基于仿真实验的弹道导弹阵地优选

合理部署弹道导弹位置对于提高作战效能具有至关重要的作用。基于解析计算的优化方法难以反映环境因素、武器装备的技术和动力特性等不确定性因素对部署位置的影响,求得的结果存在置信度低的问题。故将解析法与仿真实验相结合,以体系对抗条件下弹道导弹作战效能评估的数学模型为基础,建立了由各种作战实体和行动的模型聚合而成的弹道导弹攻防对抗仿真模型,然后通过仿真实验找出最优部署位置,最后给出了应用示例。实验表明该方法具有速度快、效率高、结果清晰直观的特点,可为指挥员提供科学、快速的决策支持。     

【专题】智能化导弹质量检测方法研究

导弹是由各种类型装备组成的综合性很强的复杂系统,智能技术的引入进一步丰富了智能导弹质量特性的内涵,对质量检测和控制提出了更高要求,需要开发与之相适应的检测方法。本文先给出了智能导弹的定义和内涵,分析了其智能特性,接着概述了智能化导弹的结构组成,分析了各智能部件的功能和结构组成,从智能化导弹结构组成及测试参数、智能化部件的嵌入式软件作用、零部件机械加工精度等方面提出了智能化导弹质量检测的需求,并在此基础上结合智能化制造等技术提出了在线检测、自动检测/测试、BIT自检、软件测评技术以及弹载遥测的智能化导弹质量检测途径和方法。     

基于改进粒子群算法的联合火力打击目标分配研究

针对联合火力打击目标分配涉及影响因素多、存在大量参数和变量的特点,建立了联合火力打击目标分配模型,采用改进的粒子群算法探讨了目标最优化分配问题。对粒子群算法中解空间存在的可能解进行编码,将可能解进行交叉、变异和选择操作得到新的粒子个体,不断迭代,从而得到可行的最优解。通过对一个作战想定的多次仿真,进一步表明了算法的可行性和有效性,为指挥员科学决策提供了依据。     

基于变异离散粒子群的协同空战攻击决策算法

为了提高智能协同空战攻击决策算法性能,将变异策略引入到DPSO(Discrete Particle Swarm Optimization)协同空战攻击决策算法中,提出了一种新的基于变异离散粒子群(Mutation Discrete Particle Swarm Optimization,MDPSO)的协同空战攻击决策算法。基于典型空战想定背景,仿真验证了算法的有效性。采用对比实验方法,基于准确性、可靠性和快速性等关键性能指标,分析比较了基于MDPSO协同空战攻击决策算法与多种智能决策算法,验证了基于MDPSO的协同空战攻击决策算法有着较好的综合性能。     

舰载综合反潜分系统仿真训练系统构建与优化

阐述了各型反潜系统的性能、特点与组成,分析了舰载反潜武器作战过程,利用结构化设计思想构造了反潜作战仿真模型,以最新型反潜火控设备为依托,结合部队模拟训练的特点,运用创新设计理念,优化了反潜分系统界面与指挥控制流程,对仿真模拟分系统的研制具有参考价值。     

某自动补弹系统翻转机构的优化设计

根据自动补弹系统中翻转机构的功能和设计要求,设计了一种新型的翻转机构,使用ADAMS软件对其进行优化设计,得到相应的曲线和较为理想的结果参数。结果表明通过对翻转机构的优化设计,为自动补弹系统翻转机构的改进设计起到指导作用,该方法对自动补弹系统中其他机构的优化分析也具有一定参考价值。     

舰载机机翼模型的快速建模技术

舰载机机翼结构的优化设计过程中需要建立大量的复杂仿真模型,传统仿真软件不能解决其快速建模问题。基于航空领域中广泛使用的CATIA设计平台,提出了一种针对某型号舰载机机翼模型的快速建模方法。通过对模型种类划分、建模基准及建模标准化流程的封装,建立了机翼中各类组成零件三维模型的快速设计模板,实现了快速自动建模。结果表明,机翼骨架快速建模系统能够建立优质高效的三维模型,为整机的分析及系统的仿真提供了有力的保障。     

合成分队双层主从决策模型研究

针对合成分队不同指挥层级之间的决策交互优化问题,提出了基于主从决策的双层武器目标分配模型。该模型能够体现上下指挥层级之间交互式决策协调优化的特点:上层目标为主攻方向我方遭受威胁最小,下层目标为对敌打击最大。结合合成分队作战决策的特点和要求,提出了一种求解该模型的改进型粒子群优化算法。仿真结果表明,该模型合理有效,改进的求解算法能够获得满意解。     

基于优先权的分布式网络设备智能轮询策略研究

针对大型网络其地域分布广,监测对象较多,监测周期过长,实时性较差且管理流量负载较大等问题,提出一种分布式网络设备智能轮询策略。在域内,针对轮询周期调整问题,通过构造体现管理者意志的评判矩阵和求解反映数据特征的DFT(离散傅立叶变换)确定轮询优先级和轮询周期取值范围,提出了基于变化率的轮询周期调整算法;在域间,通过触发和查询实现对特殊事件的采集。最后进行了仿真,表明该策略能够在减轻网络负载的同时,准确刻画网络的状态。     

云模型改进惯性权重的混沌交替粒子群算法

标准粒子群算法通过线性减小惯性权重系数来调整寻优性能,但缺乏智能化机制易导致算法后期产生早熟或陷入局部最优而产生僵局。针对这一问题,提出一种基于云模型改进惯性权重的混沌交替粒子群优化算法。根据粒子迭代变化关系,采用云模型理论对惯性权重ω进行智能化调整,以平衡其全局和局部搜索能力,防止算法产生局部僵局;另外,判定粒子稳定性,对于可能陷入局部僵局的稳定粒子进行混沌扰动,促使其跳出僵局进而向最优位置更新。实验与分析表明,基于云模型改进惯性权重的混沌交替粒子群优化算法能够跳出局部僵局且具有较高的寻优精度,算法接近完全收敛时的平均迭代次数,较现有相关研究分别降低了13.73%~20.11%。