限定广义纳什均衡及其控制罚算法

广义纳什均衡问题通常有很多解,只有在相当严格的条件下,才有可能得到唯一解。如果任意选取其中之一作为该问题的解,显然是不合理的。为此,提出限定广义纳什均衡的概念。通过给共同约束相对应的拉格朗日乘子增加约束的方法,找出具有某些特性的解。为了求解限定广义纳什均衡,还进一步给出了控制罚算法。     

BP神经网络的遗传模拟退火算法动态选址仿真

针对战区装备保障点动态选址问题的广义最大覆盖选址模型,综合分析传统的启发式算法全局、局部搜索中的优缺点,提出一种基于BP神经网络的遗传模拟退火算法,并将其运用于战区装备保障点动态选址决策实际问题中,对该算法进行了仿真研究,给出具体实例的仿真结果验证了该算法求解最优解的高效性以及运算的高收敛速度.     

舰船维修器材保障点选址决策模型及算法

传统的最大覆盖选址模型没有考虑对服务半径外的需求点的满足和服务时间的响应,而在舰船维修器材保障中,不论需求点到保障点的距离是否大于服务半径,都应对其进行保障服务,且在保障过程中要满足保障时间控制在不影响舰船正常维修任务时间内。针对此问题,运用广义最大覆盖选址模型和时间满意度函数,构建基于时间满意的广义最大覆盖选址模型,并运用一种混合算法———基于遗传模拟退火算法的BP算法对模型进行求解。最后,运用该算法对实例进行了分析计算,计算结果验证了该算法的有效性。     

四种智能算法的比较研究

随着智能算法的研究深入,一些新的智能优化算法不断被提出,包括从遗传算法、蚁群算法、粒子群算法、人工鱼群算法等。这些算法都是从自然界的自然生物的特性启发而研究出来的,由于这些算法在求解时不依赖于梯度信息,因而特别适用于传统方法解决不了的大规模复杂问题。通过这些算法的介绍和分析,并通过测试函数测试了四种算法的收敛性、收敛速度和精度,评价了这些智能算法在求解函数优化问题的能力。最后对优化算法今后的发展方向进行了评述与展望。     

面向多星观测调度的分层迭代算法

提出一种基于分治策略的多星观测分层调度框架,在该框架下,用蚁群优化算法把任务分配至各轨道圈次上,并利用自适应模拟退火算法求解各轨道圈次的调度问题。根据各轨道圈次调度结果的反馈情况,再调整任务分配方案,重复上述过程直到达到算法终止条件。为了提高算法的性能,在设计蚁群算法的启发式信息模型时,应充分考虑卫星调度问题的领域知识;在模拟退火算法中设计两个邻域结构,采用动态选择策略在优化过程中确定最佳邻域搜索结构。仿真实验表明,该方法有效地降低了问题求解的复杂度,尤其在求解大规模多星观测调度问题时表现出优异的性能。     

求解压缩感知中信号重构问题的原始对偶算法

压缩感知理论(CS)是对信号压缩的同时进行感知的新理论,而如何通过有限的测量值准确地重构稀疏信号是压缩感知理论中的核心问题。为求解稀疏信号的重构问题,文章利用了一种基于邻近点算法的自适应一阶原始对偶算法,并证明了其全局收敛性,该算法通过研究l1范数最小化来求解信号重构问题。最后,对提出的算法进行数据仿真,并与压缩采样匹配追踪(CoSaMP)算法进行了对比,数据表明文章提出的算法计算速度更快。     

改进的人工蜂群算法求解武器目标分配问题

为了提高武器目标分配问题求解的效率与性能,提出一种求解武器目标分配问题的改进人工蜂群算法。针对武器目标分配问题模型的离散性特点,设计了解的编码方案,保证种群个体编码满足约束条件;通过控制种群编码熵的大小保证了初始化种群的离散性,加强了种群前期搜索的多样性;引领蜂采用同时保留最优蜜源与次优蜜源的方式,增大了种群局部寻优能力。仿真结果表明,在求解武器目标分配问题时,改进蜂群算法与传统优化算法相比收敛速度更快,求解精度更高,具有很好的应用价值。     

混合离散粒子群的任务调度算法及应用

针对粒子群算法存在易陷入局部极值、精度差的缺点,引入了模拟退火的思想,研究了一种混合粒子群优化算法,防止早熟现象的产生,使种群在更新迭代中保持了多样性,并将混合算法应用到典型的任务规划调度问题求解中,通过仿真验证了混合算法的有效性,与单一的离散粒子群算法相比,提高了调度问题的求解效果。     

战时交通运输路径优化研究

以战时交通运输路径优化问题为研究对象,分析问题特点,考虑多式联运,以运输时间代价、运输费用代价、路段和运输节点的危险性代价为优化目标,建立起广义运输代价最小的运输路径优化模型,并设计了蚁群算法来求解问题模型。给出的算例表明,文中模型符合战时交通运输的特点和实际需要,可为确定战时运输路径提供决策支持,而采用的蚁群算法是求解该问题的一种有效方法。     

基于改进蚁群算法的战时不确定性路径规划模型求解

战时路径规划的不确定性包括参数、约束条件和决策目标等的不确定性。以基本蚁群算法为基础,结合随机模拟和模糊模拟技术,提出了一种改进蚁群算法来求解战时不确定性路径规划问题,并通过仿真示例与其他算法进行了比较。结果表明：该算法求解效率更高,求解过程更为直观,能够满足战时不确定性路径规划问题的研究。