基于遗传模拟退火算法的空袭兵力分配及优化

对遗传模拟退火算法中的交叉、变异操作进行了改进,并实施了最优保留策略,形成了改进遗传模拟退火算法.以突击效果最大化和兵力损失最小化为目标函数,以空袭兵力总量的限制、空袭兵器挂载类型的限制等为约束条件,建立了空袭兵力分配及优化模型.在考虑兵力分配模型特点的基础上,利用改进遗传模拟退火算法求解.通过与多目标数学规划和标准遗传算法优化进行的比较表明,该方法能够有效地解决带约束的多目标优化问题.     

多无人机协同攻击目标决策

论文针对多架无人机相互协作攻击多个敌对目标的武器目标分配决策问题进行了研究。利用层次分析法（AHP）和灰色关联分析法评估了威胁指标的权重,针对协同攻击空战模型中受威胁大的无人机无需参与攻击,而采用机动躲避策略的特定情况提出了一种启发式遗传模拟退火（HGASA）求解算法,实现了武器目标攻击决策的求解。仿真实验表明,本文提出的HGASA算法对决策方案的求解速度和求解质量与现有的遗传算法(GA)、模拟退火算法(SA)等算法相比均有明显提高。     

求解非线性规划的小生境遗传模拟退火算法

提出了用小生境遗传模拟退火算法求解带复杂约束的非线性规划问题。首先分析了遗传算法＂早熟＂收敛以及局部搜索能力弱的不足,由此引入小生境以增加种群多样性,并抑制＂早熟＂收敛现象,同时引入模拟退火算法以增强局部搜索能力,改进进化后期收敛速度慢的不足,最后结合典型非线性规划算例验证了混合算法的效率、精度和可靠性。     

分布式多无人机编队控制与博弈算法研究

针对多无人机的任意队形编队控制问题,将博弈论引入分布式控制问题中,提出一种基于博弈的分布式控制算法。该算法将梯度下降和一致性方法结合,将多无人机编队问题转化为分布式博弈问题。通过一致性方法,系统内每个无人机个体都可以对其他个体的位置进行有效估计。利用梯度下降实现纳什均衡点的求解从而实现理想编队。在提出的分布式控制算法下,个体无人机无需全局信息,只需交换邻居个体的信息就可实现多无人机的任意编队。将算法应用到多旋翼无人机系统中,仿真结果表明了分布式算法有效性。     

BP神经网络的遗传模拟退火算法动态选址仿真

针对战区装备保障点动态选址问题的广义最大覆盖选址模型,综合分析传统的启发式算法全局、局部搜索中的优缺点,提出一种基于BP神经网络的遗传模拟退火算法,并将其运用于战区装备保障点动态选址决策实际问题中,对该算法进行了仿真研究,给出具体实例的仿真结果验证了该算法求解最优解的高效性以及运算的高收敛速度.     

基于改进遗传算法的平流层飞艇定点悬停控制(英文)

平流层飞艇定点悬停控制是飞艇应用领域的关键技术。该控制问题可以转化为非线性多目标优化问题来求解。遗传算法是解决现代非线性多目标优化问题的一种重要方法。但是基本遗传算法在解决定点悬停飞艇实际控制问题时,具有易陷入局部最优解、在遗传进化过程中随机性较强、搜索效率低下及耗时多等缺陷。通过借鉴并行遗传算法、模拟退火算法和向量评价遗传算法的基本思想,在基本遗传操作中添加切断算子和拼接算子,设计一种改进遗传算法来改善上述缺陷。仿真结果表明该方法是有效可行的。     

分布式装备保障体系任务分配模型

针对信息化条件下装备保障体系分布式保障指挥与控制形式的特点、保障单元自主智能等特性及面向作战任务的装备保障任务分配要求,构建了基于多Agent的分布式装备保障体系任务分配框架,提出了以任务成功率为中心的分布式装备保障任务分配模型。根据分布式保障任务分配的市场机制特性和模型求解的特点,设计了分布式拍卖求解算法,通过保障单元个体目标的最大化来获得装备保障体系任务分配的理想收益。最后,通过案例仿真验证了模型与算法的合理性与有效性。     

多基地多目标无人机协同任务规划算法研究

在多基地多目标多无人飞行器(unmanned aerial vehicle,UAV)的协同任务规划这类约束条件众多、复杂且耦合的多目标优化与决策问题中,利用传统的粒子群优化算法在寻优时容易陷入局部最优,为此,提出了一种基于模拟退火的混合粒子群算法。基于攻打任务背景,综合考虑无人机的物理性能约束,搭建航迹长度最小适应度函数和威胁代价最小适应度函数以构造目标函数,先利用Voronoi图以及Dijkstra算法进行航迹规划,再利用基于模拟退火的混合粒子群算法进行任务分配。仿真结果表明:所提算法融合了模拟退火算法、粒子群优化算法的优点,能快速求解UAV任务规划的近似最优解,且与粒子群优化算法和模拟退火算法相比,在进化次数足够多的情况下该方法得到的结果更优。     

遥感数据处理任务调度的Petri网模型及求解算法

为了对多源遥感数据的处理任务进行有效的调度和管理,提高处理资源的利用率,根据遥感数据处理任务调度问题的特点,采用Petri网对该问题进行形式化描述,建立了遥感数据处理任务调度的数学模型,根据该问题的多目标特性,采用蚁群算法进行求解.给出仿真实例,将蚁群算法的求解结果与启发式算法和模拟退火算法的求解结果进行比较,验证算法...     

