Weapon target assignment problem satisfying expected damage probabilities based on ant colony algorithm

A weapon target assignment （WTA） model satisfying expected damage probabilities with an ant colony algorithm is proposed. In order to save armament resource and attack the targets effectively, the strategy of the weapon assignment is that the target with greater threat degree has higher priority to be intercepted. The effect of this WTA model is not maximizing the damage probability but satisfying the whole assignment result. Ant colony algorithm has been successfully used in many fields, especially in combination optimization. The ant colony algorithm for this WTA problem is described by analyzing path selection, pheromone update, and tabu table update. The effectiveness of the model and the algorithm is demonstrated with an example.     

基于改进搜索策略的混合蜂群算法

针对人工蜂群算法搜索效率低、易陷入局部最优和精度低等缺点,提出混合蜂群（hybrid bee colony, HBC)算法。将人工蜂群（artificial bee colony, ABC）算法局部收敛性与模拟退火（simulated annealing, SA）算法全局收敛性结合,为ABC算法提供了一种新机制。根据SA算法中Metropolis接受准则, 通过调整温度依概率确定全局最优解的替代值,并利用全局最优解的替代值和个体极值来改进ABC算法的引领蜂搜索模式。其次,改进侦察蜂搜索方式,根据迭代次数非线性减小侦察蜂搜索范围和以一定概率反向搜索更新方式,能够有效地提高算法的全局搜索能力,并加快算法的后期收敛速度。通过对8个复杂函数仿真测试,结果表明,HBC算法在搜索性能和精度方面均有明显提高。     

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。     

防空C3I目标分配问题的ACO-SA混合优化策略研究

防空C3I系统的目标分配已成为现代防空作战指挥不可缺少的决策支持,针对这一问题,提出了蚁群-模拟退火(ACO-SA)混合优化策略。在该策略中,蚁群系统的一次周游过程中的最优路线作为模拟退火算法的初始解,在每个退火温度上进行抽样准则检验并产生新解,然后更新新解对应路径上的信息素,蚁群算法(ACO)再根据新的信息素分布进行并行搜索。实验表明,与单一ACO和SA算法相比,这种ACO-SA混合优化策略在解决同一防空C3I系统的目标分配问题上有较强的寻优能力和较快的收敛速度。     

基于蚁群优化算法的0-1背包问题求解

蚁群优化算法在求解旅行商问题、指派问题、Job-shop调度问题和网络路由问题等获得了极大的成功．将蚁群优化算法应用于0—1背包问题，首先将0—1背包问题表示成相应的构造图，并针对该图设计了两个状态转移公式，蚂蚁根据这两个状态转移公式在带权图中移动直到死亡．此时，蚂蚁所走过的路径即构成背包问题的一个可行解．仿真实验对该算法的参数进行了讨论，再与遗传算法进行比较，结果显示该算法具有较高的性能．     

Fast DOA estimation algorithm for MIMO sonar based on ant colony optimization

The maximum likelihood (ML) estimator demonstrates remarkable performance in direction of arrival (DOA) estimation for the multiple input multiple output (MIMO) sonar.However,this advantage comes with prohibitive computational complexity.In order to solve this problem,an ant colony optimization (ACO) is incorporated into the MIMO ML DOA estimator.Based on the ACO,a novel MIMO ML DOA estimator named the MIMO ACO ML (ML DOA estimator based on ACO for MIMO sonar) with even lower computational complexity is proposed.By extending the pheromone remaining process to the pheromone Gaussian kernel probability distribution function in the continuous space,the proposed algorithm achieves the global optimum value of the MIMO ML DOA estimator.Simulations and experimental results show that the computational cost of MIMO ACO ML is only 1/6 of the MIMO ML algorithm,while maintaining similar performance with the MIMO ML method.     

