基于蚁群算法的舰艇编队海上补给路径规划方法

将海上补给路径规划问题(URRP)与传统的旅行商问题(TSP)进行比较,分析了它们之间的联系与区别。在此基础之上,应用一种改进的TSP问题,对海上补给路径规划进行了数学描述。针对平时和战时对编队海上补给的不同要求,分别建立了海上补给路径规划模型,确定了规划问题的目标函数。构造了蚁群算法,对URRP问题进行求解,并以平时的海上补给路径规划问题为例,得出了海上补给的最优路径。计算结果验证了该模型和算法的可行性。     

基于人工蜂群算法优化的改进高斯过程模型

高斯过程(GP)的非线性特征导致其对大样本的训练时间复杂度过高,而且其超参数的选取是否适当直接影响高斯过程回归模型的预测精度。提出采用人工蜂群(ABC)算法优化改进GP以减小时间复杂度和提高预测精度。改进GP通过选取训练样本的子样本进行模型学习,以降低训练过程的时间复杂度。ABC通过优化改进GP的超参数,提升预测精度。选取训练样本的子样本构建改进GP回归(GPR)模型,采用ABC算法搜寻改进GPR的最优超参数,并用得到的超参数构建最优的改进GPR模型,输入测试样本进行预测并输出预测精度。将该模型应用于解决海上远程精确打击(LPSS)体系作战效能评估问题中,通过MATLAB仿真实验,与常见的多种优化方法相比较,验证了该模型的有效性。     

威胁环境生存突防优化策略分析

讨论了影响飞机作战生存性的主要因素,建立了生存概率模型。根据生存概率模型确立了威胁环境生存突防优化策略。最后,为了简化计算推导了实用危险性模型     

基于最优化模型的太阳影子定位方法

针对利用太阳影子实现目标的定位问题,分析得到影响影子长度的参数,确立了影长与太阳高度角、目标物长度、经纬度等的函数关系,并结合最小二乘法思想,建立了以理论影长与实际影长之差的平方和最小为目标的优化模型。以直杆为例,运用粒子群优化算法快速求解得到目标的可能位置,并与实际地点进行了比较。     

基于邻域最优控制理论的中制导弹道簇生成

针对临近空间高超声速目标飞行速度快,跟踪预测难的特点,提出了在中制导阶段进行最优弹道设计与弹道簇生成用于对目标预测命中区域进行有效覆盖的方法。首先,通过分析临近空间高超声速目标对现有防空体系带来的挑战,阐明了在中制导段进行弹道簇设计与生成的必要性,其次,将中制导段的弹道规划问题视为求解满足多种约束条件下的最优控制问题,应用最优化理论方法得到了基准的最优弹道,再次,应用邻域最优控制理论,针对终端约束条件进行调整,设计了邻域最优弹道簇的生成算法。最后,通过仿真验证了所提方法的有效性。     

连续求解样本协方差矩阵迹的快速递推算法

为解决当样本数据不断增加时,利用传统方法反复计算样本协方差迹耗时多的缺点,提出了一种快速递推算法。理论分析和仿真试验都表明,算法的时间复杂度比传统的方法降低了一个数量级,从而大大减少了计算时间。     

基于进化搜索策略的并行子空间设计算法

并行子空间设计是一种有效的多学科设计优化算法,但其搜索策略存在两点不足:一是寻找全局最优解能力有限,二是计算复杂。为弥补上述不足,将遗传算法应用到CSD算法中,提出了一种基于进化搜索策略的CSD算法。介绍了该算法的设计流程,应用该算法对一测试问题进行了优化,取得了满意结果。     

一种新的高分辨率ADC有效位数测试方法

谱分析法和正弦拟合法是ADC动态特性测试的两种常用方法。但在测试信号源信噪比较低的情况下,两种方法的测试结果都存在较大的偏差。提出了一种新的ADC动态性能测试方法,该方法能较好消除信号源对测量结果的影响,使得在普通信号源下可以测试高分辨率的ADC。仿真分析证明了这一测试方法的正确性。最后给出了采用该方法对一ADC系统的实测结果。     

基于Hamming网络的空袭目标评估模型

针对空袭目标威胁程度评估问题,在模糊优化模型的基础上,提出了一种基于Hamming神经网络的求解方法.该方法将神经网络与模糊优化模型相结合,既方便了原问题的描述又简化了问题的求解,发挥了二者的集合优势.经仿真试验证明了该模型的有效性.该方法为此类问题的研究提供了一种有效、可靠的新途径,同时它也是模糊理论与人工神经网络相结合的理论方法的有益尝试.     

基于BP神经网络的空中目标识别方法

提出了一种利用BP神经网络用于空中战机目标识别的方法.首先,分别用300张不同姿态的F-16和F-22战斗机图片建立样本图库.其次,利用不变矩理论,提取图片的不变矩作为神经网络的输入量,分别采用基本梯度下降算法、有动量和自适应学习速率梯度下降算法和Levenberg-Marguardt优化算法训练BP网络.然后从样本图库中随机抽取两种型号飞机图片各30张作为空中打击目标进行识别,结果表明采用LM优化算法的BP网络具有一定的抗噪声能力.