论文部分内容阅读
压气机叶型优化设计是提升压气机整体性能的重要途径。传统的基于梯度的优化算法要求目标函数连续可导,需要获取目标函数关于优化变量的导数信息,过程复杂,且容易陷入局部最优或反复震荡,通用性较差。仿生进化算法及群智能算法作为性能优良的全局优化算法,具有广阔的应用前景。论文致力于研究新型仿生智能算法的性能提升技术及其在压气机叶型优化设计上的应用并取得如下成果:1、提出基于分布式、并行计算架构的进化及群智能算法。基于并行架构对遗传算法、微分进化及人工蜂群算法进行了加速优化,大大缓解了目标函数求解耗时的问题。同时对算法本身的运行机制进行优化,提出了变比率三体交叉遗传算法、高斯随机缩放微分进化算法和邻域选择蜂群算法,有效提高了算法的全局寻优性能。2、针对支持向量机参数难以选取的难题,本文将蜂群算法与支持向量机进行融合以完成支持向量机参数的全局智能寻优。与传统神经网络相比,支持向量机基于结构风险最小化理论,不仅充分考虑样本对系统的影响,同时考虑优化问题的结构特征信息,以实现最优泛化性能。实验发现支持向量机在测试样本集上表现优于BP网络。本文提出的基于蜂群算法的支持向量机(ABC-SVM)可使支持向量机在训练样本的拟合以及泛化能力上保持平衡,达到全局最优。3、设计实现了参数化系统,实现的算法主要包括Hicks-Henne、CST和NURBS。对NURBS进行了深入研究,通过反复试验调整,提出了适用于压气机叶型拟合的经验公式,解决了在叶型参数化中使用NURBS容易出现非常规奇异叶型的问题。4、吸附式叶型通过抽吸叶片表面强逆压梯度处的附面层,使气动弯角增加,使压气机做功能力提高。为获得合适的叶型以及抽吸参数,本文基于人工蜂群算法和NURBS参数化法设计开发了一套智能叶型优化设计系统,该系统可对常规叶型、吸附式叶型进行智能优化设计,并且通过叶栅实验验证了优化结果的有效性。5、叶型优化过程中主要的时间消耗在于流场求解,为缓解优化耗时问题,提出了基于拉丁超立方采样的微分进化-人工蜂群-支持向量机(DE-ABC-SVM)算法,旨在代替真实的流场求解器,以更少的时间来获取流场参数的模拟值,并且通过不断添加新的样本点,以期不断提高算法精确度。整个优化过程是一个不断优化算法模型的过程,最终输出优化结果及最优的算法模型。使用该套算法对现有吸附式叶型进行了优化验证,效果良好。