基于遗传算法的风力机翼型多攻角设计

基于多目标遗传算法的海上风力发电风轮叶片结构参数优化设计海上风力发电是一种利用海上风能来发电的可再生能源发电方式。

它具有风能资源丰富、空间利用率高、环境污染较小等优点，因此受到了广泛关注和研究。

海上风力发电的核心设备之一是风轮叶片，叶片的结构参数直接影响着风力发电机组的性能和经济效益。

因此，基于多目标遗传算法的风轮叶片结构参数优化设计是一项重要的研究内容。

多目标遗传算法（MOGA）是一种基于进化策略的优化算法，能够通过模拟生物进化的过程来搜索最优解空间，并找到多个互不相同的最优解。

在风轮叶片结构参数优化设计中，MOGA可以应用于寻找具有较高风能利用率和较低材料成本的叶片设计方案。

在进行海上风力发电风轮叶片结构参数优化设计时，第一步是确定优化目标。

常见的优化目标包括提高风能利用效率、减小材料成本、提高叶片的结构强度等。

为了综合考虑这些目标，可以使用多目标优化算法进行设计。

MOGA通过维护一组非支配解（Pareto解集），该解集中的每个解都在某种目标下优于其他解，并且没有其他解在所有目标上优于它。

通过对这个解集进行分析和筛选，可以选择出一组最优解作为叶片结构参数的设计方案。

第二步是确定叶片结构参数的设计变量。

叶片结构参数主要包括叶片长度、叶片弦长、叶片扭转角、叶片厚度等。

这些参数的不同取值会对叶片的性能产生不同的影响。

为了避免遗传算法搜索空间过大，可以根据经验或者文献中的研究结果，给出一些参数的取值范围，限制设计变量的搜索空间。

第三步是确定适应度函数。

适应度函数是评估每个叶片结构参数设计方案的好坏程度的函数。

在多目标优化中，适应度函数需要考虑多个目标，比如风能利用效率、材料成本、结构强度等。

这些目标可以转化为具体的数学模型，通过计算和评估来量化和比较不同方案之间的优劣。

第四步是编写遗传算法的代码。

遗传算法是基于自然选择、遗传和变异等进化原理的优化算法。

通过初代种群的随机产生和迭代进化，逐步找到更好的解。

基于神经网络和遗传算法的海上风力发电风轮叶片结构参数优化设计随着对可再生能源需求的不断增长，海上风力发电作为一种清洁、可持续的能源解决方案，引起了广泛的关注。

而风力发电的核心组件之一，风轮叶片的结构参数优化设计对其性能和效率具有至关重要的影响。

本文将探讨基于神经网络和遗传算法的海上风力发电风轮叶片结构参数优化设计的方法和应用。

神经网络是一种模仿生物神经系统结构和功能的计算模型，具有自我学习和适应能力，能够通过训练和调整参数来拟合和优化复杂的非线性关系。

神经网络在结构参数优化设计中的应用，旨在通过学习和泛化历史数据，建立叶片结构和性能之间的映射关系，为优化设计提供依据。

遗传算法是一种模拟生物进化过程的优化算法，通过选择、交叉和变异等操作对候选解进行迭代演化，从而找到最优解。

遗传算法基于自然选择和适应性进化的原理，能够有效地搜索大规模参数空间，对于风轮叶片结构参数的优化设计具有很大的潜力。

在基于神经网络和遗传算法的海上风力发电风轮叶片结构参数优化设计中，首先需要收集和整理相关的历史数据和知识。

这些数据包括风速、叶片尺寸、材料属性、发电功率等。

然后，利用神经网络模型对这些数据进行训练和拟合。

通过多层神经网络的学习和优化，可以建立风轮叶片结构参数与性能指标之间的映射关系。

接下来，使用遗传算法对叶片结构参数进行优化。

遗传算法通过对候选解集合的演化和进化操作，不断生成和改进新的解，并筛选出最优解。

