考虑多类资源的多任务并行维修过程Petri网建模

针对基本Petri网在建立多种任务共享多类资源情况下的复杂并行维修过程时存在的结构复杂化问题,应用网抽象原理,由简入繁,将库所变迁网模型逐步转化为常量弧有色网和有色网模型,由单类任务/单类资源、单类任务/多类资源模型逐步建立了考虑多类资源的多任务并行维修过程模型。采用Petri网仿真分析工具ExSpect对有色网模型进行了实例研究。结果表明：模型具有通用性,便于仿真实现。     

双枝模糊评判在舰炮性能评估中的应用

针对舰炮武器性能指标,运用双枝模糊决策方法对舰炮武器性能进行综合评估。该方法提出了新的论域[-1,1]使评估更能符合人的思维逻辑,能够客观的对舰炮性能进行评估,通过对多中舰炮的具体参数指标进评估,得出各种舰炮的性能优劣的排序,具体的数学模型仿真表明,对舰炮武器性能的评估是行之有效的。     

基于指数平滑法的装备维修器材需求量预测

准确地预测维修器材需求量是制定装备保障计划的重要依据.针对装备维修器材需求量预测相对不够准确的问题,通过对两种预测方法进行比较,引入了适用于准确预测的指数平滑方法,建立了基于指数平滑法的装备维修器材需求量预测模型,介绍了确定初始值的方法,并以某种维修器材需求量预测为例进行了分析,为准确预测装备维修器材需求量提供了一种较为科学合理的方法.     

装备维修辅助决策中的模型库设计

在综合检测平台检测数据和装备日常使用维修登记信息的基础上,开发了装备维修辅助决策支持系统。主要研究面向对象的模型库系统,设计模型库的存储结构,在该结构中模型程序库文件、模型字典库和决策源数据相对分离,运行时动态调用。同时还规划了模型库管理系统的运行管理机制和流程。     

装备集群预防性维修计划的粒子群仿真优化

针对同类装备构成的集群预防性维修计划问题,综合考虑了装备的使用和维修过程,分析了装备动用与维修计划之间的相互关系,刻画了装备使用和维修的触发机制,提出了一个包含离散事件仿真和粒子群优化算法的混合模型,并描述了模型的结构和数学表示。该模型基于离散事件仿真对给定的预防性维修计划进行评估,并以该评估值为基础利用粒子群演化进行优化,从而通过多次迭代进化可逐步逼近可能的全局优化结果。由于模型中考虑了装备使用过程中的不确定性,并且粒子群优化可从任意初始值开始,因而可用作维修系统效能评估以及维修方案优化的决策工具。     

坦克嵌入式车场射击训练炮长操纵控制模型

在嵌入式射击模拟训练系统中,针对炮长操作过程对模拟训练的影响,建立了炮长操纵控制模型。炮长操纵控制模型包括炮长操纵模型和炮长射击决策模型。炮长操纵模型的建立是基于装备的物理模型和人的生理反应模型。炮长射击决策模型根据坦克射击教范要求,采用与/或正向演绎推理得到。在炮长操纵控制模型基础上,建立了射击反应时间模型,并与实际装备操作进行了比较,对建立的操纵控制模型进行了验证。     

基于组合熵权的联合作战目标选择模型研究

针对作战中目标选择与排序问题,分析确定了8种在联合作战条件下影响目标选择关键因素。在此基础上应用多属性决策理论,以组合熵权系数确定指标权重,建立了目标选择模型。模型简洁易于实现,并且在决策中有效减少了主观随意性。最后通过仿真实例说明了模型的有效性和可操作性。     

LDPC-Coded MIMO-OFDM系统的一种判决反馈信道估计算法

研究了LDPC编码在MIMO-OFDM系统中的应用,提出了基于LDPC编码的MIMO-OFDM系统的一种改进判决反馈信道估计算法,该算法一方面利用多步预测和干扰对消技术改进了判决反馈算法的精度,另一方面利用空时解码后的序列和LDPC译码后的序列进行了两级反馈信道估计。该算法在利用LDPC码优异的低误码性能改善信道估计精度的同时,有效地改进了LDPC帧过长导致时变信道条件下的信道估计不精确的问题。     

基于RS理论的电子对抗装备编配辅助决策方法

根据电子对抗装备编配的主要特点,提出利用RS(RoughSet)理论探索装备编配问题。综合考虑影响装备编配的各种因素,建立起知识表达系统,并且约简得到一些相对简单的编配规则;然后再根据实际情况,结合数学规划方法进行装备编配优化。分析结果表明,运用RS理论,能够较好地用定性与定量的方法解决电子对抗装备编配问题。     

A sequential partial information bomber-defender shooting problem

A bomber carrying homogenous weapons sequentially engages ground targets capable of retaliation. Upon reaching a target, the bomber may fire a weapon at it. If the target survives the direct fire, it can either return fire or choose to hold fire (play dead). If the former occurs, the bomber is immediately made aware that the target is alive. If no return fire is seen, the true status of the target is unknown to the bomber. After the current engagement, the bomber, if still alive, can either re-engage the same target or move on to the next target in the sequence. The bomber seeks to maximize the expected cumulative damage it can inflict on the targets. We solve the perfect and partial information problems, where a target always fires back and sometimes fires back respectively using stochastic dynamic programming. The perfect information scenario yields an appealing threshold based bombing policy. Indeed, the marginal future reward is the threshold at which the control policy switches and furthermore, the threshold is monotonic decreasing with the number of weapons left with the bomber and monotonic nondecreasing with the number of targets left in the mission. For the partial information scenario, we show via a counterexample that the marginal future reward is not the threshold at which the control switches. In light of the negative result, we provide an appealing threshold based heuristic instead. Finally, we address the partial information game, where the target can choose to fire back and establish the Nash equilibrium strategies for a representative two target scenario.