双层智能优化算法求解时变网络最短路径问题

边成本为一般函数的时变网络最短路径问题(TDSP),已被证明不存在多项式时间算法。同时智能优化算法被广泛地用于求解该类问题,但多数没有考虑节点的可等待约束。提出了求解TDSP问题的双层智能优化算法,内层遗传算法优化每条可行路径的各节点离开时间,外层蚁群算法优化构建的路径,最终搜索到从起始点到终点的最短时间路径。实验结果表明:双层智能优化算法能快速寻优,并且收敛速度和最优路径较同类算法更优秀。     

基于遗传算法的多目标虚拟装配路径规划

针对以往求解路径规划问题中以路径最短为目标的局限性以及随机选取初始路径的缺陷,引入合适的目标函数和遗传算子,提出了一种基于遗传算法的多目标虚拟装配路径规划方法,利用大范围初始化的方式产生具有代表性的初始群体,设计了具有启发作用、适合路径规划的遗传算子,能够同时得到不同特点的多条路径,优化了装配路径.     

神经网络在某交流伺服系统建模中的应用

针对某交流伺服系统的模型辨识问题,提出了基于遗传算法优化的BP神经网络的辨识方法.BP神经网络在非线性系统的辨识中已得到了广泛的使用,但是其存在易陷入局部极小值和对网络结构初值要求高等缺点.根据遗传算法具有全局寻优的特点,先用遗传算法优化得到神经网络权值和阈值的初值,再由BP算法进行局部寻优.辨识结果表明,该算法辨识精度高、收敛速度快.     

基于神经网络和遗传算法的威胁度估计算法

针对威胁度估计问题,提出了基于BP神经网络模型的算法,利用神经网络良好的自适应能力和遗传算法强大的全局搜索能力,通过样本数据训练,提高了威胁度估计的准确性和适应性。     

基于Hopfield神经网络的战时物资筹措模型

战时物资筹措是国防动员的一个重要组成部分,它实质上是一种基于约束的最短路径问题,Hopfield神经网络曾被用来解决最短路径优化问题。采用连续型Hopfield神经网络求解战时物资筹措问题,在已知供需量、通行参数等数据的情况下可快速确定物资筹措方案。这种方法针对战时物资筹措的特殊性如时间严格、道路通行受阻等具体情况具有很好的适应性。实验结果证明在问题规模较大的情况下模型具有收效速度快、计算结果准确性高等优点。     

基于遗传BP神经网络的装备研制风险分析方法

简要介绍了GA和BP算法,利用遗传算法全局性搜索的特点,改变BP算法依赖梯度信息的指导来调整网络权值的方法,寻找最为合适的网络连接权和网络结构,提出了遗传算法优化BP神经网络的思路及其数学模型.最后,结合对某型航空装备的风险源的分析,利用此优化模型进行了验证.结果表明了该方法的可行性,为装备研制风险分析提供了一种新思路.     

航空装备维修费用的组合预测模型

通过分析回归分析法,BP神经网络和加速遗传算法原理,针对BP神经网络的变异特性,运用遗传算法对其进一步修正,最终建立了适用于航空装备维修保障费用的BP网络组合预测时间序列输出模型,结合某型航空装备维修保障费用数据进行预测系统仿真,得出结果实际数据相比误差较小.结论说明,此方法具有更高的预测精度,有较好的实际应用价值.     

装备器材保障资源调度决策模型及算法

装备器材保障资源调度问题是一个非常复杂的问题,根据其优化目标要求,从保障时间最短、保障耗费最低、安全性最高3个方面建立了该问题的多目标优化模型,并通过目标优先度决策将其转化为单目标模型;接着,采用两阶段法进行求解,将其分为最优路径决策、器材分配决策两个阶段进行决策优化,在明确资源点到需求点之间的最优路径后再进行器材资源的分配;并分别采用基于小生境的自适应遗传算法和基于生成树的遗传算法进行求解。通过实例分析,求解结果能够满足装备器材保障的要求,表明所构建的决策模型和算法是有效的。     

GA BP网络在机体研制费用预测中的应用

针对目前BP神经网络在应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中引入交叉概率和变异概率与个体的适度值相联系,改进了操作算子,而且在交叉操作后又引入模拟退火机制,提高遗传算法的局部搜索能力.建立了基于改进遗传算法的BP网络费用预测模型,并以某型飞机机体进行实例分析,计算结果表明,该方法预测的准确性更高,且预测结果稳定.     

