基于优化蚁群算法的装备调拨决策系统研究与设计

将蚁群算法和遗传算法应用于装备调拨决策系统,实现了装备调拨决策信息的生成.同时利用遗传算法对蚁群算法的参数进行了优化,实验证明优化后的蚁群算法在平均路径长度、算法平均执行时间和总执行时间上较传统蚁群算法都有一定程度的改进.     

蚁群遗传融合算法在移动机器人路径规划中的应用

针对移动机器人路径规划的特点,把智能算法引入到机器人路径规划中。而单一蚁群算法和遗传算法,存在收敛速度慢、效率低或容易陷入局部最优等缺陷,对蚁群算法进行改进,提出一种改进蚁群遗传算法的融合方案,并把该方案应用到移动机器人路径规划中,在栅格环境下进行仿真测试,仿真结果表明该方案能有效提高最优路径的搜索效率,整体性能优于蚁群或遗传单一智能算法。     

一种改进的连续域蚁群算法

简要介绍了蚁群算法,并从解决连续域问题的角度分析了段海滨等提出的基于网格划分策略的连续域蚁群算法的基本原理,针对该算法的特点和存在的缺陷,提出了改进的办法:在前期用遗传算法快速生成初始信息素,再利用蚁群算法寻求精确解。最后通过对一个二维连续域函数优化仿真实验,证明了改进后蚁群算法的有效性。仿真实验结果证明:改进后的蚁群算法无论是时间性能还是优化性能都明显优于改进前的蚁群算法,克服了蚁群算法的缺陷,大大提高了算法的速度和求解效率,达到了时间性能和优化性能的双赢。     

基于AHP的软件测试用例优化

针对典型用例优化方法的缺点,以功能模块覆盖率为基础利用层次分析法(简称AHP)对蚁群算法(简称ACO)、遗传算法(简称GA)进行改进,创建了新的测试用例优化方法。该方法能够对原始用例集进行精简和优先排序,降低了软件测试成本、提高了用例集的错误检测速率。最后以某型系统的基本操作模块为例进行了该技术实现流程的详细阐述。     

基于免疫遗传算法的人上位拣选车作业规划问题求解

针对人上位拣选车的作业轨迹规划问题构建了具有附加安全约束条件的时间最优控制数学模型,并提出了一种免疫遗传求解算法．该算法较单纯遗传算法有效避免了种群退化,且收敛速度更快．实验表明,该算法适用于求解人上位拣选车的作业轨迹规划问题．     

基于遗传算法的装备使用保障费用灰色组合预测

针对目前对武器装备寿命周期费用估算建模难以实施的情况,以准确预测武器装备寿命周期费用的主要组成部分—装备使用保障费用为出发点,依据装备使用保障费用的特点建立了装备使用保障费用的灰色组合预测模型,指出了用蚁群算法优化组合权系数的不足,并提出了新的优化方法—遗传算法。最后,结合实例验证说明了该模型的预测效果优于蚁群优化的方法,为准确估算武器装备寿命周期费用提供了依据。     

并行基因组合型遗传算法求解防空部署优化问题研究

针对防空部署研究的特点,探讨遗传算法求解防空部署优化问题。分析了传统遗传算法求解武器部署优化问题的缺点,提出了并行的基因组合型改进遗传算法,克服了编码不唯一和基因重码的现象,提高了搜索速度和解的质量;利用启发式信息缩小了解空间,并保证了算法寻优的每个个体都是可行解;对遗传操作算子进行了改进,克服了整数编码固有的缺点。该方法应用于求解防空部署优化问题中得到了较好的结果。     

蚁群算法在车辆巡回保障中的应用研究

应用蚁群算法（ACA）解决车辆巡回保障问题，建立了车辆巡回保障优化数学模型，对轨迹更新规则进行了重新设定，给出了算法的实现步骤。通过算例分析，将计算结果与遗传算法（GA）和粒子群算法（PSO）作了比较，对模型和算法的正确性、高效性和适用性进行了验证。实验结果表明，该算法可以快速、有效求得车辆巡回保障的优化解，得到车辆巡回保障过程中的较优方案。     

面向故障预测与健康管理的传感器优化配置

传感器优化配置是保证装备故障预测与健康管理(Prognostics and Health Management,PHM)系统有效实现的基础.针对目前陆军装备保障中缺乏有效的传感器配置方法的现状,以某型防空导弹调平起竖系统为研究对象,建立了考虑传感器失效的PHM系统传感器优化配置模型.对导弹发射车调平起竖系统控制回路进行了分析,在此基础上形成系统的故障-传感器相关性矩阵;根据系统的指标要求建立传感器优化配置模型,采用蚁群算法求解;将结果与粒子群算法进行比较,表明利用蚁群算法取得了更优的配置方案,能够为PHM系统中装备的传感器优化配置提供有效指导.     

