基于深度强化学习的无人机实时航迹规划

随着无人机技术的应用和发展,无人机执行任务的飞行环境愈发复杂多变,对无人机机动避障能力和航迹规划的实时性提出了更高的要求。基于泛化性较好、对环境依赖弱的深度强化学习算法,以雷达实时获取的障碍物地图信息为基础进行实时路径规划,针对二维航迹规划问题特点设计了连续奖励函数,解决了强化学习算法在二维平面航迹规划中奖励稀疏的问题;基于迁移学习的思想设计多个训练环境,并按任务的难易程度进行分步训练,降低了算法的训练难度,提高了训练效果,并使算法的收敛效果更加稳定。在实验中将SAC算法与目前主流的PPO和TD3算法进行对比,实验结果表明：SAC算法收敛速度快,实时性好,航迹平滑度更好。     

水下结构声辐射FEM/BEM简化计算方法研究

为提高水下结构声辐射FEM/BEM方法的计算速度,首先以节点位移作为中间变量对湿表面处结构和流体的运动方程进行解耦;然后,采用单元的外法向矢量来表示相关系数,并简化了积分奇异性的处理;最后,以脉动球和水下加筋圆柱壳为算例进行了计算,计算结果、理论结果与试验结果吻合较好,由此验证了方法的有效性。     

充分发展湍流管道内壁边界的红外定量识别

基于导热的管道内壁边界识别已发展成熟,但更贴合实际的湍流管道内壁边界的定量识别尚未见报道。通过关联COMSOL和MATLAB,利用有限元方法和Levenberg-Marquardt算法对二维轴对称充分发展的湍流管道内壁边界形状的稳态识别进行研究。数值实验证明了本方法的有效性。结果表明,在含内壁缺陷的湍流管道中,外壁最大温差和由缺陷引起的绝对温差并不是同步增加的;在进行内壁边界反问题识别时,由于绝对温差中负增长的出现,绝对温差越大,识别结果未必越好;识别精度在不规则内壁终点处略微变差。     

空陆攻防博弈的动态武器目标分配

大规模作战具有高动态、非完全信息和不确定性,在分析归纳目前解决动态武器目标分配问题的一系列方法的基础上,尝试构建基于双方动态博弈的攻防对抗综合数学模型,并利用纳什均衡和帕累托最优算法进行分阶段求解。结果表明,该数学模型和博弈论方法结合能够有效解决武器目标动态分配问题。     

采用PageRank和节点聚类系数的标签传播重叠社区发现算法

基于标签传播的社区发现算法可以检测出复杂网络的重叠社区结构,因此提出了一种基于PageRank和节点聚类系数的重叠社区发现算法。该算法使用PageRank算法对节点的影响力进行排序,可以稳定社区发现结果,节点的聚类系数是一个与节点相关的值,使用节点聚类系数修改算法的参数并限制每个节点拥有最多标签的数量值,可以提高社区挖掘的质量。在人工网络和真实世界的网络上测试,实验验证了该算法能够有效地检测出重叠社区,并具有可接受的时间效率和算法复杂度。     

视频监视前景图像估计的盲源提取方法

在视频图像运动检测的背景消减方法中,场景图像或帧可建模为前景图像和背景图像的叠加或线性混合。然而,实际中图像的背景和前景往往相关,常用的主成分分析和独立分量分析等方法难以实现准确提取。为此,将视频图像的前景提取建模为盲源提取问题,提出了一种基于均方交叉预测误差的盲源提取方法,可以从相关的源视频图像中提取期望的前景图像,并将该方法扩展应用于基于基本模型和特征背景模型的背景消减方案中。基于人工和实际视频的实验验证了盲源提取背景消减方法的可行性和有效性。     

复杂网络影响力极大化快速评估算法

分析复杂网络中影响力极大化问题,设计一种新的启发式算法框架。针对信息传递中节点的交互方式进行分析,给出节点在任意时刻处于信息接收态的概率。通过期望计算得到种子节点集传播影响力的近似估计,实现集群影响力快速计算,进而得到基于序列采样的影响力极大化快速评估算法。特别地,对于六个来自不同领域的真实网络上的影响力极大化问题进行了研究,仿真结果表明：该方法能够高效识别网络中具有重要传播影响力的节点集,在三种常见度量准则下的表现均明显优于三种影响力极大化问题基准算法。     

具有随机分形自适应搜索策略的蚁狮优化算法

针对蚁狮算法在平衡开发能力与探索能力不足的缺点,提出了具体有随机分形自适应搜索策略的改进算法。在该策略中,蚂蚁利用随机分形搜索方程提高算法的探索能力;蚁狮利用自适应搜索方程在最优位置进行精细搜索,以提高算法的开发能力。对3个单峰、3个多峰标准测试函数进行寻优,仿真结果表明,相比于其他算法,所提出的改进算法很好地平衡了自身的开发能力和探索能力,显著提高了全局优化能力和收敛速率。     

改进的聚类算法在入侵检测系统中的应用

K-中心点聚类算法是几种经典的聚类算法之一。但传统的K-中心点聚类算法的效率以及稳定性较低,聚类的过程缓慢,容易陷入局部最优解,使得聚类最终结果的准确性不能得到保证。为此,提出了一种基于数据的"密度"信息有效地改进K-中心点聚类算法并应用于入侵检测模型。该算法很好地克服了传统的K-中心点聚类算法过分依赖初始中心点选择的弊端,并且用实验分别验证,以这种方法来进行数据的聚类相比于传统的K-中心点聚类算法,显著提高了数据集聚类的效果,在入侵检测系统的应用中也有效地提高了检测率和降低了误检率,具备一定的实用价值。     

组网雷达协同干扰资源分配模型及算法

针对多干扰机协同作战(Multi-Jammers Cooperative Combat,MCC)问题,研究如何在干扰资源有限的情况下对其进行充分的利用,从而获得最优的干扰收益。将雷达的威胁等级和几何精度因子(GDOP)结合作为目标函数,建立以干扰机时间利用率为约束条件的MCC问题优化模型。运用熵权法计算雷达脉宽、带宽、载频和重频的权重,并根据灰色关联相对贴近度确定雷达的威胁等级,采用离散的粒子群算法对模型进行求解。通过MATLAB仿真表明,该算法可以快速找到目标函数的最优解,得到最佳的分配方案,通过对结果的分析,进一步验证该算法的有效性和模型的可行性。