随着无人机等小型航空飞行器的发展,作为其动力装置的航空活塞式发动机也得到了极大的关注,发动机过渡工况空燃比精确控制与否对发动机的经济性、动力性以及航空飞行器的飞行安全性和可靠性有着重要的影响,因此航空活塞式发动机过渡工况空燃比控制具有重大研究意义。本文经过对粒子群优化算法的理论分析,提出了一种融入变异算子的改进粒子群算法VPSO,性能测试结果表明,改进的粒子群算法在搜索过程中能保持较好的种群多样性,在收敛速度和精度方面都有较大程度提高。并用其优化Elman神经网络得到用于空燃比预测的VPSO-Elman预测模型。航空发动机的过渡工况空然比控制具有强非线性、时滞、不确定等特点。为了能够精确地对过渡工况空燃比进行控制,本文研究设计了一种基于粒子群优化算法和Elman神经网络的模型预测控制策略。该策略结合了神经网络的自适应性、能够任意精度逼近非线性映射的特点,以及模型预测控制对于处理不确定性系统的优势。建立用于仿真验证的AMESim发动机模型,并使用实验数据进行模型标定,同时在MATLAB/Simulink中建立模型预测控制系统,进行耦合仿真,结果表明:本文所建的空燃比预测模型准确度较高,测试数据平均误差较小,准确度能够满足空燃比的预测要求;对于不同的过渡工况,相比于PID控制,模型预测控制能够实现更精确的空燃比控制,空燃比的超调量和回调时间都有很大程度的改善,证明了模型预测控制应用于空燃比控制的有效性和优越性;对于不同节气门开度变化速率,在加速工况和减速工况下,空燃比控制效果均随着节气门开度变化速率变得缓慢而渐趋理想。