的高超声速飞行器气动布局优化设计.pdf

第27卷第4期 2009年08月空气动力学学报 ACTA AERoDYNAMICA SlNICA 。 Aug.,2009 文章编号l 0258一1825(2009)04一0497一06 基于蚁群算法的高超声速飞行器气动布局优化设计车竞1,唐硕2,何开锋1,王文正1 (,,陕西西安710072) 擒要:针对目前飞行器优化设计领域遗传算法计算量大、效率低的情况,提出了基于连续空间蚁群算法的高超声速飞行器气动布局优化设计方法。蚁群算法是近年来发展的一种全新仿生算法,具有全局性和高效性等特点,,对高超声速飞行器进行了多变量、多约束下的气动布局优化设计,并与采用遗传算法和约束可变多面体法的优化结果进行了对比,指出了蚁群算法的优点。本文的研究可为蚁群算法应用于复杂、高维的大规模飞行器设计问题提供参考. 关键词:蚁群算法;连续空间I高超声速飞行器I气动布局;优化设计中图分类号:, 文献标识码:A O 引言高超声速飞行器作为一种先进空天飞行器概念, 具有远距离巡航、防区外发射、短时间全球部署、高空高速特点以及有效拦截和打击时间敏感目标的能力, 近年来得到了广泛的研究[1]。优化设计是高超声速飞行器概念设计和初步设计阶段的主要研究手段,是实现高超声速飞行的关键技术之一。由于针对高超声速飞行器的优化设计工作具有高维性、多峰性、全局性、非线性和强耦合性等特点,遗传算法以及基于遗传算法的混合算法成为目前该领域的主流优化算法,广泛应用于高超声速飞行器的机体/推进一体化设计[2],气动部件优化设计以及总体性能优化设计[3]。但是遗传算法的计算量巨大,导致了搜索全局最优解的低效率。蚁群算法(ACA)作为一种全新的仿生算法,具有全局性和高效性特点,自从1991年Marco Dorigo 等人提出第一个蚁群算法——蚂蚁系统(AS)以来【I],蚁群算法已经成功地应用于复杂的大规模组合优化领域,如旅行商问题(TSP)[5],二次分配问题等[6]。本文首先建立适用于高维连续空间多目标多约束优化问题的蚁群算法,然后尝试将其应用于高超声速飞行器气动布局的优化设计,最后将优化设计过程和结果与使用遗传算法(GA)和约束可变多面体法(CFPM)的优化设计工作进行对比,指出了蚁群算法的优点,为蚁群算法进入飞行器设计领域提供技术参考。 1连续空间蚁群算法蚁群算法最初是模拟蚂蚁的觅食行为与TSP的相似性提出的,蚂蚁之间通过一种叫做信息素(外激素)的物质进行交流,蚂蚁运动时在所走路径上释放出信息素,路径越长信息素密度就越小,反之越大。而信息素密度大的路径能够吸引更多的蚂蚁。所以最终整个蚁群会找到食物源到巢穴之间的最短路径。蚂蚁的这种觅食行为是一种正反馈机制,这种行为与组合优化问题具有相似性。因此组合优化问题可以利用这种正反馈机制,蚁群算法由此产生。目前蚁群算法的较为成功的应用是在组合优化问题中,对于连续空间优化问题的研究才刚刚起步。归纳起来,目前用于连续空间优化问题的蚁群算法主要有两种【7]。一种可称为巢穴移动方法,即将所有蚂蚁置于一个巢穴内,巢穴位置位于设计空间中的任一点,所有蚂蚁在巢穴内进行局部搜索,而通过移动巢穴位置进行全局搜索。第二