构造复杂战场环境 开展实兵对抗演练

前不久,江西省鹰潭军分区依托鹰潭铁路编组站,组织重要目标防卫民兵分队开展针对性对抗演练,摸索民兵分队实战化训练的方法路子。演练采取组织战斗"背靠背"沙盘对抗和战斗实施"面对面"实兵对抗的方法,全要素、全过程实施对抗,在逼真、激烈的近似实战环境中,训练民兵分队组织指挥和协同能力,评估完善防卫作战方案。     

直升机低空突防中的近程航迹规划方法

武装直升机实施低空突防时,在远程航迹规划得到的参考航迹上进行近程航迹规划来求得用于飞行的实际航迹,通过近程规划中面临的实际战场情况和机载探测、导航系统自身限制的分析,得到近程规划算法的主要限制和约束条件,并建立了快速蚁群算法和宽度优先快速搜索算法两种近程规划方法,在样例地形和威胁信息的基础上进行仿真,搜索最优航迹,计算航迹的各项指标,针对两种算法的特点进行了讨论,最后的计算结果可以作为近实时情况下的实际飞行航迹节点提供给导航系统。     

携带诱骗信息的多层网络隐写方法

为了提升网络隐写方法中秘密信息隐蔽传输的安全性,研究了携带诱骗信息的多层网络隐写方法。方法分为两层,高层方法用于携带诱骗信息欺骗检测者,低层方法利用网络协议栈纵向多协议之间的关系编码秘密信息,实现隐蔽通信。实验结果表明,该方法能够在保证隐写带宽的同时,确保了秘密信息传输的安全性。     

一种基于语义推理的多智能体协同功能设计框架

在功能设计知识本体表示模型的基础上，提出了一种基于语义推理的多智能体协同功能设计框架。该框架分为两个部分，其中，基于Multi-agent的通信协作平台将OWL本体嵌入到FIPAACL中以实现产品设计Agent之间的设计知识通信；基于本体的功能建模方法则将本体表示与本体推理结合以支持功能设计本体的存储与检索。最后，对该框架所包含的协同功能设计本体语义推理模型进行了分析与实现，以证明所建议框架的有效性。     

智能化电子对抗装备发展

当前,智能化武器装备成为世界各国发展的重点,而电子对抗作为新型作战力量将直接影响战争的胜负。文章分析当前电子对抗装备存在的显著不足,论证发展智能化电子对抗装备的迫切性和必要性,明确提出发展智能化电子对抗装备的若干关键技术,阐述智能化电子对抗装备对未来信息化战争的直接影响,以及智能化电子对抗装备未来的发展方向。     

潜艇使用机动搜索鱼雷攻击水面舰艇方法

发挥鱼雷航程远,能够根据线导指令按指定搜索策略对位置散布目标实施机动搜索的特点,潜艇利用特殊海洋环境远距离发现目标。在目标方位不连续、不准确的情况下,建立对目标运动要素的概略解算,根据概略目标运动要素,进行鱼雷机动搜索策略规划,对目标距离进行粗判,定下攻击决心,发射并控制导引鱼雷在目标散布区域实施机动搜索。在目标运动要素更新后,可重新规划鱼雷搜索策略,通过导引线发送至鱼雷,鱼雷实施新的机动搜索,提高鱼雷发现目标概率。     

基于BFS和FPGA-CPU的混合加速器设计

为了实现由软件和硬件执行小世界图搜索的加速器系统,提出了一种在单芯片FPGA-CPU异构硬件平台上基于广度优先搜索算法实现的混合加速器系统设计;提出了采用线性代数语言实现的BFS;提出了一种处理单元结构,它由一个负责与主存储器全部交互的后端、用于执行布尔塥运算的前端和一个距离生成器构成;在ZedBoard平台上设计了一种采用Xilinx Zynq Z7020 FPGA-CPU混合结构的实际加速器系统。实验结果表明,设计的混合加速器不仅能够实现小世界图的快速搜索,而且相比于目前其他先进的基于BFS算法的混合加速器结构有更好的加速性能。     

多巡飞弹侦察/打击/评估一体协同方案设计

针对巡飞弹侦察/打击/评估作战模式,提出了一种基于预设航迹点的巡飞弹多任务协同策略。在分析作战任务模式的基础上,建立了基于时间协同的约束模型;针对不规则侦察区域,设计了区域侦察覆盖的飞行航迹,考虑威胁和障碍,采用改进的A*算法对巡飞弹的任务航迹进行了规划;以双弹协同实现"即打即评估"的协同任务模式为例,仿真计算和分析了协同策略的可行性,为未来网络化巡飞弹协同作战应用提供技术支撑。     

基于模糊聚类——拍卖机制的火力协同方法

针对协同作战中环境影响复杂度高,火力分配不及时、效率低等问题,提出了陆战场协同任务分配方法,构建了多武器-目标任务的数学模型。在该数学模型的基础上,基于聚类算法与拍卖算法相结合的原理进行优化求解,在两级分配的模式下,可在更短的时间内获得分配方案。算例表明,所构建协同任务分配模型能够及时有效地获得任务分配方案,较好地解决了多武器-目标的协同任务分配问题。     

基于改进协同遗传算法的有效载荷系统功能序列规划方法

针对传统回溯算法在求解基于知识模型的有效载荷系统功能序列规划问题中搜索效率低的问题,提出一种基于"择劣变异"(Worst Individual Mutation,WIM)策略的协同遗传算法(Co-evolutionary Genetic Algorithm,CGA)的改进算法WIM-CGA。该算法在遗传过程中采用双路线进化方案,即"择优实施标准遗传过程,择劣实施变异操作",达到提高求解精确度及搜索效率的目的。仿真结果表明,同等测试条件下,当功能规模为50,约束密度为1.0时,WIM-CGA算法在限定时间内最优解的平均精确度比优化的回溯算法提高了54.15%,比CGA算法提高了6.18%,且当所得解的精确度大于90%时,WIM-CGA算法比CGA算法的迭代次数减少了65.79%,耗时降低了48.97%,显著提高了功能序列规划的效率。