ACO-ELM与CFSFDP结合的机载动力系统参数估计

针对机载动力系统测试数据的不确定性,求解参数实时性差的问题,提出了基于快速寻找密度极点聚类与蚁群极限学习机的机载动力系统的参数估计方法。首先利用基于寻找密度极点的聚类算法对全工况范围内的测试数据进行聚类,然后在每一个子类中用极限学习机设计了子参数估计器,并用蚁群算法寻找极限学习机的最优隐层神经元数目。训练与测试表明,参数估计测试相对误差明显优于传统的RBF神经网络方法,且参数估计时间能够满足机载在线实时状态评估的需求,该方法可应用到其他不可测参数的估计。     

基于粒子群优化的蚁群算法在战场电磁频率分配中的应用

为对战场电磁频率进行有效分配以减少用频设备间的相互干扰,提出了将一种基于粒子群优化的蚁群算法应用于频率分配的方法。首先介绍了战场频率管控流程的相关内容,并以干扰度最低为目标函数,使用基于粒子群算法优化的蚁群算法进行频率分配管理。粒子群算法优化蚁群算法中启发信息的权重及信息素挥发系数,作为粒子群位置和速度参数进行初始化,将粒子群算法生成的分配结果作为蚁群算法的初始信息素,利用蚁群算法较强的寻优能力寻找最佳分配方案。实验结果验证了该算法和模型的可行性。     

基于蚁群算法的舰艇编队多目标识别模型

现代海战中,舰艇编队面临的威胁目标复杂多样,正确识别目标是做出准确的军事决策的前提。基于蚁群算法的并行最优化特点,引入近邻函数,将目标识别问题转化为最优化聚类问题,提出了一种新的多目标识别算法。实验结果表明此方法是有效的,具有一定的军事现实意义。     

蚁群算法的多目标识别模型

现代海战中,我面临的威胁目标复杂多样,正确识别敌目标是做出准确的军事决策的前提.基于蚁群算法的并行最优化特点,引入近邻函数,将目标识别问题转化为最优化聚类问题,提出了一种新的多目标识别算法.实验结果表明此方法是有效的,具有一定的军事现实意义.     

舰艇编队防空最优火力分配问题的蚁群算法

为了对多目标进行合理的防空武器分配,首先分析了各种解决此问题算法的优缺点.然后以“编队不被目标突防的概率最大”为准则,结合蚁群算法的思想,建立了基于蚁群算法的火力分配问题求解模型,给出了算法的求解步骤和参数确定原则.最后通过实例进行仿真验证,并与多维动态规划方法做了比较,结果表明,基于蚁群算法思想的火力分配方法是有效的...     

基于蚁群算法的被动目标定位算法

通过对蚁群算法的研究,用蚁群算法成功解决了无源测向定位中消除虚假点,对真实交点进行正确聚类的难题.并通过Matlab 仿真实验证明了该算法的有效性.同时该算法具有目标关联确率高、计算速度快、鲁棒性强等优点.     

基于动态自适应蚁群算法的航线规划仿真

蚁群算法是一种新型的基于群体的仿生算法,其在解决飞机航线规划问题中已经获得了较为广泛的应用。在传统蚁群算法的基础上提出了一种动态自适应调整信息素蚁群算法的航线规划算法,即在航线点搜索过程中对信息素强度Q值进行动态自适应调整,并将三维地形、雷达威胁等因素结合到算法中。仿真结果表明,该改进算法能够有效解决扩大搜索空间和寻找最优解之间的矛盾,帮助飞行员更快地规划出一条最优航线,为更好完成作战任务奠定了良好的基础。     

基于优化蚁群算法的装备调拨决策系统研究与设计

将蚁群算法和遗传算法应用于装备调拨决策系统,实现了装备调拨决策信息的生成.同时利用遗传算法对蚁群算法的参数进行了优化,实验证明优化后的蚁群算法在平均路径长度、算法平均执行时间和总执行时间上较传统蚁群算法都有一定程度的改进.     

求解CVRP问题的一种改进启发式蚁群算法

针对蚁群算法求解CVRP问题时收敛速度慢、求解质量不高的缺点,提出了一种改进启发式蚁群算法。该算法借鉴蚁群系统和基于排列的蚂蚁系统的优点设计信息素更新策略,既加强了对每次迭代最好解的利用,又避免了陷入局部最优;按一定比例使用基本方法和基于PFIH方法构造路径,扩大了算法的搜索空间;采用一种混合局部搜索算子,增强了算法局部寻优能力。实验结果表明,改进启发式蚁群算法可以大幅度减少车辆运行成本,具有较快的收敛速度。     

