交互策略改进MOFA进化的多UAV协同航迹规划

针对无人机(unmanned aerial vehicle, UAV)多目标优化协同航迹规划方法中Pareto最优解集规模随迭代增长, 难以选择适合UAV任务特点的协同航迹等问题, 提出一种基于交互策略改进多目标萤火虫(multi-objective firefly algorithm, MOFA)进化的多UAV协同航迹规划方法。首先，采用变量分解策略将萤火虫算法中大规模变量分解成多个子种群, 以降低算法搜索的复杂度; 然后, 利用Tent混沌初始化和多种群循环分裂合并策略提高多目标萤火虫算法的搜索性能; 采用双极偏好占优机制、并设计协同度指标在Pareto最优解集中选取适合任务需要且协同度较高的UAV协同航迹。仿真实验表明, 所提方法能够根据任务设定生成对应侧重点、且满足协同性的相对最优航迹集, 证明了该方法的有效性。     

基于自适应郊狼算法的无人机离线航迹规划

针对无人机(unmanned aerial vehicle, UAV)离线航迹规划对算法全局搜索能力和鲁棒性的要求, 设计一种自适应郊狼算法, 从最优化问题角度研究UAV离线航迹规划。建立UAV离线航迹规划的数学模型; 在标准郊狼优化算法的基础上设计4种操作算子和一种自适应学习机制, 使算法在搜索的过程中, 智能选择合适的操作算子, 并设计莱维飞行策略提高算法的全局寻优能力; 最后对自适应郊狼算法进行函数测试和离线航迹规划仿真。函数测试表明自适应郊狼算法具有较强的全局搜索能力, 离线航迹规划仿真表明自适应郊狼优化算法能适应不同维数的离线航迹规划问题。     

基于分布式免疫进化算法的函数优化

针对遗传算法在寻优过程和多峰值函数求解中出现的“早熟”问题以及免疫算法收敛速度较慢问题,将免疫算法和进化算法进行优势融合,并结合改进的进化算法的并行模型,提出一种新的算法--分布式免疫进化算法（distributed immune evolutionary algorithm,DIEA）。新算法主要包括记忆种群进化模块和子种群进化模块两个部分,子种群的主要功能是找出各个区间的局部最优解;主种群主要是进行全局搜索,寻找全局最优解。仿真实验表明,该算法具有很高的全局寻优能力和很快的收敛速度,适合求解复杂多峰函数优化问题。     

无人机动态环境实时航迹规划

提出了一种基于实时A*搜索的无人机实时航迹规划算法。该算法将飞行器运动与航迹搜索相结合,在飞行器飞行过程中实时规划出下一段航迹;在搜索过程中,使用了多步寻优搜索的方法,相比单步搜索生成的航迹更加优化;使用最小转弯半径对生成的折线进行连接,使路径平滑可飞;针对算法局限性,给出一种改出局部最优点的策略。最后经仿真证明了该算法能够较好地满足规划要求。     

双属性概率图优化的无人机集群协同目标搜索

为了提高不确定环境下无人机（unmanned aerial vehicle，UAV）对目标捕获能力，进而提高多UAV协同搜索效率，提出了基于双属性概率图结合改进的协同进化遗传算法（improved co-evolutionary genetic algorithm，ICEGA）的多UAV协同目标搜索方法。首先，根据环境的先验信息，在原概率图基础上引入标志位，建立基于双属性矩阵的待搜索环境概率模型，提高环境和目标的信息感知准确度；其次，定义UAV的飞行规则并结合目标先验概率图信息，建立UAV运动模型及确定最大收益的目标函数；最后，建立分布式UAV之间的信息交互模型，运用ICEGA算法优化产生最优协同决策输入航向角集合，在线实时滚动优化产生最优协同路径。实验结果表明，基于双属性概率图结合ICEGA算法更能够保证最优路径的产生，使得UAV能够准确地搜索到目标；同时，对比仿真验证了ICEGA算法能够提高UAV之间的协同性，保证了路径可行性及提高了目标搜索效率。     

基于MOEA/D-ARMS的无人机在线航迹规划

无人机(unmanned aerial vehicle, UAV)在线航迹规划是UAV协同控制关键技术之一, 在线航迹规划问题本质上是一种动态多目标优化问题。为了求解该问题, 提出了一种基于自适应应答机制选择的动态多目标进化算法(multi-objective evolutionary algorithon based on decomposition-adaptive reaction mechanism selection, MOEA/D-ARMS)。多种应答机制构成应答机制池, 以应答机制最近一次的整体表现赋予应答机制一定的奖励, 并采用基于概率的方法从应答机制池中选择应答机制。MOEA/D-ARMS分别在静态环境情况、突发威胁情况、突变威胁情况和偏好改变情况下进行仿真实验。仿真结果表明, MOEA/D-ARMS可有效求解UAV在线航迹规划问题。     

