啟發(fā)式算法在大飛機(jī)設(shè)計(jì)中的應(yīng)用綜述

武虎子, 唐長(zhǎng)紅, 耿建中, 姚海林

(中航工業(yè)第一飛機(jī)設(shè)計(jì)研究院 總體氣動(dòng)研究所, 陜西 西安 710089)

啟發(fā)式算法在大飛機(jī)設(shè)計(jì)中的應(yīng)用綜述

武虎子, 唐長(zhǎng)紅, 耿建中, 姚海林

(中航工業(yè)第一飛機(jī)設(shè)計(jì)研究院 總體氣動(dòng)研究所, 陜西 西安 710089)

主要介紹了神經(jīng)網(wǎng)絡(luò)系統(tǒng)、遺傳算法、粒子群算法、模擬退火算法、支持向量機(jī)幾種啟發(fā)式優(yōu)化算法(Heuristic Optimization Algorithm,HOA)在大飛機(jī)設(shè)計(jì)領(lǐng)域的發(fā)展和應(yīng)用現(xiàn)狀,對(duì)比分析了算法在航空工程設(shè)計(jì)上的優(yōu)缺點(diǎn),展望了啟發(fā)式算法的發(fā)展方向,為大飛機(jī)設(shè)計(jì)提供了寶貴的理論和經(jīng)驗(yàn)。

啟發(fā)式優(yōu)化算法; 大飛機(jī)設(shè)計(jì); 應(yīng)用現(xiàn)狀; 發(fā)展方向

引言

大飛機(jī)設(shè)計(jì)是集總體氣動(dòng)、結(jié)構(gòu)、強(qiáng)度、綜合航電和自動(dòng)控制于一體的多學(xué)科設(shè)計(jì)優(yōu)化系統(tǒng)。隨著大飛機(jī)系統(tǒng)復(fù)雜程度的提高、算法的成熟及計(jì)算機(jī)技術(shù)的升級(jí),啟發(fā)式設(shè)計(jì)優(yōu)化(Heuristic Design Optimization,HDO)算法和組合智能優(yōu)化算法被廣泛引入大飛機(jī)的研制中,并作為飛機(jī)設(shè)計(jì)前進(jìn)行早期全面優(yōu)化和模擬檢驗(yàn)的主要途徑用以分析大飛機(jī)的綜合性能。

大飛機(jī)設(shè)計(jì)是一項(xiàng)包含諸多耦合學(xué)科的復(fù)雜的系統(tǒng)工程,是一門(mén)多學(xué)科設(shè)計(jì)優(yōu)化工程[1]。飛機(jī)設(shè)計(jì)正向綜合化和一體化方向發(fā)展。隨著計(jì)算機(jī)技術(shù)的同步提高,為啟發(fā)式算法越來(lái)越多的應(yīng)用提供了一個(gè)可靠的、有效的、快速的計(jì)算平臺(tái)。同時(shí),大飛機(jī)設(shè)計(jì)又是一個(gè)多學(xué)科專業(yè)知識(shí)的集成,尋求單學(xué)科內(nèi)部的局部?jī)?yōu)化算法和學(xué)科之間的全局優(yōu)化算法便成為必然。而處于計(jì)算機(jī)技術(shù)高速發(fā)展的階段,各種啟發(fā)式(智能)算法和組合算法便應(yīng)運(yùn)而生[2]。因而,各種啟發(fā)式算法的研究便成為學(xué)術(shù)界研究的重要內(nèi)容之一。

