用遗传程序设计实现复杂函数的自动建模

采用遗传程序设计的方法实现复杂函数的自动建模，程序中用树的分层结构表示复杂函数，并设计了相应的遗传算子(包括杂交算子和变异算子)以及停机条件。实例测试的结果表明采用遗传程序设计的方法得到的模型比传统的方法得到的模型要好，甚至优于专家设计的一些模型。     

基于模糊C-OWA算子的模糊多属性决策方法

将连续区间数据OWA(C-OWA)算子扩展到模糊环境,提出了一些新的模糊C-OWA(FC-OWA)算子,如加权FC-OWA(WFC-OWA)算子、悲观WFC-OWA(PWFC-OWA)算子和乐观WFC-OWA(OWFC-OWA)算子,并研究了它们的一些性质.基于PWFC-OWA算子和OWFC-OWA算子,提出了属性值和属性权重为梯形模糊数的多属性决策方法.最后通过算例说明了方法的可行性和有效性.     

求解混合整数规划的嵌入正交杂交的差分进化算法

针对混合整数非线性规划问题中同时含有0-1整数变量和连续变量,采用0-1二进制编码和实数编码的混合编码方案,将布尔逻辑运算中的异或(exclusive or, XOR)算子引入到差分进化的变异算子中,以处理0-1整数变量,将基于正交试验设计的正交杂交算子和差分进化的杂交算子相结合,来增强差分进化算法的系统探索能力。为了验证该算法的性能,测试了一些数值例子,并与其他算法作了比较。数值实验结果表明,提出算法具有良好的稳健性和有效性。     

基于@-合成算子的模糊控制器设计

用@-合成算子对模糊控制器进行设计,得到三种新的设计方案,并应用于工业锅炉锅筒水位模糊控制器的设计. 通过MATLAB编程,实现了常用的$ \odot$-合成算子所设计的锅炉锅筒水位模糊控制器和基于@-合成算子得到的三种新的控制器.对实验结果进行分析,发现用@-合成算子设计的一种方案比人们常用的$\odot $-合成算子所设计出来的方案更好,是四种方案中最好的.     

三参数区间数据信息集成算子及其在决策中的应用

研究了三参数区间数据信息的集成问题.基于连续区间数据有序加权平均(C-OWA)算子和有序加权几何(C-OWG)算子,定义了连续三参数区间数据有序加权平均(CP-OWA)算子和有序加权几何(CP-OWG)算子,并将这两种算子进行拓展,提出了加权的CP-OWA(WCP-OWA)算子和加权的CP-OWG(WCP-OWG)算子,研究了它们的一些性质.基于这些算子,提出了一种属性权重和属性值均以三参数区间数形式给出的不确定多属性决策方法,该方法利用CP-OWA算子对三参数区间数属性权重进行处理,利用WCP-OWA算子或WCP-OWG算子对三参数区间数属性值进行集成.最后,进行了实例分析.     

遗传算法和遗传规划对比研究

通过对遗传算法定向搜索机制和遗传规划搜索机制的研究比较,可以看出,依据遗传算法的基本思想设计遗传规划的进化算子时,由于算子空间过大而导致盲目搜索。通过对遗传规划的研究,提出了一套有定向机制的进化算子,进而设计和实现了基于这一套算子的遗传规划算法。     

三参数区间数调和平均算子及决策应用

针对决策信息以三参数区间数据形式给出的多属性决策问题,提出了一些新的三参数区间数据信息的集成算子和决策方法。基于连续区间数据有序加权调和平均(C OWHA)算子,定义了连续的三参数区间数据有序加权调和平均(CP OWHA)算子,并将该算子进行了拓展,提出了加权调和CP OWHA(WHCP OWHA)算子、有序加权调和CP OWHA(OWHCP OWHA)算子和组合的CP OWHA(CCP OWHA)算子。进一步证明了WHCP OWHA算子和OWHCP OWHA算子均为CCP OWHA算子的特例。CCP OWHA算子同时推广了WHCP OWHA算子和OWHCP OWHA算子,CCP OWHA算子不仅考虑了每个数据的自身重要性程度,而且还体现了该数据所在位置的重要性程度。基于WHCP OWHA算子和CCP OWHA算子,提出了一种属性权重和专家权重均为确定实数且属性值为三参数区间数的多属性群决策方法。最后给出了一个数值例子,结果表明该方法有效。     

直觉模糊幂Heronian平均算子及其在多属性决策中的应用

针对需要同时捕获变量个体间的关联性和整体均衡性的信息融合问题,本文在直觉模糊环境下,将Heronian平均算子和幂平均算子相结合,提出了直觉模糊幂Heronian平均算子和直觉模糊加权幂Heronian平均算子.新算子利用Heronian平均算子的交叉运算来体现变量的关联性,同时引入支撑度系数来挖掘信息的相对贴近度,从而在信息融合过程中体现整体性.此外,还探讨了新算子的一些优良性质和特例,并给出一种多属性决策方法.最后,通过算例验证了该方法的可行性与有效性.     

