武虎子, 唐長紅, 耿建中, 姚海林

(中航工業(yè)第一飛機設計研究院 總體氣動研究所, 陜西 西安 710089)

啟發(fā)式算法在大飛機設計中的應用綜述

武虎子, 唐長紅, 耿建中, 姚海林

(中航工業(yè)第一飛機設計研究院 總體氣動研究所, 陜西 西安 710089)

主要介紹了神經(jīng)網(wǎng)絡系統(tǒng)、遺傳算法、粒子群算法、模擬退火算法、支持向量機幾種啟發(fā)式優(yōu)化算法(Heuristic Optimization Algorithm,HOA)在大飛機設計領域的發(fā)展和應用現(xiàn)狀,對比分析了算法在航空工程設計上的優(yōu)缺點,展望了啟發(fā)式算法的發(fā)展方向,為大飛機設計提供了寶貴的理論和經(jīng)驗。

啟發(fā)式優(yōu)化算法; 大飛機設計; 應用現(xiàn)狀; 發(fā)展方向

引言

大飛機設計是集總體氣動、結構、強度、綜合航電和自動控制于一體的多學科設計優(yōu)化系統(tǒng)。隨著大飛機系統(tǒng)復雜程度的提高、算法的成熟及計算機技術的升級,啟發(fā)式設計優(yōu)化(Heuristic Design Optimization,HDO)算法和組合智能優(yōu)化算法被廣泛引入大飛機的研制中,并作為飛機設計前進行早期全面優(yōu)化和模擬檢驗的主要途徑用以分析大飛機的綜合性能。

大飛機設計是一項包含諸多耦合學科的復雜的系統(tǒng)工程,是一門多學科設計優(yōu)化工程[1]。飛機設計正向綜合化和一體化方向發(fā)展。隨著計算機技術的同步提高,為啟發(fā)式算法越來越多的應用提供了一個可靠的、有效的、快速的計算平臺。同時,大飛機設計又是一個多學科專業(yè)知識的集成,尋求單學科內(nèi)部的局部優(yōu)化算法和學科之間的全局優(yōu)化算法便成為必然。而處于計算機技術高速發(fā)展的階段,各種啟發(fā)式(智能)算法和組合算法便應運而生[2]。因而,各種啟發(fā)式算法的研究便成為學術界研究的重要內(nèi)容之一。

大飛機設計系統(tǒng)具有非線性、離散性、隨機性、大規(guī)模性等特點,基于這些特點,尋求各種智能優(yōu)化算法也是當前航空航天工程界的迫切需求。而且現(xiàn)代工程設計問題的最優(yōu)解都是近似解、數(shù)值解或可行解,而現(xiàn)代HDO算法正好能做到這一點。大飛機設計又是一個耗時、耗力、耗財?shù)膹碗s過程。HDO算法的介入,減小了飛機設計的試驗次數(shù),也大大節(jié)約了飛機設計的成本。同時,基于計算機技術的HDO算法,與傳統(tǒng)數(shù)學優(yōu)化方法相比大幅度地減少了運算時間,從而提高了飛機的設計效率,縮短了飛機的研制周期,最重要的是提高了飛機的整體綜合性能。雖然HDO算法從根本上還沒有完全用于飛機設計中,但是工程研究人員已經(jīng)認識到這些理論優(yōu)化算法最起碼可以為工程設計提供借鑒和參考,具有一定的工程參考價值。隨著HDO算法的不斷成熟,越來越受到學術界和工程界的高度重視。20世紀90年代初,美國AIAA率先正式提出了多學科設計優(yōu)化(Multidisciplinary Design Optimization,MDO)方法，標志著這一研究領域的誕生[3]。國內(nèi)很多高校和研究所在MDO方面也取得了一定的進展。

現(xiàn)代大型飛機設計是一個多元化設計過程,最終的設計目的是提升飛機的整體性能,因而尋求合理的方法解決飛機設計各學科之間的耦合是很關鍵的,而啟發(fā)式優(yōu)化算法是解決此問題的途徑之一,越來越受到工程設計人員的關注。

