无人机协同多目标攻击空战决策研究

针对超视距空战中多架无人机对空中的多个敌对目标进行协同攻击的决策问题进行了研究。首先,对空战威胁态势进行了分析,基于对各攻击目标至少分配一枚导弹的原则,将协同多目标攻击决策问题转化为导弹目标攻击配对的优化问题并建立其攻击效能评估模型。然后,提出了一种模拟退火遗传算法用于该决策问题的寻优。最后,通过所得最佳导弹目标分配个体求得最终协同攻击决策方案。仿真结果表明所提出的算法能有效地求解协同多目标攻击决策问题,其对最优解的搜索效率明显优于单一的遗传算法。     

基于LINGO的多目标攻击空战决策研究

在介绍了多目标攻击有关概念的基础上,分别建立了考虑目标威胁后的多机协同多目标攻击的数学模型和单机多目标攻击的数学模型,并采用Lingo软件通过具体算例分别对两类模型进行了数值仿真.仿真结果表明,利用优化软件Lingo可以实现快速准确的空战决策,从而为多目标攻击空战决策提供了一种有效的决策方法.     

多目标攻击中的攻击逻辑与决策方法

面临多目标时，如何确定攻击顺序是多目标攻击火控系统中有待解决的关键技术之一。针对这一问题，本文通过分析参数对多目标攻击的影响，提出了一种“初值＋量化值”的线性加权决策方法。该方法简洁实用，而且使用先进的快速模拟法计算导弹允许攻击区，使计算速度大大提高。仿真结果表明该决策方法具有一定的工程应用价值。     

群机协同空战中的多目标攻击决策模型研究

分析了群机协同空战中，多编队、多机分步协同作战的特点，提出分层递阶的协同多目标攻击决策模型，将问题分解为战役层兵力指派和战术层多目标分配决策，并分别设计了战役层和战术层的决策模型。建立了通用空战态势评估和能力评估模型，通过对战役层和战术层作战单元的抽象和评估模型参数的设置，可将该模型应用于两个不同层次。最后给出了仿真算例，验证了该模型的可用性和有效性。     

一种基于蚁群的机会网络多目标路由算法

机会网络是一种由移动对等通信节点组成、节点具有消息存储能力、节点间接触随机出现的网络.现有的机会网络路由协议绝大多数仅考虑针对单个路由目标进行路由决策,不能很好的适应上层应用需求或环境的变化,同时难以提高路由协议的综合性能.面向可加性可乘性,极值性三种类型的路由目标,通过运用多目标决策理论及蚁群算法,给出了一种机会网络中多目标路由算法Multiple Objective Decision Making ruting,MODM).该算法中路由决策取决于多项路由指标,能够为不同的应用需求或环境提供不同的路由服务,提高了机会网络下路由算法的综合性能.实验结果表明该算法能够根据不同的需求对多个路由目标进行优化,与传染病、First Contact等机会网络路由算法相比拥有较好的综合性能.     

多目标攻击条件下的作战任务分配模型研究

作战任务分配是现代多用途战斗机火控系统的核心,也是任务管理系统中的关键性的问题.首先运用信息熵方法,结合主客观两方面的因素对多目标攻击条件下的任务进行优先权分析,然后建立起传感器作用于任务的效能矩阵,在此基础上运用蚁群算法来确定任务最优分配方案.仿真实例表明该任务分配模型对于多目标攻击条件下的任务分配具有一定的可行性和实用性.     

