多机协同对地攻击目标分配算法

针对多机协同对地攻击目标分配问题及其特点,对二进制粒子群优化算法进行改进,提出了一种基于矩阵二进制粒子群优化算法的多机协同对地攻击目标分配算法。首先,通过攻击机机群在对地攻击过程中得到的毁伤收益与付出的生存力损耗建立了目标分配模型,然后根据该模型约束特点,建立问题解与分配矩阵即矩阵粒子之间的映射,最后根据粒子形式设计了新的位置更新方式。仿真结果说明,矩阵二进制粒子群算法能够快速地找到较优的目标分配方案,并保证解的有效性,满足问题的约束条件。     

基于协同Memetic自适应QPSO算法的传感器目标分配问题求解

对复杂防空作战环境下的传感器目标分配(sensor target assignment,STA)问题进行了研究,建立了基于识别、跟踪、定位多阶段综合作战效能〖JP3〗的分配模型。针对该模型,首先基于粒子群聚集度和进化度判断,对传统量子粒子群(quantum particle swarm optimization, QPSO)算法进行了改进,提出了自适应QPSO算法。然后,结合多粒子群协同和Memetic搜索策略,提出了基于协同Memetic自适应QPSO算法的STA求解方法。同时,为使粒子位置矢量反映分配方案,依据不同战场环境设计了两种特殊的粒子编码方案。最后通过仿真实验验证了所提算法的有效性。     

多UCAV协同目标分配算法研究

针对多无人作战飞机(unmanned combat aerial vehicle, UCAV)协同目标分配问题,提出了一种基于离散粒子群算法的多UCAV协同目标分配方法。根据多UCAV协同目标分配问题的特点,建立了粒子与实际问题间的映射,设计了新的粒子群位置和速度更新公式,并且对标准粒子群算法作了改进。充分利用粒子群优化算法的全局搜索能力,有效地解决多约束条件下多UCAV协同目标分配问题。仿真结果表明,离散粒子群算法能够稳定快速地找到较优分配方案,并且算法简单、灵活。     

面向订单基于Agent的启发式产品组合生产计划研究

由于需求的不确定,很多企业在综合生产决策中渐渐采取面向定单的生产计划方式.当订单需求大于企业最大生产能力时,需要进行产品组合决策,以确定使利润最大的多产品混合生产的产量.本文针对一个面向订单生产的半离散制造型企业,结合Agent,建立了一个不依赖于特定成本和利润函数形式的基于作业流程和BOM结构的分布式生产决策模型,并给出了基于粒子群优化算法的启发式求解方法.该算法通过一维搜索调整粒子群"飞翔"的速度系数以解决寻优过程中粒子"飞出"可行域的问题,通过算例验证了求解算法的有效性.为将算法融合到所研究企业的ERP系统中,开发了试验性原型系统,并进行了模拟决策,结果表明所提出的模型和算法是可行的.     

无人机集群网电攻击行动协同目标分配建模

以一体化综合防空系统中的雷达为作战对象,从体系对抗的高度研究了无人机集群网电攻击行动协同目标分配的思路与方法,并以目标重分配规则与有人机/无人机协同规则为重点构建了基于协同目标分配规则的协同目标分配模型。然后研究了基于智能优化算法的协同目标分配模型求解方法,运用混合离散粒子群优化算法模拟有人机目标分配,运用基于协议规则算法模拟无人机目标分配。最后进行了仿真实验测试,实验结果证明了协同目标分配模型的有效性,并反映了集群自组网状态对于集群作战效能的重大影响,为无人机集群以及反无人机集群的战法设计提供定量依据。     

面向协同设计的任务调度问题研究

针对协同设计任务调度存在的问题,综合考虑了协作项目间、任务间及任务自身的具体因素和约束,在建立设计任务网络图的基础上,提出了一种以"任务优先系数"为指标的可并行执行任务集内任务的执行调度算法.综合考虑协同设计过程中的诸多动态、不确定性及非量化等因素,基于均衡一适度原则建立了任务到团队成员分配的扩展数学模型,并利用匈牙利算法进行求解.研究表明,该方法能有效对复杂产品的协同设计流程进行规划,且简单易用.     

