本资源为韩辉老师在长沙·中国1024程序员节中主题演讲内容，仅供学习，更多详情见：https://1024.csdn.net/

"naca4gen.m" 生成具有所需编号的 NACA 4 位翼型坐标。 面板（线元素）。 特征： *以所需的精度准确生成坐标*生成封闭或开放后缘的选项*外倾线、上表面和下表面的额外独立输出*包含一个 tst（测试）文件 输入： [1] NACA 4 位数字名称（例如“2412”） [2] 面板数量（线元素）每边（上/下） [3] 弦站间距类型（半余弦间距/均匀间距） 输出： [1] 可以通过设置选项 input wantPlot=1 来绘制生成的翼型、弧线和前缘圆[2] 设置选项 input wantFile=1 可以生成数据文件 扩大： 作为一个函数，翼型发生器可以从循环中多次调用以生成任意数量的翼型数据文件。

CST方法是一种强大的参数化方法，因为它具有简单性，鲁棒性以及可以归纳为各种可能形状的气动体的能力。 具有低阶多项式的 CST 也适用于翼型初步设计和优化目的，因为它只需要很少的参数来给出特定的翼型形状。 CST 通过对由伯恩斯坦多项式构建的基函数的个体贡献求和来构建翼型。 该代码易于使用，也很容易根据您自己的需要进行修改。 CST_airfoil.m 的输入如下： - wl（较低的表面重量） - wu（上表面重量） - dz（后缘厚度） - N（翼型坐标数） 其中输出是一组 CST 生成的翼型的 x 和 y 坐标。 作为演示，您可以尝试以下操作： CST_airfoil([-1 -1 -1], [1 1 1],0,400) 或者， CST_airfoil([-0.1294 -0.0036 -0.0666], [0.206 0.2728 0.2292],0,400) 后者将

为弥补传统飞机翼型设计周期长、代价高的缺点,将CST翼型参数化方法,与机器学习中的高斯过程回归方法相结合,通过对已有的翼型数据的学习,实现对未知翼型气动性能或者外形数据的快速准确预测。选取一组NACA四位族翼型,获得其CST参数描述数据,并分别计算其在一定条件下的升力系数、阻力系数和压力分布数据。利用这些数据对高斯过程回归模型进行训练,实现了翼型的快速正设计以及反设计系统。并将实验结果与采用NACA翼型参数表示法得到的预测结果进行了对比。实验结果表明,基于CST参数化方法的翼型快速设计准确度高、速度快,具有很大的应用价值。

根据某型直升机短翼结构及其受载形式,在满足短翼结构强度及刚度的要求下,以更低的重量为优化目标,建立了短翼结构的数学模型,利用Matlab计算分析软件对短翼结构进行优化设计分析,研究不同支撑点位置、结构尺寸等设计参数对于短翼结构承载能力及重量等设计指标的参数灵敏度,得到短翼结构最优化设计参数,便于指导后续短翼结构设计工作。

光之翼java通用代码生成器2.2.0 Beta4 智慧光之翼版本公布。 光之翼java通用代码生成器2.2.0 Beta4 智慧光之翼版本公布。为Swing独立版，采用光2.2.0Beta8智慧版本最新后端生成引擎,时空之门4.6.0 Beta5版最新前端生成引擎。为可执行jar，双击即可运行。 相对域光之翼2.2.0 Beta版本。Beta4版改进了界面，完善了前端基地址功能。修正了一些缺陷。进行了更多的测试。 相对于光之翼1.0.0版本。光之翼2.2.0版本的新功能是，新增了Word格式数据导出。新增了图片功能。新增了Excel模板格式化。新增了MSMEU和SMEU技术栈。新增了对PostgreSQL数据库的支持。新增了对MySQL８数据库的支持。并且，前端生成功能也做了相应升级。文档也进行了更新。 相对于光2.2.0智慧版本。光之翼2.2.0不支持模板向导功能，不支持高级定制功能，其他的设置是一致的。但是智慧光之翼便携易用，只需装好Java即可使用。 光之翼的项目地址：https://gitee.com/jerryshensjf/LightWing 二进制发行版下载地址：https://gitee.com/jerryshensjf/LightSBMEU/attach_files

平抛运动演示程序(40.8k VC 作者：添翼虎)(41KB)

扑翼机构机械设计基础实验作业，全套零件，可直接打印组装，若是加上必要电机，可以动。

固定翼教学视频.MOV

翼型的空气动力学优化 使用进化算法对机翼进行空气动力学优化。 动机 该项目于2016年5月完成，目的是对ISAE-SUPAERO研究生院第二年的粘性空气动力学课程进行最终评估。 方法 目的是找到一种在滑流条件下能最大化给定性能标准的滑翔机翼型。 选择类形状变换（CST）可以对机翼几何形状进行数学建模，因为它所需的参数数量少且具有强大的建模能力。 CST还可以轻松确保前后缘的几何形状一致。 使用了两种不同的优化算法： 首先实现了遗传算法，其中CST参数充当“染色体”，而机翼充当“个体”。 然后实施了混合遗传算法，包括两个步骤。 第一步与遗传算法相同，其中第二步执行约束优化，以进一步利用先前发现的局部吸引区。 迄今为止，仅遗传算法已上传。 先决条件 该项目是用MATLAB编写的，因此需要MATLAB的副本。 它还使用了MATLAB的Global Optimization Toolbox的