在风轮叶片结构参数的优化设计中，采用遗传算法可以在大规模的参数空间中进行搜索和探索，找到最佳的叶片结构参数配置，从而提高风能的利用效率和风力发电的性能。

神经网络和遗传算法的结合可以有效地解决叶片结构参数优化设计中的复杂问题。

神经网络提供了对数据的建模和拟合能力，能够挖掘数据中的潜在规律和关联性。

而遗传算法则能够在大规模的参数空间中进行搜索和优化，找到最佳的叶片结构参数配置。

通过两者的综合应用，可以有效地提升海上风力发电风轮叶片的性能和效率。

基于遗传算法的低风速风力发电叶片多目标优化设计在现代能源危机的背景下，可再生能源的开发和利用变得越来越重要。

风力发电作为一种清洁、环保的能源来源，在全球范围内得到了广泛应用。

然而，由于低风速条件下发电效率低的问题，风力发电的利用率仍然有待提高。

低风速条件下，风力发电机的叶片设计对于提高发电效率至关重要。

传统的设计方法主要基于经验和试错的方式，耗时且效果有限。

而基于遗传算法的低风速风力发电叶片多目标优化设计能够通过模拟进化的方式，高效地寻找最优解，从而提高发电效率。

遗传算法是一种模拟自然选择和遗传机制的优化算法。

在遗传算法中，问题的解决方案被编码成一串遗传信息，通过模拟选择、交叉和变异等操作，不断演化和改进，最终得到最优解。

在低风速风力发电叶片多目标优化设计中，遗传算法可以被应用于搜索和优化叶片的形状、材料、尺寸以及其他相关参数。

首先，低风速风力发电叶片的设计需要考虑到多个目标，如最大化发电能力、最小化噪音、最小化材料成本等。

遗传算法能够通过引入适应度函数，量化这些目标，进行多目标优化。

例如，可以将发电能力、噪音和材料成本分别定义为适应度函数的一部分，并赋予不同的权重。

通过不断改进叶片的设计，遗传算法能够找到一个平衡各目标的最优解。

其次，遗传算法在搜索空间中进行自动探索，通过随机性的操作来产生新的解，并根据适应度函数的表现来决定哪些解继续进化。

这种进化的过程类似于自然界的选择和适应，可以优化叶片的形状和结构，以适应低风速条件下的发电要求。

通过多代进化，遗传算法能够找到逐渐改进的叶片设计，提高发电效率。

此外，遗传算法还具有自适应性和全局搜索能力。

由于遗传算法的随机性和并行性，可以在整个搜索空间内进行探索，避免陷入局部最优解。

同时，遗传算法的自适应性可以根据问题的特点和适应度函数的变化，调整变异和交叉的概率，以更好地适应问题的要求。

综上所述，基于遗传算法的低风速风力发电叶片多目标优化设计方法具有许多优势。

2009年12月第20卷第6期装备指挥技术学院学报Journal of the Academy of Equipment Command &Technology December 2009Vol.20　No 16　收稿日期:2009204213　基金项目:部委级资助项目　作者简介:王　超,男,硕士研究生.主要研究方向:航空宇航科学与技术.沈怀荣,男,教授,博士生导师.基于遗传算法的微型飞行器翼型优化设计王　超1,　沈怀荣2(1.装备指挥技术学院研究生管理大队,北京101416;　2.装备指挥技术学院航天装备系,北京101416) 摘 要:采用遗传算法对微型飞行器翼型进行优化设计,在优化过程中翼型由解析函数线性叠加法表示,通过计算流体力学(comp utational fluid dynamics ,CFD )软件Fluent 对设计的翼型进行了升力系数和阻力系数的气动计算,然后应用遗传算法,以最大升阻比为目标,得到了一组优化的翼型外形参数,并用Isight 软件集成实现了计算过程的自动化。

