整星隔振系统优化设计研究

整星隔振系统由若干个隔振器组成,均匀布置在适配器和星箭界面之间,能有效减小发射阶段卫星所承受的环境载荷,对提高卫星发射的可靠性和降低发射成本具有重要意义,是近十年来航天界发展的一项新兴技术。本文利用遗传算法对整星隔振系统进行动力优化,合理选择隔振器的刚度和阻尼,有效提高整星隔振系统的横向和纵向隔振性能,为整星隔振系统的设计提供了一种可靠、有效和易用的优化方法。     

系统动力学方法的中长期电力需求预测

介绍将系统动力学方法运用于电力需求量的中长期预测中。该方法能够全面地考虑各种因素对中长期电力需求的影响 ,充分发挥电力专家与经济专家的经验 ,将他们的预测经验与模型化预测方法相结合 ,较好地解决了中长期电力需求受政策性和社会性因素影响而造成的预测误差问题。模型使用者可以在使用中不断总结经验提高预测精度     

基于信息图的多无人机三维协同搜索动目标方法

针对多无人机协同搜索区域内多运动目标问题,考虑传感器的探测概率与虚警概率、无人机的飞行与避撞约束和目标随机运动等特征,提出基于信息图的多无人机三维协同搜索方法.以无人机搜索的短期收益、长期收益和协调收益的平衡为核心,考虑无人机三维运动的特征,构建多无人机协同搜索的数学规划模型,并设计包含目标存在概率、环境不确定度、重访信息素和搜索增益4个因子的搜索信息图.基于滚动规划架构,整合新提出的剪枝方法进行模型的求解.在典型的协同搜索场景下,通过数值仿真验证所提方法的有效性.仿真结果表明,所提出的方法可以在秒级的时间内做出每架无人机的三维航迹决策,重访信息素和搜索增益因子可以引导无人机捕获更多的目标.对比仿真结果表明,所提出的方法可以在捕获更多目标的同时具有更少的误判次数,有效提升了多无人机协同搜索的任务效能.     

基于系统动力学的电力系统中长期负荷预测

将系统动力学应用于电力负荷的中长期预测。首先根据历史用电情况分析建立模型结构图,然后进行方程式设计,最后通过仿真和参数敏感度测试证明模型的合理性和实用性。电力系统负荷中长期变化是一个受政策、经济等多方面不定因素综合影响的动态过程,采用系统动力学的方法进行预测可以充分利用专家的经验,并且在模型使用中不断积累经验,提高了预测精度。     

基于遗传算法的线性两自由度隔振器的瞬态最优设计

线性两自由度隔振器的瞬态最优设计问题是一类很难求解的非线性规划问题。本文提出一个简单实用的小生境混合遗传算法,避开繁琐的动力灵敏度分析,有效地进行隔振器的瞬态优化设计。一个仿真算例验证了算法的有效性和可行性。     

复杂弹性耦合隔振系统建模及其优化设计

复杂弹性耦合隔振系统是在多层隔振系统中考虑中间筏体和基础的弹性而形成的一类隔振系统，提出了关于这类复杂隔振系统子结构建模的新方法，并用该方法建立了二维复杂弹性耦合隔振系统的动力学方程。并在此基础上进一步提出了一种新的基于小生境的自适应遗传优化算法，运用该算法对二维复杂弹性耦合隔振系统基于系统功率流传递的最优化设计。     

异步模拟退火的遗传算法研究

为克服遗传算法(GA)局部搜索能力差和混合遗传算法计算效率低的不足,提出一个异步混合遗传算法框架。该框架主要由遗传算法、小生境操作和模拟退火三部分组成,模拟退火相对遗传算法和小生境操作采用异步执行方式。并行计算环境由两台计算机通过交换机连接构成,一台计算机计算遗传算法和小生境操作,另外一台计算机计算模拟退火,两台计算机之间通过并行虚拟机进行数据交换。以旅行商问题(TSP)作为算例,实验结果验证了新算法的有效性和高效性。     

多核CPU环境下小生境混合遗传算法的研究*

为克服遗传算法的缺点,利用小生境的启发作用,引入改进的模拟退火操作,构造了一个兼顾全局搜索与局部探测的混合遗传算法。针对该算法内在的良好并行性及串行计算难以发挥多核CPU计算优势的问题,将遗传操作和模拟退火操作设计成并行计算形式,利用OpenMP将其线程化。对TSP的求解验证了该算法的有效性,并行算法的加速比和计算效率随着TSP规模的增加而显著提高。     

多运动目标的多无人机协同搜索追踪策略

针对多无人机协同搜索追踪区域内多运动目标问题,考虑无人机的传感器与避撞等约束和目标随机运动等特征,提出了以垂线搜索为基础的多无人机协同搜索追踪策略.策略包含任务分配和航迹规划两部分.在任务分配部分,设计了航道均分垂线搜索算法,将搜索资源在区域内均匀分配,提高协同搜索效能.在航迹规划部分,设计了改进的人工势场算法,避免发生机间碰撞,保障飞行安全.在典型场景下,仿真验证了策略的有效性,相比传统垂线搜索方法,本策略能在保证安全的前提下,引导无人机群捕获更多的目标,有效提升了多无人机协同搜索追踪的效果.     

不等式约束的非线性规划混合遗传算法

针对带不等式约束的非线性规划问题,提出了一个混合遗传算法。该算法分为全局探测和局部开采两个阶段,全局探测阶段是通过在有潜力的小生境内嵌入单纯形搜索,快速确定有前景的区域;而局部开采阶段则是在最有前景的区域进行单纯形搜索。该算法增强了局部搜索能力并同时保持种群的多样性,有效地解决了遗传算法的过早收敛和局部搜索能力弱的问题。典型非线性规划算例验证了混合算法的效率、精度和可靠性。