改进蚁群算法求解多目标雷达干扰资源优化分配

蚁群算法是一种群智能优化算法,其理论来源于自然界中蚂蚁群的寻径行为。针对地对空多目标雷达干扰系统在实战中目标较多情况下的干扰资源分配问题,提出了一种基于蚁群算法的分配优化模型,为解决传统蚁群算法寻优速度慢,容易陷入局部最优解等缺点,在蚂蚁路径选择策略、信息素挥发、信息素更新和精英保留等方面提出相应改进策略,给出改进后算法的具体实现步骤,最后举出实际算例,通过仿真实验,证明了算法的优越性。     

基于分合粒子群算法的多无人机任务重分配

多UAV在执行任务过程中,战场环境以及UAV编队状态的改变将导致原有的分配计划失效或效率降低,因此有必要重新分配任务。针对多无人机任务重分配问题,首先建立了相应的数学模型。其次运用分组基础上的任务重分配策略进行任务分配,提出了改进的K均值聚类算法进行初步分组,再在分组的基础下,提出了分合粒子群优化算法进行组内任务分配。最后进行实验仿真。实验结果与分析表明基于分合粒子群算法的任务重分配方法能有效地满足多变的战场环境要求。     

基于粒子群算法的雷达网干扰资源分配技术研究

对雷达网干扰资源的优化分配,是一个重要而又难以解决的课题.在对粒子群算法进行基本描述的基础上,将该算法应用于雷达网干扰资源分配,来解决雷达网干扰资源优化分配的问题.最后,对算法在雷达网干扰资源分配上的技术实现进行了计算机仿真.仿真结果表明:粒子群算法能很好地解决雷达网干扰资源优化分配问题,具有较好的资源分配效益.     

MOQPSO/D算法求解不确定目标分配问题

为了增强不确定目标分配对战场态势变化的适应性,提出了一种基于分解的多目标量子行为粒子群算法(MOQPSO/D)的不确定目标分配方法.基于模糊多目标规划方法建立了不确定目标分配模型.以MOEA/D为算法框架,以QPSO算法为寻优手段提出了一种MOQPSO/D算法.通过粒子编码和非法粒子调整,将MOQPSO/D算法成功应用于求解目标分配模型.仿真结果表明:采用多目标优化方法能有效增强不确定目标分配对战场态势变化的适应性;MOQPSO/D算法在求解目标分配模型时要明显优于MOEA/D及MOEMD-CD算法.     

基于Hopfield神经网络算法的雷达干扰资源分配

为了使有限的雷达干扰资源发挥最佳的干扰效果,基于干扰效益最大准则建立了雷达干扰资源优化分配模型。提出了基于Hopfield神经网络算法的干扰资源优化分配方法,利用该方法能够在可行的解空间中找出满足能量函数和约束条件的全局最优分配方案。并与干扰资源蚁群优化分配算法进行了比较,理论推导与仿真实验表明该方法的可行性与有效性,且比蚁群分配算法具有更快的收敛速度和更好的健壮性。     

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。     

一种改进的量子粒子群算法

量子粒子群算法是将量子计算与粒子群算法相结合的一种新的优化方法。首先利用相位角进行实数编码，将动态量子旋转门引入到粒子群算法中，采用自适应变异，提出了一种改进的量子粒子群算法。然后运用Pe-nalized函数和Ackley函数测试了该算法的性能。最后将该算法应用到武器目标分配模型中，获得了最优的分配方案。仿真研究表明，该算法具有收敛速度快、搜索能力强和稳定性高的特点。     

基于粒子群优化算法的复杂系统可靠性分配与优化

为了能快速获得费用最小约束条件下的复杂系统可靠性优化分配结果,在对可靠性成本函数及可靠性数据分析研究的基础上,选择了一种工程上易于获取的三参数可靠性成本函数模型作为可靠性优化分配模型;在此基础上,研究了粒子群优化算法的参数选择方法,提出了一种适合于复杂系统可靠性分配的改进型粒子群优化算法--变加速系数的粒子群优化算法,...     

基于蚁群算法的试验流程优化研究

水中兵器的海上试验涉及许多人员、兵力、被试产品、测量设备等,试验周期长、消耗大,因此如何缩短试验周期是亟待研究解决的问题.文中首先将试验流程优化问题转化为车间调度问题,建立了相应的数学模型,再应用蚁群算法转移规则得到中间结果并进行排队以对各种资源约束进行处理.最后将结果利用局部搜索算法优化后作为蚁群算法信息素更新的基础.实例计算结果表明,该方法优化效果良好.     

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。     

基于混沌双扰动的CDDP SO-BP目标威胁估计方法?