关　键　词:遗传算法;翼型;微型飞行器中图分类号:V 211.3文章编号:167320127(2009)0620117203文献标识码:ADO I :10.3783/j.issn.167320127.2009.06.027Optimization De sign of Airfoil by Genetic Algorithm for MAVsWAN G Chao 1,　SH EN Huairong 2(pany of Postgraduate Management ,t he Academy of Equipment Command &Technology ,Beijing 101416,China ;2.Depart ment of Space Equipment ,t he Academy of Equipment Command &Technology ,Beijing 101416,China )Abstract :The paper presented here demonst rates t hat t he use of genetic algorit hm for optimiza 2tion design of airfoil ,during t he course of optimization design ,geomet ric shape of airfoil is represen 2ted by linear combination of analytical f unctions ,and t he aerodynamic performance of t he designed air 2foil is directly calculated by CFD.Then t he genetic algorit hm ,wit h t he maximum lift 2drag ratio as t he goal ,is applied to obtain a group of optimized parameters of t he airfoil.In order to realize t he automa 2tion ,t he aut hor uses t he software of Isight to integrate t hese p rocesses.Key words :genetic algorit hm ;airfoil ;micro air vehicles (MAVs ) 美国DARPA (Defense Advanced ResearchProject s Agency )于1992提出微型飞行器(micro air vehicles ,MAVs )概念后,由于其具有广阔的军事和民用前景,使该领域广受关注并快速发展。

０２５４－００９６（２０１１　）０８－１２６９－０６基于多目标遗传算法的风力机翼型形状优化张石强１，２陈进１Ｐｅｔｅｒ　Ｅｅｃｅｎ２程江涛１陆群峰１１．重庆大学机械传动国家重点实验室，重庆　４０００３０；２．荷兰能源研究中心，佩腾　１７５５ＺＧ摘要：在风力机翼型型线形状优化设计中，提出了一种新的基于Ｊｏｕｋｏｗｓｋｉ保角变换的通用翼型型线表征形式。

建立了翼型多目标形状优化设计的数学模型，应用改进的多目标遗传优化算法，设计得到了４种性能优越的风力机专用翼型。

详细分析了ＷＴ１８０翼型的空气动力学特性，该翼型在设计工况和非设计工况下都具有良好的气动性能，具有较低的前缘粗糙度敏感性。

与目前风力机常用翼型相比，新翼型在主要工作攻角范围内，光滑和粗糙条件下的升力系数更高，升阻比更大，其气动性能相比传统翼型表现出明显的提高。

风力机翼型；多目标遗传算法；气动特性；形状优化；固定转捩ＴＫ８３；ＴＨ１２Ａ２００９－０８－２１国家自然科学基金（　５０７７５２２７）；重庆市自然科学基金重点项目（ＣＳＴＣ，２００８ＢＣ３０２９）张石强（１９８１－），男，博士，主要从事可再生能源装备设计理论及方法方面的研究。

