基于指标值状态的自适应权重确定法

评估问题中指标值可能是已知的也可能是未知的,提出一种基于属性值状态的指标权重确定方法,该方法融合了粗糙集和区间数有序相离度的理论,根据指标值状态,自适应求取指标权重;同时引入调节算子,调节对主客观因素考虑的重视程度。详细地给出了自适应算法的步骤,并对算法的保序条件进行了分析,举例说明了该方法的应用,结果表明:方法简单实用,易于实现。     

无线认知网络中一种分布式最大频谱分配算法

无线认知网络被认为是下一代无线网络的核心架构之一。该网络能解决日益增长的频谱使用需求和低下的频谱使用率之间的矛盾。通过伺机接入临时可用频谱资源,其频谱利用率能得到大幅的提高。由于频谱资源分配是影响频谱资源利用率的关键,因此如何对频谱资源进行高效的分配一直是无线认知网络的重要研究领域之一。我们证明了在异构频谱使用概率条件下的最优频谱分配是NP难的问题。为了有效解决该问题,本文提出了一种基于分布式最大加权独立集的频谱分配算法——DMWIS。该算法的时间复杂度为O(V2/2)。通过大量的仿真实验,验证了在90%以上的不同随机网络环境下算法能在3轮内收敛,并且该算法一般能获得最优解90%的性能。     

饱和系统的线性最优容错不变集

针对饱和系统的容错控制问题,提出了一种D稳定约束下系统吸引域的估计方法。分别以不变集和参考集的容量为优化目标,给出了两个优化容错不变集的充分条件。为解决不变集优化中出现的双线性矩阵不等式(BMI)问题,通过构造包含线性矩阵不等式(LMI)的目标函数,将它转化为非线性规划的形式进行求解。通过一个仿真实例对该方法进行验证。     

集总电阻加载的超薄吸波材料设计

通过在周期结构中加载集总电阻,能够有效吸收入射电磁波,减小目标RCS.给出了两种超薄吸波结构,都具有厚度薄、重量轻的特点.分析了两种吸波材料的吸波机理,给出了表面反射系数的计算公式.实际加工了两种吸波材料,并对其吸波性能进行了分析.     

基于AHP-FCE排爆机器人的排爆综合性能评价

针对JW-902排爆机器人的排爆综合性能评价问题,运用层次分析法——模糊综合评价法,给出综合评价的数学模型。建立完整的JW-902排爆机器人排爆效果的综合性能评价指标体系,结合主要的因素进行分析,采用AHP确定了JW-902排爆机器人的不同因素的权重系数,得到了整体的等级隶属度情况。结果表明此评价模型使用简单易懂,得出的结果科学可靠。     

航空集群网络虚拟骨干网分布式构建算法

航空集群网络对集群作战任务执行效能的影响愈发深远,通过构建虚拟骨干网,能够降低路由开销、互联子网和实时管理网络,使航空集群作战更加高效。结合连通支配集理论,提出一种面向航空集群网络的分布式骨干网构建算法——DCAASN算法,设计权值函数刻画节点可用带宽和连通度,并采用分布式思想构建连通支配集以完成骨干网的构建。理论分析和仿真结果表明,相较于Wu、Wan和DCDS算法,该算法构建的骨干网中节点平均权值更大,骨干网的生命周期更长,并且骨干网的规模更小;在时间开销、消息开销方面,相较于Wu、Wan算法有较大提高,与DCDS算法在同一量级。     

多车协同对空射击火力分配方法

针对步兵战车多车协同对空射击的实现问题,基于战术互联网以及分布式火控系统之间的协同射击理论,提出了实现指控系统与火控系统一体化的多车协同射击组织流程,并着重研究了基于遗传算法的多目标火力分配及基于最优射击地域的火力单元优选排序方法,给出了理论分析和具体实现步骤。仿真算例表明该方法对武装直升机、亚声速巡航导弹等机动性较低的目标进行火力分配是可行有效的。     

基于改进空战威胁评估模型的权重计算方法比较

针对多无人机(UAV)任务网协同空战态势威胁评估问题,在现有基本模型基础上增加考虑气象环境对威胁评估要素的影响和无人机的自主可靠性系数两个实际因素,提出一种改进的超视距空战威胁评估模型;同时,应用串联电阻分压法、改进AHP法和熵权法分别计算融合模型中各威胁指标的权重系数;进而,在考虑己方战机对敌方战机综合威胁与优势的基础上,介绍了战机协同空战目标分配的基本方案。最后,应用上述3种权重计算方法进行空战威胁仿真计算,计算结果表明改进空战威胁评估模型可有效改善空战决策性能。     

基于组合权重的目标识别系统威胁评估

现代信息战场中,对敌方的目标识别系统进行有效干扰,是增强我方、打击敌方的有效手段。对敌方的目标识别系统进行有效的威胁评估,有助于指挥员的决策以及对干扰资源的优化配置。借鉴空中目标威胁评估常用方法,提出对敌方目标的敌我属性识别系统进行威胁评估的方法。首先选择合理的威胁评估指标,然后对指标数据进行规范化处理,利用信息熵法求解威胁评估的客观权重与改进的层次分析法求解出的主观权重加权得到组合权重,运用灰关联分析法进行威胁评估和排序,最后用实例验证方法的有效性和合理性。     

云模型改进惯性权重的混沌交替粒子群算法

标准粒子群算法通过线性减小惯性权重系数来调整寻优性能,但缺乏智能化机制易导致算法后期产生早熟或陷入局部最优而产生僵局。针对这一问题,提出一种基于云模型改进惯性权重的混沌交替粒子群优化算法。根据粒子迭代变化关系,采用云模型理论对惯性权重ω进行智能化调整,以平衡其全局和局部搜索能力,防止算法产生局部僵局;另外,判定粒子稳定性,对于可能陷入局部僵局的稳定粒子进行混沌扰动,促使其跳出僵局进而向最优位置更新。实验与分析表明,基于云模型改进惯性权重的混沌交替粒子群优化算法能够跳出局部僵局且具有较高的寻优精度,算法接近完全收敛时的平均迭代次数,较现有相关研究分别降低了13.73%~20.11%。