求解约束优化问题的改进粒子群算法

针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

基于LASSA算法的多无人机协同航迹规划方法

针对基本麻雀搜索算法(sparrow search algorithm, SSA)在求解多无人机(unmanned aerial vehicle, UAV)协同航迹规划问题时收敛精度不高, 易于陷入局部最优等问题, 提出了一种使用对数螺旋策略和自适应步长策略的SSA(logarithmic spiral strategy and adaptive step size strategy of the SSA, LASSA)多UAV协同航迹规划方法。首先利用分层规划思想, 先建立单UAV航迹规划模型, 然后再建立时间协同多UAV航迹规划模型, 将航迹规划问题转化为函数优化问题。其次, 采用对数螺旋策略, 扩大对周围空间的搜索, 增强种群个体多样, 并利用自适应步长策略, 更好地控制开发和探索行为。最后,利用LASSA对提出的航迹规划模型进行求解。仿真结果表明, 本文提出的LASSA能够在满足时间协同的条件下, 规划出代价近似最优、符合约束的协同飞行航迹, 证明了本文提出的基于LASSA的多UAV协同航迹规划方法的有效性和改进算法的优越性。     

改进差分进化算法求解武器目标分配问题

针对武器目标分配问题求解收敛速度慢、搜索效率低、寻优精度差的问题, 提出一种基于改进差分进化算法的武器目标分配方法。首先, 建立多约束条件下武器目标分配优化模型, 将动态武器目标分配问题离散为静态武器目标分配问题处理。其次, 采用随机邻域变异策略平衡差分进化算法全局探索和局部开发能力, 采用基于历史存档的自适应参数整定方法, 根据“精英”信息动态更新算法参数。最后, 通过与5种变种差分进化算法的对比实验, 验证了所提方法寻优精度高、收敛速度快、鲁棒性强的优点。     

基于改进差分进化算法的水文模型参数多目标优选研究

在差分进化算法的基础上, 受马尔可夫链蒙特卡罗方法的启发, 建立了differential evolution adaptive metropolis (DREAM)算法. DREAM 算法融合了马尔可夫链蒙特卡罗方法和差分进化算法的优势, 较好地解决了马尔可夫链蒙特卡罗方法中搜索步长的恰当取值以及搜索方向的准确定位问题, 并能有效解决差分进化算法的群体多样性和收敛速度问题. 在 DREAM 算法基础上, 引入多目标优化思想, 提出了一种基于改进适应度分配策略和外部存档方案的多目标 DREAM 算法, 并应用于岷江流域 CMD-3PAR 降雨-径流模型参数优选研究. 结果表明: 多目标DREAM算法能够找到一组范围宽广、分布均匀且数量充足的 Pareto 最优解供决策者评价优选.     

多机协同电子战规划压制干扰布阵研究

针对电子战任务规划中的多机协同压制敌防空雷达网的干扰布阵问题,提出了航线规划安全区概念,基于数学形态学方法对安全区最小宽度进行求解,以安全区最小宽度和各部干扰机距敌方雷达网中心距离之和作为目标函数,构建了干扰布阵的多目标优化模型,采用多目标粒子群优化算法对模型进行求解,通过仿真实验对求解出的Pareto最优解集进行分析,得出了各部干扰机压制敌雷达网的最优干扰布阵方式,验证了所建多目标优化模型的正确性,同时也表明多目标粒子群优化算法在求解多机协同电子战干扰布阵问题是可行的、有效的     

Membrane-inspired quantum shuffled frog leaping algorithm for spectrum allocation

To solve discrete optimization difficulty of the spectrum allocation problem,a membrane-inspired quantum shuffled frog leaping(MQSFL) algorithm is proposed.The proposed MQSFL algorithm applies the theory of membrane computing and quantum computing to the shuffled frog leaping algorithm,which is an effective discrete optimization algorithm.Then the proposed MQSFL algorithm is used to solve the spectrum allocation problem of cognitive radio systems.By hybridizing the quantum frog colony optimization and membrane computing,the quantum state and observation state of the quantum frogs can be well evolved within the membrane structure.The novel spectrum allocation algorithm can search the global optimal solution within a reasonable computation time.Simulation results for three utility functions of a cognitive radio system are provided to show that the MQSFL spectrum allocation method is superior to some previous spectrum allocation algorithms based on intelligence computing.     