ｓｈｉｑｉａｎｇｅｑ＠ｙａｈｏｏ．ｃｏｍ．ｃｎ１２７０１２７１１２７２＠＠［　１　］ Ｐｅｔｅｒ　Ｆｕｇｌｓｏｎｇ，　Ｃｈｒｉｓｔｉａｎ　Ｂａｋ．　Ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ｔｈｅ　Ｒｉｓｏ ｗｉｎｄ　ｔｕｒｂｉｎｅ　ａｉｒｆｏｉｌｓ［Ｊ］．　Ｗｉｎｄ　Ｅｎｅｒｇｙ，　２００４，　１３６（７）　： １４５－１６２．＠＠［２］ ＴｉｍｍｅｒＷ　Ａ，　Ｖａｎ　Ｔｏｏｉｊ　Ｐ　Ｒ　Ｊ　Ｏ　Ｍ．　Ｓｕｍｍａｒｙ　ｏｆ　ｔｈｅ ｄｅｌｆｔ　ｕｎｉｖｅｒｓｉｔｙ　ｗｉｎｄ　ｔｕｒｂｉｎｅ　ｄｅｄｉｃａｔｅｄ　ａｉｒｆｏｉｌｓ　［　Ｊ　］．　Ｊｏｕｒ ｎａｌ　ｏｆ　Ｓｏｌａｒ　Ｅｎｅｒｇｙ　Ｅｎｇｉｎｅｅｒｉｎｇ，　２００３，　１２５（　１１　）：　４８８－ ４９６．＠＠［　３　］ Ｂｅｒｔａｇｎｏｌｉｏ　Ｆ，　Ｓφｒｅｎｓｅｎ　Ｎ，　Ｊｏｈａｎｓｅｎ　Ｊ，　ｅｔ　ａｌ．　Ｗｉｎｄ　ｔｕｒ ｂｉｎｅ　ａｉｒｆｏｉｌ　ｃａｔａｌｏｇｕｅ［　Ｒ］．　Ｒｉｓφ－Ｒ－１２８０　（ＥＮ），　Ｒｉｓφ　Ｎａ ｔｉｏｎａｌ　Ｌａｂｏｒａｔｏｒｙ，　Ｒｏｓｋｉｌｄｅ，　Ｄｅｎｍａｒｋ，　２００１．＠＠［４］ 叶枝全，黄继雄，陈严，等．适用于风力机的新翼 型气动性能的实验研究［Ｊ］．太阳能学报，２００３，　２４ （４）：５４８－５５４．＠＠［５］ 王旭东，陈进，Ｗｅｎｚｈｏｎｇ　Ｓｈｅｎ，等．风力机叶片翼型型线集成设计理论研究［Ｊ］．中国机械工程，２００９，２０（２）：　２１１－２２８．＠＠［　６］ Ｌａｎｃｅ　Ｃｈａｍｂｅｒｓ．　Ｔｈｅ　ｐｒａｃｔｉｃａｌ　ｈａｎｄｂｏｏｋ　ｏｆ　ｇｅｎｅｔｉｃ　ａｌｇｏ ｒｉｔｈｍｓ　ａｐｐｌｉｃａｔｉｏｎｓ［　Ｍ］．　Ｎｅｗ　Ｙｏｒｋ：　ＣＲＣ　Ｐｒｅｓｓ，　２００１．＠＠［７　］ Ａｂｂｏｔｔ　ｌｒａ　Ｈ，　Ｖｏｎ　Ｄｏｅｎｈｏｆｆ　Ａｌｂｅｒｔ　Ｅ．　Ｔｈｅｏｒｙ　ｏｆ　ｗｉｎｇ ｓｅｃｔｉｏｎｓ　［　Ｍ　］． Ｎｅｗ　Ｙｏｒｋ　： Ｄｏｖｅｒ　Ｐｕｂｌｉｃａｔｉｏｎｓ，　ＩＮＣ， １９５９．＠＠［８］ 包能胜，霍福鹏，叶枝全，等．表面粗糙度对风力机翼 型性能的影响［Ｊ］．太阳能学报，２００５，２６（４）：４５８－ ４６２．