基于目标压力分布优化的翼型反设计方法研究

针对翼型反设计方法中目标压力分布难以给定的问题,进行了反设计方法与优化方法相结合的研究,建立了翼型反设计方法中定义目标压力分布的遗传优化模型。首先提出翼型表面压力分布参数化方法,对其进行有约束优化,获得目标压力分布,并与基于Takanashi余量修正原理的翼型反设计方法相结合,进行翼型反设计。设计结果表明这种方法是可行的。

基于几何不确定性的翼型多目标稳健优化设计

提出在优化设计进程中引进基于各种不确定性波动的稳健优化设计思想,进行多目标进化优化算法与代理模型技术在稳健优化设计中的应用研究.提供翼型确定性优化和稳健性优化实例,并对结果进行对比,结果表明该稳健优化设计方法可以得到更有实际应用价值的翼型气动外形.

多目标进化算法和代理模型技术在气动稳健优化设计中的应用

通过与传统优化方法的优缺点对比,提出针对飞行器环境参数存在不确定性影响时的气动稳健优化设计模型,并应用多目标进化算法和代理模型技术对稳健模型进行优化设计研究。提供了翼型稳健性优化实例,通过选择合适的翼型参数化方法和CFD求解程序以及不确定性分析方法,得到了稳健设计结果的Pareto前缘图。从其中选择的设计结果可以看出,稳健设计结果表现出更稳定的特性,证明了稳健设计的优势所在。

气动设计问题中确定性优化与稳健优化的对比研究

通过对优化问题的表述,说明传统确定性优化与稳健优化的区别。稳健优化需进行不确定性分析,同时追求系统的性能优化、性能偏差最小化、设计可行性稳健化。然后分别探讨了气动设计中确定性优化和稳健优化模型的建立及求解策略。根据不确定性分析方法的特点,选择基于代理模型的不确定性气动遗传优化分析方法。通过具体翼型优化实例讨论了稳健性优化与确定性优化的不同,并将结果进行对比,得出一定的结论。

基于双层代理模型的无人机气动隐身综合设计

基于双层代理模型方法展开飞翼布局无人机气动隐身综合设计方法研究。DSM模型集成了插值型代理模型和回归型代理模型的优点,在同样样本的条件下,具有更高的预测精度。文中分别以Navier-Stokes方程数值求解方法和稀疏矩阵方法分析无人机气动、隐身特性,并构造了两种分析方法的DSM模型,验证了DSM模型特性。文章最后基于自适应代理模型优化设计策略,结合多目标遗传算法将DSM模型用于无人机气动隐身综合设计,使其在满足一定约束的前提下最小化全机阻力和头向雷达反射截面,取得了令人满意的设计结果,验证了文中方法的实用性。

代理模型选样准则研究

致力于针对确定问题,利用其在已知空间中的样本信息指导该问题其他空间中的样本选择。基于Kriging模型和拉丁超立方设计选样方法,以某数学函数为例,首先研究了设计空间大小对样本选择的影响,然后具体分析了样本分布特性对代理模型预测误差的影响。引入了样本平均疏密度、样本稀疏度、样本紧凑度等概念衡量样本特性,依据不同空间中各参数与代理模型预测精度的关系提出了样本稀疏度准则,并以不同维数的数学函数和翼型气动力分析模型验证了准则的准确性和实用性。

多变量气动设计问题分层协同优化

通过验证实例分析,气动设计中精细化优化模型对设计结果收敛精度的提高有很大帮助,但同时也带来优化算法搜索困难的问题,并且由于不同类型设计变量之间的相互耦合干扰使优化难以收敛到全局最优解。于是提出基于响应均值灵敏度的概念对大规模的设计变量进行重要性分组的策略,依据设计变量分组情况应用系统分解思想对多变量设计问题进行分层协同优化来降低系统的复杂度,这既保证了精细化设计的要求,又缓解了优化算法对大规模问题搜索困难的问题。与传统气动优化方法相比,基于系统分解的分层协同优化算例有较大寻优效率和性能提升,证明了该方法的可行性。