1 優(yōu)化思想

大飛機設計是一個多目標設計優(yōu)化過程,一般流程如圖1所示。

圖1 優(yōu)化算法框圖

大飛機設計優(yōu)化思想是:先提出優(yōu)化對象,再給出設計變量(影響飛機系統(tǒng)參數(shù)),同時提出約束準則(設計規(guī)范要求),進行單級多次迭代優(yōu)化,優(yōu)化完成后,組合設計變量最優(yōu)解,該組值又作為已知設計變量,然后優(yōu)化與該組織線性無關的參數(shù),最后的結果可作為飛機參數(shù)檢驗分析值。

2 啟發(fā)式算法在大飛機設計中的應用發(fā)展

啟發(fā)式優(yōu)化算法在大型飛機設計中的應用越來越廣泛,利用啟發(fā)信息進行制導搜索,對狀態(tài)空間中的每一搜索位置進行評估分析,從而得到最佳位置點,并依次作為下一點的起始搜索位置,直到目標為止,降低了搜索的盲目性,提高了搜索效率。下面針對近年來國內(nèi)外逐漸應用的幾種啟發(fā)式算法進行深入分析。

2.1 人工神經(jīng)網(wǎng)絡算法

人工神經(jīng)網(wǎng)絡算法(ANN)是采用計算機模擬人腦神經(jīng)網(wǎng)絡之間傳遞信息和記憶信息的一種方法,該算法具有優(yōu)秀的非線性處理能力、多參數(shù)并行運算能力、模式的多樣化以及強大的適應性。

ANN算法龐大的算法庫、網(wǎng)絡類型的多樣化給大飛機設計分析提供了強有力的理論支持。由于ANN算法具有很多常規(guī)算法不具備的優(yōu)點,在飛機非線性氣動力建模、氣動參數(shù)辨識、飛機方案階段總體參數(shù)的確定等方面[4-10]得到廣泛的應用。隨著飛控新技術的出現(xiàn),ANN亦用于控制器設計,利用神經(jīng)網(wǎng)絡控制器可以有效地跟蹤飛機指令信號。NASA曾經(jīng)對“F15智能飛控系統(tǒng)”進行了驗證,目的是采用ANN對飛機的穩(wěn)定性和控制特性進行驗證,最終的目的是將改善的ANN裝入F15主控飛行計算機進行實時模擬,用于空中測試。民用大飛機故障檢測現(xiàn)在也逐漸采用智能檢測方法從而避免了人工檢測的盲目性,ANN憑借其對故障特征的良好記憶而得到應用。此項技術的應用,節(jié)省了巨大的大飛機檢修成本,關鍵是提高了檢修效率。

ANN算法雖然在大飛機設計中應用越來越廣泛,但網(wǎng)絡自身的不穩(wěn)定、泛化能力差、參數(shù)選擇隨機化、收斂速度慢等缺點導致其應用受限。從國內(nèi)外相關文獻來看,解決此問題的方法主要分為兩大類:

(1)網(wǎng)絡系統(tǒng)自身的改善和升級;

(2)采用其它方法來改善自身算法的性能。

ANN算法還在繼續(xù)發(fā)展,最終的目的是應用到工程中,在飛控領域,研究和發(fā)展能夠綜合神經(jīng)控制器所需動態(tài)的ANN控制設計方法是未來的研究趨勢,多種類型的網(wǎng)絡交替是大勢所趨。而最基本、最常用的ANN結構圖如圖2所示。

圖2 基本三層網(wǎng)絡結構圖

2.2 遺傳算法

20世紀60年代,美國Michigan大學的Holland教授在研究自然和人工系統(tǒng)自適應行為的過程中提出了遺傳算法[11](GA)。遺傳算法是基于遺傳、變異和交叉處理來獲得子代最優(yōu)群體而形成的一種模擬算法。

