基于遗传神经网络的装备抢修性预测模型

装备的抢修性是装备设计时赋予装备的一种固有属性,直接影响到战场抢修工作。抢修性模型是抢修性研究的重要内容。针对抢修性量化模型难度大的特点,尝试采用具有自学习能力的神经网络对抢修性进行仿真预测,同时为提高神经网络的性能,运用遗传算法对其优化,从而得到基于遗传神经网络的装备抢修性预测模型。最后仿真结果表明该模型可较好地用于抢修性的仿真预测,能为新研制装备的抢修性设计提供有益参考。     

强化学习在多阶段装备组合规划问题中的应用

针对多阶段武器装备组合规划中的选择难、规划难问题,提出基于多目标优化算法以及强化学习技术的混合优化方法。在各个阶段以装备组合效能最大和成本最小为准则,构建单阶段多目标优化模型,并设计基于非支配排序遗传算法的求解算法以生成各阶段的Pareto解,在此基础上建立多阶段的组合优化模型。通过强化学习的Q-Learning方法,在各阶段的Pareto解中采用探索或者利用两种模式,生成各阶段的装备组合,并指导下一阶段的装备选型,从而生成整个周期内的规划方案。通过对比实验分析,验证了所提模型和算法的有效性,能够为多阶段武器装备组合规划提供辅助决策。     

基于遗传算法的航空兵出动架次计算方法

针对航空兵出动架次计算问题,基于资源受限项目调度理论进行问题描述和建模,以给定兵力对目标任务的最大出动架次为效能指标,分析影响因素和约束条件,建立了问题数学模型.根据问题模型特点,采用遗传算法进行求解,针对染色体编码问题,设计了一种扩展任务列表编码方法;针对初始解集求解问题,提出了一种基于优先规则的出动架次分配算法.并构建了航空兵出动架次计算仿真算例对问题模型和求解算法进行验证,实验结果表明,所提模型和算法能够有效求解大规模航空兵出动架次计算问题.     

基于GA-SVM的装备保障设备报废技术鉴定方法

为提高装备保障设备报废技术鉴定的准确性,提出了一种基于支持向量机的报废技术鉴定方法.分析了报废技术鉴定主要特征,并给出了各特征的量化和预处理公式.介绍了支持向量机基本原理,并引入遗传算法对支持向量机的惩罚参数和核参数进行寻优.算例验证结果表明,与常见分类算法相比,基于高斯核的支持向量机在装备保障设备报废技术鉴定中,训练时间更短、分类精度更高.     

模糊层次分析法与改进遗传算法的选址仿真

从工程地质、地形地貌、军事作战和后勤保障4个方面构建军事指挥中心评价体系,利用模糊层次分析法构建选址模型,进行军事指挥中心适宜性评价.根据评价结果设计选址步骤,结合具体研究区利用遗传算法进行实例分析,引入马尔科夫理论改进遗传算法,验证模型方法的可行性.研究结果表明,提供的选址方法有效地解决了军事指挥中心重复选址问题,提高了选址方法的效率和准确率.