基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法

针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优。利用西储大学的轴承数据集进行试验验证,试验结果表明,该方法可自适应生成网络结构,平均诊断精度为99%,相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度。     

基于Cook-Seiford群决策算法的多机协同空战机动决策

面向多机协同空战条件下的机动决策问题,建立了三自由度战机模型,并根据空战时飞行员的实际操纵,设计出一种拓展的基本机动动作决策集。通过构造角度、速度、距离和高度优势函数建立空战态势评估模型。基于群决策理论,设计了Cook-Seiford决策算法,并首次将其应用于多机协同空战机动决策研究,有效优化了决策流程。在初始态势劣势情况下,以2对2、3对2等典型空战条件为仿真背景,将Cook-Seiford群决策算法与Copeland、Dodgson群决策算法进行对抗空战仿真。仿真结果表明,基于Cook-Seiford群决策算法的协同机动决策能够取得明显对抗优势,验证了本文设计算法的有效性,为将群决策算法用于求解多机协同空战决策提供了一种新的思路。     

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。     

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。     

装备器材库存结构优化方法研究

器材是装备保障效益实现的物质基础,针对装备器材管理工作的关键环节——器材库存结构优化过程中涉及的相关问题,整理、分析了国内外相关研究现状,重点对节点库存优化与层级库存模式调整方法进行综述,并着眼于系统工程,充分考虑库存结构与器材供应的相互影响,对装备器材库存结构优化方法的下一步的研究重点与趋势进行了展望。     

随机需求下供应商主导的多轮次协调模型

针对随机需求下供应链的供销订购冲突问题,提出一种基于Stackelberg主从对策的供应链多轮次协调订货机制,供应商作为主方制定批发价,零售商作为从方以最优订货量和零售价响应,供应商和零售商进行多轮次自主协调。利用粒子群优化算法和遗传算法对该模型进行仿真计算,仿真结果表明:批发价让步策略可以提高整个供应链的利润,验证了粒子群算法在最优解、求解速率和稳定性方面比遗传算法均要更优。     

舰炮身管的模态分析与多目标优化

舰炮的炮口扰动是影响舰炮射击精度的重要因素。为了减少舰炮的炮口扰动,优化身管结构,建立了柔性身管的ABAQUS有限元模型,将有限元模型的模态计算值与模态试验值进行比较,发现建立的柔性身管有限元模型是合理可行的。提出了混沌量子粒子群算法与动力学联合优化的方法,进行身管和炮口的多目标优化。优化结果表明,优化后炮口中心的线速度、角速度和角位移与优化前相比显著减小,身管质量有所降低,结构更加合理,该优化方法有效可行,为下一步全炮总体优化设计提供了一定的借鉴。     

基于改进烟花算法的ELM分类模型

针对极限学习机(Extreme Learning Machine,ELM)的性能必须依赖于大量隐层节点的问题,提出了基于改进烟花算法(Improved Fireworks Algorithm,IFWA)的ELM分类模型。用改进的烟花算法进行迭代搜索,求得N个最优的烟花;选择ELM测试数据集的RMSE作为改进烟花算法的适应度值函数,来优化ELM每个隐层节点的输入权值和偏置,使得节点的决策水平提高,从而使ELM的决策性能显著提高;采用KDD99数据集验证表明:改进烟花算法的极限学习机(IFWAELM)能够以较少的隐层节点得到更高的测试平均正确率,提高了极限学习机的泛化性能。5种同类算法性能对比实验也表明IFWAELM是效果最优的。