＠＠［　９　］ Ｖａｎ　Ｒｏｏｉｊ　Ｒ　Ｐ　Ｊ　Ｏ　Ｍ，　Ｔｉｍｍｅｒ　Ｗ　Ａ．　Ｒｏｕｇｈｎｅｓｓ　ｓｅｎｓｉｔｉｖ ｉｔｙ　ｃｏｎｓｉｄｅｒａｔｉｏｎｓ　ｆｏｒ　ｔｈｉｃｋ　ｒｏｔｏｒ　ｂｌａｄｅ　ａｉｒｆｏｉｌｓ　［　Ｊ　］．　Ｊｏｕｒ ｎａｌ　ｏｆ　Ｓｏｌａｒ　Ｅｎｅｒｇｙ　Ｅｎｇｉｎｅｅｒｉｎｇ，　２００３，　１２５　（　１１　）　：　４６８－ ４７８．＠＠［　１０］　Ｔｉｍｍｅｒ　Ｗ　Ａ，　Ｓｃｈａｆｆａｒｃｚｙｋ　Ａ　Ｐ．　Ｔｈｅ　ｅｆｆｅｃｔ　ｏｆ　ｒｏｕｇｈｎｅｓｓ ａｔ　ｈｉｇｈ　ｒｅｙｎｏｌｄｓ　ｎｕｍｂｅｒｓ　ｏｎ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ａｅｒｏｆｏｉｌ ＤＵ　９７－Ｗ－３００Ｍｏｄ［Ｊ］．　Ｗｉｎｄ　Ｅｎｅｒｇｙ，　２００４，　１３６（７）　： ２９５－３０７．＠＠［　１１　］　Ｌａｗｌｏｒ　Ｓ　Ｐ．　Ｗｉｎｄ　ｔｕｒｂｉｎｅ　ｒｏｔｏｒ　ｂｌａｄｅ［　Ｐ］．　Ｕｎｉｔｅｄ　Ｓｔａｔｅｓ： ５４７４４２５，　１９９５．ＭＵＬＴＩ－ＯＢＪＥＣＴＩＶＥ　ＯＰＴＩＭＩＺＡＴＩＯＮ　ＯＦ　ＷＩＮＤ　ＴＵＲＢＩＮＥ　ＡＩＲＦＯＩＬ ＰＲＯＦＩＬＥ　ＢＡＳＥＤ　ＯＮ　ＧＥＮＥＴＩＣ　ＡＬＧＯＲＩＴＨＭＺｈａｎｇ　ＳｈｉｑｉａｎｇＣｈｅｎ　ＪｉｎＰｅｔｅｒ　ＥｅｃｅｎＣｈｅｎｇ　ＪｉａｎｇｔａｏＬｕ　Ｑｕｎｆｅｎｇ基于多目标遗传算法的风力机翼型形状优化作者：张石强， 陈进， PeterEecen， 程江涛， 陆群峰， Zhang Shiqiang， Chen Jin， Peter Eecen， Cheng Jiangtao， Lu Qunfeng作者单位：张石强,Zhang Shiqiang(重庆大学机械传动国家重点实验室,重庆 400030;荷兰能源研究中心,佩腾 1755ZG)，陈进,程江涛,陆群峰,Chen Jin,Cheng Jiangtao,Lu Qunfeng(重庆大学机械传动国家重点实验室,重庆,400030)， PeterEecen,Peter Eecen(荷兰能源研究中心,佩腾 1755ZG)刊名：太阳能学报英文刊名：Acta Energiae Solaris Sinica年，卷(期)：2011,32(8)本文链接：/Periodical_tynxb201108025.aspx。

