基于3D-APF和约束动力学的无人机编队飞行控制

针对无人机编队的路径规划和队形保持问题, 提出了一种基于三维人工势能场(three-dimensional artifical potential field,3D-APF)的无人机编队路径规划与队形保持方法。对于无人机的路径规划,建立了改进的三维人工势函数。在此基础上,建立并推导了虚拟力环境下的无人机运动学模型。对于无人机的队形保持问题,运用约束动力学理论引入拉格朗日乘子建立含有队形约束的编队无人机约束动力学方程组,使编队无人机在整个飞行过程中保持期望队形。采用Penalty-Formulation对拉格朗日乘子进行求解,得到编队无人机约束动力学方程组。最后基于Matlab的仿真实验验证了所提方法的有效性。     

基于参数优化的导弹编队控制一致性算法

为有效克服导弹自动驾驶仪动态特性对编队制导性能的不利影响,结合参数优化方法,提出基于参数优化的导弹编队控制一致性算法。将导弹自动驾驶仪等效为一阶惯性环节,在所建立的编队控制算法基础上,得到闭环制导控制系统方程,应用代数图论证明系统的渐进稳定性,在实现既定队形收敛的同时速度趋于一致。为进一步提高导弹编队系统性能,以编队各成员位置和速度的累计误差建立指标泛函,基于最优控制理论,提出算法中待定系数的优化方法。仿真结果验证了算法的有效性,适用于领从结构导弹编队队形的生成与保持。     

粒子群算法求解不等质量库仑卫星编队最优构型

通过采用粒子群算法(particle swarm optimization, PSO),求解出不等质量4星库仑卫星编队在平面和立体情况下的最优静态构型。当库仑卫星编队中各卫星的质量、带电量以及位置均为变量时,库仑卫星编队的静态构型模型具有很强的非线性特点。此时可以将非线性模型的求解问题转化为约束条件下的参数优化问题,通过PSO求得各种编队构型下的最优静态构型。同时,所提方法可以应用于求解PSO复杂多星编队情况下的最优静态构型,并为卫星队形重构问题等提供理论基础。     

基于虚拟结构的卫星编队机动控制

针对某些航天任务在小卫星机动过程中需要保持编队构型,提出了利用虚拟结构解决三星编队机动控制问题。建立了虚拟结构坐标系,在机动过程中,三颗卫星视为一个虚拟刚体,保持编队构型。设计了虚拟结构的动力学和运动学控制器。动力学控制器包含编队队形反馈,实现对编队速度的控制。针对外加干扰,设计了姿态变结构控制器,利用李雅普诺夫方法证明了系统的稳定性。对三星编队机动进行仿真,实现了编队构型的保持,验证了方法的有效性。     

基于规则的无人机编队队形构建与重构控制方法

针对已有方法在无人机编队队形控制方面的不足,结合无人机系统有限范围感知的特点提出一种基于规则的队形控制方法。首先,利用目标位置选择算法为编队成员选择刚体中的期望位置点,使分布式条件下的复杂无人机编队队形控制问题转化为个体对自身期望位置点的追踪问题;其次,通过控制协议的设计引导编队成员对自身的期望位置点进行追踪和避免碰撞;最后,在netlogo平台上实现了队形的控制;进一步,将目标位置选择算法与基于全局信息的“禁忌搜索”优化算法的效果进行了对比。实验表明:本文的控制方法简单,生成的航迹图简洁、平滑,其效果与基于全局信息的优化效果接近,且可生成任意队形和对突发威胁能主动有效的规避。     

具有性能预设的多机编队目标跟踪控制

针对无人机编队目标跟踪中性能不可控的问题, 提出了一种具有性能预设的分布式多机编队目标跟踪控制方法。首先提出一种基于运动参数组的编队队形描述与目标跟踪方法, 实现了编队的相位预设与队形控制; 其次利用误差变换方法将有性能约束的误差问题转换为无约束误差控制问题, 并给出了一致性预设性能控制律; 然后分别设计了指数型和预设时间型性能函数, 实现了同一控制律下对不同性能的控制, 保证了编队目标跟踪过程中的收敛时间以及瞬态和稳态性能。最后，仿真证实了无人机编队能够在预期设定的性能范围内实现编队队形控制, 并成功跟踪目标。     

基于改进势场的无人机编队恢复与一致性仿真

针对多无人机编队防撞、编队恢复及位置和速度收敛一致性问题,提出以改进势场原理与一致性理论为基础的分布式协同编队控制算法。建立静态障碍物模型、无人机质点模型与二阶系统动态模型;定义含协调因子和通信权重的机间协调势场函数,实现防撞和队形恢复的控制目标;在基本一致性协议中引入编队中心参考向量、期望速度和速度镇定项,实现位置和速度的收敛一致性;结合改进的一致性协议与改进势场作用下的合加速度设计协同编队控制算法,并由Hamilton函数证明该算法的稳定收敛性。仿真结果表明：该方法可以实现防撞、队形恢复及位置与速度收敛一致的控制目标。     

