多约束多关联条件下的目标选择

处理了如何从具有复杂关联和多种约束的目标集中选择目标的问题。首先,对目标集的组成结构和目标间的相互关联关系进行了描述,并分析了目标选择的两种约束类型,建立了多约束多关联条件下的目标选择模型。然后使用惩罚函数将多约束目标选择问题转化为无约束问题,给出了用遗传算法求解模型的方法步骤。最后通过案例表明,该方法结果稳定,优化效果好,能够在目标间具有复杂关联的条件下为军事人员进行目标选择决策提供有效的辅助。     

基于兹-QPSO的战斗机机动规避优化方法

规避导弹攻击对于提高战斗机生存能力具有重要意义。首先,建立战斗机和导弹的运动模型及导弹导引律模型,采用直接多重打靶的参数化方法,将机动规避最优控制问题转化为非线性规划问题;采用相位角编码量子粒子群优化算法（兹-QPSO）实现参数寻优,并结合滚动优化的思想,利用模型预测控制得到规避轨迹闭环解和战斗机的实时控制量。最后仿真验证了该方法的合理性和算法的有效性。     

基于AHP的软件测试用例优化

针对典型用例优化方法的缺点,以功能模块覆盖率为基础利用层次分析法(简称AHP)对蚁群算法(简称ACO)、遗传算法(简称GA)进行改进,创建了新的测试用例优化方法。该方法能够对原始用例集进行精简和优先排序,降低了软件测试成本、提高了用例集的错误检测速率。最后以某型系统的基本操作模块为例进行了该技术实现流程的详细阐述。     

弹药自动装填机器人免疫遗传模糊神经滑模控制

提出了一种基于改进免疫遗传算法的弹药自动装填机器人自适应模糊神经滑模控制器(IIGAAFNSMC)。用径向基神经网络来近似等效滑模控制中的不确定参数,通过自适应免疫遗传算法在线调整径向基神经网络非线性隐含层的结构和参数。利用最小二乘法计算线性输出层的权值,自适应模糊系统调节滑模控制的增益,减小了网络逼近误差和外部干扰并消除了传统滑模控制中的抖振问题。仿真结果表明,该方法比传统的神经网络滑模控制器具有更高的逼近精度和速度。     

基于遗传算法的雷达管控问题

通过对雷达组网系统责任区保障问题的深入研究,以完成对责任区的保障任务为目的,使责任区各个高度层均满足一定联合探测概率和雷达覆盖系数为约束条件,以雷达网整体工作代价最小为目标函数,构建了有干扰情形对雷达的管理和控制(以下简称雷达管控)数学模型。运用改进的遗传算法对雷达管控模型进行求解,通过设定保护概率保存了最优个体的遗传性,通过合理的算法参数设置改善了算法的性能。仿真算例和实际应用结果表明,雷达管控达标率由管控前的36.54%上升到63.46%,达到100%,雷达管控结果符合管控要求,且雷达开机数量较少,采取的抗干扰措施合理,验证了模型和方法的有效性。     

基于遗传算法与最大最小原理的故障模式特征选择

在诸如液体火箭发动机等复杂动力学系统的故障诊断中，监控参数组的优选问题一直受到工程技术人员的高度重视。本文提出了综合样本矢量方向离散度概念，以此作为故障特征参数的优选准则；然后利用经过改进的遗传算法，对某液体火箭发动机常见故障的诊断进行了特征参数组的优选。在改进的遗传算法中，采用了非常简洁而高效的染色体编码，针对特征优选的组合优化类问题专门设计了一种特殊的基因迁移算子，并引进了父本个体适应值的动态调整技术与共享函数。数值实验结果表明，该算法具有理想的效果。     

量子算法模拟实现技术研究

量子计算并行性展示了强大的运算能力 ,但现实条件决定了目前量子算法研究主要依靠模拟进行。本文介绍了量子计算的基本原理和计算模型 ,对量子算法的模拟实现技术进行了分析。通过对量子算法模拟的时空分析 ,指出目前量子算法模拟中存在的一些问题 ,讨论了今后的一些研究方向。     

遗传算法在动力学优化中的应用

根据动力学优化设计问题的特点,并利用复合形法对一般遗传算法进行了改进,在此基础上提出了一种新的动力学优化设计方法。数值分析结果表明,该方法结果正确,算法简洁。     

遗传算法及其应用

简述了遗传算法的其本原理和特点,并将其应用于声纳目标特征的选择。实验结果表明了遗传算法在模式特征优化和选择中的优势。     

引入优化算子的无人机遗传航路规划算法研究

在大范围真实地形环境中规划出满足任务要求、导航、安全性等约束的较优航路,对提高无人机(UAV)的武器系统性能有重要意义。在基于直接航路编码的遗传算法中引入优化操作算子,将复杂约束合理地应用于遗传进化过程,可以较好地克服一般遗传操作的不足。采用均匀设计的试验方法确定较优的控制参数,并通过算例验证了算法的有效性。