多传感器管理中多目标分配的蚁群优化算法

在多传感器对多目标的监视环境下,传感器对目标的优化分配是传感器管理的重要研究内容.文章探讨了多传感器多目标优化分配问题,提出了一个基于带目标威胁系数和未获拦截目标数最少的蚁群算法,并对信息素采用最差和最优更新策略.对优化分配算法进行了实验仿真验证.经过实验验证了该分配模型是可行的,能够使传感器资源均匀地分配给目标,更加符合实际应用.     

协同网络下分布式跟踪的动态传感器管理

协同网络系统采用分等级的分布式信息处理结构,在实现对杂波中多目标的精确跟踪时,需要考虑量测起源不确定性问题和传感器对目标及局部融合中心的同时分配问题.针对上述问题,文中提出了一种适用于分布式跟踪的动态传感器管理方法.首先以修正Riccati差分方程的解作为目标跟踪性能的评价标准,据此构建传感器管理的目标函数,然后根据分层优化策略,利用蚁群算法实时求近似优解,最后基于分布式融合算法获取多目标的最优跟踪轨迹.仿真结果表明,与NN分簇和MV分簇两种传感器管理方法相比,文中所提方法具有更高的目标跟踪精度和网络资源利用率.     

基于免疫的蚁群优化算法

蚁群算法在寻优过程中很容易出现早熟现象而陷入局部最优,同时蚁群算法在构造问题的可行解时,计算复杂度较大.为解决以上问题,将免疫算法和蚁群算法相结合,构成了一种结合免疫机制的蚁群优化算法,并将其用于解决WTA(武器目标分配)问题.通过仿真及与其它多种优化算法对比发现:基于免疫的蚁群优化算法在搜索效率上要高于其它优化算法.     

优化的蚁群算法在无线传感器网络中的应用

蚁群算法是一种新型的用于求解组合优化或函数优化问题的启发式算法,其基本思想是借用生物界的蚂蚁群体觅食机理,将每个蚂蚁看作一个智能体,作为智能群体的蚁群,其觅食过程显现出高度的并行性、正反馈性和鲁棒性,以此为基础的蚁群算法也具有这样一些特点。蚁群算法在路径选择方面的优势正好应用于无线传感器网络中源节点到目标节点的最优路径的建立。     

蚁群算法在多目标TSP问题中的应用研究

鉴于蚁群算法在处理组合优化问题中的优势,本文针对多目标TSP问题,对蚁群算法进行深入研究,探索多目标环境下蚁群算法的运行机制,同时构建多目标蚁群算法框架,并设计优化算子。仿真实验结果验证了本文算法的可行性与有效性。     

多无人机编队协同目标分配的两阶段求解方法

多无人机编队协同目标分配是一类组合优化问题,常规的求解方法难以满足战场环境对求解速度的要求。文章提出了一种两阶段目标分配方法,将该问题分解成编队级分配和编队内分配2个阶段。首先通过K-Medoids聚类算法实现编队级目标分配,将目标簇分配到无人机编队,然后通过混合整数线性规划模型和蚁群算法实现编队内目标分配,将目标分配到无人机。通过两阶段求解,降低多无人机编队协同目标分配问题的求解难度。仿真结果表明,该方法可行且有效,能够提高求解效率,大幅度缩短求解时间。     

求解Hadoop作业调度问题的混合遗传算法

将自适应遗传算法和改进的蚁群算法融合用以求解Hadoop作业调度问题。首先利用自适应遗传算法的全局搜素能力产生任务所分配的资源列表,在遗传算法的搜索速度逐渐降低时,适时切换到蚁群算法,由自遗传算法求解的最优解生成蚁群算法的初始信息素分布。改进蚁群算法的目标节点选择策略,考虑节点完成任务的成功率,加快蚁群算法求解最优解的速度。仿真结果表明,与遗传算法和蚁群算法相比,混合遗传算法用时较少,并且任务数越多,优势越明显。     

多传感器多目标数据互联中的拉格朗日松弛算法研究

拉格朗日松弛算法在现代优化启发式算法中占有重要地位，本文对多维分配问题的拉格朗日松弛算法进行研究，重点研究松弛次序对数据互联结果的影响。研究方法是针对不同测量误差情况下进行计算机仿真实验。结果表明，多传感器多目标数据互联的拉格朗日松弛算法中，松弛探测效果较好的传感器的观测数据，有助于提高目标关联的准确率，且算法的计算量相应减少。该结论使多维分配问题的拉格朗日松弛算法能满足工程上对数据进行实时处理，具有实际应用价值。     

多种群蚁群遗传算法在车间调度中的研究应用

蚁群算法和遗传算法都属于仿生型优化算法,是解决调度问题的强有力的工具。本文针对多目标车间调度问题提出了一种多种群蚁群算法和遗传算法想结合的算法,算法的第一部分用多种群蚁群算法求得各个目标函数的最优解,第二部分把求得的解作为遗传算法的初始种群求得多目标问题的Pareto最优解。仿真结果,该算法有较好的有效性、稳定性和订单适应能力。     

多态蚁群算法的认知无线电频谱分配

针对传统蚁群算法在认知无线电频谱分配中搜索时间长、信息素更新效率低等问题,提出了一种新的多态蚁群算法的认知无线电频谱分配方案。改变了传统蚁群算法单一信息素的调控机制,引入侦察蚁并给效益值较高的路径标记信息;以效益值为标准设置多态蚁群的各项指标;利用多态规则进行路径选点并更新信息素;最后与传统蚁群算法就最大平均网络效益和最大比例公平网络效益进行仿真对比。实验结果表明了多态蚁群算法的高效性和优越性。     