大飛機(jī)設(shè)計(jì)系統(tǒng)具有非線性、離散性、隨機(jī)性、大規(guī)模性等特點(diǎn),基于這些特點(diǎn),尋求各種智能優(yōu)化算法也是當(dāng)前航空航天工程界的迫切需求。而且現(xiàn)代工程設(shè)計(jì)問(wèn)題的最優(yōu)解都是近似解、數(shù)值解或可行解,而現(xiàn)代HDO算法正好能做到這一點(diǎn)。大飛機(jī)設(shè)計(jì)又是一個(gè)耗時(shí)、耗力、耗財(cái)?shù)膹?fù)雜過(guò)程。HDO算法的介入,減小了飛機(jī)設(shè)計(jì)的試驗(yàn)次數(shù),也大大節(jié)約了飛機(jī)設(shè)計(jì)的成本。同時(shí),基于計(jì)算機(jī)技術(shù)的HDO算法,與傳統(tǒng)數(shù)學(xué)優(yōu)化方法相比大幅度地減少了運(yùn)算時(shí)間,從而提高了飛機(jī)的設(shè)計(jì)效率,縮短了飛機(jī)的研制周期,最重要的是提高了飛機(jī)的整體綜合性能。雖然HDO算法從根本上還沒(méi)有完全用于飛機(jī)設(shè)計(jì)中,但是工程研究人員已經(jīng)認(rèn)識(shí)到這些理論優(yōu)化算法最起碼可以為工程設(shè)計(jì)提供借鑒和參考,具有一定的工程參考價(jià)值。隨著HDO算法的不斷成熟,越來(lái)越受到學(xué)術(shù)界和工程界的高度重視。20世紀(jì)90年代初,美國(guó)AIAA率先正式提出了多學(xué)科設(shè)計(jì)優(yōu)化(Multidisciplinary Design Optimization,MDO)方法，標(biāo)志著這一研究領(lǐng)域的誕生[3]。國(guó)內(nèi)很多高校和研究所在MDO方面也取得了一定的進(jìn)展。

現(xiàn)代大型飛機(jī)設(shè)計(jì)是一個(gè)多元化設(shè)計(jì)過(guò)程,最終的設(shè)計(jì)目的是提升飛機(jī)的整體性能,因而尋求合理的方法解決飛機(jī)設(shè)計(jì)各學(xué)科之間的耦合是很關(guān)鍵的,而啟發(fā)式優(yōu)化算法是解決此問(wèn)題的途徑之一,越來(lái)越受到工程設(shè)計(jì)人員的關(guān)注。

1 優(yōu)化思想

大飛機(jī)設(shè)計(jì)是一個(gè)多目標(biāo)設(shè)計(jì)優(yōu)化過(guò)程,一般流程如圖1所示。

圖1 優(yōu)化算法框圖

大飛機(jī)設(shè)計(jì)優(yōu)化思想是:先提出優(yōu)化對(duì)象,再給出設(shè)計(jì)變量(影響飛機(jī)系統(tǒng)參數(shù)),同時(shí)提出約束準(zhǔn)則(設(shè)計(jì)規(guī)范要求),進(jìn)行單級(jí)多次迭代優(yōu)化,優(yōu)化完成后,組合設(shè)計(jì)變量最優(yōu)解,該組值又作為已知設(shè)計(jì)變量,然后優(yōu)化與該組織線性無(wú)關(guān)的參數(shù),最后的結(jié)果可作為飛機(jī)參數(shù)檢驗(yàn)分析值。

2 啟發(fā)式算法在大飛機(jī)設(shè)計(jì)中的應(yīng)用發(fā)展

啟發(fā)式優(yōu)化算法在大型飛機(jī)設(shè)計(jì)中的應(yīng)用越來(lái)越廣泛,利用啟發(fā)信息進(jìn)行制導(dǎo)搜索,對(duì)狀態(tài)空間中的每一搜索位置進(jìn)行評(píng)估分析,從而得到最佳位置點(diǎn),并依次作為下一點(diǎn)的起始搜索位置,直到目標(biāo)為止,降低了搜索的盲目性,提高了搜索效率。下面針對(duì)近年來(lái)國(guó)內(nèi)外逐漸應(yīng)用的幾種啟發(fā)式算法進(jìn)行深入分析。

2.1 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)算法(ANN)是采用計(jì)算機(jī)模擬人腦神經(jīng)網(wǎng)絡(luò)之間傳遞信息和記憶信息的一種方法,該算法具有優(yōu)秀的非線性處理能力、多參數(shù)并行運(yùn)算能力、模式的多樣化以及強(qiáng)大的適應(yīng)性。

