多专业批量维修任务调度方法研究

通过对不同专业设置方式下的维修任务调度问题进行分析,以最小化批量维修任务的维修时间为目标,将考虑专业维修顺序的批量维修任务调度问题分成两步进行求解,首先,建立了批量维修任务在专业领域内的调度及优化模型;其次,提出了基于NEH的批量维修任务排序方法．最后,通过实例对模型和方法的正确性和可行性进行了说明和验证,实例结果表明,该方法更贴近于实际,实现了快速、有效地解决维修任务调度问题,     

基于信息熵和TOPSIS法的装备战场抢修排序决策模型

成功的战场抢修是战斗力的“倍增器”,而及时有效的战损装备抢修排序决策是成功实施战场抢修的前提．在确定战场抢修基本原则基础上,分析了影响战损装备战场抢修排序的因素,通过目标属性本身输出的信息熵客观地确定属性权重,并结合TOPSIS法构建了装备战场抢修排序决策模型,最后通过实例对该模型的有效性和实用性进行验证．实例表明：该模型能够有效地解决战场抢修中多个战损装备的排序问题,是战损装备战场抢修分析及排序决策的一种有效工具．     

钢制油罐腐蚀因素综合研究

提出了油罐腐蚀因素的综合研究方法,研究了钢制油罐主要腐蚀因素。首先根据腐蚀特征,找出钢制油罐的5个特征腐蚀部位;其次根据文献,深入讨论影响其腐蚀的大气、土壤、存储介质和随机因素,得到56个具体腐蚀因素;然后针对油罐底板上表面,考虑腐蚀机理和腐蚀因素参与腐蚀程度,分别构建层次模型和网络模型;最后对影响油罐底板上表面的11个因素进行综合排序。研究结果表明,综合研究方法具有合理性。     

基于遗传神经网络的装备抢修性预测模型

装备的抢修性是装备设计时赋予装备的一种固有属性,直接影响到战场抢修工作。抢修性模型是抢修性研究的重要内容。针对抢修性量化模型难度大的特点,尝试采用具有自学习能力的神经网络对抢修性进行仿真预测,同时为提高神经网络的性能,运用遗传算法对其优化,从而得到基于遗传神经网络的装备抢修性预测模型。最后仿真结果表明该模型可较好地用于抢修性的仿真预测,能为新研制装备的抢修性设计提供有益参考。     

强化学习在多阶段装备组合规划问题中的应用

针对多阶段武器装备组合规划中的选择难、规划难问题,提出基于多目标优化算法以及强化学习技术的混合优化方法。在各个阶段以装备组合效能最大和成本最小为准则,构建单阶段多目标优化模型,并设计基于非支配排序遗传算法的求解算法以生成各阶段的Pareto解,在此基础上建立多阶段的组合优化模型。通过强化学习的Q-Learning方法,在各阶段的Pareto解中采用探索或者利用两种模式,生成各阶段的装备组合,并指导下一阶段的装备选型,从而生成整个周期内的规划方案。通过对比实验分析,验证了所提模型和算法的有效性,能够为多阶段武器装备组合规划提供辅助决策。     

基于BP神经网络的空中目标威胁排序

研究了BP神经网络算法对空中目标进行威胁排序的方法.水面舰艇对空防御作战中,舰载平台多传感器系统获得空中目标属性信息不完全,利用BP神经网络建立目标各属性权值的分配模型,通过大量的实例对模型进行训练,可以使所获得的空中目标属性信息得到充分利用,从而得到基本符合战场环境的客观的空中目标威胁排序.     

利用AHP确定决策方案排序的一种改进方法

针对在用AHP法求解权重排序向量时 ,用不同的计算方法导致排序方案不一致的矛盾现象 ,提出了一种在单准则下综合各个排序方案信息的方法 ,使AHP法更趋于完善     

作战体系效能分析及关键目标选择模型研究

作战体系效能分析及关键目标选择排序是作战筹划决策的核心环节.考虑对抗性、不确定性以及动态性等因素,提出了体系效能分析以及关键目标选择决策框架,构建了效能分析、目标选择以及优化排序的模型,并给出了相应的求解步骤方法,可为指挥员准确快速评估敌方体系能力、选择打击关键目标提供理论和方法支持.     

基于规则优化与排序的恶意代码匹配检测

恶意代码已在网络和主机系统中造成了严重的危害,对恶意代码进行有效的检测与防御已成必然。在综合现有一些恶意代码检测技术的基础上,提出了一种基于规则优化与排序的恶意代码匹配检测方法,并对检测系统的整体结构和功能模块进行了详细的描述。运用将面向协议特征变换为面向内容特征进行搜索匹配的思想,减少特征库中规则的条数,改进了特征库中规则的形式化描述。采用规则匹配成功的频繁度对规则在特征库中的位置进行了排序,以减少匹配搜索的深度,提高检测速度,同时对规则的形式化描述进行了相应的扩展。另外,为了获取更好的检测性能,改进了BM算法,通过设计匹配转移二维数组实现了搜索跳转。研究结果证明,该方法可节省时间,算法的效率高。