一种基于多目标微粒群优化的虚拟网络映射方法

针对多个虚拟网络同时映射时资源统一优化分配的问题,提出了一种基于多目标微粒群优化的虚拟网络映射方法(MSC-VNE),提高底层网络资源利用率及全局负载均衡性能。建立了虚拟网络映射的多目标优化模型,将单个虚拟网络映射作为一个子群,并采用多子群协作优化的方法在子群映射时通过相互信息交换进行协同进化,最终达到全局资源的优化分配。仿真结果表明,与典型成果相比,提出的方法有效地提高了底层网络资源利用率和虚拟网络构建成功率。     

动态路径分裂的虚拟网络重构算法

为了解决现有故障虚拟网络重构算法存在的故障虚拟链路恢复率较低、负载不均的问题,提出一种动态路径分裂的虚拟网络重构算法。该算法定义了重构排序函数以确定故障虚拟网络的重构顺序;同时,将动态路径分裂方法引入故障虚拟链路的恢复,以提高故障虚拟链路的恢复率;最后,结合就近原则与负载均衡进行故障虚拟节点的恢复,进一步优化映射的结果。仿真结果表明,所提算法提高了虚拟网络的请求接受率与成功运行率。     

对GPS区域映射比例影响因素的分析

根据GPS区域映射系统诱导原理,推导出求解虚拟点邻域的算法,进而在此基础上对映射比例影响的因素进行了分析,主要包括虚拟点位置和转发器分布对映射比例的不同影响,并且对如何在有效干扰区域内通过选择虚拟点的位置和转发器的分布以达到映射比例的优化进行了研究,得到了优化方法,得出的结论可为实际应用提供参考.     

基于HTN作战计划生成技术中时序约束处理

针对以网络为中心的作战计划的特点,提出了基于层次任务网络的军事作战计划建模方法。在对层次任务网络形式化描述的基础上,结合简单时序网络和Allen区间代数对传统层次任务网络在时序约束方面进行扩展,介绍了扩展层次任务网络与简单时序网络的映射方法并给出计划求解算法。基于军事作战计划的抽象模型,提出了军事作战计划中军事规则、作战使命、作战能力和作战行动过程等要素与层次任务网络的映射关系。     

网络环境下基于任务的军事虚拟物流资源匹配

针对Chord网络环境下军事虚拟物流资源需求匹配问题,研究了面向军事虚拟物流任务需求的资源匹配模型,给出了一种标准通用的、可扩展的、具有需求资源定义自主性和规范性,并且支持单一功能和综合功能物流资源定义的军事虚拟物流任务需求资源定义模型,以及基于需求资源定义的军事虚拟物流资源匹配算法流程,实现了单一功能类物流资源需求匹配和综合功能类物流资源需求匹配,体现了面向用户应用需求的特点。     

基于小生境蝙蝠算法的联合远程打击武器目标分配问题建模与求解

针对联合远程打击作战筹划中武器目标分配问题,使用数学建模与仿真分析相结合的方法,研究了联合远程精确打击武器目标分配基本原则,构建了武器目标分配问题的多目标优化数学模型;对目标函数和约束条件进行处理,将该模型转化为单目标优化问题;提出了一种结合小生境淘汰思想的改进蝙蝠算法,用来求解武器目标分配的近似最优解。实验分析表明:该算法能够有效改善蝙蝠算法的收敛特性,适用于联合远程打击作战武器目标分配问题的求解。     

用于军事通信网络规划分析的免疫系统多目标优化算法

军事通信网络规划分析是一项十分复杂的工作,实际中需要考虑多种约束条件对各种规划方案进行科学甄别。文章将该问题转化为多目标问题进行研究,并借鉴免疫系统机理,提出一种用于军事通信网络规划分析的免疫系统多目标优化算法。算法结合基于免疫系统的多样性保持策略,保持解的多样性。实验表明,文章提出的算法所得结果的支配能力和空间分布效果优于经典的多目标进化算法。     

军事通信网络结构复杂性实证分析

面对军事信息系统日益呈现出的复杂性和网络化结构特点,提出基于复杂网络的研究思路,通过把通信实体映射为节点,把节点与节点之间的通信联络映射为边,构建出军事通信网络拓扑模型。然后通过实体数值分析的方法,验证了军事通信网络的复杂性特征。为将复杂网络成果运用到未来军事通信系统建设中去提供了积极的理论启示和参考价值。     

军事虚拟训练系统关卡测试用例设计与优化

测试用例的数量和质量决定军事虚拟训练系统软件测试的成本和有效性。针对军事虚拟训练系统软件测试随意性较强,测试效率不高的问题,定义了军事虚拟训练活动图形式化图形符号的语法与语义,在此基础上提出了基于形式活动图的军事虚拟训练关卡测试用例设计方法,通过测试用例优化对生成的测试用例集进一步的合并简化得到最小测试用例集,通过实例对提出的基于形式活动图的军事虚拟训练关卡测试用例设计与优化方法进行了应用说明。     

基于DDE改进蝙蝠算法的动态火力分配方法

针对动态火力分配算法耗时长,而传统的蝙蝠算法寻优精度不高等问题,提出了一种基于动态差分改进的蝙蝠算法。该算法首先通过放宽部分约束条件加快生成初始解,然后将动态差分进化算法中的差分变异机制融入到蝙蝠算法中,再利用惩罚函数确保生成的解满足约束条件,最后利用蝙蝠种群进行解的迭代寻优。仿真结果表明,与蝙蝠算法、遗传算法、粒子群算法相比,改进的算法有较高的收敛精度和较快的收敛速率,且更适合应用在较大规模的火力分配问题中。