在环境污染严重,资源短缺的今天,减少汽车模型的气动阻力能够很有效地减少燃油的消耗。因此,对汽车模型的减阻研究是非常重要的。本文利用人工智能算法对25度Ahmed汽车模型气动减阻进行了详细地研究。文中主要利用传统开环方式测定了频率对单个激励器减阻效果的影响。探究了基于人工智能控制下定常吹气的控制方式。最后又进行了人工智能非定常组合激励实验的研究。实验采用后背面20个压力孔的压力进行评价函数的计算,它是人工智能寻优过程中唯一的评价标准。由于阻力和后背面压力的关系,设定评价函数值越低效果越好。通过对每一代中每一个评价函数值大小的对比,自动地挑选每一代的最优个体,并逐代寻优。单个激励器非定常激励的实验证明了在雷诺数为1.67×105和占空比为0.4的情况下,频率对每个激励器都有不同程度的影响,它们的减阻范围也各不相同。通过人工智能定常组合吹气十一代的寻优过程发现,各个激励器的流量都在不断的变化,直到第九代寻优开始各个激励器的流量才不再发生明显的变化,此时得到了激励器的最佳吹气流量组合,激励器S1、S2、S3和S4的最佳吹气流量系数分别为1.81×10-3、1.20×10-3、4.20×10-2和4.60×10-3。在最佳流量组合下,汽车模型后背面实现了27%的最大压力回升。通过测力天平测量了该压力回升下的最大减阻率为23%。与传统人工手动调节相比,利用人工智能遗传算法寻找到了更佳的激励流量组合,实现了更大的压力回升和更好的减阻效果。这说明人工智能遗传算法中三个经典的过程,即交叉、变异和复制能够很好地适用于汽车模型气动减阻的研究,能够很好地解决汽车模型气动研究中多输入/多输出的问题。实验借助人工智能遗传算法研究了非定常组合激励的效果,经过九代的寻优过程,在第九代时寻找到了最佳的激励方式。当激励器S1在最佳频率为250 Hz,占空比为0.5;激励器S2在最佳频率为500 Hz,占空比为0.5;激励器S3在最佳频率为500 Hz,占空比为0.3;激励器S4常闭;激励器S5常开组合激励时得到了18%的最大压力回升和12%的最大减阻效果。相比定常组合激励,寻找到的非定常组合激励的压力回升和减阻效果较差,这主要是因为汽车模型后背面的涡结构对流量的改变非常敏感,而对激励频率和占空比的改变不是很敏感。