現(xiàn)代大飛機設計面臨非線性、離散型、非定常、多峰值、多變量及變量間強耦合等復雜性問題,常規(guī)的數(shù)值優(yōu)化方法(梯度法、序列二次規(guī)劃法等)已無法滿足要求。GA具有自適應全局并行啟發(fā)式的搜索優(yōu)化能力,可以很好地解決上述問題。近年來,GA得到了大量理論研究成果,并在飛機總體參數(shù)優(yōu)化、飛機外形和翼型氣動優(yōu)化、結構優(yōu)化、控制分配技術優(yōu)化、重量優(yōu)化、氣彈優(yōu)化、氣動降噪優(yōu)化、氣動結構隱身多學科優(yōu)化等設計領域得到了廣泛的應用。

大飛機設計分析對算法的要求不斷提高,因而GA算法在工程分析中也暴露出種種缺陷,無法滿足設計要求。算法參數(shù)設置缺乏理論依據(jù)、可靠性低、算法不穩(wěn)定、易出現(xiàn)“早熟”現(xiàn)象等,這大大降低了算法在工程中的實用性。為了提高算法的性能和功能,國內(nèi)外學者提出了不同方法[12-17],現(xiàn)總結如下:

(1)在常規(guī)GA的基礎上,增加了Pareto過濾器、小生境算子以及精英保存策略等操作,以增強算法的性能;

(2)通過并行子空間優(yōu)化算法在飛機多目標/多學科系統(tǒng)優(yōu)化方面具有一定的擴展性,大大提高了該算法的穩(wěn)定收斂性能;

(3)基于遺傳算法和靈敏度優(yōu)化算法的結合優(yōu)化法提高了飛機部件設計效率,保證了設計精度,滿足工程設計要求;

(4)基于網(wǎng)格技術的GA成功地解決了多學科拓撲優(yōu)化問題。網(wǎng)絡平臺為遺傳算法的大規(guī)模并行計算提供了良好的軟硬件及數(shù)據(jù)共享環(huán)境。同時節(jié)省遺傳優(yōu)化的時間,引入了BP神經(jīng)網(wǎng)絡對搜索區(qū)域進行可預測,從而減小了GA的搜索區(qū)域,提高了優(yōu)化效率。

通過改進算法思想,提高算法結構,確定算法參數(shù)的理論方法,確保算法穩(wěn)定是未來算法發(fā)展的主流。

2.3 粒子群算法

粒子群算法(Particle Swarm Optimization,PSO) 是Kennedy和Eberhart在1995年首次提出的[18]。PSO基于一種簡化群體模型,最初起源于對鳥群覓食行為的模擬,人們從中得到啟示,后來逐漸被應用到工程問題的理論分析中。國外學者已驗證了PSO在大飛機總體參數(shù)、結構重量優(yōu)化等方面的可行性和高效性[19-21]。

PSO較GA算法而言,具有如下優(yōu)點:

(1)實現(xiàn)簡易化;

(2)對帶約束條件下復雜函數(shù)的優(yōu)化效率高;

(3)局部收斂和全局收斂速度快。

PSO較傳統(tǒng)優(yōu)化方法而言,自身也存在一定缺陷:

(1)對學習因子和慣性因子敏感性較高;

(2)計算成本較高;

(3)后期優(yōu)化搜索容易“收斂停滯”。

所以,PSO算法未來的發(fā)展方向是簡化優(yōu)化學習機制,提高群體多樣性和有效抑制停滯現(xiàn)象。

2.4 模擬退火算法

模擬退火算法(Simulated Annealing,SA)是近年來提出的一種適合求解大規(guī)模組合優(yōu)化問題的有效優(yōu)化算法[22],該算法基于能量最小原理求解參數(shù)最優(yōu)值。國外已經(jīng)利用SA算法在大飛機縱向自動著陸控制系統(tǒng)參數(shù)優(yōu)化、跨音速翼型形狀的氣動設計優(yōu)化等方面得到了成功的應用[23];在國內(nèi),SA算法在控制器參數(shù)優(yōu)化和航路規(guī)劃方面應用最為廣泛[24],各高校也在不斷研究SA算法理論。

