点迹-曲线关联算法的旋转对称群目标分辨

基于微多普勒效应分析的弹道目标识别得到了广泛研究,然而传统的微多普勒特征提取技术大都难以解决空间群目标的分辨与识别。针对这一问题,提出了一种基于点迹-曲线关联算法的空间群目标分辨方法。在以旋转对称群目标为研究对象的前提下,建立了具有滑动散射特性的目标模型并分析推导了散射点的微动表达式,利用点迹凝聚处理抑制了一维距离像旁瓣,在此基础上,提出了点迹-曲线关联算法分离出混叠的群目标微多普勒曲线,通过各曲线的极值包络特性差异实现了旋转对称群目标分辨。实验仿真验证了本方法的正确性和可行性。     

基于MAPSO的混合式多机器人编队控制

为了解决目前编队控制中队形不稳及复杂环境适应性差等问题,针对全局环境中含有动/静态障碍物的复杂环境,提出一种将Leasder-Follower法及人工势场法改进结合的混合式多机器人编队控制新方法;同时,引入多智能体粒子群优化(MAPSO)算法对多机器人编队控制相关参数进行在线优化,能有效避免机器人陷入局部最优,增强其抗干扰能力.对该方法进行仿真分析,并和Leasder-Following法与基于行为法相结合的混合编队控制方法进行比较.结果表明:MAPSO的混合式多机器人编队控制方法能更好地完成多机器人在复杂环境下的编队控制任务,验证了其有效性和可行性.     

基于QPSO-RBF神经网络的交通流量预测方法

提出一种粒子群优化神经网络的预测方法,首先基于改进的量子行为粒子群算法对神经网络进行训练,以保证各权值和阈值能得到最优解,同时对训练样本进行了基于聚类算法的优选.最后进行了仿真验证,证明本文方法用于短时交通流量预测可以获得较高的精度并且误差稳定,为交通流量预测的实际应用提供了一种参考.     

统一化 平台化 国土资源部门户信息服务的“云平台”

云应用与云服务是近年来信息化领域的热点"。云"作为一种新型的应用与服务的理念和思路,其核心特点和优势体现在两个方面:一是对资源的集约、共享和复用,二是对服务的灵活创建、交付和利用,这些优势吸引着人们自发地去应用和实现它。在"云"概念体系以完整成熟的面貌展现在世人之前,云应用的雏形就已经出现了,不断的实践与经验积累又使得"云"及其相关技术不断地发展、完善和普及起来。     

有限群的几乎τ-嵌入子群

群G的一个子群H称为G的几乎τ-嵌入子群,如果G有一个s-拟正规子群T使得HT在G中s-拟正规且H∩T≤HτG,其中HτG是所有含于H的G的τ-拟正规子群生成的子群.通过研究有限群G的Sylowp-子群(p是|G|的一个素因子)的极大子群的几乎τ-嵌入性,得到群G的p-超可解性.同时,又通过研究有限群G的极小子群的几乎τ-嵌入性,得到群G的p-幂零性.     

n阶5度1-正则图

如果一个图的自同构群作用在它的弧集上是正则的,那么称这个图为弧正则图。本文研究了刻画阶为n的5度1-正则图,其中n是平方自由的。     

一种改进的粒子群优化算法

标准粒子群算法能够解决各类优化问题,得到了广泛的应用,也引起很多研究人员的关注.为了提高全局搜索能力,使其不易陷入局部最优,提出了一种新的优化策略.首先,采用了佳粒子的概念,每次更新时,对所有粒子进行排序;然后,在此基础上,对所有的粒子进行评估,衡量每个粒子是否可以保留;最后,删除那些不符合保留要求的粒子,同时生成相应数目的新的粒子,以保持种群的规模,从而提高种群的整体适应性能.实验数据表明,新算法提高了算法的性能,具有更好的全局性能.     

灰色博弈网决策模型研究

针对超博弈决策问题中存在的"灰色"的"贫信息"问题,提出一种基于信息缺失下的灰色博弈网模型;并给出了灰色博弈网的建模思路及其纳什均衡求解算法,解决了博弈网决策模型中的灰色不确定性问题。通过宏观信念建模,生成全局灰场景和优化典型灰场景。通过微观信念均衡建模,利用可能度分析和粒子群算法求解纳什均衡。最后实例仿真,验证了该灰色博弈网模型的可行性和有效性,真实性好,有较高的应用研究价值。     

基于注水方法与粒子群的多用户OFDM资源分配

针对各态历经信道下多用户OFDM资源分配的用户速率加权和最大化问题,提出了一种新注水方法,能够快速和准确地得到最优子载波分配和最优功率分配;根据Karush-Kuhn-Tucker(KKT)最优性条件,采用粒子群算法对速率阈值乘子进行调整,最大化了满足用户速率阈值限制的用户速率加权和.通过对所提算法与随机对偶梯度算法的分析比较发现,所提算法能够更好地满足KKT最优性条件,从而有利于找到最优解.仿真结果表明,本算法所得到的用户速率加权和高于随机对偶梯度算法.     

基于收益-风险双目标规划的随机能力扩张模型

能力扩张问题是指在不同计划期,根据不断增长的市场需求,调整生产能力,使产能与需求合适匹配以寻求企业盈利的最佳表现.能力扩张涉及长期的产能投资,是生产领域的战略决策问题.当面对不确定需求时,这一决策任务变得十分复杂,需要从回报与风险两个角度评估能力扩张方案的性能.本文基于Scenario树描述多阶段的随机需求,从而建立随机环境下能力扩张问题的Scenario决策模型.其中考虑两个决策目标:最大化利润和最小化期望下方风险,因而形成了一个双目标规划问题.为求解该问题,基于二进制粒子群优化技术,提出了双目标优化的粒子群算法.算例表明该算法可以得到近似Pareto前沿,且能揭示利润与风险的同向变化关系.