一种应用于移动机器人的路径跟踪控制方法

针对移动机器人的路径跟踪复杂性问题,设计了一种易于实现的控制系统,其中的跟踪策略改进了传统的视线导航算法,使机器人光滑趋近到期望路径,控制器的设计采用基于模糊逻辑的变速度控制和角速度滑模控制,减小了角速度的抖振,并使控制具有一定的智能化特点.实验结果表明,设计的控制系统即可以保证路径跟踪的精度,同时避免了运动控制的不稳定性.     

静态初始条件下的歼击机中距攻防引导方法决策

在静态初始条件下,歼击机中距攻防引导方法的选择是一个定性与定量相结合的类别划分问题,因此,将粗糙集理论与概率神经网络相结合用于该问题的解决。首先,利用粗糙集理论实现专家知识约简、空战态势信息集压缩,得到最小决策信息集;其次,利用概率神经网络进行概率决策推理;最后,通过实例分析,结果表明决策推理正确,在不确定环境下仍然有效,提高了决策过程的自动化程度。     

防空反导网络化作战发展研究

网络中心战是信息时代重要的作战形式,可将战场信息优势转化为决策优势,是信息技术在军事领域应用的必然选择,网络中心战在防空反导领域的应用也称为防空反导网络化作战.主要跟踪研究了国内外网络中心战的最新进展和发展趋势,分析了网络化作战的特点和关键技术,针对我国防空反导武器系统的现状,提出了防空反导网络化作战的发展建议.     

基于复杂网络的空间信息支援力量体系结构同步能力研究

运用复杂网络理论的基本原理对空间信息支援力量体系结构的同步能力进行了研究,构建了空间信息支援力量体系结构的网络拓扑模型,给出了网络同步判定依据,分析了初始连接机制、通信节点数以及总节点数的变化对空间信息支援力量体系结构整体同步能力的影响,为空间信息支援力量体系论证和作用发挥等问题的深入研究提供了借鉴和参考．     

基于复杂网络的武器装备体系贡献度评估分析方法

根据结构决定功能的系统论观点,基于复杂网络理论对武器装备作战体系网络的拓扑结构进行了分析,构建了基于不确定性自信息量的武器装备作战体系作战效能分析模型,提出了计算武器装备体系贡献度的方法,并通过算例验证,探讨了网络结构演化及度量参数改变对武器装备体系贡献度的影响,为武器装备体系贡献度评估分析提供了技术支撑。     

基于劣化度的装备健康状态评估模型

为了准确评估装备的健康状态,实施装备的状态维修,引入劣化度概念,结合装备的特点,确定了以装备特征参数劣化度为评估指标,运用变权模糊理论,建立了基于劣化度的装备健康状态变权模糊综合评估模型。结合地空导弹装备实际工作,进行了实例分析,验证了该方法的准确性和有效性。     

用声发射信号和改进的BP神经网络预测磨削表面粗糙度

针对磨削表面粗糙度传统BP（Back Propagation）神经网络模型在线预测时存在预测精度低、误差大等问题,以磨削声发射信号的RMS值、FFT值、标准差、方差和偏斜度5参量为输入单元,建立了三层BP神经网络来预测磨削表面粗糙度,并应用附加动量法和自适应学习速率法对其进行了改进。通过仿真优化了隐层单元数,利用模型对磨削加工10个频段的声发射信号样本进行优选,确定将300400kHz的声发射（Acoustic Emission,AE）信号作为表面粗糙度预测模型学习样本频段。实验结果显示：改进后的BP预测模型与传统BP模型相比,具有收敛速度快、预测精度高的特点,相对误差可控制在8.66%以内。     

用人工神经网络BP算法评价城市火灾风险

深入讨论了人工神经网络的BP算法在城市火灾风险评价中应用的可行性和一些具体做法.     

改进的蚁群算法及其在卫星网络路由计算中的应用

介绍了蚁群算法的原理,然后对现有蚁群算法进行了一些改进,使它能够快速地收敛以满足高速变化的卫星网络拓扑结构.采用改进的虚拟拓扑策略解决了卫星网络拓扑高速变换的问题,将改进的蚁群算法应用于其上,并给出了相应的性能评估.所提出的改进的虚拟拓扑策略,能够大大减少一个系统周期内卫星网的时间片个数.应用于此基础上的改进的蚁群算法也体现了较好的性能.     

Non‐greedy heuristics and augmented neural networks for the open‐shop scheduling problem

In this paper we propose some non‐greedy heuristics and develop an Augmented‐Neural‐Network (AugNN) formulation for solving the classical open‐shop scheduling problem (OSSP). AugNN is a neural network based meta‐heuristic approach that allows integration of domain‐specific knowledge. The OSSP is framed as a neural network with multiple layers of jobs and machines. Input, output and activation functions are designed to enforce the problem constraints and embed known heuristics to generate a good feasible solution fast. Suitable learning strategies are applied to obtain better neighborhood solutions iteratively. The new heuristics and the AugNN formulation are tested on several benchmark problem instances in the literature and on some new problem instances generated in this study. The results are very competitive with other meta‐heuristic approaches, both in terms of solution quality and computational times. © 2005 Wiley Periodicals, Inc. Naval Research Logistics, 2005.