为解决小尺寸涡轮钻具扭矩小带来的弊端,建立一种基于BP神经网络和非支配排序多目标遗传算法(NSGA-II)优化模型,通过对涡轮结构尺寸进行优化,得到高效率下扭矩更大的涡轮。采用权重估算和Garson算法,对涡轮的扭矩和效率进行敏感性分析,再通过比较多种机器学习算法构建回归模型的拟合度,选用反向传播神经网络(BPNN)建立扭矩和效率与设计参数之间的回归模型,最后结合非支配排序多目标遗传算法(NSGA-II)寻求Pareto最优解集。结果表明安装角对输出扭矩的影响最大,叶片数对输出效率的影响最大;采用BP神经网络构建的回归模型最为准确;优化后的涡轮与初始涡轮相比,扭矩提高1.2倍,效率提升1.35%。

气动布局的多目标优化是飞行器设计中的关键技术。以一种双后掠形状的乘波外形为基本构型,对外形参数进行了总体优化设计。采用NSGA-Ⅱ多目标遗传算法,以飞行器双后掠角参数作为设计变量,考虑了最大起飞重量、航程、容积率等性能指标,利用Elman神经网络函数建立外形参数与性能参数的相互关系,基于任务规划需求建立了约束条件。优化设计得到Pareto最优解集,并筛选出总体性能较优的个体。对总体性能较优的个体进行数据拟合,得到内后掠角Λ1=[60°,63°],外后掠角Λ2=[43°,44°]的设计能在全局范围取得较优解。

针对机床立柱优化问题,提出了一种将响应面模型与遗传算法相结合的优化设计方法。采用拉丁立方试验的设计方法,在设计空间中抽取样本点并进行数值模拟,建立了立柱最大变形、一阶固有频率及质量的响应面模型。利用遗传算法对响应面模型进行优化,得到了Pareto最优解集。实验结果表明与原先的设计方案相比,优化后的立柱质量减轻了7.2%,最大变形量和前六阶固有频率有不同程度的改善。该文所提出的方法较适用于机床及类似复杂结构的参数优化设计。

为实现副车架设计过程中,质量和第一阶模态频率同时达到最优,在模态分析和三种工况副车架强度分析的基础上,首先应用Hyperworks进行了副车架参数化,建立了11个厚度尺寸变量。然后应用试验设计分析方法对尺寸变量进行筛选,去掉了3个对质量、最大应力和第一阶模态频率影响都不显著的因子,将基于移动最小二乘法构建响应面近似模型引入到副车架优化设计的复杂系统中。最后,基于副车架近似模型利用多目标遗传算法进行多目标优化,获得了副车架质量和第一阶模态频率的Pareto最优解。研究结果表明通过获得的Pareto最优解的边界,可以指导副车架优化设计,将大幅缩减产品开发周期、降低产品开发成本。

针对粒子群算法在多目标优化问题中存在收敛性差,容易陷入局部最优等缺陷,提出了一种改进的粒子群优化算法。该算法在原有的粒子群算法上增加了两个操作：一是引入了一种变异算子,该变异算子为正态分布随机变异算子,可以使粒子在邻域内随机变异,使其在精英解集中搜索;二是在个体最优位置选取时,对未进入过精英解集的粒子进行变异,使其在新的可行域中寻找,从而加快粒子的收敛速度。经过测试函数验证,该算法可以加快粒子的收敛速度,使粒子更快找到最优解,提高解的收敛性。