无人机辅助通信网络中基于强化学习的用户速率优化算法

无人机辅助地面蜂窝基站,形成混合的通信网络有望成为提升用户速率的一种重要手段。针对无人机辅助基站的通信网络,提出基于多臂赌博机的用户速率优化算法（multi-armed bandits-based rate optimization,MBRO）。先建立联合优化问题,再分别利用改进后K-means聚类算法和多臂赌博机算法求解。MBRO算法利用K-means聚类算法实现无人机的部署,并利用多臂赌博机算法完成信道分配和无人机的传输功率分配。仿真结果表明,相比于同类的基准算法,MBRO算法提高用户端速率。     

不确定失效阈值影响下考虑设备剩余寿命预测信息的最优替换策略

为了进一步提升设备维修决策的科学性,通过建立综合设备剩余寿命预测数据与不确定失效阈值的最优维修决策模型,实现了不可维修设备的最优替换策略。构建基于非线性Wiener过程的设备性能退化模型,并采用极大似然法估计退化模型参数;提出一种基于期望最大(Expectation Maximization, EM)算法的不确定失效阈值分布系数估计方法,通过引入虚拟失效阈值数据实现对失效阈值分布系数的同步迭代更新;基于首达时的概念推导出不确定失效阈值条件下设备剩余寿命的概率密度函数,并基于更新报酬理论建立维修决策模型,从而实现设备的最优维修决策。算例分析表明,设备的失效阈值会对维修决策结果产生重要影响,考虑设备失效阈值的不确定性既有助于提升剩余寿命预测的准确性,又可以有效降低设备的寿命周期费用。     

移动WSNs中基于跳数矢量的节点定位算法

针对节点定位精度以及安全性,提出跳数矢量的节点定位算法(Hop Vector-based Node Localization Al-gorithm,HVLA).通过控制包的交互,获取跳数信息.然后,锚节点依据跳数信息构建跳数矢量,再利用质心定位算法估计未知节点的位置.同时,利用未知节点反馈控制包的响应时间,丢弃一些发布虚假数据的节点,进而实现定位数据的安全性.仿真结果表明,相比于同类算法,HVLA算法的平均定位误差得到有效控制,并且平均定位时延下降了约30.22％,剩余能量率也提升了13.33％.     

基于改进融合算法的交通网络节点重要性评估

交通目标体系在作战中是打击目标选择的重点,在目标选择前需要对交通网络的节点及关联关系的重要性进行准确评估.交通目标体系是一种多层复杂网络模型,目前的评估方法没有考虑到路径的权重和对网络整体价值,造成评估模型与实际网络不符合的问题.针对该问题,提出一种改进的融合算法对多层网络进行评估.该方法构建的节点关联度矩阵考虑了各层网络中边的权重和网络整体价值,再将每层的节点关联度进行融合.通过仿真分析和对比,该方法能够准确有效地评估多层交通网络节点的重要性,对目标选择具有一定实用价值.     

鱼雷扩展偏螺旋机动搜索弹道设计

潜艇使用鱼雷对位置散布目标实施攻击时,总期望鱼雷能够通过机动搜索覆盖目标位置散布区域,提高发现概率.扩展螺旋弹道环绕的中心点是固定的,对机动目标的搜索效果不理想.扩展偏螺旋机动搜索弹道克服了扩展螺旋弹道的缺点,使其能够围绕具有一定速度的目标散布区域实施相对弹道为扩展螺旋的机动搜索,较好地覆盖目标散布概率密度较高的区域,明显提高发现目标概率.     

基于粒子群算法的装备预防性维修策略研究

为解决实战化条件下装备损耗严重和装备完好率之间的矛盾,立足实际提出加大预防性维修力度.根据装备可靠性理论和寿命分布理论,对装备故障率和役龄进行分析,并引入役龄回退因子进行修正.以装备服役期内预防性维修成本最低为目标函数,以可靠性为约束条件,建立预防性维修策略优化模型.采用粒子群算法对模型求解,并进行算例分析,得到装备在服役期内的最优预防性维修次数和时间间隔,证实了预防性维修模型的可行性和实用性.     

基于GAPSO-TS的多基地无人机航路-时间协同规划

针对多基地无人机协同规划航迹计算复杂、容易陷入局部最优的问题,在遗传粒子群算法(GAPSO)的基础上,引入禁忌搜索算法(Tabu-Search)混合为GAPSO-TS算法,通过与PSO、GAPSO算法对比,表明GAPSO-TS算法能够提高全局寻优性能,同时相对于GAPSO算法,加快了收敛速度.在多无人机时间协同三维航路规划里应用GAPSO-TS算法可以更快的收敛,同时设计以时间协同为约束的适应度函数,函数具有简单易行的特点,保证了不同基地的无人机都可以在同一时间内最快到达目的地,实验结果验证了算法的可行性.     

基于改进蜂群算法的无人机路径规划

人工蜂群算法存在初始蜜源具有随机性,后期收敛速度慢,易早熟等问题.运用最大最小距离积法处理初始蜜源,把K均值聚类算法与人工蜂群算法相结合,提出改进的人工蜂群算法,用于解决无人机路径规划问题.仿真结果表明改进的人工蜂群算法收敛速度更快,得到的解的适应度更好.     

联合势场与蚁群算法的机器人路径规划

针对全局静态环境下传统蚁群算路径规划时,易陷入局部最优、前期路径有效性差等问题,提出了基于改进人工势场局部搜索和改进蚁群算法全局搜索的机器人路径规划算法.在地图环境栅格化基础上,算法首先利用有效障碍物检测和临时中间目标点改进人工势场算法,以优化其死锁和欠优问题,通过改进人工势场优化蚁群算法的初始路径搜索,避免其早期的交叉等问题,同时构建与收敛相关的负反馈通道,调节全局与局部信息素的自适应更新,以平衡算法的收敛速度与全局搜索能力.简单环境与复杂环境的仿真实验结果表明,所提算法具有较好的全局搜索能力,收敛速度和搜索能力优于已有改进蚁群算法,验证了算法的有效性.     

基于GeoHash索引的A算法优化

A*(A Star)算法进行最短路径计算时,一般采用曼哈顿函数作为最优邻接点的评估标准,在算法执行的过程中,需要对每一步每个邻接点进行计算,判断出当前最优邻接点,然后迭代执行下一步,在数据量较大的情况下,算法的时间复杂度呈几何增长.使用GeoHash索引算法代替曼哈顿函数作为评估标准,在有地理坐标信息的网络拓扑中进行最短路径查找,直接以GeoHash编码索引值作为判断标准,进行快速查找.GeoHash值是经纬度经过一系列编码转换后的实际值,能够拓扑网格中的属性值,减少算法的计算时间,优化算法的时间复杂度.提高A*算法在道路规划、运行调度、无人驾驶路径分析时的最短路径计算时间,可增加实际应用广泛性.