基于改进粒子群算法的单预警机动态航迹规划

现代战争的战场环境复杂多变,要求预警机必须在执行任务过程中根据临时获取的战场信息进行实时动态航迹规划,因此动态航迹规划具有更强的实战意义。基于此,首先分析了预警机航迹规划与目前研究的飞行器航迹规划的不同,指出目前研究的静态航迹规划方法不能满足动态规划的实时性要求;其次,对影响预警机动态航迹规划的主要因素进行数学建模后得出代价函数;然后,基于改进粒子群优化算法对其进行动态航迹寻优;最后,通过matlab仿真证明了设计的方法能够自动进行动态航迹规划和评价选优,同时能够满足实时性要求。     

基于PSO-AFSA算法的典型集群目标瞄准点选择

利用粒子群算法快速的局部收敛性和人工鱼群的全局收敛性,提出了基于粒子群的人工鱼群混合优化算法,并用于求解常规导弹打击集群目标瞄准点选择优化问题。仿真结果表明:此算法在求解常规导弹打击集群目标瞄准点选择问题时,可以较少的迭代次数取得比较满意的瞄准点。     

基于DPSO算法的军用飞机起降调度

作战时军用飞机的起降时刻均由作战计划指定,但实际中很难精确地使每架军机在计划时刻起降.考虑到各架军机实际与计划起降时刻的偏差对作战影响的不同,以加权提前/延误和为目标函数,将军机起降调度模型转换为带到达时间的单机加权E/T调度模型,并设计了一种针对自然数域的离散粒子群算法求解该模型.仿真结果说明了所设计模型和算法的有效性.     

一种改进的SIR粒子滤波方法

SIR粒子滤波算法在重采样无法进行时可能失效,详细分析了算法失效的原因,并针对此问题提出了基于PSO的改进方法,该方法利用PSO的智能寻优机制引导重要性抽样的粒子移向高似然区,从而确保重采样过程的顺利进行。仿真试验表明,提出的改进方法可以有效解决SIR算法因重采样无法进行而导致的失效问题。     

基于信息熵的多属性群决策通指装备效能评估算法

基于通指装备效能评价指标的多样性和描述语言的模糊性,首先将对通指装备评价属性的定量、定性描述指标统一转化为三角模糊数,实现定量指标与定性指标的规范化处理,在此基础上提出一种基于信息熵排序的模糊多属性群决策算法,实现对通指装备的综合评价．最后,通过通指装备效能评估实例分析并证明了算法的可行性和有效性．     

面向任务的舰船编队视情维修决策优化

针对舰船装备维修决策优化问题,将视情维修策略与定期维修策略相结合,依据舰船任务计划,通过建立舰船编队作战能力分解模型与价值函数、维修性能恢复模型以及任务作战能力需求分析等,提出了面向任务的舰船编队视情维修策略.同时,基于维纳过程的舰船系统性能退化模型,考虑预算指标、维修工时等约束条件,以最低维修预算为优化目标建立了视情...     

机动岸导突击群作战效能评估模型研究

针对机动岸导突击群作战效能量化评估较为困难的问题,运用系统学的观点阐释了机动岸导突击群作战效能涌现性的概念,给出了其涌现性的判定准则。在分析机动岸导火力单元作战效能指标基础上,充分考虑机动岸导突击群作战体系的涌现行为,设计了突击群作战效能涌现性指标体系,提供了各项评价指标的数学模型,从而为机动岸导突击群作战效能的定量评价提供一种思路。     

变结构多模型估计第IV部分:模型群切换算法的设计和评估

在第Ⅲ部分提出了一种称为模型群切换算法(MGS)的变结构多模型(VSMM)估计器。它是第一种通用的、可应于一大类具有混合(连续或离散)不确定性问题的VSMM估计器。在这种算法中,模型集合通过在一定数目预先确定的模型群之间的切换来实现自适应。它比固定结构MM(FSMM)估计器,包括交互多模型估计器(IMM)具有更大的潜力获得更高的费效比。本文研究了算法应用中的一些比较重要的问题,包括模型群自适应逻辑和模型群的设计。研究的结果通过一个机动目标跟踪问题的详细设计例子进行了演示。这个跟踪问题使用一个时变模型集合,每个模型由目标的加速度期望值表征。仿真结果用来证实在仔细设计和非常随机和确定的情况下,MGS算法同使用所有模型的固定结构IMM(FSIMM)估计的性能(基于更合理和完全的度量,而不是仅使用通常的rms误差)和计算复杂程度的比较。     

以色列

英国海军新闻网2002年11月29日报道英国国防部亚当·英格拉姆今天公布了英国海军作战群2003(NTG03)的计划。NTG部署是每隔三年进行一次的例行部署。NTG03的主要焦点是“飞鱼”(FlyingFish)演习。“飞鱼”演习是在亚太地区进行的多国演习,是根据五强防御协议(FDPA)(包括澳洲、马来西亚、新加坡、新西兰及英国)而举行的。     

基于改进多种群PSO算法的火炮随动系统调节器参数优化

针对传统火炮随动系统调节器参数整定难以达到最优的问题,提出一种基于K-均值与惯性权重指数递减的多种群PSO(KEDM-PSO)优化算法。为保证种群的全局搜索能力得到最优的参数,采用将初始种群划分为多个子群协同寻优的策略。综合考虑系统复杂程度、种群规模、解集的多样性及收敛性,采用K-均值算法将初始种群划分为3个子群,使3个子群协同寻优。为保持种群多样性,各子群不断地聚类重组,动态调整子群规模以更好地进化。子群寻优采用惯性权重指数递减策略,使得算法具有初期搜索范围大、速度快,后期惯性权重小,利于收敛、稳定的特点。试验表明该算法是有效可行的。