信息化条件下的战场环境对目标威胁估计技术提出了越来越高的要求。提出一种基于混沌双扰动的CD?DPSO?BP目标威胁估计方法，该方法针对粒子群算法在进化过程中易出现早熟和寻优结果不稳定的缺陷，基于Tent映射提出混沌双扰动的思想，并加入粒子群算法的进化过程，实现对粒子群算法的改进；之后，利用该新算法训练BP神经网络的初始权值和阈值，建立目标威胁估计模型和算法；最后，将该方法应用于实例中进行仿真，结果表明该目标威胁估计新算法具有较高的准确度。     

一种改进的粒子群优化算法

针对基本粒子群算法存在着收敛速度慢、效率低、易陷入局部最优等缺陷,为了更好地平衡全局和局部搜索能力,在粒子群算法中引入收缩因子,使算法中粒子不仅向种群最优的粒子进行学习,而且向种群中比自己优秀的所有粒子学习,增加了粒子的多样性。实验结果证明,与基本蚁群算法相比,改进的粒子群算法提高了收敛速度和效率,能一定程度地避免局部最优解的产生。     

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.     

基于树分解/合并策略的QoS多播路由方法

针对多约束QoS多播路由的NP-Complete特性,提出一种可控的多播树分解与合并策略,使多播树的生成在兼顾低费用的同时具有多样性,有效克服多播路由优化的局部极值问题。基于该策略设计蚁群算法,分解蚂蚁种群为与多播目标点相对应的蚂蚁子群,引入基于“死点”惩罚和多播树奖惩的信息素更新机制,提高了算法的收敛速度。仿真实验表明,该方法能有效地解决QoS多播路由问题,且随着网络规模的增大保持了良好的性能。     

复杂海战场环境下AUV全局路径规划方法

针对无人自主水下航行器(Autonomous Underwater Vehicle, AUV)在复杂海战场环境中路径规划时环境模型复杂、约束条件多的情况,建立了包括战场地形、敌方威胁、障碍物和海流场等在内的比较完善的海战场环境模型。以AUV航行时间、威胁时间最短为优化目标,给出了一种基于振荡型入侵野草优化(Invasive Weeds Optimization, IWO)算法的AUV全局路径规划方法,并分别与标准IWO算法、全振荡型IWO算法以及粒子群算法等三种路径规划算法比较。仿真结果表明,所提方法具有较强的寻优能力和鲁棒性,可在复杂海战场环境下为AUV高效地规划出满足性能要求的航行路径。     

求解面向进攻的武器-目标分配问题的蚁群算法

面向进攻的武器-目标分配问题是军事运筹学研究中的重要课题,旨在制定合理的打击策略以最大程度摧毁敌方目标。采用一种融合局部搜索和信息素控制的蚁群算法,兼顾控制解的局部收敛速度和全局收敛质量。在解的构造过程中直接处理约束条件,提高生成解的可行性,并大大缩小了搜索空间,提高了算法效率。通过采用多种算法对不同规模的武器-目标分配问题进行实验,结果表明改进的蚁群算法在收敛速度和求解质量上表现优异。     

基于势场启发蚁群算法的远程水中兵器航路规划

针对航行误差较大的远程水中兵器航路规划问题，采用栅格化方法建立海洋环境模型，为使兵器在航行过程中能有效规避障碍并导向目标，提出一种人工势场力为启发因子的改进蚁群算法，利用该方法搜索远程水中兵器从起始点至目标点的最佳路径，算法解决了经典蚁群算法容易陷入局部最优及收敛速度慢的问题。仿真结果表明该规划算法虽有少量的路径损失，但可以有效避免由于误差引起的航行安全问题，是一种有效的远程水中兵器航路规划方法。     

基于改进蚁群算法的云计算任务调度研究

把改进的蚁群算法应用到云计算任务调度中,通过将任务在虚拟机上的一次分配作为蚂蚁的一次成功搜索,实现了虚拟机的负载均衡和调度时间的优化,提高云计算资源分配的效率。通过在Cloud Sim平台下进行仿真测试,结果显示,改进蚁群算法在负载均衡性能和总的任务调度时间方面均优于基本的蚁群算法。     

蚁群算法在光电载荷标校中的应用

针对空中平台光电载荷安装误差的梗准问题,提出了一种利用蚁群算法实现动态标校的方法.通过光电裁荷测量得到的目标方位角、俯仰角和平台导航信息,结合GPs转化得到的方位角、俯仰角真值,建立了基于最优估计理论的目标函数,并利用蚁群算法求得了系统的安装误差.通过蒙特卡洛模拟仿真,验证了该方法能够较为准确地标定出安装误差;通过校准,有效避免了由安装误差引起的结果有偏,使得目标跟踪结果收敛至真值附近.