应用于飞控系统评估的风洞虚拟飞行试验系统与关键技术分析

基于传统意义上的飞控系统评估方法的不足,分析了风洞虚拟飞行试验应用于飞控系统评估的优势;按飞控系统常用的姿态控制回路及制导控制回路的组成形式,介绍了风洞虚拟飞行试验系统方案与工作原理,详细分析了它与半实物仿真系统的差异;分析了风洞虚拟飞行试验应用于飞控系统评估需解决的关键技术问题,包括风洞虚拟飞行试验评估方法、飞行器模型设计技术、飞控系统改进技术及模型支撑技术。     

基于Pareto排序法的战时装备维修任务多目标调度方法

针对战时武器装备维修保障问题,建立了包括最大完工时间、延迟时间和维修单元负荷在内的多目标优化调度模型。为提高解的多样性和收敛性,构建了一种基于Pareto排序法和小生境技术相结合的遗传算法用于模型求解,引入Pareto排序和拥挤距离进行适应度计算,通过混沌系统随机生成权重系数,并使用小生境技术改进选择方式。通过实例验证表明,该方法能够有效地解决装备维修多目标调度问题。     

考虑逃逸复飞队列饱和度的舰载机回收策略

从舰载机回收问题的应用实际出发,考虑待回收舰载机战损、飞行员受伤等有别于民机的独特性因素,基于舰载机典型回收模式提出一种考虑逃逸复飞队列饱和度的回收策略。在减轻着舰指挥官和通信系统工作负担、降低舰载机飞行员操作强度、提升舰载机飞行安全性的基础上,考虑到舰载机回收是一个概率事件,通过概率分析动态设计专用回收点,解决了逃逸复飞队列与正常待机队列中舰载机抢夺回收点资源的问题,为舰载机回收提供了一个新的解决方案。     

军事云环境下基于动态博弈的资源调度方法

针对军事云环境下联合指挥资源调度优化问题,综合考虑了多部队任务需求,多目标优化,多部队资源竞争等约束条件,运用动态博弈理论及方法,建立并提出了一种基于完全信息扩展博弈的资源调度模型及方法,提高了资源调度效率,兼顾了多部队利益,增加了联合作战效益。最后通过实验验证了其有效性及准确性。     

基于0-1分辨矩阵的集群探测盲区判定

针对航空集群协同反隐身探测盲区的识别判定问题,在多种编队构型下的集群协同探测仿真结果的基础上,运用属性的0-1分辨矩阵方法进行识别,对于连通的区域,建立相关模型,求得允许目标通过的最小宽度,将建立的模型应用到模拟作战中,仿真结果验证模型的正确性和合理性。结论表明,航空集群协同横向探测盲区可视为探测区下的保护区;纵向探测盲区则视为连通区域;斜探测盲区的判定,则依据通道倾斜角、通道长度和宽度的比值而定。     

基于多服务台等待机制的作战飞机出动强度研究

飞机出动强度是指挥人员对航空兵进行作战编组和任务区分的重要参考依据,对科学合理运用航空兵部队遂行作战任务具有重要影响。通过分析作战飞机空中活动和地面活动过程,探讨了影响作战飞机出动强度的因素,建立基于多服务台等待机制的作战飞机出动强度模型,并以此为基础进行了实例计算。     

示踪瞄准在小口径高炮火控系统设计中的应用

针对现有高炮火控系统中的一些问题 ,提出一种新的射击瞄准控制体制并给出了相应的实现方案。该方案以示踪瞄准为其基本原理 ,不需要对目标运动规律做出任何假设 ,也不需要平滑时间 ,因而可缩短系统的反应时间 ,适应了现代防空作战的需要。     

基于共进化的多任务分配与调度

在考虑多种约束关系基础上 ,提出一种并行与分布式系统中多约束关系的任务分配与调度的共同进化遗传算法。仿真试验结果表明所给算法比传统单种遗传算法更能有效地进行多任务分配与调度 ,具有一定的工程价值     

A self‐adapting genetic algorithm for project scheduling under resource constraints

This papers deals with the classical resource‐constrained project scheduling problem (RCPSP). There, the activities of a project have to be scheduled subject to precedence and resource constraints. The objective is to minimize the makespan of the project. We propose a new heuristic called self‐adapting genetic algorithm to solve the RCPSP. The heuristic employs the well‐known activity list representation and considers two different decoding procedures. An additional gene in the representation determines which of the two decoding procedures is actually used to compute a schedule for an individual. This allows the genetic algorithm to adapt itself to the problem instance actually solved. That is, the genetic algorithm learns which of the alternative decoding procedures is the more successful one for this instance. In other words, not only the solution for the problem, but also the algorithm itself is subject to genetic optimization. Computational experiments show that the mechanism of self‐adaptation is capable to exploit the benefits of both decoding procedures. Moreover, the tests show that the proposed heuristic is among the best ones currently available for the RCPSP. © 2002 Wiley Periodicals, Inc. Naval Research Logistics 49: 433–448, 2002; Published online in Wiley InterScience (www.interscience.wiley.com). DOI 10.1002/nav.10029