动态柔性作业车间优化调度与决策方法

针对多目标动态柔性作业车间调度问题,提出一种改进的多目标差分进化算法进行求解。在差分进化算法中引入自适应交叉变异算子,提高算法的全局搜索能力;在选择排序时引入基于免疫学原理的快速非支配排序法,提高解集的质量。提出改进的TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)—G1—熵权综合决策方法。通过Nash均衡理论计算得出G1—熵权法的综合权重;将综合权重与TOPSIS评价体系组合对各调度方案进行评价。通过实验仿真验证了优化调度算法在寻优能力上的优越性以及综合决策方法的有效性。     

基于蚁群算法的水下潜器三维空间路径规划

路径规划是水下潜器智能控制的关键技术之一,其任务是在已知障碍物的环境中按照某一最优指标寻找一条从起始点到目标点的无碰路径。使用蚁群算法对水下潜器三维空间路径规划问题进行了研究,以ACS算法为基础设计了路径优化搜索算法,详细讨论了信息素表示方法、路径点选取原则、启发式函数设计和信息素更新规则,给出了算法的具体流程,仿真实验结果表明,该算法能够方便有效的实现三维空间中的路径规划。     

基于FA-ER的装备保障资源供给能力评估方法

针对装备保障资源供给能力评估信息主观性和不确定性强、评估结果可信度低的问题,提出了一种基于萤火虫算法和证据推理(firefly algorithm-evidential reasoning, FA-ER)的评估方法。首先，通过直觉模糊熵处理不确定信息,确定初始权重范围。然后，基于后悔函数将证据推理方法的权重求解问题转化为非线性多目标优化问题。最后，采用萤火虫算法计算最优参数,确定最优评估模型并得到最终评估结果。算例分析结果表明,所提方法能够有效解决评估主观性强的问题,提高评估结果的准确度,对装备保障资源供给能力评估问题具有较好的适用性。     

基于分解技术的动态多目标引力搜索算法

为有效求解动态多目标问题,提出一种基于分解技术的动态多目标引力搜索算法.首先为在环境变化前,得到解集分布性和收敛性都较好的非支配解集,采用基于分解技术的静态多目标引力搜索算法求解环境变化前的静态多目标问题;当环境变化后,根据相邻子种群最优解的相似性与同一权重向量对应子种群最优解的相似性,提出一种新的对最优解的预测模型,以缩小环境变化后各子问题的搜索空间,提高算法的求解效率.最后与目前较先进的静态多目标算法和预测策略在四个测试问题上进行比较,实验结果表明,当待优化问题随时间变化时,本文方法能够取得收敛精度更高、解集分布性更好的最优解集.     

多目标优化设计中的Pareto遗传算法

遗传算法的随机性和隐含并行性,使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势,提高多目标优化设计效率和灵活性,在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器,建立了一种适用于多目标优化设计的Pareto遗传算法。以Pareto前沿面的形式给出优化设计的Pareto最优解集,供设计者按设计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计,设计结果表明,Pareto遗传算法是十分有效的,完全可以用来进行多目标优化设计。     

基于规则导向的柔性作业车间多目标动态调度算法

设计了一种具有柔性资源约束的多目标集成优化方法,建立了包括最小完工时间、最小生产成本、最大设备利用率、最大交货满意度和最优人工分配在内的多目标组合优化模型;为降低模型的复杂度,抑制组合优化模型的状态爆炸效应,采用规则导向的资源调度思想,通过调整规则概率使概率大的规则被优先选中,从而"推动"搜索过程向预期目标方向移动;采用改进的非支配排序遗传算法—NSGA-Ⅱ获得不同规则概率值的Pareto解集,并结合动态规划法求解最优人员分配方案;仿真对比与算例验证,本文算法可以有效解决柔性作业车间多目标调度优化问题.     

基于多目标遗传算法的卫星成像任务调度技术

针对成像卫星的任务调度问题,考虑多种约束条件,提出了成像任务约束图模型。基于多目标优化和遗传算法思想,提出了一种应用于卫星成像任务调度的多目标遗传算法,详细分析了算法的各个关键步骤的设计思想,能够求得基于成像约束图模型的满意解,生成卫星的优化拍摄计划。卫星成像任务调度原型系统的实现和实验结果验证了该模型和算法的合理性和有效性。