元启发式数据关联的多目标跟踪方法

提出了一种元启发式数据关联的多目标跟踪方法。首先,该方法根据跟踪门逻辑确定目标的有效量测。然后,利用滤波信息的似然函数描述量测点与目标之间的关联关系,并建立约束条件下多目标数据关联模型。最后,对蚁群优化算法进行改进设计,引入量测剔除策略,将求解问题转化为无约束的组合优化形式,从而利用蚁群优化算法在离散空间的启发式机制搜索量测与目标的最佳关联。仿真结果表明,该方法可以有效实现多目标数据关联且计算量较小,具有一定的工程实用价值。     

Test selection and optimization for PHM based on failure evolution mechanism model

The test selection and optimization （TSO） can improve the abilities of fault diagnosis, prognosis and health-state evalua- tion for prognostics and health management （PHM） systems. Traditionally, TSO mainly focuses on fault detection and isolation, but they cannot provide an effective guide for the design for testability （DFT） to improve the PHM performance level. To solve the problem, a model of TSO for PHM systems is proposed. Firstly, through integrating the characteristics of fault severity and propa- gation time, and analyzing the test timing and sensitivity, a testability model based on failure evolution mechanism model （FEMM） for PHM systems is built up. This model describes the fault evolution- test dependency using the fault-symptom parameter matrix and symptom parameter-test matrix. Secondly, a novel method of in- herent testability analysis for PHM systems is developed based on the above information. Having completed the analysis, a TSO model, whose objective is to maximize fault trackability and mini- mize the test cost, is proposed through inherent testability analysis results, and an adaptive simulated annealing genetic algorithm （ASAGA） is introduced to solve the TSO problem. Finally, a case of a centrifugal pump system is used to verify the feasibility and effectiveness of the proposed models and methods. The results show that the proposed technology is important for PHM systems to select and optimize the test set in order to improve their performance level.     

Extraction of affine invariant features for shape recognition based on ant colony optimization

A new approach to extraction of affine invariant features of contour image and matching strategy is proposed for shape recognition.Firstly,the centroid distance and azimuth angle of each boundary point are computed.Then,with a prior-defined angle interval,all the points in the neighbor region of the sample point are considered to calculate the average distance for eliminating noise.After that,the centroid distance ratios(CDRs) of any two opposite contour points to the barycenter are achieved as the representation of the shape,which will be invariant to affine transformation.Since the angles of contour points will change non-linearly among affine related images,the CDRs should be resampled and combined sequentially to build one-by-one matching pairs of the corresponding points.The core issue is how to determine the angle positions for sampling,which can be regarded as an optimization problem of path planning.An ant colony optimization(ACO)-based path planning model with some constraints is presented to address this problem.Finally,the Euclidean distance is adopted to evaluate the similarity of shape features in different images.The experimental results demonstrate the efficiency of the proposed method in shape recognition with translation,scaling,rotation and distortion.     

基于粒子群-遗传的混合优化算法

提出了一种基于实数编码的粒子群优化和遗传算法的混合优化算法,该算法首先由粒子群优化进化一定代数后,将最优的M个粒子保留,去掉适应度较差的pop_size M个粒子。然后以这最优的M个粒子的位置值为基础,选择复制得到pop_size M个个体,并进行交叉、变异等遗传算法运算。最后将保留的M个粒子位置值与遗传算法进化得到新的pop_size M个体合并形成新的粒子种群,进行下一代进化运算。该算法在进化过程中能进行多次信息交换,使两种算法互补性得到更充分的发挥。通过5个函数优化实例与其他多种算法的对比研究,表明该算法收敛性能好,运算速度快,优化能力强。此外,还研究了最优粒子保留规模M以及粒子群优化进化较少代数规模对算法性能的影响。     

基于学习机制的退火并行遗传算法应用研究

本文综合并行遗传算法(PGA)和模拟退火算法(SA)的优点,提出一种新的退火并行混合优化策略(PGASA).该算法克服了并行遗传算法局部搜索能力弱的缺点,在子种群的搜索中引入SA作为GA种群的变异算子,增强和补充了PGA的局部进化能力;同时将机器学习原理引入到混合算法中,增加了种群的平均适值,有效地避免了最优解的丢失,加快了进化速度.针对车间调度中的典型问题进行了仿真,结果证明了新算法的有效性.     