卫星与浮空器协同侦察任务规划方法

针对卫星和浮空器协同对地侦察任务规划问题,提出了一种分阶段任务规划方法,将卫星与浮空器协同任务规划分为任务聚类、任务组分配和任务排程3个相继的阶段。使用层次聚类算法进行任务聚类,通过聚类形成多个任务组;给出了任务组分配的规划模型,将任务组与平台资源进行匹配;建立了任务排程的混合整数规划模型,并使用粒子群算法进行求解,将任务最终分配到相应的平台上。仿真结果表明,所提出的方法可行且有效。     

面向应急成像观测任务的多星协同调度方法

针对应急条件下的成像观测任务,设计了多星协同调度框架,将多星协同调度问题分解为任务排序主问题和资源匹配子问题。分析了多星协同调度中的主要约束条件,以任务收益为优化目标构建问题的约束满足模型,并应用改进粒子群优化算法进行求解。详细介绍了算法中的编码、解码、移动、变异等操作,给出算法时间复杂度的计算公式。通过仿真实验,对算法的有效性进行了验证。     

“前港后厂”供应链“链-链”联盟利益分配

“前港后厂”模式下,港口为钢厂生产提供高质量的增值服务,形成了以港口服务供应链与钢厂制造供应链相辅相成的“链”与“链”联盟。而共生共赢的利益分配方案是影响联盟稳定与联盟绩效的关键因素。因此,为促进“前港后厂”供应链联盟有效运行,针对港口服务与钢铁制造“链-链”联盟的特点,考虑服务贡献度与服务时长差异,以联盟整体利益最大化为目标,构建了其利益分配模型。由于模型非线性、不可微,对结果精确性要求高,故选择搜索幅度广、进化空间大的细菌觅食优化算法求解。本文设计的觅食动力学与觅食优化算法相结合的新算法,克服了单一觅食优化算法翻转方向不确定导致其稳定性差的缺陷,提高了算法精确度及稳定性。使用Python语言仿真验证表明利益分配结果符合合作博弈理论中整体理性与个体理性原则,证明该利益分配模型公平高效,为制造业与服务业的“两业融合”提供了科学依据与理论方法。     

编队内协同超视距空战目标分配模型研究

为解决当前目标分配计算量大、难以实时计算的问题,提出了一种针对编队内飞机协同超视距空战的目标分配新模型。该模型根据现代空战以中远距拦射为主要作战任务、编队内飞机之间的距离很小的特点,忽略编队内飞机之间相对目标的距离差异,从武器类型的角度建立,从而减小问题解的规模。对某作战想定采用粒子群优化算法对一般目标分配模型和新模型进行了分析比较,结果表明该模型具有计算量小、求解速度快的特点。     

基于粒子群优化算法的USV集群协同避碰方法

针对无人水面艇(unmanned surface vessel, USV)集群在路径规划中的协同避碰问题,提出了基于滚动优化策略结合粒子群优化算法的USV集群协同避碰方法。首先,通过已有雷达、光电等传感器参数指标建立综合视域模型;其次,采取基于正切函数的惯性权重调整结合线性调整学习因子的方法来提高粒子群优化算法的全局搜索能力,同时,在适应度函数中加入转艏角控制来提高路径的平滑性;最后,利用改进后的粒子群优化算法规划出每个综合视域内的路径。仿真实验结果表明,该优化算法能实现USV集群的实时避碰,并快速为USV集群规划出平滑、安全的全局最优无避碰路径。     

基于差分演化的改进多目标粒子群优化算法

提出一种基于差分演化的改进多目标粒子群优化算法来求解多目标优化问题。算法通过对Pareto最优解集的差分演化来增加Pareto解集的多样挫;通过循环拥挤距离采控制归档集中非劣解的分布．提高对种群空间的均匀采样;采用一种新的多目标适应值轮盘睹法选择粒子的全局最优位置,使其更逼近Pareto最优前沿;自适应惯性权重和加速度...     

基于混合粒子群算法和快速非均匀平面波算法的介质目标反演

提出了一种重构介质目标的新方法--混合粒子群算法,研究了几何形状已知的介质目标介电参数反演、均匀介质柱的外形轮廓反演及外形轮廓与介电参数均未知时的介质目标反演三类问题。利用快速非均匀平面波算法加速矩量法求解介质目标的雷达散射截面,以介质柱体的散射场的实际测量值与迭代计算值的偏差作为目标函数,通过单纯形法和伪群交叉算法混合的粒子群算法对优化变量进行优化,使目标函数达到最小值来对介质目标的介电特性进行电磁成像。仿真结果表明：混合粒子群算法简单、通用,在反演过程中不用加入正则化处理以确保数值稳定性,比简单遗传算法具有更好收敛性能、更高的成像精度和抗随机噪声干扰的能力。     