ANN算法龐大的算法庫(kù)、網(wǎng)絡(luò)類型的多樣化給大飛機(jī)設(shè)計(jì)分析提供了強(qiáng)有力的理論支持。由于ANN算法具有很多常規(guī)算法不具備的優(yōu)點(diǎn),在飛機(jī)非線性氣動(dòng)力建模、氣動(dòng)參數(shù)辨識(shí)、飛機(jī)方案階段總體參數(shù)的確定等方面[4-10]得到廣泛的應(yīng)用。隨著飛控新技術(shù)的出現(xiàn),ANN亦用于控制器設(shè)計(jì),利用神經(jīng)網(wǎng)絡(luò)控制器可以有效地跟蹤飛機(jī)指令信號(hào)。NASA曾經(jīng)對(duì)“F15智能飛控系統(tǒng)”進(jìn)行了驗(yàn)證,目的是采用ANN對(duì)飛機(jī)的穩(wěn)定性和控制特性進(jìn)行驗(yàn)證,最終的目的是將改善的ANN裝入F15主控飛行計(jì)算機(jī)進(jìn)行實(shí)時(shí)模擬,用于空中測(cè)試。民用大飛機(jī)故障檢測(cè)現(xiàn)在也逐漸采用智能檢測(cè)方法從而避免了人工檢測(cè)的盲目性,ANN憑借其對(duì)故障特征的良好記憶而得到應(yīng)用。此項(xiàng)技術(shù)的應(yīng)用,節(jié)省了巨大的大飛機(jī)檢修成本,關(guān)鍵是提高了檢修效率。

ANN算法雖然在大飛機(jī)設(shè)計(jì)中應(yīng)用越來(lái)越廣泛,但網(wǎng)絡(luò)自身的不穩(wěn)定、泛化能力差、參數(shù)選擇隨機(jī)化、收斂速度慢等缺點(diǎn)導(dǎo)致其應(yīng)用受限。從國(guó)內(nèi)外相關(guān)文獻(xiàn)來(lái)看,解決此問(wèn)題的方法主要分為兩大類:

(1)網(wǎng)絡(luò)系統(tǒng)自身的改善和升級(jí);

(2)采用其它方法來(lái)改善自身算法的性能。

ANN算法還在繼續(xù)發(fā)展,最終的目的是應(yīng)用到工程中,在飛控領(lǐng)域,研究和發(fā)展能夠綜合神經(jīng)控制器所需動(dòng)態(tài)的ANN控制設(shè)計(jì)方法是未來(lái)的研究趨勢(shì),多種類型的網(wǎng)絡(luò)交替是大勢(shì)所趨。而最基本、最常用的ANN結(jié)構(gòu)圖如圖2所示。

圖2 基本三層網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 遺傳算法

20世紀(jì)60年代,美國(guó)Michigan大學(xué)的Holland教授在研究自然和人工系統(tǒng)自適應(yīng)行為的過(guò)程中提出了遺傳算法[11](GA)。遺傳算法是基于遺傳、變異和交叉處理來(lái)獲得子代最優(yōu)群體而形成的一種模擬算法。

現(xiàn)代大飛機(jī)設(shè)計(jì)面臨非線性、離散型、非定常、多峰值、多變量及變量間強(qiáng)耦合等復(fù)雜性問(wèn)題,常規(guī)的數(shù)值優(yōu)化方法(梯度法、序列二次規(guī)劃法等)已無(wú)法滿足要求。GA具有自適應(yīng)全局并行啟發(fā)式的搜索優(yōu)化能力,可以很好地解決上述問(wèn)題。近年來(lái),GA得到了大量理論研究成果,并在飛機(jī)總體參數(shù)優(yōu)化、飛機(jī)外形和翼型氣動(dòng)優(yōu)化、結(jié)構(gòu)優(yōu)化、控制分配技術(shù)優(yōu)化、重量?jī)?yōu)化、氣彈優(yōu)化、氣動(dòng)降噪優(yōu)化、氣動(dòng)結(jié)構(gòu)隱身多學(xué)科優(yōu)化等設(shè)計(jì)領(lǐng)域得到了廣泛的應(yīng)用。

大飛機(jī)設(shè)計(jì)分析對(duì)算法的要求不斷提高,因而GA算法在工程分析中也暴露出種種缺陷,無(wú)法滿足設(shè)計(jì)要求。算法參數(shù)設(shè)置缺乏理論依據(jù)、可靠性低、算法不穩(wěn)定、易出現(xiàn)“早熟”現(xiàn)象等,這大大降低了算法在工程中的實(shí)用性。為了提高算法的性能和功能,國(guó)內(nèi)外學(xué)者提出了不同方法[12-17],現(xiàn)總結(jié)如下:

(1)在常規(guī)GA的基礎(chǔ)上,增加了Pareto過(guò)濾器、小生境算子以及精英保存策略等操作,以增強(qiáng)算法的性能;

