将多体系统传递矩阵法与遗传优化算法相结合,形成了一种新的基于多体系统传递矩阵法和遗传算法的物理参数识别方法（MS-TMM＆GA）。应用多体系统传递矩阵法进行动力学建模以及固有振动特性分析。将参数识别问题转化为优化问题,结合遗传算法,对由系统固有频率和增广特征矢量构造的目标函数全局最小值优化求解。给出了通过系统模态参数识别物理参数的计算步骤以及流程图。通过两个数值算例,表明了该方法的可行性及有效性。该方法对多体系统传递矩阵法和遗传算法进行了结合与拓展,无需建立复杂多体系统的总体动力学方程,涉及矩阵阶次低,即可快速获得高精度的优化计算结果。

结合机载导弹阵地战场抢修决策平台项目开发,应用基于相关因素的决策优化模型建模方法分析和建立了航空弹药挂载方案优化模型。该模型属于非线性约束的非线性二元规划模型。文末给出了该模型在某次作战任务中的应用实例,并采用遗传算法进行模型求解,分析了模型求解结果。

随机减量技术(random decrement technique,RDT)因其计算快、成本低的优点,在工程结构模态参数识别中应用广泛。针对RDT在信号截断幅值与样本时长的选取比较主观带来的误差问题,采用遗传算法(genetic algorithm,GA)对其进行改进,提出改进的随机减量技术GA-RDT,并将其应用于某超高层建筑气弹模型的气动阻尼识别。首先,对RDT方法得到的自由衰减曲线进行拟合并定义误差,分析截断幅值A和样本时长T对误差(优化目标)的影响,采用遗传算法寻找A和T的最优解;其次,基于气弹模型风洞试验所得的顶点加速度时程,结合GA-RDT方法和Hilbert-Huang变换(Hilbert-Huang transform,HHT)方法进行气动阻尼识别;最后,以自然激励技术(natural excitation technique,NExT)识别所得的气动阻尼比为基准,对比分析GA-RDT方法相对于传统RDT方法的精度优势。结果表明,与NExT方法所得的气动阻尼比相比,GA-RDT方法识别得...

液压互联悬架(hydraulically interconnected suspension,HIS)是一种非线性系统,运用机理分析法建模存在建模精度和速度不可兼得的缺点。为解决上述矛盾,提出了一种基于遗传算法(genetic algorithm,GA)优化的反向传播(back propagation,BP)神经网络对HIS系统进行建模的方法。首先,通过Simulink建立的液压互联悬架模型仿真获取网络的训练数据。其次,使用遗传算法优化BP神经网络的初始权值和阈值;然后,两种建模方法对比验证GABP建模方法优点;最后,通过液压互联悬架台架实验获取实验数据,与神经网络训练结果进行比较分析。结果表明:在垂向模态下,低、中、高3种频率下相对误差百分数分别为4.12%、2.27%、1.51%;在侧倾模态下,低、中、高3种频率下相对误差百分数分别为7.64%、4.07%、4.35%。与机理建模法相比,GABP建模方法兼具较好的建模精度和速度。