群智能优化算法的初始条件，具体为：令t＝1，初始化内循环群智能优化算法的种群，即在设计变量定义域内，随机生成变量xij T，i＝1,…,n,j＝1,…,d；其中，t为内循环迭代次数，n为种群数，d为设计空间的维度；
内循环优化模块进行内循环优化，具体为：
根据目标函数值，调用内循环群智能优化算法h，更新设计变量的值，生成新的设计变量xij t+1＝h(xij t)；
队列生成模块从内循环优化中选择最优解进入内循环优化目标函数值队列，具体为：
比较目标函数值Fi＝F(xij t)的大小，i＝1,…,n,j＝1,…,d，选取最小者作为最优解Fin，进入内循环优化目标函数值队列；
最优解生成模块输出本次优化的最优解，具体为：比较内循环目标函数值Fin k的大小，k＝1,..,s-1，其中最小值即为本次优化的最优解。
CN201811210051.1A 2018-10-17 2018-10-17 一种面向组件的飞行器总体双循环优化方法及系统 Active CN109472060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811210051.1A CN109472060B (zh) 2018-10-17 2018-10-17 一种面向组件的飞行器总体双循环优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811210051.1A CN109472060B (zh) 2018-10-17 2018-10-17 一种面向组件的飞行器总体双循环优化方法及系统

Publications (2)

Publication Number Publication Date
CN109472060A CN109472060A (zh) 2019-03-15
CN109472060B true CN109472060B (zh) 2023-03-07

Family

ID=65664879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811210051.1A Active CN109472060B (zh) 2018-10-17 2018-10-17 一种面向组件的飞行器总体双循环优化方法及系统

Country Status (1)

Country Link
CN (1) CN109472060B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262692A (zh) * 2011-06-24 2011-11-30 中国航空工业集团公司科学技术委员会 飞机翼面蒙皮亚音速颤振优化方法
CN102289540A (zh) * 2011-07-01 2011-12-21 中国航空工业集团公司科学技术委员会 面向服务异构网格上的工作流驱动遗传算法航空优化系统
CN102663514A (zh) * 2012-03-22 2012-09-12 长沙理工大学 一种基于可行均衡机制的约束优化进化算法
CN104978449A (zh) * 2015-08-17 2015-10-14 北京航空航天大学 二维三段翼型的前缘缝翼及后缘襟翼位置的气动优化方法
CN108399451A (zh) * 2018-02-05 2018-08-14 西北工业大学 一种结合遗传算法的混合粒子群优化算法
CN108493951A (zh) * 2018-03-21 2018-09-04 中南大学 一种基于混沌粒子群算法的多目标无功优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080312885A1 (en) * 2007-06-12 2008-12-18 Justsystems Evans Research, Inc. Hybrid method for simulation optimization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262692A (zh) * 2011-06-24 2011-11-30 中国航空工业集团公司科学技术委员会 飞机翼面蒙皮亚音速颤振优化方法
CN102289540A (zh) * 2011-07-01 2011-12-21 中国航空工业集团公司科学技术委员会 面向服务异构网格上的工作流驱动遗传算法航空优化系统
CN102663514A (zh) * 2012-03-22 2012-09-12 长沙理工大学 一种基于可行均衡机制的约束优化进化算法
CN104978449A (zh) * 2015-08-17 2015-10-14 北京航空航天大学 二维三段翼型的前缘缝翼及后缘襟翼位置的气动优化方法
CN108399451A (zh) * 2018-02-05 2018-08-14 西北工业大学 一种结合遗传算法的混合粒子群优化算法
CN108493951A (zh) * 2018-03-21 2018-09-04 中南大学 一种基于混沌粒子群算法的多目标无功优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于遗传算法的协同优化方法;李海燕等;《东北大学学报(自然科学版)》;20090815(第08期);全文 *

Also Published As

Publication number Publication date
CN109472060A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN109948029B (zh) 基于神经网络自适应的深度哈希图像搜索方法
Fan et al. A new improved whale optimization algorithm with joint search mechanisms for high-dimensional global optimization problems
CN111752306B (zh) 一种基于快速扩展随机树的无人机航路规划方法
CN113741508B (zh) 基于改进狼群算法的无人机任务分配方法
Cui et al. A fast particle swarm optimization
CN109508042B (zh) 用于无人机编队智能决策的控制方法、系统及存储介质
CN116301904A (zh) 一种用于深度学习编译器的算子优化加速方法及装置
Peng et al. A hybrid multiobjective discrete particle swarm optimization algorithm for cooperative air combat DWTA
CN114662638A (zh) 基于改进人工蜂群算法的移动机器人路径规划方法
Schuman et al. Low size, weight, and power neuromorphic computing to improve combustion engine efficiency
CN106953801B (zh) 基于层级结构学习自动机的随机最短路径实现方法
CN111832911A (zh) 一种基于神经网络算法的水下作战效能评估方法
CN114281103B (zh) 一种零交互通信的飞行器集群协同搜索方法
CN109472060B (zh) 一种面向组件的飞行器总体双循环优化方法及系统
Xue et al. A new binary particle swarm optimisation algorithm for feature selection
CN113239503B (zh) 基于改进k-means聚类算法的新能源出力场景分析方法及系统
CN109299491B (zh) 一种基于动态影响图对策的元模型建模方法及使用方法
US20170316126A1 (en) Design space modeling language for the generation of engineering designs
Al Duhayyim et al. Artificial Algae Optimization with Deep Belief Network Enabled Ransomware Detection in IoT Environment.
Mojarrad et al. Particle swarm optimization with chaotic velocity clamping (CVC-PSO)
US12031497B2 (en) System and method for a virtual turbocharger speed sensor using neural networks
Verma et al. A case study on the application of a genetic algorithm for optimization of engine parameters
CN110826877B (zh) 一种针对多个点目标的火力分配方法
CN112861378B (zh) 一种基于改进灰狼算法的助推段飞行程序优化方法和装置
He et al. Glowworm swarm optimization algorithm based on hierarchical multi-subgroups

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant