基于遗传算法的涡扇发动机多变量加速寻优控制

研究了变几何涡扇发动机不等式约束下的遗传算法最优加速控制规律,在全飞行包线内进行了仿真计算。通过分析多变量变几何涡扇发动机加速过程的特点和性能要求,用离散化加速模型结合遗传算法,使得加速过程最优。仿真计算表明该控制律可以保证变几何涡扇发动机在全飞行包线内稳定工作,且加速时间最短。

机器学习在储能陶瓷Ba(Ti_(1-x)Hf_x)O_3介电常数寻优中的应用

为了加速开发具有高介电常数高储能密度的三临界电介质的过程,在Ba(Ti_(1-x)Hf_x)O_3陶瓷高介电常数成分设计中采用机器学习寻优方法与实验制备表征互相迭代的方法,建立了适用于寻找三临界成分的机器学习模型,通过机器学习寻优加速寻找具有高介电常数的三临界成分,并对几种不同优化算法的寻优效率和收敛速度进行了比较。结果表明:设计出的的高介陶瓷(摩尔分数x=11%)相对介电常数最大值约为4.5×10~4,高于传统陶瓷材料(约为1 000);同时有效地减少了尝试实验次数(约37.5%)。研究表明机器学习寻优方法可以为新型高介、高储能密度陶瓷材料开发提供新的设计方法。

非线性整数规划问题的改进粒子群优化算法

提出了一种求解非线性整数规划问题的改进粒子群优化算法.在这个算法里,对粒子群优化模型的速度方程和位置方程进行改进,加入了动态约束处理技术以提高选择最优点的能力;加入了粒子的邻域加速寻优策略以提高局部优化能力.数值结果表明所提出的算法计算精度高且稳定性好.