军事知识服务平台
多目标优化方法研究及其工程应用
对飞行器进行多目标优化设计是十分必要的。但是,目前常用多目标优化方法自身的不足及其在实际应用中存在的诸多困难,一直阻碍着多目标优化方法在航空航天领域中的应用。为此,本文侧重于多目标优化方法及其在工程应用中的研究,具体如下: 1、对目前常用的多目标优化方法进行了分类和对比研究。研究表明,多目标粒子群优化算法(MultipleObjectiveParticleSwarmOptimization,MOPSO)是一种性能相对优越的多目标优化方法。 2、针对MOPSO算法与PSO算法(ParticleSwarmOptimization)局部搜索能力差的缺点,提出了单纯形与多目标粒子群优化方法的混合算...
对飞行器进行多目标优化设计是十分必要的。但是,目前常用多目标优化方法自身的不足及其在实际应用中存在的诸多困难,一直阻碍着多目标优化方法在航空航天领域中的应用。为此,本文侧重于多目标优化方法及其在工程应用中的研究,具体如下: 1、对目前常用的多目标优化方法进行了分类和对比研究。研究表明,多目标粒子群优化算法(MultipleObjectiveParticleSwarmOptimization,MOPSO)是一种性能相对优越的多目标优化方法。 2、针对MOPSO算法与PSO算法(ParticleSwarmOptimization)局部搜索能力差的缺点,提出了单纯形与多目标粒子群优化方法的混合算法(SimplexMethod-MultipleObjectiveParticleSwarmOptimization,SM-MOPSO)以及单纯形与单目标粒子群优化方法的混合算法(SimplexMethod-ParticleSwarmOptimization,SM-PSO)。经经典测试函数验证,SM-PSO算法以及SM-MOPSO算法不仅继承了粒子群优化算法原有的优越性,而且有效克服了粒子群优化算法局部搜索能力差的缺点,可以得到高品质的非劣解和非劣解集。 3、演化算法在求解大型、复杂的工程优化问题时,由于大量耗时的高精度分析计算,导致算法的优化效率很低。为此,本文提出适用于求解单目标和多目标优化问题的模型管理框架。利用该模型管理框架可以在整个寻优区域内建立比较精确的目标及约束的近似模型,不仅能够得到比较满意的优化结果,而且避免了大量耗时的高精度分析计算,有效提高了演化算法的效率。例如,利用该模型管理框架进行某载人返回舱气动布局单目标优化设计、某大型无人机机翼结构的多目标优化设计时,不仅得到了可以接受的优化结果,而且高精度计算的次数分别是未采用该技术时的7.82﹪和3.5﹪。 4、为了进一步提高SM-PSO算法以及SM-MOPSO算法的优化效率,本文介绍了如何采用网络并行计算技术,在实验室组建自己的高性能计算平台-PC机群,并提出了一种适合于粒子群优化算法自身特点的迁移策略,和一种在并行环境下效率较高的混合算法的结合方式,从而方便、高效地实现了SM-PSO算法与SM-MOPSO算法的网络并行计算。采用并行SM-MOPSO算法求解××飞机吊挂结构的多目标优化设计问题,在一定程度上缩短了优化时间。 5、优化算法在得到非劣解集后,决策人还必须研究如何从众多的非劣解(备选方案)中选择出最终设计方案。为此,本文提出了基于信噪比的多目标决策方法。该决策方法在多目标优化设计的研究中引入了稳健设计的思想,运用信噪比的概念在非劣解集中选择最稳健的设计作为最终方案。基于信噪比的多目标决策方法,不仅给决策人提供了相当多的信息使决策人可以方便的确定偏好,而且考虑了设计的稳健性,是一个简单易行,具有工程应用价值的多目标决策方法。采用某轻型飞机齿轮箱多目标优化设计为算例,验证了采用基于信噪比的多目标决策方法的必要性和有效性。 6、提出了一种效率较高的交互式多目标优化算法,交互式多目标粒子群优化算法(InteractiveMultipleObjectiveParticleSwarmOptimization,简称IMOPSO)。IMOPSO算法中采用径向基神经网络技术能够对目标间的关系进行很好的近似。当得到目标间权衡关系的近似表达式以后,决策人可采用期望水平的方式简单而准确的表达出偏好信息。IMOPSO算法中,通过合理的参数设置,可以使粒子种群比较迅速的收敛于决策人满意的期望水平附近,是一种效率较高的交互式多目标优化算法。采用IMOPSO算法进行了某飞艇外形曲线多目标优化设计以及××飞机吊挂结构的多目标优化设计,在选用较小规模种群时,分别演化了20代和12代就得到了决策人满意的优化结果。
展开
作者: 安伟刚
学科专业: 飞行器设计
授予学位: 博士
学位授予单位: 西北工业大学
导师姓名: 李为吉
学位年度: 2005
语 种: chi
分类号: V221
在线出版日期: 2007年4月29日