基于遗传算法结合支持向量机的Mg/PTFE贫氧推进剂配方优化研究

一、研究团队与发表信息
本研究的通讯作者为范磊（南京理工大学化工学院），合作者包括潘功配、欧阳的华、陈昕、逄高峰，研究团队来自南京理工大学。论文发表于《推进技术》（Journal of Propulsion Technology）2012年8月第33卷第4期，标题为《基于遗传算法结合支持向量机的Mg/PTFE贫氧推进剂配方优化》。

二、学术背景与研究目标
固体推进剂的性能优化是火箭技术发展的核心问题之一。Mg/PTFE（镁/聚四氟乙烯）贫氧推进剂（fuel-rich propellant）因高能量特性备受关注，但其配方设计涉及多变量（如组分比例、粒径）与非线性性能关系，传统方法（如正交设计、均匀设计）依赖大量实验和预设函数形式，存在盲目性。本研究提出结合支持向量机（Support Vector Machine, SVM）与遗传算法（Genetic Algorithm, GA）的智能优化方法，旨在建立配方与燃烧性能的预测模型，并通过多目标寻优获得最佳配方。

三、研究流程与方法
1. 数据准备与模型构建
- 实验数据：采用30组Mg/PTFE推进剂配方（表1），变量包括PTFE/Mg质量比（0.25~2.06）、酚醛树脂含量（5%~23%）、Mg和PTFE粒径（5~86.66 μm），性能指标为燃烧热（Q）、燃速（R）和燃烧温度（T）。
- SVM建模：前20组数据用于训练SVM模型，后10组用于验证。SVM通过结构风险最小化原则处理非线性关系，避免传统神经网络的过拟合问题。

1. 遗传算法优化设计

   • 目标函数：以最大化Q和R为目标，约束条件为T≥1800 K（确保一次燃烧产物充分汽化）。
     
   • 算法参数：
     
     • 编码方式：浮点数编码，基因串为4维输入向量（PTFE/Mg比、树脂含量、Mg粒径、PTFE粒径）。
       
     • 适应度函数：将Q和R的预测值倒数作为适应度（最小化问题转换）。
       
     • 控制参数：种群规模40（子种群各20）、交叉概率0.4、变异概率0.1。
       
   • 并行优化：采用并列选择法，将种群分为两个子群分别优化Q和R，再合并进行交叉变异。
     

2. 实验验证

   • 优化结果因实际粒径限制，选取4组近似配方（表3）进行验证，测试燃烧性能（表4）。
     

四、主要结果与分析
1. SVM预测性能
- 预测误差：燃速最大相对误差9.96%，其余指标误差较小（表2），表明SVM能有效捕捉非线性关系。
- 优势：相比传统回归方法，SVM无需预设函数形式，泛化能力更强。

1. 遗传算法优化结果
   
   • 最优配方：PTFE/Mg=0.49、酚醛树脂12.50%、Mg粒径26.90 μm、PTFE粒径111.33 μm（图1~3）。经50代迭代，目标函数（Q+R）达最大值。
     
   • 验证实验：4组近似配方的Q（20.76~20.88 kJ/kg）、R（7.24~8.13 mm/s）、T（1796.4~1813.7 K）均优于原始数据，证实优化有效性。
     

五、研究结论与价值
1. 科学价值
- 提出GA-SVM混合优化框架，为多变量非线性问题提供新方法。
- 验证了智能算法在推进剂配方设计中的适用性，减少实验盲目性。

1. 应用价值
   
   • 所得最优配方可提升Mg/PTFE推进剂的能量特性，直接指导工业生产。
     
   • 方法可扩展至其他含能材料优化领域。
     

六、研究亮点
1. 方法创新：首次将SVM与GA结合用于推进剂优化，兼顾模型精度与全局搜索能力。
2. 工程意义：通过有限实验数据实现高效优化，降低研发成本。
3. 数据验证：严格实验验证确保结果可靠性，弥补纯理论优化的不足。

七、其他贡献
- 公开算法参数（如交叉/变异概率）为后续研究提供参考。
- 强调燃烧温度约束的实际意义（≥1800 K），体现工程问题与理论模型的紧密结合。

（注：专业术语如“fuel-rich propellant”首次出现时标注英文，后续使用中文表述。）