基于神经网络和遗传算法的海上风力发电风轮叶片结构优化设计海上风力发电作为一种清洁能源的重要途径，在近年来得到了广泛的关注和发展。

其中，风轮叶片的结构优化设计是海上风力发电系统的关键技术之一。

本文将介绍基于神经网络和遗传算法的海上风力发电风轮叶片结构优化设计方法。

首先，为了实现海上风力发电风轮叶片的结构优化设计，我们需要建立一个神经网络模型。

神经网络是一种模拟人脑神经系统工作原理的计算模型，在模式识别、优化问题等方面具有较好的应用效果。

通过对风力发电系统的数据进行训练，神经网络可以学习到风力发电风轮叶片的结构特征与性能之间的关系。

其次，为了优化风力发电风轮叶片的结构，我们需要引入遗传算法。

遗传算法是一种模拟生物进化过程的优化方法，通过模拟自然选择、交叉、变异等操作，来搜索最优解。

在风力发电风轮叶片结构优化设计中，我们可以将风叶片的形状参数作为优化变量，通过遗传算法来寻找最佳的形状参数组合。

在优化设计过程中，首先需要确定优化的目标函数。

在海上风力发电系统中，我们常常关注风叶片的功率系数和扭矩系数。

功率系数反映了风叶片从风能中提取能量的能力，而扭矩系数则反映了风叶片转动的力矩。

因此，可以将目标函数设置为最大化功率系数和最小化扭矩系数的组合。

接下来，我们需要定义风力发电风轮叶片的形状参数。

一般来说，风叶片的形状参数包括叶片的长度、倾角、翼型等。

这些参数会直接影响到风叶片的气动性能。

通过遗传算法的优化过程，可以搜索到最佳的形状参数组合，从而提高风叶片的性能。

在进行结构优化设计时，我们还需要考虑到一些约束条件。

例如，风叶片的尺寸需要适应风力发电系统的安装条件，而叶片的材料需要满足一定的强度和耐久性要求。

通过在优化设计中加入这些约束条件，可以保证优化结果的可行性和实用性。

最后，为了验证优化设计的效果，我们可以进行模拟计算和实验测试。

通过将优化后的风叶片结构与原始设计进行对比，可以评估优化设计的性能提升程度。

同时，还可以通过在实际风力发电系统中进行应用，来验证优化设计在实际工作条件下的可行性和效果。

基于遗传算法的翼型多目标气动优化设计
基于遗传算法的翼型多目标气动优化设计
采用遗传算法实现了单/多目标情况下NACA0012翼型的气动优化设计.绕翼型的外部无粘流场解采用基于非结构网格的显式时间推进Jameson有限体积方法.遗传算法采用二进制编码,通过外部调用流场解算器对种群适应度函数进行评估.为提高计算效率,使用了动弹网格技术以及使得优化程序可以从任一进化代继续计算的中间进化结果存储技术.优化参数为翼型气动型面,分别以给定来流条件下的升力系数、阻力系数作为优化目标进行了单目标优化设计,并以此为基础,结合博弈论中的Nash博弈,实现了升力系数和阻力系数的多目标优化设计,得到了优化结果.分析表明,该方法具有较高的计算效率,能够给出更优的翼型气动性能,具有一定的实际工程应用前景.
作者：刘艳王江峰伍贻兆 LIU Yan WANG Jiang-feng WU Yi-zhao 作者单位：南京航空航天大学,航空宇航学院,江苏,南京,210016 刊名：飞机设计英文刊名：AIRCRAFT DESIGN 年，卷(期)：2008 28(4) 分类号：V214.1+1 关键词：遗传算法多目标气动优化 Nash平衡。

2010年2月第28卷第1期西北工业大学学报Journal of North western Polytechnical University Feb .Vol .282010No .1收稿日期:2008212209基金项目:航空科学基金(2006Z A53009)资助作者简介:李　倩(1986-),女,西北工业大学硕士研究生,主要从事飞行器设计的研究。

基于Paret o 遗传算法的机翼多目标优化设计研究李　倩,詹　浩,朱　军(西北工业大学翼型叶栅空气动力学国家重点研究室,陕西西安　710072)摘　要:文章将多目标优化方法中的Paret o 遗传算法与能准确描述翼型无粘性流动的Euler 方程以及旋翼气动分析模型结合起来,以旋翼悬停效率和固定翼的升阻比作为优化设计的目标对需同时满足旋翼和固定翼两种使用要求的机翼进行了多目标优化设计。

设计结果表明通过优化设计的机翼在气动性能上得到了提高,达到了优化设计的目的,文中发展的机翼优化设计方法是可行的。

关　键　词:飞行器,机翼,计算流体力学,优化,Paret o 遗传算法,多目标优化,旋翼,固定翼中图分类号:V211.3 文献标识码:A 文章编号:100022758(2010)0120134204 采用与计算流体力学相结合的数值优化方法进行飞机的气动设计,可以大大提高设计效率,这一点已经得到广大气动设计工作者的普遍认同,并在气动设计中得到了实际的应用。

与确定性优化方法不同的是,以遗传算法为代表的随机性方法不仅具有全局性优化的特点,而且算法的鲁棒性、可靠性和移植性好,所以,把遗传算法这一全局性搜索方法引入气动优化设计是提高优化设计结果全局性的良好途径[1,2]。

目前,复合升力体飞行器的研究成为新概念飞行器设计研究的热点问题,其设计关键就是如何实现旋翼飞行器和固定翼飞行器的完美结合[3]。

其中的一种设计思想就是设计一副既可以高速旋转作为旋翼使用,又可以锁定作为固定翼使用的机翼,使其既可以像直升机那样垂直起降和定点悬停,又具有喷气式固定翼飞机的高速巡航能力。