遗传神经网络在保障资源需求预测中的应用

针对现代战争条件下装备保障资源需求变化快,保障资源预测困难的问题,首先分析了影响装备保障资源需求的因素,根据实际情况选取了平均维修间隔时间(MTBM)、平均修复时间(MTBR)等8项影响装备保障资源需求的关键指标,然后将基于遗传算法(GA)优化的反向传播(BP)神经网络应用于保障资源需求预测中,构建了基于遗传神经网络的需求预测模型,最后利用1980年～2010年实际保障资源需求数据对模型进行了验证.验证结果表明,基于GA优化的BP神经网络预测模型有较快的收敛速度、较强的适应性和较高的预测精度,适用于装备保障资源需求预测.     

基于改进遗传算法的异构多无人机任务分配

针对异构多无人机协同任务分配问题,提出了一种基于改进的遗传算法的多UAV任务分配方法。根据多UAV协同任务分配问题的特点,设计了新的遗传算子,并且对适应度值做了标定,有效避免了算法在最优解附近摆动现象的发生,从而提高了任务分配的效率。充分利用改进遗传算法的全局搜索能力,有效地解决多约束条件下多UAV协同目标分配问题。仿真结果表明,改进的遗传算法能够稳定快速地找到较优分配方案,并且算法简单有效。     

基于遗传算法的编队区域防空武器分配方法

针对舰艇编队内多型区域防空武器抗击多型来袭反舰导弹问题,提出一种基于遗传算法的区域防空武器分配方法.该方法以防空武器可用性和消耗值以及编队队形配置为约束条件,以最大化编队的生存总价值为优化目标;采用二进制数字串表示变量,以解决传统二进制编码的邻值突变问题;用矩阵形式表示解空间,以方便观察计算结果和引入松弛技术.仿真计算结果表明,该分配方法能够有效提供多种区域防空武器抗击两型来袭导弹时的武器分配方案,计算结果优于神经网络方法.     

要地防空作战雷达干扰任务分配模型研究

针对要地防空作战雷达干扰任务分配的3种典型情况,给出了相应的解决方案,分析了影响雷达干扰效果的因素,合理选取了评估指标.并针对指标的情况,综合运用模糊综合评判法和改进的遗传算法建立了要地防空作战雷达干扰任务分配模型.最后,通过一个算例对模型进行了求解,验证了模型的有效性.     

高重合度人字齿轮轮齿最佳修形优化设计

基于斜齿轮轮齿接触分析技术,建立了考虑人字齿轮典型安装误差的抛物线人字齿轮轮齿接触分析方法。综合考虑人字齿轮的传动误差与啮合特性,采用带精英策略的快速非支配排序遗传算法对高重合度人字齿轮的传动性能进行了多目标优化设计,该算法克服了优化结果的局部收敛,获得了人字齿轮最佳的齿廓、齿向抛物线修形参数。通过实例表明,修形优化后的齿面啮合印痕与传动误差较优化之前得到了明显的改善,有效地改善了高重合度人字齿轮的齿面偏载现象,降低了齿轮传动过程中的啮合冲击。对加工的人字齿轮在减振降噪试验台上进行带载试验,对比优化前后的噪音分贝值,进一步验证了该优化方法对人字齿轮副减振降噪具有一定作用。     

用遗传算法实现雷达网目标分配

通过对雷达网目标分配问题的深入研究,建立了数学模型.为了获得发现概率最大的目标分配方案,引入了遗传算法来对模型求解,并给出了实现的步骤和方法.最后经过验证,证明该方法应用在雷达网目标分配问题上切实可行.     

基于遗传算法与支持向量机的火炮内膛疵病分类方法研究

支持向量机能够较好解决小样本、非线性数据特征的多分类问题,适用于火炮内膛疵病的分类,但其性能依赖于其参数的选取;对基本遗传算法进行改进,使用自适应的交叉算子和变异算子,并应用于支持向量机参数优化;通过对火炮内膛疵病分类精度的对比研究,改进的遗传算法确定支持向量机优化参数的方法取得了良好的效果,验证了该方法对疵病分类的有效性。     

基于遗传算法的卫星通信干扰资源分配

针对卫星通信对抗中干扰资源分配这个问题,利用遗传算法在解决组合优化问题上的优点,提出了一种基于遗传算法的卫星通信干扰资源分配方法。利用这种方法对某给定的作战情况进行仿真,仿真的结果表明,尽管这是一种求得近似最优解的方法,但这种干扰资源分配方法是比较有效的,并且分配的结果具有一定的可信度。     

改进Faster R-CNN的视频SAR动目标检测算法

针对当前可用于深度学习的视频SAR数据稀少的现状,以及动目标检测算法中存在较多的漏检和虚警问题,基于美国桑迪亚国家实验室真实视频SAR数据制作深度学习数据集,提出一种改进Faster R-CNN的视频SAR动目标检测算法。算法以截取后的ResNet50为特征提取网络,利用K-means加遗传算法自适应计算锚框,并在数据预处理环节加入S型曲线增强方法,来增强图像的对比度信息。经实验验证,所提出方法能够显著提升动目标检测率和检测速度,其中,平均精度（AP）和F1分数提升均达到10个点以上,有效降低了虚警和漏检,整体表现优于一阶段算法SSD和RetinaNet。     

基于GAPSO-TS的多基地无人机航路-时间协同规划

针对多基地无人机协同规划航迹计算复杂、容易陷入局部最优的问题,在遗传粒子群算法(GAPSO)的基础上,引入禁忌搜索算法(Tabu-Search)混合为GAPSO-TS算法,通过与PSO、GAPSO算法对比,表明GAPSO-TS算法能够提高全局寻优性能,同时相对于GAPSO算法,加快了收敛速度.在多无人机时间协同三维航路规划里应用GAPSO-TS算法可以更快的收敛,同时设计以时间协同为约束的适应度函数,函数具有简单易行的特点,保证了不同基地的无人机都可以在同一时间内最快到达目的地,实验结果验证了算法的可行性.