(2)通過(guò)并行子空間優(yōu)化算法在飛機(jī)多目標(biāo)/多學(xué)科系統(tǒng)優(yōu)化方面具有一定的擴(kuò)展性,大大提高了該算法的穩(wěn)定收斂性能;

(3)基于遺傳算法和靈敏度優(yōu)化算法的結(jié)合優(yōu)化法提高了飛機(jī)部件設(shè)計(jì)效率,保證了設(shè)計(jì)精度,滿足工程設(shè)計(jì)要求;

(4)基于網(wǎng)格技術(shù)的GA成功地解決了多學(xué)科拓?fù)鋬?yōu)化問(wèn)題。網(wǎng)絡(luò)平臺(tái)為遺傳算法的大規(guī)模并行計(jì)算提供了良好的軟硬件及數(shù)據(jù)共享環(huán)境。同時(shí)節(jié)省遺傳優(yōu)化的時(shí)間,引入了BP神經(jīng)網(wǎng)絡(luò)對(duì)搜索區(qū)域進(jìn)行可預(yù)測(cè),從而減小了GA的搜索區(qū)域,提高了優(yōu)化效率。

通過(guò)改進(jìn)算法思想,提高算法結(jié)構(gòu),確定算法參數(shù)的理論方法,確保算法穩(wěn)定是未來(lái)算法發(fā)展的主流。

2.3 粒子群算法

粒子群算法(Particle Swarm Optimization,PSO) 是Kennedy和Eberhart在1995年首次提出的[18]。PSO基于一種簡(jiǎn)化群體模型,最初起源于對(duì)鳥(niǎo)群覓食行為的模擬,人們從中得到啟示,后來(lái)逐漸被應(yīng)用到工程問(wèn)題的理論分析中。國(guó)外學(xué)者已驗(yàn)證了PSO在大飛機(jī)總體參數(shù)、結(jié)構(gòu)重量?jī)?yōu)化等方面的可行性和高效性[19-21]。

PSO較GA算法而言,具有如下優(yōu)點(diǎn):

(1)實(shí)現(xiàn)簡(jiǎn)易化;

(2)對(duì)帶約束條件下復(fù)雜函數(shù)的優(yōu)化效率高;

(3)局部收斂和全局收斂速度快。

PSO較傳統(tǒng)優(yōu)化方法而言,自身也存在一定缺陷:

(1)對(duì)學(xué)習(xí)因子和慣性因子敏感性較高;

(2)計(jì)算成本較高;

(3)后期優(yōu)化搜索容易“收斂停滯”。

所以,PSO算法未來(lái)的發(fā)展方向是簡(jiǎn)化優(yōu)化學(xué)習(xí)機(jī)制,提高群體多樣性和有效抑制停滯現(xiàn)象。

2.4 模擬退火算法

模擬退火算法(Simulated Annealing,SA)是近年來(lái)提出的一種適合求解大規(guī)模組合優(yōu)化問(wèn)題的有效優(yōu)化算法[22],該算法基于能量最小原理求解參數(shù)最優(yōu)值。國(guó)外已經(jīng)利用SA算法在大飛機(jī)縱向自動(dòng)著陸控制系統(tǒng)參數(shù)優(yōu)化、跨音速翼型形狀的氣動(dòng)設(shè)計(jì)優(yōu)化等方面得到了成功的應(yīng)用[23];在國(guó)內(nèi),SA算法在控制器參數(shù)優(yōu)化和航路規(guī)劃方面應(yīng)用最為廣泛[24],各高校也在不斷研究SA算法理論。

SA算法較GA算法具有更高的運(yùn)行效率,同時(shí)優(yōu)化限制條件少,具有較高的實(shí)用價(jià)值,但是對(duì)訓(xùn)練樣本數(shù)據(jù)的精確性要求很高,同時(shí)也容易陷入局部最優(yōu)。

2.5 支持向量機(jī)

支持向量機(jī)(Support Vector Machine,SVM)是由Vapnik等根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種通用學(xué)習(xí)算法[25]。該算法以堅(jiān)實(shí)的理論基礎(chǔ)、優(yōu)越的學(xué)習(xí)能力以及良好的推廣能力正在成為繼ANN研究之后機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn),是智能計(jì)算領(lǐng)域發(fā)展的又一里程碑。