多目标优化的生长竞争蚁群算法

提出一种求解多目标优化的生长竞争蚁群算法。该方法将生长竞争规则引入蚁群算法,给出了在连续空间多目标函数优化的算法描述,定义了生长竞争规则及蚁群邻域的转移概率,并提出了实现算法的具体步骤。算法在MATLAB环境下,对一些典型的测试函数进行了求解和验证,实验结果表明该方法具有向真实的Pareto前沿逼近的效果,是一种求解多目标优化的有效方法。     

基于改进信息熵的空地多目标攻击优先权决策

空地多目标攻击顺序的确定直接决定着攻击机自身的生存力及作战任务的完成,是对地作战任务规划的关键前提。分析了影响空地多目标攻击顺序决策的因素;采用优先权法,建立了空地多目标攻击优先权决策模型;对传统的基于信息熵的多属性决策方法进行了改进,引入决策者偏好因素,综合了主客观对决策结果的影响;最后进行了实例仿真研究,仿真结果验证了所建优先权模型的正确性及所提决策方法的有效性。     

多UCAV协同目标攻击决策

针对多无人作战飞机(unmanned combat aerial vehicle, UCAV)攻击多目标,研究了多UCAV协同攻击决策问题。建立了目标毁伤模型、UCAV损耗模型和时间协同模型,并通过加权求和将三者转化为单一目标函数,进而转化为单目标问题进行求解。提出了一种离散微粒群优化(discrete particle swarm optimization, DPSO)算法,在微粒群优化算法框架内重新定义了微粒的位置、速度及相关操作。建立了微粒与实际问题的映射关系,进而使DPSO算法适合于求解多UCAV协同目标攻击决策问题。仿真结果表明,DPSO算法易于实现,能够较好地解决基于时间协同的多UCAV目标攻击决策问题。     

基于图模型自主优化的多无人机多目标攻击

为在多无人作战飞机(unmanned combat aerial vehicle, UCAV)执行多目标攻击中适时确立决策优化的方向、改变任务优化所需的基本条件,采用图模型中的动态贝叶斯网络(dynamic Bayesian network, DBN)构建了空天威胁体感知模型,提出了基于图模型自主优化系统的分层架构和多UCAV自主协同规划方法。该方法利用数据融合形成的DBN状态转移网络及观测转移网络参数的变化表现复杂空天环境的变化,并充分利用DBN的学习和推理算法,实现了对威胁体的在线动态感知,达到了按照确定原则完成UCAV攻击目标重新分配与航迹协同等任务的目的。仿真结果表明了这种自主优化规划方法的正确性和可行性。     

基于蚁群算法的多目标跟踪方法

提出了一种新的基于蚁群算法的多目标跟踪方法.方法采用蚁群算法实现多目标跟踪中的数据关联,首先将多目标跟踪中的数据关联问题表示为具有约束条件的优化问题.用蚁群算法对该优化问题求解,得到的解即为最优关联.为验证该算法的有效性,在两种状态估计方法EKF(extended Kalman filter)和S1S(sequential importance sampling)的基础上进行了多目标跟踪实验,并且与传统的NN(nearest neighbor)方法进行了比较.在与SIS框架结合时,算法中采样粒子包括状态矢量和关联矢量,状态矢量通过序贯重要性重采样获得,关联矢量通过蚁群算法求得.实验结果表明,将蚁群算法融合进SIS算法进行多目标跟踪是有效的.     

一种改进的粗粒度并行蚁群算法

蚁群算法是一种模拟进化算法,具有很强的全局搜索能力。提出了一种基于粗粒度模型的并行蚁群算法,该算法采用了一个新的信息素更新策略———Ant-proportion,这种新的更新策略是综合考虑全局和局部信息,依据蚂蚁在搜索过程中所得到的路径的优劣程度和路径中各路段对其贡献的大小来分配信息素增量;另一方面,该算法采用的粗粒度模型充分利用了蚁群算法内在的并行性,使得算法具有更快的收敛速度和更好的优化质量。最后,选用了CHN144问题对该算法进行了检验,算法求得的最优路径优于已知的最优结果。     

带时间窗车辆路径问题的量子蚁群算法

带时间窗的车辆路径问题(VRPTW)是VRP的一种重要扩展类型, 是组合优化中的一个NP难题, 针对蚁群算法在求解VRPTW问题时易陷入局部最优和收敛速度慢的问题, 本文结合量子计算提出一种求解VRPTW的量子蚁群算法(QACA). 通过定义人工蚂蚁的转移概率, 增加量子比特启发式因子, 以及用量子旋转门实现信息素更新, 从而提高算法的全局搜索能力, 有效避免了算法陷入局部最优. 经一系列VRPTW的仿真实验表明, 量子蚁群算法较蚁群算法在求解VRPTW问题上具有更好的性能, 通过与其他算法的比较, 进一步说明量子蚁群算法是可行有效的.     

