一种航线规划算法应用

主要探讨在舰载机的反舰突击作战中,如何利用A*(读做A Star)算法在航线规划中进行最优航线选择。在想定条件下,利用A*算法为红方的突击群兵力规划一条威胁最小的突击航线,并在假设数据条件下,通过Matlab对算法的实现,给出相应的突击航线。     

应用AHP法实现指控系统软件可靠性指标分配

软件可靠性分配是软件设计过程中一项重要的质量保证活动.介绍了层次分析法(AHP)的原理及其在指控系统软件可靠性指标分配中的应用过程,包括软件的层次结构模型的建立,系统中各层软件元素相对权值的确定,各软件模块相对于软件实用性的组合权重的确定以及获取软件实用性最大化的可靠性分配模型(基于成本约束)的建立.还讨论了应用信赖度算法求解可靠性分配非线性方程组,从而求得各软件模块的可靠性分配值的方法.     

高精度传递对准仿真用飞行轨迹设计

高精度且逼真的飞行轨迹是传递对准仿真各环节有效实施的前提。目前仿真采用的飞行轨迹或缺乏逼真性,或精度不高,很难满足传递对准仿真的要求。通过对战机飞行原理及传递对准仿真用轨迹特征分析,建立飞行轨迹生成模型,设计出高精度轨迹产生算法,实现了VC++环境下的飞行轨迹生成软件。通过对算法分析及实例仿真,验证了软件能够灵活产生各种供传递对准使用的飞行轨迹,且数据产生速度快、精度高,符合传递对准仿真的需求。     

基于蚁群算法的航空弹药需求测算

智能化是现代航空弹药需求与指挥控制系统的发展趋势,如何进行合理快速地调拨航空弹药是系统设计过程中的关键任务之一。为此,提出了依据目标对航空弹药进行选择的策略,利用蚁群算法对战斗目标进行聚类分析,对各类目标进行模糊综合评判,从而确定装备出动方案,依据弹药与装备的关系,对满足既定保障度的弹药需求量建立模型,并计算出满足既定保障度的弹药供应量,为战前对战场态势预估,实现弹药战时及时准确调拨,为作战弹药准备提供依据。     

水下结构声辐射FEM/BEM简化计算方法研究

为提高水下结构声辐射FEM/BEM方法的计算速度,首先以节点位移作为中间变量对湿表面处结构和流体的运动方程进行解耦;然后,采用单元的外法向矢量来表示相关系数,并简化了积分奇异性的处理;最后,以脉动球和水下加筋圆柱壳为算例进行了计算,计算结果、理论结果与试验结果吻合较好,由此验证了方法的有效性。     

充分发展湍流管道内壁边界的红外定量识别

基于导热的管道内壁边界识别已发展成熟,但更贴合实际的湍流管道内壁边界的定量识别尚未见报道。通过关联COMSOL和MATLAB,利用有限元方法和Levenberg-Marquardt算法对二维轴对称充分发展的湍流管道内壁边界形状的稳态识别进行研究。数值实验证明了本方法的有效性。结果表明,在含内壁缺陷的湍流管道中,外壁最大温差和由缺陷引起的绝对温差并不是同步增加的;在进行内壁边界反问题识别时,由于绝对温差中负增长的出现,绝对温差越大,识别结果未必越好;识别精度在不规则内壁终点处略微变差。     

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。     

复杂网络影响力极大化快速评估算法

分析复杂网络中影响力极大化问题,设计一种新的启发式算法框架。针对信息传递中节点的交互方式进行分析,给出节点在任意时刻处于信息接收态的概率。通过期望计算得到种子节点集传播影响力的近似估计,实现集群影响力快速计算,进而得到基于序列采样的影响力极大化快速评估算法。特别地,对于六个来自不同领域的真实网络上的影响力极大化问题进行了研究,仿真结果表明：该方法能够高效识别网络中具有重要传播影响力的节点集,在三种常见度量准则下的表现均明显优于三种影响力极大化问题基准算法。     

具有随机分形自适应搜索策略的蚁狮优化算法

针对蚁狮算法在平衡开发能力与探索能力不足的缺点,提出了具体有随机分形自适应搜索策略的改进算法。在该策略中,蚂蚁利用随机分形搜索方程提高算法的探索能力;蚁狮利用自适应搜索方程在最优位置进行精细搜索,以提高算法的开发能力。对3个单峰、3个多峰标准测试函数进行寻优,仿真结果表明,相比于其他算法,所提出的改进算法很好地平衡了自身的开发能力和探索能力,显著提高了全局优化能力和收敛速率。     

改进的聚类算法在入侵检测系统中的应用

K-中心点聚类算法是几种经典的聚类算法之一。但传统的K-中心点聚类算法的效率以及稳定性较低,聚类的过程缓慢,容易陷入局部最优解,使得聚类最终结果的准确性不能得到保证。为此,提出了一种基于数据的"密度"信息有效地改进K-中心点聚类算法并应用于入侵检测模型。该算法很好地克服了传统的K-中心点聚类算法过分依赖初始中心点选择的弊端,并且用实验分别验证,以这种方法来进行数据的聚类相比于传统的K-中心点聚类算法,显著提高了数据集聚类的效果,在入侵检测系统的应用中也有效地提高了检测率和降低了误检率,具备一定的实用价值。