基于禁忌退火粒子群算法的火力分配

火力分配问题是典型的NP完全问题,传统的求解算法存在指数级的时间复杂度。给出具体实用的防空火力分配模型,提出一种基于禁忌搜索与退火粒子群优化的新算法,并针对多种空袭规模的实例进行计算机仿真。仿真结果表明,与禁忌搜索、标准粒子群优化、退火粒子群优化等智能算法相比,新算法在解决火力分配问题时具有更优良的收敛精度和时间性能。     

基于信息素异步更新的蚁群算法

针对基本蚁群算法中蚂蚁速度无限且信息素同步更新的假定前提,提出一种基于信息素异步更新的改进蚁群算法。该算法以蚂蚁的速度有限为前提,采用异步更新规则来调整各个蚂蚁的信息素浓度,从而间接改变蚂蚁间合作方式。该算法更忠实于实际蚁群的寻路过程,算法具有更好的全局搜索能力。基于旅行商问题的实验验证了算法的有效性、鲁棒性及解的多样性。     

Bayesian network learning algorithm based on unconstrained optimization and ant colony optimization

Structure learning of Bayesian networks is a wellresearched but computationally hard task.For learning Bayesian networks,this paper proposes an improved algorithm based on unconstrained optimization and ant colony optimization(U-ACO-B) to solve the drawbacks of the ant colony optimization(ACO-B).In this algorithm,firstly,an unconstrained optimization problem is solved to obtain an undirected skeleton,and then the ACO algorithm is used to orientate the edges,thus returning the final structure.In the experimental part of the paper,we compare the performance of the proposed algorithm with ACO-B algorithm.The experimental results show that our method is effective and greatly enhance convergence speed than ACO-B algorithm.     

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。     

基于蚁群系统的工件排序问题的一种新算法

工件排序问题中如何使加工效率最高，一直是一个非常重要而且又非常困难的问题，特别是问题的规模很大时，目前各种算法计算就非常困难，有的甚至无法得到合理的方案，蚁群系统是近年来发展起来的解决组合优化问题的一种有效方法，根据工件排序问题的特点，建立了在不同种类的并行机上加工一批不同种类工件的优化数学模型，在蚁群算法的基础上对其进行改进，成功地把改进的蚁群算法用于工件排序问题的优化中，通过与其他算法的仿真比较，表明基于蚁群系统的算法是有效的，特别是问题规模很大时更显示其快较的收敛速度和较高的精度。     

自适应杂交退火粒子群优化算法

为解决粒子群优化(particle swarm optimization, PSO)算法易早熟、后期收敛慢、收敛精度低等问题, 提出一种自适应杂交退火PSO算法。采用Sigmoid函数控制惯性权重, 平衡粒子的全局搜索和局部搜索能力; 采用双曲正切函数控制加速系数, 平衡粒子的自我认知和社会认知能力, 提高算法精度; 引入模拟退火算子, 使粒子在搜索过程中以一定概率接受差解, 增加粒子跳出局部最优的能力; 在算法后期引入杂交变异算子, 增加种群多样性, 进一步提高算法精度。基于3种标准测试函数对所提算法的性能进行了验证, 并与现有典型PSO算法进行了对比。结果表明, 所提算法在收敛精度及收敛速度上均具有一定提升。最后, 将所提算法应用于阵列天线方向图综合设计, 取得了较现有算法更优的结果。     

基于模拟退火遗传算法的土地利用结构优化模型

将模拟退火方法引入遗传算法中,对多参数问题进行优化。该算法克服了SGAs的过早收敛的问题以及算法易陷于局部极小点的问题,使得搜索沿着全局最优方向进行。将该算法应用于解决土地资源优化分配的问题中,优化结果同样具备上述特点。参3。     

两类非数值优化方法在飞机方案设计中的比较研究

将遗传算法（GA）和模拟退火（SA）应用于飞机方案优化设计，给出了算法实现过程。对同一算例进行了优化实验，对二者进行了对比分析。实验结果表明SA达到收敛所需迭代次数及方案分析次数远较GA为多，但其优化结果要好于GA。这两类非数值优化方法应用于实际的飞机方案优化问题，必须首先解决由于所需方案分析次数太多而导致的计算效率低下问题。相对而言GA较SA在实际飞机方案设计中有更好的应用前景。     

圆排列问题的蚁群模拟退火算法

首先把圆排列问题转化为旅行商问题,然后利用模拟退火算法是求解此问题.针对模拟退火算法对选择试验解比较敏感这一问题,文章提出六种找领域解算法.算法的分析和测试表明,利用了城市间距离大小的信息的蚁群模拟退火算法 是一种简单有效的算法.