SA算法較GA算法具有更高的運行效率,同時優(yōu)化限制條件少,具有較高的實用價值,但是對訓練樣本數(shù)據(jù)的精確性要求很高,同時也容易陷入局部最優(yōu)。

2.5 支持向量機

支持向量機(Support Vector Machine,SVM)是由Vapnik等根據(jù)統(tǒng)計學習理論提出的一種通用學習算法[25]。該算法以堅實的理論基礎、優(yōu)越的學習能力以及良好的推廣能力正在成為繼ANN研究之后機器學習領域的研究熱點,是智能計算領域發(fā)展的又一里程碑。

隨著該算法的逐步發(fā)展和成熟,國內(nèi)外已經(jīng)成功應用SVM用于大飛機發(fā)動機故障診斷。同時,SVM也得到了擴展,最小二乘支持向量機、遺忘因子最小二乘支持向量機等應運而生,在飛機武器精度設計領域、自適應控制器參數(shù)設計領域、飛行安全等級大小預測領域以及飛機多學科優(yōu)化設計領域(見圖3)都得到了成功的應用。

圖3 典型飛機五學科設計圖

雖然SVM在飛機設計很多方面都得到了應用,但是它還需要進一步完善和改進才會增強它的泛化能力,同時必須要解決在大樣本學習時的計算時間長、存儲空間巨大等嚴重問題,最后還要對參數(shù)的合理配置進行優(yōu)化,這些都是將來要進一步研究的新課題。

3 結束語

大飛機設計要求日趨復雜化,尋求理論算法可以大大減少設計時間和設計成本。啟發(fā)式算法的應用是必不可少的,同時,追求更健全的算法是現(xiàn)代飛機設計所必須的。提高算法的穩(wěn)定性、高效性、堅固性和廣泛性是算法的另一大研究領域,同時,建立各種優(yōu)化算法之間的互通平臺以及發(fā)展組合優(yōu)化算法又是算法理論研究的另一大領域,這將對大飛機設計分析提供堅實的理論支持。

[1] 黃達. 飛行器大振幅運動非定?？諝鈩恿μ匦匝芯縖D]. 西安: 西北工業(yè)大學, 2007.

[2] Qiu Zhiping,Zhang Yuxing.Application of intelligent optimization algorithm on aircraft configuration design[J].ACTA AERONAUTICA ET ASTRONAUTICA SINICA,2009,30(1):62-67.

[3] Herrmann U.Multiple discipline optimization and aero-dynamic off-design analysis on supersonic transport aircraft[J].Journal of Aircraft,2008,45(5):1474-1480.

[4] Cao X,Mitsui Y,Sugiyama Y.Investigation into the applicability of neural network to load identification[C]//20th Congress of the International Council of the Aeronautical Sciences.Italy,1996:1355-1360.

[5] ZU Jia-kui,ZHAO Chun-sheng,DAI Guan-zhong. Structure optimization strategy of normalized RBF networks[J].Transactions of Nanjing University of Aeronautics & Astronautics,2003,20(1):73-78.

[6] Pesonen U J,Agarwal R K.Artificial neural network prediction of aircraft aeroelastic behavior[C]//40th AIAA Aerospace Sciences Meeting & Exhibit. Reno,2002:1-7.

[7] Kamran Rokhsaz,Steck J E.Application of artificial neural networks in nonlinear aerodynamics and aircraft design[J].Journal of Aerospace,1993,12(2):1790-1797.

[8] Marques Flavio,Anderson John.Modeling and identific-ation of non-linear unsteady aerodynamic loads by neural networks and genetic algorithms[C]//20th Congress of the International Council of the Aeronautical Sciences.Sorrento,Napoli,Italy,1996:243-251.

[9] 唐璐,黃俊,武哲.基于神經(jīng)網(wǎng)絡的協(xié)作優(yōu)化方法在飛機總體設計中的應用[J].飛機設計,2009,29(2):1-7.

[10] 崔祜濤,耿云海,李傲霜,等.基于自適應神經(jīng)網(wǎng)絡非線性飛行控制[J].航空學報,1998,19(2):173-178.