目标分配问题的蚁群算法研究

防空C3I系统的目标分配问题中如何使射击效率最佳,是非常重要又十分困难的问题。分析了目标分配问题各种解算方法的特点及存在的问题。结合蚁群算法思想,提出了一种新型的目标分配算法模型,并进行了算法实验。实验结果表明,基于蚁群算法思想的目标分配算法是有效的,特别是问题规模较大时更显示出其较快的收敛速度和较高的精度。     

一种随机蚁群算法求解连续空间优化问题

通过将蚁群优化算法(ant colony optimization,ACO)与一种随机优化方法———Alopex算法相结合,提出一种随机蚁群混合算法(AACO)求解连续空间优化问题。该算法定义了蚁群在连续空间中的寻优方式以及新的信息素更新规则,并在局部搜索过程中嵌入改进的Alopex算法以提高搜索效率,有效地避免了优化算法陷入局部最优。基于多极值函数和非线性连续函数的仿真实验表明,该算法简单高效,具有良好的寻优性能。     

蚁群算法的全局收敛性研究及改进

针对蚁群算法(ACA)寻优性质优良,但搜索时间长、收敛速度慢、易限于局部最优解,从而使其进一步推广应用受到局限的问题,对算法的全局收敛性进行了深入的理论研究,并从改善全局收敛性的角度对算法作了一系列改进,最后对Bayes29这一典型的TSP问题进行了仿真实验。实验结果证明,改进后的蚁群算法具有很好的全局收敛性能。这为蚁群算法的进一步理论研究打下了很好的基础,对其在各优化领域中的推广应用具有重要意义。     

基于蚁群算法的复杂系统脆性研究

针对复杂系统的研究,提出了一种复杂系统脆性分析的方法。建立了复杂系统脆性的赋权图模型,以图的边描述子系统之间的脆性联系,边的权值描述子系统之间的脆性联系程度。而且定义了系统最大崩溃路径,并且提出了一种求解系统最大崩溃路径的蚁群算法。为了进一步说明问题,又以24-Bus IEEE测试系统为例验证了新算法,并对算法中参数的选取进行了讨论。     

基于IP-ACO算法的航天器测控资源调度技术

采用多目标蚁群优化算法对航天器测控资源调度问题进行研究。在分析中低轨道航天器测控特点的基础上,综合考虑包括测控时间窗口约束和设备切换时间约束在内的多类复杂约束条件,建立多目标航天器测控资源调度模型。在Pareto蚁群优化算法的基础上,引入蚁群社会中的分工协作思想并构建测控任务时间约束有向图,设计基于任务选择期望的状态转移规则和基于自适应网格技术的权重更新策略,从而提高算法求解性能。仿真实验结果表明该方法能有效解决多目标航天器测控资源调度问题。     

基于改进蚁群算法设计的敏捷卫星调度方法

敏捷卫星与传统非敏捷卫星相比,增加了俯仰和偏航两个自由度,提升了卫星的成像能力,也加大了搜索空间,使敏捷卫星的调度问题变得更加复杂,组合优化难度加大. 蚁群算法是可有效求解敏捷卫星调度问题的方法之一. 针对蚁群算法优化性能严重依赖于算法参数以及各个组件的设计的问题,提出利用均匀设计的方法优化组合算法的各个组件,设计出能有效求解敏捷卫星调度问题的蚁群算法. 利用7 个不同规模的实例进行实验,实验结果表明了方法的有效性.