Künstliche Intelligenz zur Verbesserung der aerodynamischen Formoptimierung des Aegis UAV

Dieser Artikel präsentiert einen Optimierungsrahmen, der stochastische Multi-Objektiv-Optimierung in Kombination mit einem künstlichen neuronalen Netzwerk (KNN) nutzt, und beschreibt dessen Anwendung auf das aerodynamische Design von Flugzeugformen. Der Rahmen verwendet den Multi-Objective Particle Swarm Optimisation (MOPSO) Algorithmus, und die erzielten Ergebnisse bestätigen, dass die vorgeschlagene Technik hochgradig optimale Lösungen in kürzerer Rechenzeit als andere Ansätze für dasselbe Designproblem liefert. Die Hauptidee war es, den Rechenaufwand auf lohnenswerte Designlösungen zu konzentrieren, anstatt alle möglichen Lösungen im Designraum zu erkunden und zu bewerten. Es wird gezeigt, dass die Anzahl der gültigen Lösungen, die mit ANN-MOPSO im Vergleich zu MOPSO bei 3000 Evaluierungen erzielt wurden, von 529 auf 1006 (90% Verbesserung) wuchs, bei nur 8,3% (11 Minuten) mehr Rechenzeit. Es wird nachgewiesen, dass der Einsatz eines KNN dazu führte, dass ANN-MOPSO mit 3000 Evaluierungen mehr gültige Lösungen produzierte als MOPSO mit 5500 Evaluierungen, und dies in 33% weniger Rechenzeit (64 Minuten). Dies wird als Bestätigung der potentiellen Stärke von KNNs angesehen, wenn sie auf diese Art von Designproblem angewendet werden.