具有禁忌算子的遗传算法目标优化分配

针对地面防空作战中的多通道目标优化分配问题，给出了一种具有禁忌算子的混合遗传算法。该算法结合禁忌搜索算法和遗传算法二者的优点，既克服了禁忌算法全局搜索能力的不足，又提高了遗传算法的爬山能力，还解决了遗传算法容易陷入局部最优的问题，并使搜索过程具有记忆功能。仿真结果表明，该算法可有效给出求解多通道目标优化分配问题的满意解。     

基于角色访问控制系统中角色结构安全性分析问题的模型检测验证

提出了一种与角色结构相关的安全性分析问题(RRA-SAP),分析了角色结构对系统安全性的影响,证明了其计算复杂度,采用模型检测技术得到将RRA-SAP转化为模型检测问题的自动化验证算法,并验证了其有效性.结果表明,该算法可以在期望的时间内自动解决RRA-SAP问题.     

文化算法在有人/无人机协同作战目标分配中的应用

针对有人/无人机协同作战目标分配问题,基于文化算法提出一种遗传算法和离散粒子群算法相结合的目标分配方法。根据有人/无人机协同目标分配问题的特性,结合文化算法的基本框架,建立了遗传算法和离散粒子群算法的交互机制,充分利用遗传算法和离散粒子群算法对优化问题的搜索能力,改善了2种算法易陷入局部最优的缺点,对约束条件下的有人/无人机协同作战目标分配问题进行了有效求解。实验结果表明,基于遗传和离散粒子群相结合的文化算法优于遗传算法和粒子群算法,收敛速度更快,能够快速找到目标分配问题的最优解。     

全路径Logit交通分配模型的求解方法

分析了求解Logit模型的现有算法的不足,根据路网的连通特征提出了一种新的求解全路径Logit分配模型的迭代算法.给出了算法和Logit模型的等价性证明,并和经典的Dial算法进行了比较.     

基于模糊-灰色非合作Nash博弈的多组动态武器-目标分配方法

 针对武器-目标分配(weapon-target assignment,WTA)中的不确定性因素,研究了一类对抗性质的多组动态WTA(multi-team dynamic WTA,MT-DWTA)问题.首先,构建了对抗性质的MT-DWTA模型;其次,引入距离折算因子、模糊-灰色的目标相对价值和组Nash策略对的概念,构建了模糊-灰色非合作Nash博弈的MT-DWTA模型;然后,把该模型转化为二次规划模型;最后,设计一种循环多次交换启发式遗传-蚁群优化算法,仿真结果表明新算法能够在较短时间内求解较大规模的MT-DWTA的优化问题.     

多无人机分布式协同动态目标分配方法

在以"网络为中心"的作战模式下,以电子干扰无人机和UCAV编队协同作战为研究对象。针对多无人机协同作战的动态目标分配问题,建立基于导弹攻击区分析的威胁估计模型,综合考虑电子干扰效果建立目标分配模型,提出一种基于分布式拍卖机制的目标分配算法。针对不同的作战想定进行仿真计算,结果表明:算法能在规定的时间约束内给出接近理想化效果的目标分配方案,且所提算法与现有几种算法相比在可靠性、实时性上都有明显提高。     

基于协同效能的反导作战任务分配模型

提出了一种基于效能最优的多个反导武器系统协同反导作战任务分配模型。阐明了任务分配与目标分配的关系,给出了任务生成原理,建立了考虑任务分配均匀性和一致性的静态任务分配优化模型;为建模方案之间的协同约束,定义了基本效能、自协同效能和互协同效能;基于粒子群优化算法进行了求解。仿真结果表明:建立的模型和方法适用于静态任务分配问题,所得结果合理有效,能够反映出任务协同在多个反导武器系统协同反导任务中的优势。     

考虑发射区部分重叠的防空作战目标分配

为了研究多个地空导弹武器系统对多个来袭目标防空作战目标分配问题,考虑了部署中存在的发射区部分重叠问题,通过分析来袭目标群在飞越发射区时,不同发射区对不同目标覆盖状态的变化,将整个目标分配区间分为若干个分配子区间,通过比较拦截方在各个分配子区间所能获得的最大毁伤效果值,得出最佳分配子区间及其对应的分配方案。设计了基于捕食搜索策略的遗传算法(PSGA),并经过示例仿真,验证了模型和算法的可行性。     

匈牙利方法在资源分配问题中的应用

通过对一维资源平行分配问题的讨论,给出了将该问题分解成若干个指派问题的方法,通过用匈牙利方法求解应对的指派问题,得出该资源分配问题的最优解。     

武器目标分配问题的离散差分进化算法

提出一种新的求解静态武器目标分配问题的离散差分进化算法. 采用整数排列建立武器-目标分配对,作为离散差分进化算法的初始个体;并通过取模运算对溢出取值范围的解向量进行修正,将其转化到解的搜索区域内,从而对差分变异算子进行设计. 同时,提出相应的交叉策略,得到可行的武器目标分配对. 在交叉过程中,保留目标向量与试验向量中相同的分配对,得以很好地利用上一代的分配结果. 在删除重复数和重新插入整数时,为了避免倾向性,生成随机排列,保证对数据处理的公平性. 实验结果表明,提出的离散差分进化算法在收敛性和求解质量方面均优于另外2种典型的离散差分进化算法,很好地实现了武器目标分配问题的有效求解.