启发式算法在大飞机设计中的应用综述

武虎子, 唐长红, 耿建中, 姚海林

(中航工业第一飞机设计研究院 总体气动研究所, 陕西 西安 710089)

启发式算法在大飞机设计中的应用综述

武虎子, 唐长红, 耿建中, 姚海林

(中航工业第一飞机设计研究院 总体气动研究所, 陕西 西安 710089)

主要介绍了神经网络系统、遗传算法、粒子群算法、模拟退火算法、支持向量机几种启发式优化算法(Heuristic Optimization Algorithm,HOA)在大飞机设计领域的发展和应用现状,对比分析了算法在航空工程设计上的优缺点,展望了启发式算法的发展方向,为大飞机设计提供了宝贵的理论和经验。

启发式优化算法; 大飞机设计; 应用现状; 发展方向

引言

大飞机设计是集总体气动、结构、强度、综合航电和自动控制于一体的多学科设计优化系统。随着大飞机系统复杂程度的提高、算法的成熟及计算机技术的升级,启发式设计优化(Heuristic Design Optimization,HDO)算法和组合智能优化算法被广泛引入大飞机的研制中,并作为飞机设计前进行早期全面优化和模拟检验的主要途径用以分析大飞机的综合性能。

大飞机设计是一项包含诸多耦合学科的复杂的系统工程,是一门多学科设计优化工程[1]。飞机设计正向综合化和一体化方向发展。随着计算机技术的同步提高,为启发式算法越来越多的应用提供了一个可靠的、有效的、快速的计算平台。同时,大飞机设计又是一个多学科专业知识的集成,寻求单学科内部的局部优化算法和学科之间的全局优化算法便成为必然。而处于计算机技术高速发展的阶段,各种启发式(智能)算法和组合算法便应运而生[2]。因而,各种启发式算法的研究便成为学术界研究的重要内容之一。

大飞机设计系统具有非线性、离散性、随机性、大规模性等特点,基于这些特点,寻求各种智能优化算法也是当前航空航天工程界的迫切需求。而且现代工程设计问题的最优解都是近似解、数值解或可行解,而现代HDO算法正好能做到这一点。大飞机设计又是一个耗时、耗力、耗财的复杂过程。HDO算法的介入,减小了飞机设计的试验次数,也大大节约了飞机设计的成本。同时,基于计算机技术的HDO算法,与传统数学优化方法相比大幅度地减少了运算时间,从而提高了飞机的设计效率,缩短了飞机的研制周期,最重要的是提高了飞机的整体综合性能。虽然HDO算法从根本上还没有完全用于飞机设计中,但是工程研究人员已经认识到这些理论优化算法最起码可以为工程设计提供借鉴和参考,具有一定的工程参考价值。随着HDO算法的不断成熟,越来越受到学术界和工程界的高度重视。20世纪90年代初,美国AIAA率先正式提出了多学科设计优化(Multidisciplinary Design Optimization,MDO)方法，标志着这一研究领域的诞生[3]。国内很多高校和研究所在MDO方面也取得了一定的进展。

现代大型飞机设计是一个多元化设计过程,最终的设计目的是提升飞机的整体性能,因而寻求合理的方法解决飞机设计各学科之间的耦合是很关键的,而启发式优化算法是解决此问题的途径之一,越来越受到工程设计人员的关注。

1 优化思想

大飞机设计是一个多目标设计优化过程,一般流程如图1所示。

图1 优化算法框图

大飞机设计优化思想是:先提出优化对象,再给出设计变量(影响飞机系统参数),同时提出约束准则(设计规范要求),进行单级多次迭代优化,优化完成后,组合设计变量最优解,该组值又作为已知设计变量,然后优化与该组织线性无关的参数,最后的结果可作为飞机参数检验分析值。

2 启发式算法在大飞机设计中的应用发展

启发式优化算法在大型飞机设计中的应用越来越广泛,利用启发信息进行制导搜索,对状态空间中的每一搜索位置进行评估分析,从而得到最佳位置点,并依次作为下一点的起始搜索位置,直到目标为止,降低了搜索的盲目性,提高了搜索效率。下面针对近年来国内外逐渐应用的几种启发式算法进行深入分析。