基于图Laplacian的多机编队目标跟踪方法

针对多无人机目标跟踪问题中存在的相位协同时间长和跟踪目标速度受限问题, 基于图Laplacian方法提出一种分布式多机编队目标跟踪算法。首先, 将无人机编队队形控制问题转换为基于旋转、缩放和平移的运动参数组设计问题, 并通过设计编队控制律, 实现动态编队队形的精准生成与变换。其次, 将此编队队形控制方法应用到目标跟踪问题上, 通过分析不同目标速度下的跟踪情况建立相应的跟踪模型, 实现无人机编队对目标进行快速协同跟踪, 并克服跟踪目标速度限制问题。最后, 仿真结果验证了所提方法的有效性和优势。     

基于虚拟长机的无人机侦察编队控制方法

针对使用多无人机编队对周边区域实施协同侦察任务的协同控制问题,提出了以虚拟长机为编队航迹引导的分布式编队控制方法。该方法基于编队通信拓扑的分布性,以“相邻”无人机为参考估计长机状态,然后设计无人机编队的分布式线性化反馈控制器。仿真实验表明,在无人机编队沿阿基米德螺旋线实施侦察的过程中,该控制器能够使多无人机形成期望队形,并维持其稳定,同时减小编队队形误差,实现对侦察航迹的高精度跟踪。     

不确定信息条件下空战接敌队形选择方法

针对空战环境下由于目标装备信息的缺乏导致空战编队无法选取最佳接敌队形的问题,提出一种基于战场指挥员主观认知的不确定信息条件下空战编队接敌队形选择方法。首先引入威力场的概念并构建载机威力势模型。其次以战场指挥员对目标装备性能的主观认知及载机的威力为基础,利用模糊层次分析法对不确定信息条件下的目标威力进行评估。然后利用参照依赖效应计算载机与目标间各项能力的收益损失值,进而应用前景理论给出最佳的接敌队形选择方法。最后对此方法进行了仿真验证。结果表明,该方法能够在不确定信息条件下对接敌队形进行有效选择。     

节点攻击策略下的军事通信网络结构优化算法

合理的军事通信网络结构能够充分利用信息优势达到制胜的目的, 因此优化军事通信网络结构至关重要。首先, 基于复杂网络理论并结合军事通信网络的拓扑结构特征建立了相应的网络结构模型, 将侦查探测、火力打击和指挥控制实体抽象为节点, 实体间复杂的连接关系抽象为边。在此基础上, 以提升网络鲁棒性为目标, 提出了一种基于进化思想的优化算法并对节点攻击策略下的军事通信网络结构进行优化研究, 对比分析了不同优化算法下网络结构模型对鲁棒性的影响规律。仿真结果验证了网络模型和进化优化算法的有效性, 对于深入研究军事通信网络建模和结构优化问题具有一定的借鉴意义。     

多约束下编队随船备件配置优化方法

针对舰艇编队备件配置方案的确定需要综合考虑多项约束指标因素的特点,以编队出海执行任务准备阶段备件配置为研究背景,以舰船载荷、排水量及保障费用为约束条件,构建了以编队备件保障概率为目标函数的编队随舰备件库存优化模型,应用拉格朗日乘子法及边际效应法原理给出了编队随船备件库存模型计算及优化流程,并运用罚函数原理对保障资源约束因子进行了确定及动态调整。最后,通过案例分析验证了本文提出的方法能够为解决多约束下编队随船备件配置优化问题提供新的途径。     

基于组合赋权的网络可生存性模糊综合评估

针对网络系统可生存性的有效评估问题,对指标体系的构建,指标赋权及综合评估方法进行了研究。提出了一种机制关联的网络可生存性指标体系构建方法,从可生存性的4个重要属性角度构建了层次化的指标体系,依据该指标体系提出了一种新的组合赋权方法,由层次分析法计算主观权重,粗糙熵方法计算客观权重,并给出了关联权重的概念和计算方法,构建离差最小化目标优化函数将3种权重联合得到组合权重,建立了基于隶属云的模糊综合评估模型,将隶属云替代原来的确定性隶属度函数。仿真结果表明,该评估方法可对网络系统可生存性进行准确有效的评估。     

基于PSO-BP的应急通信感知装备效能评价方法

应急通信感知装备效能评价可支撑相关装备的发展规划, 而现有评价方法主观性强, 且自适应能力有待提升。因此, 提出一种基于粒子群优化(particle swarm optimization, PSO)算法的改进反向传播(back propagation, BP)神经网络的应急通信感知装备效能评价方法, 旨在建立客观精准的效能评价。首先面向实战效能构建了三级效能评价指标体系, 然后将样本数据进行主成分分析法降维, 建立BP神经网络回归模型, 并结合PSO算法对模型的连接权值与阈值进行优化, 形成PSO-BP模型以避免局部极小值问题, 获得可评价具体装备效能时的神经网络模型。实例分析表明, PSO-BP相较于BP神经网络模型评价的均方误差减少了28.18%, 表明PSO-BP模型具有更高的准确性。     