改进cell密度聚类算法在空战目标分群中的应用

针对传统聚类算法对流形分布数据聚类效果差,且实时性不高的缺点,提出改进基于cell的密度聚类(Cell-Based density Spatial Clustering of Applications with Noise, CBSCAN)算法解决实时空战目标分群问题。通过分析空战态势参数,建立了空战目标分群通用模型,将目标分群转化为聚类问题。通过改进CBSCAN算法的簇类扩展方式,建立基于改进CBSCAN算法的目标分群模型。通过仿真实验,对比分析了K-means、最大期望算法、密度峰值算法、密度聚类算法、CBSCAN算法和改进CBSCAN算法在30种作战态势下的分群准确性和实时性,结果表明:改进CBSCAN算法可以在编队数目未知和目标流形分布的条件下,对多目标编队进行正确分群,且实时性较原始算法提高约30%,具有实际应用价值。     

一种改进的连续域蚁群算法

简要介绍了蚁群算法,并从解决连续域问题的角度分析了段海滨等提出的基于网格划分策略的连续域蚁群算法的基本原理,针对该算法的特点和存在的缺陷,提出了改进的办法:在前期用遗传算法快速生成初始信息素,再利用蚁群算法寻求精确解。最后通过对一个二维连续域函数优化仿真实验,证明了改进后蚁群算法的有效性。仿真实验结果证明:改进后的蚁群算法无论是时间性能还是优化性能都明显优于改进前的蚁群算法,克服了蚁群算法的缺陷,大大提高了算法的速度和求解效率,达到了时间性能和优化性能的双赢。     

基于K-means-RBF的机载传感器评估

针对传统RBF神经网络存在的高维数据学习训练问题,采用K-means聚类算法设计RBF神经网络数据中心,建立基于聚类RBF神经网络的机载传感器精度评估模型,运用改进的RBF神经网络对机载传感器系统进行精度评估研究.仿真研究结果表明,与传统RBF神经网络评估算法相比,该算法有效减少评估时间,提高预测精度,表明算法是合理和有效的.     

具有战时随机延误与损耗的多配送中心路径优化

建立了具有战时随机延误与损耗的多配送中心配送路径安排模型,给出了基于随机模拟的蚁群算法。算法通过给定残存率、用时与置信度阈值,把多目标问题作为单目标来处理。用随机模拟的方法来求路径的置信度,并以此为基础搜索转移策略的临域与判断未遍历点的插入位置。算法设计了符合问题特点的从虚拟点出发的转移策略与对两类路段不同的信息素更新策略,确保算法的实现。最后,通过算例说明了该方法的可行性与有效性。     

基于Hopfield神经网络算法的雷达干扰资源分配

为了使有限的雷达干扰资源发挥最佳的干扰效果,基于干扰效益最大准则建立了雷达干扰资源优化分配模型。提出了基于Hopfield神经网络算法的干扰资源优化分配方法,利用该方法能够在可行的解空间中找出满足能量函数和约束条件的全局最优分配方案。并与干扰资源蚁群优化分配算法进行了比较,理论推导与仿真实验表明该方法的可行性与有效性,且比蚁群分配算法具有更快的收敛速度和更好的健壮性。     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

基于极限学习机的空间配准方法

对极限学习机的特点及适用条件进行了探讨,在此基础上提出和实现了一种基于极限学习机的空间配准方法,并与基于广义最小二乘和神经网络的配准方法在多种场景下进行了仿真比较,结果验证了基于极限学习机的空间配准方法的性能优势。     

基于蚁群算法的模糊控制规则优化设计

为了避免设计模糊控制系统时遇到的“规则爆炸”问题,提出基于模糊相容系数的模糊规则优化方法．该方法定义了模糊规则的相容程度,得出的相容系数矩阵作为蚁群算法的启发式因子．采用蚁群算法优化模糊规则进行仿真,结果显示该方法生成的模糊规则具有较好的相容性和控制性能．     

基于蚁群算法的图像边缘检测研究

将蚁群算法应用于图像分割领域,提出了一种新的基于蚁群算法的图像边缘检测方法。详细阐述了蚁群算法与该方法的基本原理和具体实现过程。为了提高算法效率,进行两处改进,第一将蚂蚁初始位置由随机放置修改为放置在图像边缘附近,可取一图像灰度梯度阈值来实现,第二将信息激素强度和启发式引导函数值均定义为像素点灰度梯度值的函数。大量实验结果证明了该算法能有效地检测出图像边缘,而且具有适应性强、效率高等特点。     

基于动态时间规整下密度聚类的轨迹识别研究

为使地空导弹兵模拟训练系统获得的目标机动轨迹更加贴近实战、更有依据性,考虑对演习训练产生的轨迹数据进行分析,设计了DBSCAN(Density-Based Spatial Clustering of Applications with Noise,针对有噪声数据的基于密度的空间聚类)预分类的DBSCAN改进DTW(Dynamic Time Warping,动态时间归整)聚类算法来分析机动轨迹.并与未预分类的DBSCAN改进DTW聚类算法进行对比,发现其运行效率和分类准确度方面均较优.同时分析了数据结构和算法的参数对分类效果的影响,发现数据规模越大,DBSCAN预分类的DBSCAN改进DTW聚类算法的优势越明显.通过仿真得到了使DBSCAN预分类的DBSCAN改进DTW聚类算法发挥最高效率的参数.     

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。