Метод многокритериальной оптимизации на основе приближенных моделей исследуемого объекта

Авторы

  • Ю.А. Зеленков

Ключевые слова:

приближенные модели
RBF-сети
многокритериальная оптимизация
расчет параметров ГТД

Аннотация

Рассматривается метод многокритериальной оптимизации по алгоритму NSGA-II на основе приближенных моделей исследуемого объекта. Приближенные модели строятся на базе нейронных сетей радиального базиса (RBF-сетей), параметры которых определяются при помощи эволюционного алгоритма. В качестве примера рассматривается многокритериальная оптимизация параметров рабочего процесса газотурбинного двигателя.


Загрузки

Опубликован

2010-09-13

Выпуск

Раздел

Раздел 1. Вычислительные методы и приложения

Автор

Ю.А. Зеленков

ПАО «ОДК-Сатурн»
просп. Ленина, 163, 152903, Рыбинск
• директор по информационным технологиям


Библиографические ссылки

  1. Зеленков Ю.А. Использование компьютеров в машиностроении. Опыт НПО «Сатурн» // Суперкомпьютерные технологии в науке, образовании и промышленности / Под ред. В.А. Садовничего, И.Г. Савина, Вл.В. Воеводина. М.: Изд-во Моск. ун-та, 2009.
  2. Васильев Ф.П. Методы оптимизации. М.: Факториал Пресс, 2002.
  3. Liu G.P., Yang J.B., Whidborne J.F. Multiobjective optimization and control. Baldock: Research Studies Press Ltd., 2003.
  4. Deb K. Multi-objective genetic algorithms: problem difficulties and construction of test problems // Evolutionary Computation. 7 , N 3. 205-230.
  5. Теория и расчет воздушно-реактивных двигателей / Под ред. С.М. Шляхтенко. М.: Машиностроение, 1987.
  6. Зайченко Ю.П. Исследование операций. Киев: Слово, 2003.
  7. Zitzler E., Thiele L. Multiobjective evolutionary algorithms: a comparative case study and the strength Pareto approach // IEEE Trans. on Evolutionary Computation, 3 , N 4. 257-271.
  8. Fonseca C.M., Fleming P.J. Multiobjective optimization and muitliple constraint handling with evolutionary algorithms II: application example // IEEE Trans. on System, Man, and Cybernetics. Part A: System and Humans. 1998. 28, N 1. 38-47.
  9. Mosetti C.G., Pediroda V., Poloni C. Application of evolutive algorithms and statistical analysis in the numerical optimisation of an axial compressor // Proc. of the 9th International Symposium on Transport Phenomena and Dynamics of Rotating Machinery. Honolulu, Hawaii. February 10-14. 2002.
  10. Deb K., Agrawal S., Pratap A., Meyarivan T. A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II // Proc. of the Parallel Problem Solving from Nature VI. 2000. 849-858.
  11. Egorov I.N., Kretinin G.V., Leshcshenko I.A., Kuptcov S.V. Multi-objective robust optimization using IOSO technology. Part I: Main features // Proc. of International Congress on Evolutionary Methods of Design, Optimization and Control with Applications to Industrial Problems EUROGEN 2003.
  12. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наукова Думка, 1981.
  13. Зеленков Ю.А. Аппроксимация функций на основе радиальных нейронных сетей, генерируемых при помощи эволюционных алгоритмов // Вестник Рыбинской государственной авиационной технологической академии им. П.А. Соловьева. Рыбинск, 2004. № 1-2 (4-6). 87-93.
  14. Yao X., Liu Y. A new evolutionary system for evolving artificial neural networks // IEEE Trans. Neural Networks. May 1997. 8. 694-713.
  15. Зеленков Ю.А., Серебряков П.Г., Шаров В.Г. Генерация нейронных сетей на основе генетических алгоритмов для задачи классификации образов // Моделирование и обработка информации в технических системах. Материалы Всероссийской научно-технической конференции. Рыбинск, РГАТА. 2004. 86-89.
  16. Topchy A., Lebedko O., Miagkikh V., Kasabov N. Adaptive training of radial basis function networks based on co-operative evolution and evolutionary programming // Progress in Connectionist-Based Information Systems. N. Kasabov et al (Eds.). Berlin: Springer Verlag, 1998. 253-258.
  17. Fogel D.B. Evolutionary computation: toward a new philosophy of machine intelligence. New York: IEEE Press, 1995.
  18. Yao X. Evolving artificial neural networks // Proc. of the IEEE. September 1999. 87, N 9. 1423-1447.
  19. Moody J., Darken C.J. Fast learning in networks of locally tuned processing units // Neural Computation. 1989. 1. 181-194.
  20. Осовский С. Нейронные сети для обработки информации. М.: Финансы и Статистика, 2002.
  21. Холщевников К.В., Емин О.Н., Митрохин В.Т. Теория и расчет авиационных лопаточных машин. М.: Машиностроение, 1986.
  22. Конструкция и проектирование авиационных газотурбинных двигателей / Под ред. Д.В. Хронина. М.: Машиностроение, 1989.
  23. Цховребов М.М. «Модульное» моделирование весовых характеристик ТРДДФ // ЦИАМ 2001-2005. Основные результаты научно-технической деятельности. Том I. М.: ЦИАМ, 2005. 64-68.