成像卫星任务周规划模型与算法

作为卫星运控系统中的一个重要模块,卫星任务短期规划对充分发挥卫星系统效能有着重要影响。与卫星任务的日规划的作用和特点不同,它既涉及到任务规划的技术问题又涉及到卫星管理问题。针对周规划任务,本文分析周规划的需求和特点,兼顾周规划的四项主要作用,构造周规划的分层框架;分析周规划优化目标及约束条件,建立卫星任务的负载度周规划模型;针对模型求解属于高维离散组合优化问题,仿真实验评价了几种基本智能优化求解算法,并应用引入分布式并行技术的遗传模拟退火算法求解。     

基于蜂群算法多子阵电台天线波束形成

考虑到战场环境下,低信噪比和敌方干扰容易造成超短波电台通信中断,而鉴于天线阵可以有效提高信噪比和抑制干扰,结合战场电台天线分布特点,提出一种多子阵电台天线应急接收模型。理论分析多子阵电台天线波束形成特性,以消除栅瓣、抑制干扰、提高增益为目标,采用蜂群算法对子阵间距进行优化。仿真结果表明,优化子阵间距可以有效消除栅瓣、抑制干扰、提高增益。同时,与遗传算法和粒子群算法相比,蜂群算法具有更好的全局搜索能力和收敛速度。该研究成果可为超短波电台应急通信提供参考。     

遗传算法及其在导弹火力分配上的应用

遗传算法是一种近年来新发展起来的优化算法,目前它已被广泛应用于解决许多实际问题,如函数优化、图像识别、机器学习、人工神经网络、人工生命、优化调度等许多领域。通过对一种遗传算法的研究,阐述其在导弹武器火力分配上的应用。首先设计和实现了一种遗传算法;然后描述了导弹火力分配优化问题,建立了其数学模型;最后运用遗传算法求解了该问题。     

改进遗传算法的导弹目标分配方法

针对遗传算法在解决导弹目标分配问题中的困难,将火力单位的目标分配问题变换为针对导弹的目标分配问题,之后应用遗传算法求解,求解后还原为火力单位的分配结果,并用实例验证了应用遗传算法的可行性.之后,引入"优势"基因对标准遗传算法进行改进,大量实例表明,改进后的算法提高约60%的搜索效率.     

基于遗传算法的应急物流多设施选址模型研究

在现有研究的基础上,建立了应急物流多设施选址模型。在模型建立过程中除了考虑距离这一基本要素,还考虑了流量与安全性等道路特性,并将其转换为道路的综合权值,使模型更具现实意义。采用遗传算法求解,使该问题的求解过程得到简化。最后用实例对模型进行了验证分析,说明该模型的合理性。     

航空发动机自适应模拟退火遗传算法建模

以阶跃输入响应进行模型的检验,提出了航空发动机状态模型的建立方法:在抽功法所建立的状态空间模型的基础上,利用自适应模拟退火遗传算法对A、C矩阵元素进行寻优,解决了状态空间模型的响应与非线性模型不能够很好吻合的难题。仿真表明,得到的状态空间模型无论是动态过程还是稳态过程都能取得较高的建模精度,为航空发动机分布式控制的研究奠定了强有力的基础。     

解坦克分队武器-目标分配问题的小生境遗传算法

为快速求解坦克分队武器-目标分配（Weapon-Target Assignment,WTA）模型,对基本遗传算法的关键步骤进行改进,设计了独特的基于火力单元排序的战术种群初始化策略,引入小生境共享函数和参数自适应机制,完成了基于小生境自适应改进遗传算法的设计与实现。最后进行了仿真试验,试验结果表现出了良好的收敛效果。     

基于遗传算法优化网络权值的装箱问题研究

通过对Hopfield网络模型的研究，把一种类型的装箱问题转化成Hopfield网络模型，再利用遗传算法优化Hopfield网络中的连接权值，形成混合优化算法求解装箱问题，最后通过实例验证了该算法的有效性。     

基于IMM滤波器的纯方位机动目标跟踪

针对无源纯方位跟踪中目标机动的问题,提出了一种基于交互式多模型的目标跟踪算法。该算法用伪量测变换估计器(PLE)将纯方位跟踪中非线性观测模型线性化,避免了计算雅克比行列式。机动目标跟踪中通过实时调整模型匹配概率,提高了滤波器对状态变化的跟踪能力。同时该算法实时修正观测噪声协方差,消除目标远离基阵时观测噪声对目标定位的影响。最后通过与MGEKF进行比较,Monte Carlo仿真结果验证了该算法的优越性。     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。     

基于人工蜂群算法优化的改进高斯过程模型

高斯过程(GP)的非线性特征导致其对大样本的训练时间复杂度过高,而且其超参数的选取是否适当直接影响高斯过程回归模型的预测精度。提出采用人工蜂群(ABC)算法优化改进GP以减小时间复杂度和提高预测精度。改进GP通过选取训练样本的子样本进行模型学习,以降低训练过程的时间复杂度。ABC通过优化改进GP的超参数,提升预测精度。选取训练样本的子样本构建改进GP回归(GPR)模型,采用ABC算法搜寻改进GPR的最优超参数,并用得到的超参数构建最优的改进GPR模型,输入测试样本进行预测并输出预测精度。将该模型应用于解决海上远程精确打击(LPSS)体系作战效能评估问题中,通过MATLAB仿真实验,与常见的多种优化方法相比较,验证了该模型的有效性。