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。     

星和完全等二部图联图的邻强边染色

对于1V（G）≥31的连通图G（V，E），若缸正常边染色法满足相邻的边染色集合不同，则称该染色法为缸邻强边染色法，其最小的称为G的邻强边色数。本文用特殊的方法记图的染色，并得到了星和完全等二部图联图的邻强边色数。     

基于oCSE-BS方法的动态因果网络构建研究

科学构建观察现象背后因果关系是各领域研究的一个基本问题。oCSE是构建动态因果网络的一种经典方法,它通过依次寻找单个节点的因果父集逐层构建网络,区别于当前通用的由成对节点间因果关系简单合成网络的思路。oCSE能够更充分利用数据生成高质量网络,但其存在两点局限：当出现多重传递性或共因性因素时易误判因果关系;大量测算对比致使时间效率偏低。为克服上述局限,本研究提出一种改进方法oCSE-BS:引入贝叶斯评分推断特殊情况下测试节点与目标节点的因果关系,避免引入伪父节点,提升识别因果关系的正确率;采取早期丢弃策略过滤弱相关节点,避免完全搜索带来的高计算量,提升算法运行的时间效率。经验证oCSE-BS在生成网络质量和时间效率方面均优于oCSE,同时发现其运行效果对网络规模、网络稀疏度敏感度较高,对样本噪音敏感度较低。     

任务主体二元约束下作战任务分解EVA方法

针对复杂作战任务分解中存在的随意性、不确定性问题, 综合考虑任务主体能力属性和结构特征等二元约束, 提出了一种由子任务集提取(extraction, E)、约束检验(verification, V)、子任务集调整(adjustment, A)等步骤递进循环形成的任务分解EVA方法。首先, 构建了全局任务空间, 提出基于任务匹配的子任务集提取方法; 其次, 针对任务主体能力属性和结构特征的二元约束, 建立了子任务集调整模型, 通过改进精英保留策略, 引入任务分解粒度和交叉变异概率动态调整策略, 提出了一种引进的非支配排序遗传算法-Ⅱ(improved non-dominated sorting genetic algorithm-Ⅱ, INSGA-Ⅱ)算法; 最后, 进行仿真实验, 验证了算法相较于传统多目标优化算法在解集多样性、收敛性和时间性能上的优势。研究结果表明, 所提方法能够使决策者依据任务主体实际自主调控任务分解结果, 在一定程度上克服了传统方法过度依赖主观经验, 忽略任务主体能力属性、结构特征约束的问题。