隨著該算法的逐步發(fā)展和成熟,國(guó)內(nèi)外已經(jīng)成功應(yīng)用SVM用于大飛機(jī)發(fā)動(dòng)機(jī)故障診斷。同時(shí),SVM也得到了擴(kuò)展,最小二乘支持向量機(jī)、遺忘因子最小二乘支持向量機(jī)等應(yīng)運(yùn)而生,在飛機(jī)武器精度設(shè)計(jì)領(lǐng)域、自適應(yīng)控制器參數(shù)設(shè)計(jì)領(lǐng)域、飛行安全等級(jí)大小預(yù)測(cè)領(lǐng)域以及飛機(jī)多學(xué)科優(yōu)化設(shè)計(jì)領(lǐng)域(見(jiàn)圖3)都得到了成功的應(yīng)用。

圖3 典型飛機(jī)五學(xué)科設(shè)計(jì)圖

雖然SVM在飛機(jī)設(shè)計(jì)很多方面都得到了應(yīng)用,但是它還需要進(jìn)一步完善和改進(jìn)才會(huì)增強(qiáng)它的泛化能力,同時(shí)必須要解決在大樣本學(xué)習(xí)時(shí)的計(jì)算時(shí)間長(zhǎng)、存儲(chǔ)空間巨大等嚴(yán)重問(wèn)題,最后還要對(duì)參數(shù)的合理配置進(jìn)行優(yōu)化,這些都是將來(lái)要進(jìn)一步研究的新課題。

3 結(jié)束語(yǔ)

大飛機(jī)設(shè)計(jì)要求日趨復(fù)雜化,尋求理論算法可以大大減少設(shè)計(jì)時(shí)間和設(shè)計(jì)成本。啟發(fā)式算法的應(yīng)用是必不可少的,同時(shí),追求更健全的算法是現(xiàn)代飛機(jī)設(shè)計(jì)所必須的。提高算法的穩(wěn)定性、高效性、堅(jiān)固性和廣泛性是算法的另一大研究領(lǐng)域,同時(shí),建立各種優(yōu)化算法之間的互通平臺(tái)以及發(fā)展組合優(yōu)化算法又是算法理論研究的另一大領(lǐng)域,這將對(duì)大飛機(jī)設(shè)計(jì)分析提供堅(jiān)實(shí)的理論支持。

[1] 黃達(dá). 飛行器大振幅運(yùn)動(dòng)非定?？諝鈩?dòng)力特性研究[D]. 西安: 西北工業(yè)大學(xué), 2007.

[2] Qiu Zhiping,Zhang Yuxing.Application of intelligent optimization algorithm on aircraft configuration design[J].ACTA AERONAUTICA ET ASTRONAUTICA SINICA,2009,30(1):62-67.

[3] Herrmann U.Multiple discipline optimization and aero-dynamic off-design analysis on supersonic transport aircraft[J].Journal of Aircraft,2008,45(5):1474-1480.

[4] Cao X,Mitsui Y,Sugiyama Y.Investigation into the applicability of neural network to load identification[C]//20th Congress of the International Council of the Aeronautical Sciences.Italy,1996:1355-1360.

[5] ZU Jia-kui,ZHAO Chun-sheng,DAI Guan-zhong. Structure optimization strategy of normalized RBF networks[J].Transactions of Nanjing University of Aeronautics & Astronautics,2003,20(1):73-78.

[6] Pesonen U J,Agarwal R K.Artificial neural network prediction of aircraft aeroelastic behavior[C]//40th AIAA Aerospace Sciences Meeting & Exhibit. Reno,2002:1-7.

[7] Kamran Rokhsaz,Steck J E.Application of artificial neural networks in nonlinear aerodynamics and aircraft design[J].Journal of Aerospace,1993,12(2):1790-1797.

[8] Marques Flavio,Anderson John.Modeling and identific-ation of non-linear unsteady aerodynamic loads by neural networks and genetic algorithms[C]//20th Congress of the International Council of the Aeronautical Sciences.Sorrento,Napoli,Italy,1996:243-251.

[9] 唐璐,黃俊,武哲.基于神經(jīng)網(wǎng)絡(luò)的協(xié)作優(yōu)化方法在飛機(jī)總體設(shè)計(jì)中的應(yīng)用[J].飛機(jī)設(shè)計(jì),2009,29(2):1-7.

[10] 崔祜濤,耿云海,李傲霜,等.基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)非線性飛行控制[J].航空學(xué)報(bào),1998,19(2):173-178.