群目标侦察航迹规划方法

针对群目标侦察中的航迹规划问题,提出先采用聚类算法将目标群分成若干个子目标群,然后采用分层规划方法进行求解。第1层为目标群之间的路径规划,将问题转化为多旅行商问题并采用遗传算法求解确定最短航迹;第2层为子目标群内部的航迹规划,由于传感器通常是以一定宽度进行扫掠式侦察,因此,首先用Delaunay三角剖分算法求出包含子群内所有目标的最小凸多边形,再利用区域覆盖扫掠算法求出凸多边形内机动次数少、路径最短的航迹。仿真结果表明,所设计的航迹规划方法能够实现群目标侦查中无人机的航迹规划,证明了模型的可行性和算法的有效性。     

基于BP和Hopfield神经网络的航空肼燃料保障安全评价

针对航空肼燃料保障安全评价的复杂性和非线性,提出并建立了基于BP和Hopfield神经网络的动态安全评价模型。在综合分析国内外肼燃料保障安全评价的基础上,针对航空肼燃料保障过程中出现的问题,构建并优化了指标体系,选取前馈神经网络中的BP网络和反馈神经网络中的Hopfield网络建立评价模型。在详细说明了BP和Hopfield神经网络的构建方法后,进行实例验证,并对预测效果进行了比较分析。仿真表明,两种模型都能正确评价安全保障状态。但在收敛速度、联想记忆功能方面Hopfield神经网络优于BP神经网络。将BP和Hopfield神经网络用于肼燃料保障安全评价过程中,具有适用性和可行性,对于航空肼燃料保障的安全建设与安全管理研究具有重要意义。     

交互网络上任意节点对的最短路径集解法

搜索交互网络中的最短路径是研究网络结构的重要内容,在常见的Dijkstr和Floyd算法中,只能获取一条最短路径.在交互网络上任意节点对之间的最短路径不止一条的情况下,运用Floyd算法对已知加权交互网络的最短路径进行求解,对获得最短路径后的每一个节点对,在其中插入已知交互网络中的其余所有节点,并计算此时的节点对之间的...     

BP神经网络的收敛问题

研究了BP神经网络的收敛问题。基于随机理论 ,提出了解决网络收敛性问题的随机优选法。该方法不仅在任何条件下都能得到问题的具有一定精度的解答 ,而且收敛速度很快     

基于改进卡尔曼滤波方法的机动目标跟踪研究

针对在机动目标跟踪中当目标作高度机动飞行时卡尔曼滤波可能会出现严重发散的情况,提出利用BP神经网络校正其滤波结果,并将遗传算法应用于BP网络的训练过程,以解决BP网络训练速度慢的缺陷,提高算法的实时性。仿真表明该方法是可行的、有效的。     

遗传算法的泛函极值求解与应用

路径规划可以描述为泛函极值模型.针对传统的变分法、最大值原理等求解泛函目标函数类型有限的局限性,考虑遗传算法在解空间中进行随机优化搜索的特点,引入遗传算法对泛函极值问题进行求解,给出了求解过程.该方法具有广泛适应性,数值仿真结果表明了该算法的有效性和合理性.最后得到了飞行器飞行的最优控制规律和最优路径.     

基于遗传BP神经网络的装甲装备器材需求预测

装甲装备器材保障具有规模大、时间紧、消耗大、不确定因素多、决策难度大等特点。准确的需求预测是实施主动的、精细化的器材保障的重要前提条件。利用BP神经网络较强自学习能力和自适应能力对器材需求规律进行学习,并借助遗传算法提高BP神经网络的收敛速度,设计了一种基于遗传算法改进的BP神经网络模型预测方法,对装甲装备器材进行需求预测。通过实例计算表明,该方法比单纯BP神经网络方法具有预测精度高、收敛速度快的优点。     

地空导弹发控系统寿命预测的组合模型

将灰色系统理论和BP神经网络有效地结合起来,建立了灰色BP神经网络的组合预测模型,并采用遗传算法对该模型进行优化。为了验证优化后模型的有效性,采用灰色BP神经网络的预测结果进行对比分析。实际数据的预测结果表明,优化之后的模型比单独采用灰色BP神经网络,具有更小的均方差(MSE,Mean Square Error),对发控系统剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度。     

基于神经网络和遗传算法对反装甲目标威胁度评估研究

针对威胁度估计问题和装甲车辆在战场上的实际情况,运用神经网络和遗传算法理论探索反装甲目标威胁度评估问题。基于BP神经网络模型的算法,利用神经网络良好的自适应能力和遗传算法强大的全局搜索能力,通过样本数据训练,提高了威胁度估计的准确性和适应性。经过验证该算法能够有效反应出反各种反装甲目标的威胁度,其稳定性、精确性也比较高。     

基于时空网络的物资保障网络效能优化

针对应急物资保障效能优化问题,通过构建时空二维空间将物资保障实体网络转换为保障时空网络,提出了基于时空网络的物资保障网络效能优化模型。利用时空网络技术描述了保障网络中物资配送路径,各节点和节线(边)所运输的物资量以及相互保障关系。应用遗传算法求解得出物资保障最优配送方案。最后,通过实例仿真分析验证了模型的有效性和可行性,可为后勤保障决策部门做好应急情况下的物资保障决策提供参考。     

基于随机期望值模型的时差定位最优布站算法

为研究在特定的定位和布站区域内,时差定位站点的最优布局问题,以定位区域内任意目标的定位误差期望值最小为布站原则,提出了基于随机期望值模型的时差定位最优布站算法,并利用随机模拟、神经网络与遗传算法相结合的混合智能算法来求解最优布站策略。仿真结果表明,该算法的寻优布站结果接近于系统的最优布站。