论文部分内容阅读
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(Multiple Objective Particle Swarm Optimization，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(Particle Swarm Optimization)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-Multiple Objective Particle Swarm Optimization，SM-MOPSO)以及单纯形与单目标粒子群优化方法的混合算法(Simplex Method-Particle SwarmOptimization，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