微波接力组网的节点再优化研究

为进一步完善常规方法构建的微波接力网组网拓扑,提出了一种基于最优链路集的网络节点再优化方法。该方法综合考虑节点吸引系数、链路衰落概率、节点通信冗余等因素,借助网络拓扑优化的思想,采用遗传算法构造了微波接力网的最优链路集;以节点在该集合中的度为依据,通过对节点的合理排序,以部分用户节点代替非必要的干线节点,完善了组网拓扑。在修改链路和节点价值集后,该方法还可解决其他网络干线、中继节点的选择问题。     

基于深度强化学习的网络路由优化方法

针对同一网络拓扑下不同网络负载的路由优化问题, 在深度强化学习方法的基础上, 提出了两种依据当前网络流量状态进行路由分配的优化方法。通过网络仿真系统与深度强化学习模型的迭代交互, 实现了对于流量关系分布的网络路由持续训练与优化。在利用深度确定性策略梯度(deep deterministec policy gradient, DDPG)算法解决路由优化问题上进行了提升和改进, 使得该优化方法更适合解决网络路由优化的问题。同时, 设计了一种全新的链路权重构造策略, 利用网络流量构造出用于神经网络输入状态元素, 通过对原始数据的预处理加强了神经网络的学习效率, 大大提升了训练模型的稳定性。并针对高纬度大规模网络的连续动作空间进行了动作空间离散化处理, 有效降低了其动作空间的复杂度, 加快了模型收敛速度。实验结果表明, 所提优化方法可以适应不断变化的流量和链路状态, 增强模型训练的稳定性并提升网络性能。     

基于联盟的无人机集群编队控制方法

针对切换拓扑结构下的集群编队控制问题,设计只需个别无人机获取虚拟长机信息也能保证集群连通性的编队控制算法。当队形变换或部分通讯网络故障导致网络拓扑结构发生改变时,以距离为原则对集群进行联盟划分,各联盟内部成员以信息浓度大小为标准同其他成员进行竞争,由信息浓度最大的无人机获取虚拟长机信息,其联盟成员通过与该无人机通讯间接获取虚拟长机信息。该算法使得每架无人机在任意时刻都能直接或间接地获取虚拟长机信息。引入集群对虚拟长机的反馈机制,与传统反馈算法不同的是,本文中反馈无人机的数量和组成成员都是变化的,从而提高了系统的收敛速度和鲁棒性。在此基础上进一步讨论编队的损伤问题,设计了一种基于分层的分布式递归自修复算法,解决了网络分裂状态下的自修复及修复后队形变化过大的问题。仿真结果表明了所建模型的合理性和求解方法的有效性。     

基于深度强化学习的应急通信网络规划方法

针对应急通信网络规划传统算法对先验知识要求高、时效性不强等问题,提出一种基于深度强化学习的应急通信网络拓扑规划方法。研究了基于蒙特卡罗树搜索与自博弈相结合的网络规划样本数据生成方法,设计了基于残差网络的策略网和价值网,在此基础上使用Tensorflow库对模型进行构建和训练。仿真结果表明,提出的规划方法能够有效实现网络拓扑的智能规划,且具有较高的时效性和可行性。     

基于深度强化学习的应急通信网络规划方法

针对应急通信网络规划传统算法对先验知识要求高、时效性不强等问题,提出一种基于深度强化学习的应急通信网络拓扑规划方法。研究了基于蒙特卡罗树搜索与自博弈相结合的网络规划样本数据生成方法,设计了基于残差网络的策略网和价值网,在此基础上使用Tensorflow库对模型进行构建和训练。仿真结果表明,提出的规划方法能够有效实现网络拓扑的智能规划,且具有较高的时效性和可行性。     

基于SDN的卫星网络多QoS目标优化路由算法

针对传统卫星网络中业务类型多样化导致的网络配置复杂和业务服务质量(quality of service, QoS)无法得到有效保障的问题,研究了基于软件定义网络(software-defined networking, SDN)的卫星网络架构,提出了一种能够满足多种QoS需求的自适应路由算法。首先,建立了软件定义卫星网络多约束条件路由选择优化模型；然后，使用拉格朗日松弛法对模型进行松弛处理；最后，使用梯度法进行迭代求解,搜索出满足带宽、时延、丢包率等多种QoS的最优路径。研究结果表明,该优化算法在QoS满意度方面相比近地轨道卫星路由算法提高了64%,在时延满意度和丢包率满意度方面相比软件定义路由算法提高了28%。