简介：开展了机器学习在翼型气动力计算和反设计方法中的应用研究,实现了在更大翼型空间范围内,人工神经网络的训练和优化,建立了翼型气动力计算模型,和给定目标压力分布的翼型反设计优化模型.作为机器学习领域兴起的研究热点,人工神经网络的研究工作不断深入,有研究者尝试将其应用于流体力学的学科范畴内.文章实现人工神经网络在翼型计算领域中应用的方法如下:首先通过Parsec参数化方法,围绕基准翼型构造了一定翼型空间范围的翼型库,利用XFOIL进行数值模拟,搭建了和翼型库具有一一映射关系的流场信息库.通过训练和优化神经网络,实现了基于此模型的快速、高可信度的翼型气动力预测,以及新型的翼型优化设计方法.通过自动化编程实现样本库的批量生成,实现了不同翼型空间的样本量下,神经网络的训练和优化过程.实验结果表明,在机器学习领域中,基于神经网络的翼型反设计模型的精确性高度依赖于训练样本量的大小和覆盖范围.

简介：针对亚轨道可重复使用运载器（SRLV）的应用需求,在将卫星投送到预定轨道同时确保SRLV安全返回的前提下,对基于记忆原理的轨迹/总体参数一体化优化方法进行了研究。记忆优化算法是一种具有全局收敛性的随机搜索方法,每次搜索的试探解优劣状态由记忆元来存储。利用记忆原理的记忆增强和遗忘规律来衡量优化搜索过程中试探解的状态,并以燃料最省作为优化指标。同时采用三种不同的搜索策略,实现对试探解的随机搜索,避免陷入局部极小问题,并以此来提高搜索速度。仿真表明：卫星入轨速度偏差小于2m/s,高度偏差小于10m,轨道倾角偏差小于0.0001°。SRLV最终与着陆场的位置偏差小于100m,速度偏差小于5m/s。相较于传统的轨迹优化方法,新方法适用于复杂的轨迹/参数一体化优化问题,搜索速度快,求解精度高,有利于算法在工程实际中的应用与推广。