改进PSO算法及在PID参数整定中应用研究

针对粒子群优化算法(PSO)存在早熟和局部收敛的问题,提出了一种带变异算子的改进粒子群优化算法(IPSOM),该算法在搜索中以一定变异概率对选中的粒子进行变异,同时对飞离搜索区域的粒子用新产生的粒子取代,以克服粒子群优化算法易陷入局部最优解的缺陷。用一典型的Rastigrin复杂函数对新算法进行测试,结果表明改进的算法较之粒子群优化算法(PSO)和常规遗传算法(SGA)不但提高了全局寻优能力,而且有效避免了早熟收敛问题。在此基础上将这种改进算法应用于高阶带时滞对象的PID控制器设计中进行仿真研究,结果表明了所提出算法的有效性和所设计控制器的优越性。     

城市区域多物流无人机协同任务分配

针对城市区域多无人机协同物流任务分配问题, 综合考虑不同无人机性能、物流时效性、飞行可靠性等影响因素, 以经济成本、时间损失和安全风险最小为目标函数, 构建多无人机协同物流任务分配模型。因问题规模大、求解复杂度高, 设计改进的量子粒子群算法进行求解。首先，为增强粒子遍历性和多样性, 采用均匀化级联Logistic映射进行粒子初始化; 其次，为避免算法陷入局部最优解, 引入基于高斯分布的粒子变异方式; 最后，为提高算法运行效率, 运用自适应惯性权重方法对粒子赋值。仿真实验结果表明，所构建的模型能够实现任务分配多目标优化, 贴近城市区域无人机物流配送实际; 所提算法与传统量子粒子群算法和遗传算法相比, 任务分配代价分别下降了5.9%和6.3%;并进一步对参数权重设置进行分析, 当3个子目标函数权重系数分别为0.225、0.275和0.500, 种群规模为150时, 算法规划的结果最优。     

武器-目标分配问题的粒子群优化算法

建立了武器-目标分配问题的优化模型,分析了各种解决此模型的方法的优缺点。经典的粒子群是一个有效的寻找连续函数极值的方法,结合遗传算法的思想提出粒子群算法来解决武器-目标分配问题。经过比较测试,4种粒子群算法的效果都比较好,特别交叉策略A和变异策略B的混合粒子群算法是最好的且简单有效的算法。     

基于混沌粒子群优化算法的翼伞系统轨迹规划

研究灾难环境下翼伞空投机器人系统轨迹规划问题,基于简化的翼伞系统质点模型,采用混沌粒子群优化算法对翼伞系统归航轨迹进行寻优。该方法采用非均匀B样条技术实现最优控制规律的参数化,将翼伞系统轨迹规划的最优控制问题转换成参数优化问题,进而运用混沌粒子群优化算法进行寻优计算。轨迹规划的控制曲线是光滑的,利于电机对翼伞系统的操纵伞绳实施控制。仿真结果表明,该方法对翼伞系统的轨迹规划控制是有效的。     

基于多维特征差异的个性化学习资源推荐方法

协同过滤算法和二进制粒子群算法是目前学习资源推荐领域研究热点.然而,协同过滤算法推荐的学习资源过于随机化,不能满足学习者进行整体知识建构的要求.而基于二进制粒子群算法构建的资源推荐模型,以推荐所有学习者完整的学习资源为目标,且模型数据较难预测,不符合在线智能化学习的趋势.针对以上问题,提出了基于多维特征差异的个性化学习资源推荐算法:首先根据学习者和学习资源多维特征差异建立学习资源推荐模型,并考虑了学习偏好;其次引入协同过滤技术对模型数据进行预测;最后针对推荐模型的多目标优化特征,将协同过滤算法和二进制粒子群算法结合,提出了对惯性权重和种群多样性进行动态协同调整的自适应二进制粒子群算法,实现了个性化学习资源推荐.实验证明,该算法具有较好的准确性,能够满足个性化学习资源推荐的需要.     

协同粒子群-模拟退火算法求解VRPSPD问题

研究逆向物流车辆路径(VRPSPD)问题,建立了VRPSPD问题的混合整数规划模型.利用启发式算法的特点构造求解VRPSPD问题的一种协同PSO_SA算法,设计了该算法初始种群的编码规则、信息交换策略、2-opt邻域解生成策略和SA算法中的冷却进度表规则.实验过程以典型算例为例进行了实验,并对重要参数进行了分析.实验结果表明,该算法对于求解VRPSPD 问题,可以有效提高车辆的负载使用率,避免因负载波动和最大负载能力约束而增加车辆总行程,在可以接受的迭代次数限制内可以收敛到满意解.     

基于Metropolis准则的微粒群算法

通过对微粒群算法的分析,指出其早熟收敛的原因,并提出利用Metropolis准则更新微粒的个体经验位置,从而增强了算法的全局探索能力。该算法也可以认为是模拟退火算法中利用微粒群算法的进化公式作为一种新的状态产生函数。通过理论分析阐明了该算法以概率1收敛于全局最优解。实例仿真验证了其有效性。