[11] 王允良.飛行器總體參數(shù)優(yōu)化的遺傳算法及其應用研究[D].西安:西北工業(yè)大學,2006.

[12] 常彥鑫,高正紅.遺傳算法在氣動優(yōu)化問題中的適應性分析[J].空氣動力學報,2009,27(2):167-172.

[13] 茍仲秋,宋筆鋒,李為吉.改進的多目標遺傳算法在無人機機翼結構優(yōu)化中的應用[J].空軍工程大學學報,2006,7(3):7-9.

[14] Storn R,Price K.Differential evolution—a simple and efficient heuristic for global optimization over continuous spaces[J].Journal of Global Optimization,1997,11(4):341-359.

[15] 邱志平,張宇星.改進遺傳算法在飛機總體參數(shù)優(yōu)化中的應用[J].北京航空航天大學學報,2008,34(10):1182-1185.

[16] 崔德剛,王玉娟,錢德佩,等.基于網(wǎng)格的多學科飛機優(yōu)化技術[J].航空制造技術, 2009,(12):26-31.

[17] JIN Haibo,DING Yunliang.Approximation techniques for application of genetic algorithms to structural optimization[J].Transactions of Nanjing University of Aeronautics & Astronautics,2003,20(2):147-154.

[18] Venter G,Sobieszczanski-Sobieski J.Multidisciplinary optimization of a transport aircraft wing using particle swarm optimization[J].Structural and Multidisciplinary Optimization,2004,26(1-2):121-131.

[19] Venter G.Particle swarm optimization[C]//43rd Structures, Structural Dynamics, and Materials Conference.Denver,Colorado,2002:1-9.

[20] 沈彶,韓麗川,沈益斌.基于粒子群算法的飛機總體參數(shù)優(yōu)化[J].航空學報,2008,29(6):1538-1541.

[21] Cruz J B Jr,Chen Genshe.Particle swarm optimization for resource allocation in UAV cooperative control[C]//AIAA Guidance,Navigation,and Control Conference. Rhode Island,2004:1-10.

[22] Lee S L,Damodaran M.Aerodynamic design of transonic airfoils using simulated annealing and Navier-Stokes equations[C]//38th Aerospace Sciences Meeting.Reno,NV,2000:1-13.

[23] Madara Ogot,Bill Kelly.Simulated annealing computational requirrements reduction for reliability-based high-fidelity aerodynamic shape design[C]//44th AIAA Aerospace Sciences Meeting.Reno,Nevada,2006:1234-1244.

[24] Besnard E,Cordier-Lallouet N,Kural O,et al.Design optimization with advanced simulated annealing[C]//37th Aerospace Sciences Meeting. Reno,NV,1999:32-39.

[25] Vapnik V N.Statistical learning theory[M].New York,USA:Wiely,1998.

Applicationreviewofheuristicoptimizationalgorithminlargeaircraftdesign

WU Hu-zi, TANG Chang-hong, GENG Jian-zhong, Yao Hai-lin

(General Configuration and Aerodynamic Institute, The First Aircraft Institute of AVIC,Xi’an 710089, China)

The development trends and application status of several algorithms including neural networks system(NNS), genetic algorithm(GA), particle swarm algorithm(PSA), simulated annealing algorithm(SAA)and support vector machine(SVM), which used in the field of large aircraft design(LAD) are briefly retrospected and introduced. An associated advantage and disadvantage for algorithm in engineering is compared and analyzed. Before close, the developing concentration of this subject in China is prospected, which give valuable theory and experience in LAD.

heuristic optimization algorithm; large aircraft design; status of application; development trends

2011-08-09;

2011-12-04

武虎子(1981-),男,陜西富平人,助理工程師，博士研究生,研究方向為飛機操穩(wěn)與控制；

唐長紅(1958-),男,陜西藍田人,中國工程院院士,總設計師,研究員,博士,研究方向為飛機氣動伺服彈性與控制。

V221

A

1002-0853(2012)02-0101-04

(編輯：王育林)