带时间窗的多无人机航迹规划两阶段启发式算法

带时间窗的多无人机(Unmanned Aerial Vehicles,简称UAV)航迹规划问题是一类重要的NP-Hard问题,相关启发式算法研究一直是该问题的研究重点和难点。建立了问题的UAV流模型,并提出了一种两阶段启发式算法用于问题求解。算法的第一阶段提出了一种基于"最迟完成服务优先"规则的航迹构造算法,用于获取问题的初始解;第二阶段利用模拟退火算法对初始解进行改进。最后基于Solomon Benchmark数据集对算法进行了测试,实验结果表明该启发式算法可以有效地求解带时间窗的多UAV航迹规划问题。     

稀布阵下宽带多波束组合印证测向算法

在稀布阵下,对信号强度不同的多个信号进行多波束测向时,由于波束主瓣较宽,副瓣较高,因而无法分辨信号到达方向。针对此问题,提出了一种新的多波束测向算法,即多波束组合印证测向算法。该方法充分利用高副瓣的特点,建立多波束学习训练匹配表,通过查表综合判定信号到达方向。仿真实验结果表明:该算法很好地解决了稀布阵下对同时到达阵元的多个信号测向问题,且算法简单,运算量小,测向精度较好,具有很好的工程应用价值。     

智能化战机编队指派的战术匹配寻优算法

战机编队指派是空战指挥决策的重要一环,属于多属性决策优化问题。为提高空战指挥的自动化水平,设计了一种智能化战机编队指派的战术匹配寻优算法。首先分析了战机编队空战优势的估算方法;然后提出了战机编队指派的初步匹配方法,该方法通过战术匹配得到满足编队级最小空战优势要求的,能够覆盖最多目标编队的初步指派方案;最后设计了基于自扰动蚁群算法的战机编队指派寻优算法,该算法针对未分配战机寻找能够使己方战术价值总和最大化的战机编队指派方案。对战机编队指派的初步匹配结果和自扰动蚁群算法寻优结果进行合成得到最终的战机编队指派方案。示例验证了该方法能够得到与空战指挥员经验一致的战机编队指派结果,而且具有较好的实时性。     

多基线干涉仪导引头对带闪烁诱饵雷达制导效果

针对反辐射无人机采用前沿测向技术无法对抗闪烁诱偏这一难题,通过分析导引头对两点源测向原理入手,提出一种利用长短基线交错提取相位差解算雷达角度实现抗诱偏的方法。该方法提取导引头长基线与短基线接收到合成信号前沿与中部的相位差,通过解算可以确定雷达的方向,通过仿真验证了该方法的有效性。最后描述了导引头区分诱饵干扰与多径干扰的过程,并分不同情况分析了导引头攻击时相位差的选择。     

地面机动目标跟踪问题研究

对地面机动目标跟踪问题进行了研究,针对当前存在的问题,提出了将交互多模型应用到地面机动目标跟踪的思想,从而提高跟踪的精度。     

高架索的多体动力学模型

针对目前海上补给装备研制中尚无可用的高架索模型的现状,从多体动力学角度入手,研究了绳索多体系统动力学模型的建立方法,将绳索均匀划分为若干刚体单元,各单元之间采用球铰连接。用该方法建立了绳索的多刚体系统动力学模型,并在此基础上,应用仿真软件 ADAMS 对海上横向干货补给过程进行仿真计算。结果表明：海上补给高架索多刚体系统动力学模型完全可以模拟实际的高架索,且仿真计算结果与高架索力学振动模型的计算结果相比更贴近实际情况。     

基于目标运动特征和TOPSIS决策的多目标选择方法

针对现代水面舰艇所布放的箔条、角反射器(体)等无源干扰设施严重影响导弹导引头选择真正舰船目标的现象,提出了一种基于目标运动特征属性信息和改进的逼近理想解排序(technique for order preference by similarity to ideal solution,TOPSIS)的多目标选择方法。通过将多目标选择问题等效成多属性决策问题,借助目标的运动特征,改进了理想解和负理想解的确定方法,最终得到决策模型。仿真试验表明:该方法简单有效,适合于工程应用。     

重叠网格方法研究多子弹抛撒气动问题

子母弹抛撒气动问题是一类典型的有相对运动的多体气动问题,也是重叠网格方法最有价值的应用领域之一。采用MI-Grid重叠网格软件系统,耦合流动力学方程和动力学/运动学方程,研究子弹分离过程的气动性能和运动轨迹,并结合正交试验设计,讨论和评估了出舱条件及气动干扰对子弹分离运动的影响,指出子弹在抛撒流场中受激波干扰对姿态运动影响很大,单子弹抛撒时母弹激波扫射使子弹俯仰特性剧烈波动,多子弹抛撒时弹舱流动受子弹挤压反射激波使子弹姿态抬头。     

使用多Agent模型求解N－难题的新方法

借鉴多Ａｇｅｎｔ模型思想给出了求解Ｎ－难题的新方法。将Ｎ－难题分成多个Ａｇｅｎｔ,赋予每个Ａｇｅｎｔ以算法,利用Ａｇｅｎｔ之间的协作和交互有效地进行问题求解。该方法将前人的指数时空复杂度降为多项式时空复杂度,实际实现结果表明了该方法可行、高效。     

面向监督学习的稀疏平滑岭回归方法

岭回归是监督学习中的一个重要方法,被广泛用于多目标分类和识别。岭回归中一个重要的步骤是定义一个特殊的多变量标签矩阵,以实现对多类别样本的编码。通过将岭回归看作是一种基于图的监督学习方法,拓展了标签矩阵的构造方法。在岭回归的基础之上,进一步考虑投影中维度的平滑性和投影矩阵的稀疏性,提出稀疏平滑岭回归方法。对比一系列经典的监督线性分类算法,发现稀疏平滑岭回归在多个数据集上有着更好的表现。另外,实验表明新的标签矩阵构造方法不会降低原始岭回归方法的表现,同时还可以进一步提升稀疏平滑岭回归方法的性能。