王培君, 夏露, 周文硕, 栾伟达

(西北工业大学 航空学院, 陕西 西安 710072)

随着计算流体力学(CFD)技术的不断发展,气动设计中CFD的占比逐渐提升,数值优化方法已成为飞行器气动外形设计中的一个重要组成部分。在各类优化方法中,启发式算法表现出了十分强大的寻优能力。目前较常用的有以粒子群优化(particle swarm optimization,PSO)算法[1]、蚁群算法(ant clony optimization,ACO)、布谷鸟搜索算法(cuckoo search algorithm,CSA)[2]为代表的群集智能算法,和以差分进化算法(differential evolution,DE)[3]、遗传算法(genetic algorithms,GA)为代表的进化算法。其中PSO算法简单方便、收敛速度较快,对许多问题都有较好的优化效果,但是其更新公式会导致粒子被吸引在当前全局最优解附近,搜索空间被大幅压缩,分散度下降从而导致算法陷入局部最优[4]。CSA算法是一种全局寻优能力较强的算法,较强的搜索随机性极大提升了该算法的全局搜索能力,但是CSA也存在收敛速度慢的问题。DE算法主要通过差分变异操作来生成新的变异个体,再通过交叉和选择得到新的种群个体,贪婪选择策略使其有较强的局部搜索能力,但也容易陷入局部最优。由此可见,有的算法不擅长全局搜索,容易陷入局部最优;有的算法不擅长局部搜索,搜索效率低,在单峰问题中表现差。所以如何补足短板,使算法适应更多形式问题,增强算法的鲁棒性是一个难题。

为了提高启发式算法的鲁棒性,已经有了很多改进措施,比如借鉴其他算法优秀思想对算法更新公式进行改进或在一个种群内通过一定策略使用多种更新公式;对种群拓扑结构进行改进[5],改善种群多样性;还有通过多个种群并行,再利用某种信息交换机制来提高全局搜索能力。……