[11] 王允良.飛行器總體參數(shù)優(yōu)化的遺傳算法及其應(yīng)用研究[D].西安:西北工業(yè)大學(xué),2006.

[12] 常彥鑫,高正紅.遺傳算法在氣動(dòng)優(yōu)化問(wèn)題中的適應(yīng)性分析[J].空氣動(dòng)力學(xué)報(bào),2009,27(2):167-172.

[13] 茍仲秋,宋筆鋒,李為吉.改進(jìn)的多目標(biāo)遺傳算法在無(wú)人機(jī)機(jī)翼結(jié)構(gòu)優(yōu)化中的應(yīng)用[J].空軍工程大學(xué)學(xué)報(bào),2006,7(3):7-9.

[14] Storn R,Price K.Differential evolution—a simple and efficient heuristic for global optimization over continuous spaces[J].Journal of Global Optimization,1997,11(4):341-359.

[15] 邱志平,張宇星.改進(jìn)遺傳算法在飛機(jī)總體參數(shù)優(yōu)化中的應(yīng)用[J].北京航空航天大學(xué)學(xué)報(bào),2008,34(10):1182-1185.

[16] 崔德剛,王玉娟,錢(qián)德佩,等.基于網(wǎng)格的多學(xué)科飛機(jī)優(yōu)化技術(shù)[J].航空制造技術(shù), 2009,(12):26-31.

[17] JIN Haibo,DING Yunliang.Approximation techniques for application of genetic algorithms to structural optimization[J].Transactions of Nanjing University of Aeronautics & Astronautics,2003,20(2):147-154.

[18] Venter G,Sobieszczanski-Sobieski J.Multidisciplinary optimization of a transport aircraft wing using particle swarm optimization[J].Structural and Multidisciplinary Optimization,2004,26(1-2):121-131.

[19] Venter G.Particle swarm optimization[C]//43rd Structures, Structural Dynamics, and Materials Conference.Denver,Colorado,2002:1-9.

[20] 沈彶,韓麗川,沈益斌.基于粒子群算法的飛機(jī)總體參數(shù)優(yōu)化[J].航空學(xué)報(bào),2008,29(6):1538-1541.

[21] Cruz J B Jr,Chen Genshe.Particle swarm optimization for resource allocation in UAV cooperative control[C]//AIAA Guidance,Navigation,and Control Conference. Rhode Island,2004:1-10.

[22] Lee S L,Damodaran M.Aerodynamic design of transonic airfoils using simulated annealing and Navier-Stokes equations[C]//38th Aerospace Sciences Meeting.Reno,NV,2000:1-13.

[23] Madara Ogot,Bill Kelly.Simulated annealing computational requirrements reduction for reliability-based high-fidelity aerodynamic shape design[C]//44th AIAA Aerospace Sciences Meeting.Reno,Nevada,2006:1234-1244.

[24] Besnard E,Cordier-Lallouet N,Kural O,et al.Design optimization with advanced simulated annealing[C]//37th Aerospace Sciences Meeting. Reno,NV,1999:32-39.

[25] Vapnik V N.Statistical learning theory[M].New York,USA:Wiely,1998.

Applicationreviewofheuristicoptimizationalgorithminlargeaircraftdesign

WU Hu-zi, TANG Chang-hong, GENG Jian-zhong, Yao Hai-lin

(General Configuration and Aerodynamic Institute, The First Aircraft Institute of AVIC,Xi’an 710089, China)

The development trends and application status of several algorithms including neural networks system(NNS), genetic algorithm(GA), particle swarm algorithm(PSA), simulated annealing algorithm(SAA)and support vector machine(SVM), which used in the field of large aircraft design(LAD) are briefly retrospected and introduced. An associated advantage and disadvantage for algorithm in engineering is compared and analyzed. Before close, the developing concentration of this subject in China is prospected, which give valuable theory and experience in LAD.

heuristic optimization algorithm; large aircraft design; status of application; development trends

2011-08-09;

2011-12-04

武虎子(1981-),男,陜西富平人,助理工程師，博士研究生,研究方向?yàn)轱w機(jī)操穩(wěn)與控制；

唐長(zhǎng)紅(1958-),男,陜西藍(lán)田人,中國(guó)工程院院士,總設(shè)計(jì)師,研究員,博士,研究方向?yàn)轱w機(jī)氣動(dòng)伺服彈性與控制。

V221

A

1002-0853(2012)02-0101-04

(編輯：王育林)