车载机枪托架行进间发射动力学分析与优化

托架是车载机枪上的主要承力构件,其刚强度和动力学性能会对车载机枪射击产生较大影响。基于路面不平度理论和发射动力学理论,建立了某12.7 mm车载机枪的行进间发射动力学模型。对行进间射击时的车载机枪托架,在极限射角及平射状态分别进行10发连射过程的仿真分析。以减轻托架结构质量和降低托架支撑板行进间发射时的交错变形为目标,结合拓扑优化分析与参数化建模方法,对托架进行结构优化设计,并对优化前后的托架力学性能进行对比。分析表明：平射时托架工况最为恶劣,托架满足强度要求;托架支撑板交错变形会引起枪口产生0.011 3 mm的偏移,通过对托架结构优化设计,结构质量减小31.82%,提高托架支撑板刚度匹配性,支撑板的交错变形量减小85%。对车载机枪及遥控武器站的设计具有指导意义,为其他机载武器及遥控武器站设计提供参考依据。     

基于DEM数据和遗传算法的对海雷达部署优化研究

针对当前雷达组网部署优化问题缺少对海探测研究,以及基于实际地形数据的遗传算法(GA)求解复杂度高的问题,开展了基于数字高程模型(DEM)数据和遗传算法的对海探测部署优化研究。基于预先阵地和对海探测雷达威力模型,所提的算法可有效减少遗传算法寻优空间,极大提高优化求解速度。仿真表明,该算法可获得和遍历法近似的最优结果,随着部署规模的增大,具有明显的速度优势。     

基于CE-QPSO算法的联合火力打击方案智能优化方法

针对联合火力打击方案优化“既快又精”需求难题,设计了CE-QPSO算法,提出了基于该算法的联合火力打击方案智能优化方法。该算法充分结合了交叉熵算法良好的全局寻优能力和量子粒子群算法高效运行的特点,通过构建离散概率矩阵,使粒子的不确定性运动更具方向性,提高了粒子的协同寻优能力。实验结果表明：基于该算法的联合火力打击方案智能优化方法能够有效提升联合火力打击方案的优化效果和优化效率,且相比于标准交叉熵算法和标准量子粒子群优化算法具有明显优势。     

基于智能反射面辅助的无人机主动监听优化方法

针对可疑用户可能利用无线通信危害公共安全的问题,通过智能反射面和无人机组合的方法来帮助合法监视器监听可疑链路。首先,考虑了无人机与地面用户以及地面用户之间复杂的信道交互,构建了一个合法监视器监听速率最大的优化问题。其次,为了解决这个复杂的非凸优化问题,采用深度强化学习技术,将无人机的轨迹规划和智能反射面的相移变化问题建模为马尔可夫决策过程,设计了相应的奖励函数,并基于最大熵的深度强化学习算法实现无人机和智能反射面相移设计的联合优化。最后,从仿真结果看,与无智能反射面的优化方案相比,有智能反射面的优化方案不仅提高了合法监视器的监听速率,还降低了无人机的能耗,另外智能反射面反射单元的不同数量也会对监听速率产生影响。同时,相较于近端策略优化,基于最大熵的深度强化学习算法的优化策略拥有更稳定的训练过程和更快的收敛速度。     

多UCAV协同控制中的任务分配模型及算法

任务分配是多UCAV协同控制的核心和有效保证。分析了影响目标价值毁伤、UCAV损耗、任务消耗时间等三项关键战技指标的因素,综合考虑实战中多UCAV同时攻击同一目标和使用软杀伤武器这两种典型情况对UCAV执行任务的影响,建立了针对攻击任务的多UCAV协同任务分配模型,并应用粒子群算法求解。仿真结果验证了模型的合理性和算法的有效性。     

基于松弛序列凸优化的轮式机器人协同轨迹规划

针对威胁环境下的多智能体协同轨迹规划问题,以轮式机器人为对象,研究了基于序列凸优化方法的协同轨迹规划方法.首先通过对轮式机器人模型的分析,给出单独轮式机器人实际物理约束,同时以状态量、控制量加权为性能指标,考虑运动学方程、避障避碰约束、个体物理性能约束、终端约束,建立多轮式机器人协同轨迹规划问题;其次,对运动学方程、避...     

柔性网空中联合组网参数配置优化算法

针对联合组网拦截无人机过程中,柔性网短时高动态非线性特性,建立柔性网力学模型与空中展开动力学模型.结合柔性网拦截目标过程中需要考虑的约束条件,提出评价联合组网捕获方法性能的评估指标,基于分解的多目标优化算法对多网联合组合发射参数进行优化设计.通过仿真试验获取了约束条件下两网联合组合发射、三网联合组合发射、四网联合组合发...     

基于多级统筹图的任务管理及优化方法研究

随着现代工业的发展和职责分工的细化,当前统筹图的单层结构存在不适应多级关系、不灵活组织协作、不高效重组任务等问题。研究当前典型任务之间的关联关系,发现多任务之间主要有前后置、主分支和父子3种关联关系,进而采用嵌套结构支撑复杂统筹图的拓展,提出一种多级结构的改进统筹图。根据网络图最短路径的动态规划思路,依次对复杂任务的关键线路进行调整优化,提高多级统筹图对复杂任务的组织能力和完成效率。案例在不额外增加资源消耗的前提下,通过任务节点的分支构建和父子拆解,任务执行时间由11 h减少到8 h,说明改进的多级统筹图能够处理好复杂任务的多级关系,降低任务的时间消耗。     

基于深度强化学习和导航向量场的卫星规避拦截算法

针对在轨卫星规避拦截问题,提出了一种新的基于强化学习和三维李雅普诺夫导航向量场（3D-LGV）算法。首先,采用3D-LGV产生收敛于椭圆轨道的趋近律,保证规避拦截后能再次入轨。其次,针对拦截卫星利用扰动流体动态系统算法（IFDS）产生扰动流场,利用该扰动流场对导航向量场产生的趋近律进行修正,从而保证卫星能有效地规避拦截。由于IFDS算法中扰动流场大小和方向主要受其中反应系数和方向系数的影响,采用近端策略优化深度强化学习算法作为决策层输出反应系数和方向系数,用于指导卫星在不同场景下提供合适的对导航向量场的修正。最后,通过将IFDS算法修正后的趋近律作为卫星的最终运动方向,实现了整个规避过程。在构建的不同场景下进行了对比实验,结果表明,相较于滚动时域优化算法（RHC）、人工势场算法（APF）和传统IFDS算法,基于强化学习的算法决策时间更短、规避效果更好,在不同场景下均能实现有效规避。同时,对该算法进行蒙特卡洛仿真,统计结果显示卫星规避成功率高达98%。因此,此研究对智能方法在卫星规避拦截领域的应用具有一定价值。