基于粒子群优化的蚁群算法在战场电磁频率分配中的应用

为对战场电磁频率进行有效分配以减少用频设备间的相互干扰，提出了将一种基于粒子群优化的蚁群算法应用于频率分配的方法。首先介绍了战场频率管控流程的相关内容，并以干扰度最低为目标函数，使用基于粒子群算法优化的蚁群算法进行频率分配管理。粒子群算法优化蚁群算法中启发信息的权重及信息素挥发系数，作为粒子群位置和速度参数进行初始化，将粒子群算法生成的分配结果作为蚁群算法的初始信息素，利用蚁群算法较强的寻优能力寻找最佳分配方案。实验结果验证了该算法和模型的可行性。     

基于遗传BP神经网络的装备研制风险分析方法

简要介绍了GA和BP算法,利用遗传算法全局性搜索的特点,改变BP算法依赖梯度信息的指导来调整网络权值的方法,寻找最为合适的网络连接权和网络结构,提出了遗传算法优化BP神经网络的思路及其数学模型.最后,结合对某型航空装备的风险源的分析,利用此优化模型进行了验证.结果表明了该方法的可行性,为装备研制风险分析提供了一种新思路.     

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...     

改进蚁群算法的无人机航路规划

蚁群算法是基于生物界群体启发行为的一种随机搜索寻优方法,其正反馈性和协同性使其可用于分布式系统,隐含的并行性更使其具有极强的发展潜力,在解决组合优化问题上有着良好的适应性.基于两种改进蚁群算法,分别将遗传算法的交叉操作和Dijkstra算法结合到蚁群系统的无人作战飞机航路寻优过程中,使无人作战飞机以最小的发现概率与可接受的航程到达目标点,并提高了无人作战飞机的航路寻优能力.     

火力分配多目标优化的IBACO算法

应用蚁群优化算法(Ant Colony Optimization)求解多目标优化问题已经引起广泛关注,多目标火力分配问题的目标是求出一个合适的武器目标分配方案,使满足决策需要。建立了多目标火力分配的数学模型,提出一种基于指标的蚁群优化算法Indicator-Based Ant Colony Optimization),给出了算法的具体步骤。IBACO的核心思想是利用二元性能指标来引导人工蚂蚁进行搜索,由于该算法中的信息素是根据指标的值来更新的,通过奖励信息素可以强化最优解。仿真实验证明了该算法的有效性,在解决火力分配问题上,所提算法和蚁群优化算法相比具有较好的收敛性。     

递进型优化算法对相控阵天线阵列的波束优化

针对相控阵导引头中存在的误差和干扰对阵列波束的影响,提出了权值近似和遗传算法结合的递进型算法实现对波束的最大优化。该算法综合考虑了阵列的互耦效应对波束的干扰以及量化误差,在权值近似的基础上将阵列波束的旁瓣电平、零深和波束宽度作为优化指标,引入遗传算法不断逼近实现波束的优化。该递进算法在权值近似的基础上优化,进一步提升了波束的性能,同时具有很强的灵活性。     

基于蚁群算法的防空C3I系统火力分配模型研究

针对当前火力分配问题实现难度大的特点,分析各种火力分配优化方法的优缺点,运用新型蚁群算法尝试解决WTA问题。建立了基于蚁群算法的火力分配优化模型,描述了解火力分配问题的一般步骤,通过实例给出了算法,解决了WTA问题。并与匈牙利法相比较,结果表明该方法的合理性和有效性,特别是在武器—目标数较大时,其效率要高于常用的匈牙利法。     

四种智能算法的比较研究

随着智能算法的研究深入,一些新的智能优化算法不断被提出,包括从遗传算法、蚁群算法、粒子群算法、人工鱼群算法等。这些算法都是从自然界的自然生物的特性启发而研究出来的,由于这些算法在求解时不依赖于梯度信息,因而特别适用于传统方法解决不了的大规模复杂问题。通过这些算法的介绍和分析,并通过测试函数测试了四种算法的收敛性、收敛速度和精度,评价了这些智能算法在求解函数优化问题的能力。最后对优化算法今后的发展方向进行了评述与展望。     

战时交通运输路径优化研究

以战时交通运输路径优化问题为研究对象,分析问题特点,考虑多式联运,以运输时间代价、运输费用代价、路段和运输节点的危险性代价为优化目标,建立起广义运输代价最小的运输路径优化模型,并设计了蚁群算法来求解问题模型。给出的算例表明,文中模型符合战时交通运输的特点和实际需要,可为确定战时运输路径提供决策支持,而采用的蚁群算法是求解该问题的一种有效方法。     

神经网络在某交流伺服系统建模中的应用

针对某交流伺服系统的模型辨识问题,提出了基于遗传算法优化的BP神经网络的辨识方法.BP神经网络在非线性系统的辨识中已得到了广泛的使用,但是其存在易陷入局部极小值和对网络结构初值要求高等缺点.根据遗传算法具有全局寻优的特点,先用遗传算法优化得到神经网络权值和阈值的初值,再由BP算法进行局部寻优.辨识结果表明,该算法辨识精度高、收敛速度快.     

基于蚁群算法的图像边缘检测研究

将蚁群算法应用于图像分割领域,提出了一种新的基于蚁群算法的图像边缘检测方法。详细阐述了蚁群算法与该方法的基本原理和具体实现过程。为了提高算法效率,进行两处改进,第一将蚂蚁初始位置由随机放置修改为放置在图像边缘附近,可取一图像灰度梯度阈值来实现,第二将信息激素强度和启发式引导函数值均定义为像素点灰度梯度值的函数。大量实验结果证明了该算法能有效地检测出图像边缘,而且具有适应性强、效率高等特点。