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。     

基于无人机实时数据多波次任务规划模型分析

针对导弹部队多波次作战任务规划问题, 依据无人机的实时数据, 构建了基于路径的多层规划模型, 并设计了模型的算法求解流程。使用遗传算法与禁忌搜索混合算法, 得出了任务规划中的最优路径规划, 并在此基础上进行了冲突的消除。通过仿真案例表明, 用无人机协同配合导弹部队作战, 实时传输作战数据, 能够解决战场信息模糊不确定的问题; 使用多层规划模型能够为导弹多波次规划作战的路径进行科学的决策和选择。利用遗传算法和禁忌搜索混合算法, 能够避免局部最优导致无法输出结果的现象。     

基于近邻子空间划分的高光谱影像波段选择方法

在降低高光谱遥感影像数据的冗余度方面,波段选择一直是一种有效的方法.近年来,提出了许多用于高光谱波段选择的聚类算法,但大多数算法只有在选择足够多的聚类中心时才能够表现出良好的性能.在选择少量波段时,往往效果很不理想,不能满足实际使用的目的.而且,随着聚类中心数量的增加,大多数波段选择算法的精度存在不同程度的下降趋势.针对当前基于聚类的波段选择方法存在对聚类中心数的强敏感性和选择的特征波段子集高相关性的问题,提出了一种基于近邻子空间划分的波段选择方法(SEASP).该方法主要包括近邻子空间划分和特征波段选取两个步骤.考虑到高光谱波段之间的有序性,SEASP首先计算出相邻波段之间的相关系数,得到相关系数向量.若两个波段之间的相关性在某个区间内最小,即相关系数的变化率在该区间内最大,说明这两个波段在很大概率上不属于同一组,为两个相邻分组之间的分割点.因此,在相关系数向量的基础上,计算出其对应的若干个极小值,通过极小值的选取来确定最终划分的子空间.最后以信息熵为度量标准从划分的子空间中选出特征波段子集.在3个公开数据集的实验结果表明,提出的SEASP算法与其他算法相比,不仅原理简单,而且在精度...     

快速稳定收敛的一维搜索算法——水平割线法

根据经典的一维搜索算法--对分法和Newton切线法的基本原理,提出了一种新的一维搜索算法--水平割线法.介绍了该方法的基本原理,给出了详细的算法,并证明了算法收敛的稳定性.最后通过实例,把该方法与对分法、Newton切线法作了比较.     

一种基于 Pareto 云隶属度的 MOPSO 算法

为定量解决非支配解排序问题,并兼顾多目标粒子群优化算法（multi-objective particle swarm optimization,MOPSO）的收敛性和多样性,提出了一种基于 Pareto 云隶属度的 MOPSO 算法。利用 Logistic 混沌映射优化种群的初始空间分布并融合布谷鸟搜索（cuckoo search,CS）指导粒子跳出局部陷阱,以增强算法的全局寻优能力。首次提出云向量评价 Pareto 最优解集方法,采用云隶属度评价准则对粒子适应度值进行量化评价。依据云隶属度选取个体最优和群体最优,平衡全局开发与开采,进而实现外部档案维护。测试函数集 ZDT 的实验结果表明,改进算法在收敛性和多样性方面较 MOPSO 和 NSGA-Ⅱ有一定优势。     

SDN环境下基于KNN的DDoS攻击检测方法

DDo S攻击是当前互联网面临的主要威胁之一,如何快速准确地检测DDo S攻击是网络安全领域研究的热点问题。文中提出了一种在SDN环境下基于KNN算法的模块化DDo S攻击检测方法,该方法选取SDN网络的5个关键流量特征,采用优化的KNN算法对选取的流量特征进行流量异常检测,最后基于NOX控制器和Net FPGA交换机进行了实验验证。实验结果表明:相对其他的分类检测算法,所提的检测方案具有更高的识别率和更低的误报率。     

利用跳点搜索算法加速A*寻路

介绍广泛应用于游戏寻路中的标准A*算法,指出跳点搜索(JPS)算法使A*生成并扩展的节点数量很少,而且到达目标的速度很快.因为跳点搜索能够消除路径间的对称性,通过在直线和对角线方向上修剪节点来识别后继,在搜索时跳过了大量可能会添加到open列表和closed列表中的中间节点以及其他计算,这使搜索速度有了很大提升.在5个基准网格地图上测试A*+JPS对A*的相对加速比,实验结果表明:跳点搜索可将标准A*搜索的速度提高一个数量级甚至更多,并且速度收益的程度取决于基础网格地图的地貌,对于大的开放区域,跳点搜索更加高效.另外,跳点搜索对A*在节点扩展数量上的改进甚至比搜索时间的改进更加显著.无论从搜索时间还是从节点扩展数量上,A*+JPS都明显优于A*,利用跳点搜索算法可显著加速A*寻路.     

几种混沌布谷鸟搜索算法的优化性能比较与仿真

针对布谷鸟搜索迭代后期收敛速度慢和搜索精度不高的不足,通过将混沌优化方法嵌入到布谷鸟搜索中构建混沌布谷鸟搜索算法。新算法利用混沌序列的随机性和遍历性来改善布谷鸟搜索的优化性能。基准测试函数集的测试结果显示新算法在收敛速度和计算精度方面都得以提高。最后将所构建的算法应用到PID参数整定问题上,对比实验结果表明改进算法是可行性和有效性的。     

基于自适应搜索窗的非局部均值去噪算法

提出了一种采用局部多项式近似—置信区间交叉(Local Polynomial Approximation and Intersection of Confidence Intervals,LPA-ICI)技术的自适应选取搜索窗的非局部均值图像去噪算法.首先采用LPA-ICI寻找当前像素所在的同质区域,然后将该同质区域设定为当前像素的自适应搜索窗.自适应搜索窗内的像素与当前像素在灰度值以及几何结构上均呈现出"同质"性,对当前像素的估计值更接近真实值.定性与定量实验结果表明:相比于形状和大小固定的搜索窗,自适应选取搜索窗的非局部均值去噪算法能取得更好的去噪效果,对图像中边缘和纹理细节信息具有更好的保护能力.