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.     

一种改进遗传算法在UCAV快速航迹规划中的应用

针对无人作战飞机(Unmanned Combat Aerial Vehicle,UCAV)航迹规划约束条件复杂、不确定因素多、实时性要求高的特点,提出了一种基于Voronoi图和改进遗传算法的快速航迹规划方法。该方法采取分层航迹规划的思想,首先根据Voronoi图生成初始航迹,并综合考虑约束条件,赋予各条航迹相应的权值;然后应用改进的遗传算法在生成的航迹空间中寻优,最终得到满意的航迹。该算法利用多处理机并行计算技术对传统遗传算法进行改进,大大缩短寻优时间。仿真结果表明基于Voronoi图和改进遗传算法的航迹规划提高了实时性,增强了UCAV的动态战场适应能力和突发威胁应对能力。     

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.     

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.     

雾霭图像实时处理算法加速策略

为仿真前视红外导引头实时匹配导引过程，完成目标实时跟踪性判断，针对限制对比度自适应直方图均衡和归一化互相关算法开展加速策略研究，提出基于统一计算设备架构(Compute Unified Device Architecture, CUDA)的雾霭图像实时处理加速方案，并进行设计参数寻优，得出线程块、线程网格设计参数存在最优尺寸，需实验测定的结论。实验结果表明，引入CUDA加速优化后，较未进行CUDA加速前时间指标提高5~20倍，能够满足目标跟踪实时性要求，可为红外导引头目标实时跟踪系统设计提供参考。     

基于改进粒子群算法的单预警机动态航迹规划

现代战争的战场环境复杂多变,要求预警机必须在执行任务过程中根据临时获取的战场信息进行实时动态航迹规划,因此动态航迹规划具有更强的实战意义。基于此,首先分析了预警机航迹规划与目前研究的飞行器航迹规划的不同,指出目前研究的静态航迹规划方法不能满足动态规划的实时性要求;其次,对影响预警机动态航迹规划的主要因素进行数学建模后得出代价函数;然后,基于改进粒子群优化算法对其进行动态航迹寻优;最后,通过matlab仿真证明了设计的方法能够自动进行动态航迹规划和评价选优,同时能够满足实时性要求。     

双层智能优化算法求解时变网络最短路径问题

边成本为一般函数的时变网络最短路径问题(TDSP),已被证明不存在多项式时间算法。同时智能优化算法被广泛地用于求解该类问题,但多数没有考虑节点的可等待约束。提出了求解TDSP问题的双层智能优化算法,内层遗传算法优化每条可行路径的各节点离开时间,外层蚁群算法优化构建的路径,最终搜索到从起始点到终点的最短时间路径。实验结果表明:双层智能优化算法能快速寻优,并且收敛速度和最优路径较同类算法更优秀。     

基于支持向量机的制造系统静态复杂性综合模型研究

制造系统复杂性对优化制造系统结构设计、提高制造系统的生产效率具有非常重要的意义.然而目前对静态复杂性及动态复杂性影响因素复杂性及其测度的研究较多,对于如何将这些分因素复杂性进行综合得出综合复杂性的研究较少,这直接影响了复杂性研究结果的准确性。鉴于此,引入擅长处理小样本数据的支持向量机对制造系统静态复杂性进行综合,用遗传算法对其参数进行寻优,对模型的有效性进行了验证,结果说明方法的实用性与科学性较强.     

遗传算法收敛性分析

一.引言 遗传算法（Genetim　AIgorithm,GA）是一类以达尔文自然进化论与遗传变异理论为基础的求解复杂全局优化问题的仿生型算法,是一种新的搜索寻优技术,它仿效生物的进化与遗传,根据“优胜汰”的原则,借助选择,交叉和变异等算子,使所要解决的问题从初始解一步步地逼近最优解,尽管这种方法已经在人工智能非线性优化。机器学习。自适应控制和人工神经网络训练,并行处理等方面得到了     

协同反潜指控决策建模及优化研究

介绍了多目标优化模型.建立了协同反潜作战中目标威胁度和射击有利度模型,将遗传算法引入到指控决策优化过程中.设计了基于遗传算法的指控决策优化算法,并对算法作了适应度值乘幂变换和保存最优个体策略方面的改进.以编队协同防御为例,得到了未改进的遗传算法和改进的遗传算法的优化结果,并对两种方法的优化效果进行了比较,比较结果表明:无论是从算法的收敛速度还是寻优率方面,做过改进的算法都较未改进的算法优越.通过选择不同的初始种群进行多次试验的方法,验证了优化结果的正确性.