2.1 人工神经网络算法

人工神经网络算法(ANN)是采用计算机模拟人脑神经网络之间传递信息和记忆信息的一种方法,该算法具有优秀的非线性处理能力、多参数并行运算能力、模式的多样化以及强大的适应性。

ANN算法庞大的算法库、网络类型的多样化给大飞机设计分析提供了强有力的理论支持。由于ANN算法具有很多常规算法不具备的优点,在飞机非线性气动力建模、气动参数辨识、飞机方案阶段总体参数的确定等方面[4-10]得到广泛的应用。随着飞控新技术的出现,ANN亦用于控制器设计,利用神经网络控制器可以有效地跟踪飞机指令信号。NASA曾经对“F15智能飞控系统”进行了验证,目的是采用ANN对飞机的稳定性和控制特性进行验证,最终的目的是将改善的ANN装入F15主控飞行计算机进行实时模拟,用于空中测试。民用大飞机故障检测现在也逐渐采用智能检测方法从而避免了人工检测的盲目性,ANN凭借其对故障特征的良好记忆而得到应用。此项技术的应用,节省了巨大的大飞机检修成本,关键是提高了检修效率。

ANN算法虽然在大飞机设计中应用越来越广泛,但网络自身的不稳定、泛化能力差、参数选择随机化、收敛速度慢等缺点导致其应用受限。从国内外相关文献来看,解决此问题的方法主要分为两大类:

(1)网络系统自身的改善和升级;

(2)采用其它方法来改善自身算法的性能。

ANN算法还在继续发展,最终的目的是应用到工程中,在飞控领域,研究和发展能够综合神经控制器所需动态的ANN控制设计方法是未来的研究趋势,多种类型的网络交替是大势所趋。而最基本、最常用的ANN结构图如图2所示。

图2 基本三层网络结构图

2.2 遗传算法

20世纪60年代,美国Michigan大学的Holland教授在研究自然和人工系统自适应行为的过程中提出了遗传算法[11](GA)。遗传算法是基于遗传、变异和交叉处理来获得子代最优群体而形成的一种模拟算法。

现代大飞机设计面临非线性、离散型、非定常、多峰值、多变量及变量间强耦合等复杂性问题,常规的数值优化方法(梯度法、序列二次规划法等)已无法满足要求。GA具有自适应全局并行启发式的搜索优化能力,可以很好地解决上述问题。近年来,GA得到了大量理论研究成果,并在飞机总体参数优化、飞机外形和翼型气动优化、结构优化、控制分配技术优化、重量优化、气弹优化、气动降噪优化、气动结构隐身多学科优化等设计领域得到了广泛的应用。

大飞机设计分析对算法的要求不断提高,因而GA算法在工程分析中也暴露出种种缺陷,无法满足设计要求。算法参数设置缺乏理论依据、可靠性低、算法不稳定、易出现“早熟”现象等,这大大降低了算法在工程中的实用性。为了提高算法的性能和功能,国内外学者提出了不同方法[12-17],现总结如下:

(1)在常规GA的基础上,增加了Pareto过滤器、小生境算子以及精英保存策略等操作,以增强算法的性能;

(2)通过并行子空间优化算法在飞机多目标/多学科系统优化方面具有一定的扩展性,大大提高了该算法的稳定收敛性能;

(3)基于遗传算法和灵敏度优化算法的结合优化法提高了飞机部件设计效率,保证了设计精度,满足工程设计要求;

(4)基于网格技术的GA成功地解决了多学科拓扑优化问题。网络平台为遗传算法的大规模并行计算提供了良好的软硬件及数据共享环境。同时节省遗传优化的时间,引入了BP神经网络对搜索区域进行可预测,从而减小了GA的搜索区域,提高了优化效率。

通过改进算法思想,提高算法结构,确定算法参数的理论方法,确保算法稳定是未来算法发展的主流。

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基于一种简化群体模型,最初起源于对鸟群觅食行为的模拟,人们从中得到启示,后来逐渐被应用到工程问题的理论分析中。国外学者已验证了PSO在大飞机总体参数、结构重量优化等方面的可行性和高效性[19-21]。

PSO较GA算法而言,具有如下优点:

(1)实现简易化;

(2)对带约束条件下复杂函数的优化效率高;

(3)局部收敛和全局收敛速度快。

PSO较传统优化方法而言,自身也存在一定缺陷:

(1)对学习因子和惯性因子敏感性较高;

(2)计算成本较高;

(3)后期优化搜索容易“收敛停滞”。

所以,PSO算法未来的发展方向是简化优化学习机制,提高群体多样性和有效抑制停滞现象。

2.4 模拟退火算法

模拟退火算法(Simulated Annealing,SA)是近年来提出的一种适合求解大规模组合优化问题的有效优化算法[22],该算法基于能量最小原理求解参数最优值。国外已经利用SA算法在大飞机纵向自动着陆控制系统参数优化、跨音速翼型形状的气动设计优化等方面得到了成功的应用[23];在国内,SA算法在控制器参数优化和航路规划方面应用最为广泛[24],各高校也在不断研究SA算法理论。

SA算法较GA算法具有更高的运行效率,同时优化限制条件少,具有较高的实用价值,但是对训练样本数据的精确性要求很高,同时也容易陷入局部最优。

2.5 支持向量机

支持向量机(Support Vector Machine,SVM)是由Vapnik等根据统计学习理论提出的一种通用学习算法[25]。该算法以坚实的理论基础、优越的学习能力以及良好的推广能力正在成为继ANN研究之后机器学习领域的研究热点,是智能计算领域发展的又一里程碑。

随着该算法的逐步发展和成熟,国内外已经成功应用SVM用于大飞机发动机故障诊断。同时,SVM也得到了扩展,最小二乘支持向量机、遗忘因子最小二乘支持向量机等应运而生,在飞机武器精度设计领域、自适应控制器参数设计领域、飞行安全等级大小预测领域以及飞机多学科优化设计领域(见图3)都得到了成功的应用。

图3 典型飞机五学科设计图

虽然SVM在飞机设计很多方面都得到了应用,但是它还需要进一步完善和改进才会增强它的泛化能力,同时必须要解决在大样本学习时的计算时间长、存储空间巨大等严重问题,最后还要对参数的合理配置进行优化,这些都是将来要进一步研究的新课题。

3 结束语

大飞机设计要求日趋复杂化,寻求理论算法可以大大减少设计时间和设计成本。启发式算法的应用是必不可少的,同时,追求更健全的算法是现代飞机设计所必须的。提高算法的稳定性、高效性、坚固性和广泛性是算法的另一大研究领域,同时,建立各种优化算法之间的互通平台以及发展组合优化算法又是算法理论研究的另一大领域,这将对大飞机设计分析提供坚实的理论支持。

[1] 黄达. 飞行器大振幅运动非定常空气动力特性研究[D]. 西安: 西北工业大学, 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,黄俊,武哲.基于神经网络的协作优化方法在飞机总体设计中的应用[J].飞机设计,2009,29(2):1-7.

[10] 崔祜涛,耿云海,李傲霜,等.基于自适应神经网络非线性飞行控制[J].航空学报,1998,19(2):173-178.

[11] 王允良.飞行器总体参数优化的遗传算法及其应用研究[D].西安:西北工业大学,2006.

[12] 常彦鑫,高正红.遗传算法在气动优化问题中的适应性分析[J].空气动力学报,2009,27(2):167-172.

[13] 苟仲秋,宋笔锋,李为吉.改进的多目标遗传算法在无人机机翼结构优化中的应用[J].空军工程大学学报,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,张宇星.改进遗传算法在飞机总体参数优化中的应用[J].北京航空航天大学学报,2008,34(10):1182-1185.

[16] 崔德刚,王玉娟,钱德佩,等.基于网格的多学科飞机优化技术[J].航空制造技术, 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,韩丽川,沈益斌.基于粒子群算法的飞机总体参数优化[J].航空学报,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,陕西富平人,助理工程师，博士研究生,研究方向为飞机操稳与控制；

唐长红(1958-),男,陕西蓝田人,中国工程院院士,总设计师,研究员,博士,研究方向为飞机气动伺服弹性与控制。

V221

A

1002-0853(2012)02-0101-04

(编辑：王育林)