解旅行商问题的一个新的遗传算法

对旅行商(TSP)问题设计了一个新的遗传算法.首先,对n个城市的旅行商问题设计了一个新的编码方法,并且对这种编码方法,给出了简便的解码方法.其次,针对编码的特点,设计了一种新的、有效的杂交算子和变异算子,这些算子均能直接产生可行的后代.为提高杂交算子的搜索能力,结合了一个局部搜索技术来改进杂交算子.在此基础上,提出了求解TSP的一个新的遗传算法,并证明了其全局收敛性.为了验证算法的有效性,对10个国际标准算例(城市规模从14到1000)进行了计算机仿真,结果表明算法是有效的.     

拓展的C2OWA 算子及其在不确定多属性决策中的应用

把Yager提出的连续区间数据OWA(C-OWA)算子进行拓展,提出了加权的C-OWA(WC-OWA)算子、有序加权的C-OWA(OWC-OWA)算子、以及组合的C-OWA(CC-OWA)算子,研究了它们的一些性质.基于这些算子,分别在单人决策和群决策这两种情形下,提出了属性权重确知、且属性值以区间数形式给出的不确定多属性决策方法.最后,进行了实例分析.     

多模索引调制OFDM频谱及能量效率优化方案

为提高多模索引调制正交频分复用的能量效率(energy efficiency, EE)与频谱效率(spectrum efficiency, SE),提出优化方案和相应检测算法。该方案在不减小子块间最小欧式距离的前提下通过增加模式排列的种数使系统传递的索引信息量增加,从而提升系统SE。此外该方案引入空载模式使得部分信息的传输无需消耗能量,从而提升系统EE。同时提出改进的低复杂度最大似然检测算法以降低模式排列的检测复杂度。分析模式排列数及空载模式对误比特率(bit error rate, BER)性能的影响,并据此对引入空载模式后的多模式星座进行优化。仿真结果表明,优化方案的EE和SE都有所提升,且BER性能更优。     

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。     

OQAM/OFDM系统中改进的重叠选择性映射方法

重叠选择性映射(overlapped selected mapping, OSLM)是用于降低基于交错正交幅度调制的正交频分复用系统(offset quadrature modulation/orthogonal frequency division multiplexing, OQAM/OFDM)峰均比(peak-to-average ratio,PAPR)的技术。在对传统OSLM方法进行分析的基础上,为了进一步降低系统的PAPR,针对其在传输过程中需要耗费额外频谱来传递边带信息的问题,提出了改进的OSLM方法。该方法通过改变特定位置相位旋转因子的模值,从而在接收端确定边带信息,节省了OQAM/OFDM系统中的频谱资源,进而降低了系统的PAPR。仿真结果表明,在相同信道且子载波数量较多的条件下,该方法能够进一步降低系统的PAPR,同时又不会导致误比特率明显提升。     

基于改进AGD-分布式多智能体系统的目标优化分配模型

由于现代化战场环境动态多变、作战实时性高,针对当前防空作战中武器目标分配(weapon target assignment, WTA)约束多且复杂、传统建模无法真实反映战争过程、模型可信度不高等问题,提出一种在分布式约束优化问题(distributed constraint optimization problem, DCOP)背景下,基于多智能体系统(multi-Agent system, MAS)理论的武器目标优化分配模型,并利用改进的加速梯度下降(accelerated gradient descent, AGD)算法进行求解。通过实验证明了该算法具有良好的收敛性和低复杂度,能够适应现代化防空作战的需求,满足大规模寻优问题的需求,高效解决多智能体目标优化分配问题。     

强化学习中的策略重用:研究进展

策略重用(policy reuse,PR)作为一种迁移学习(transfer learning,TL)方法,通过利用任务之间的内在联系,将过去学习到的经验、知识用于加速学习当前的目标任务,不仅能够在很大程度上解决传统强化学习(reinforcement learning,RL)收敛速度慢、资源消耗大等问题,而且避免了在...     

Integration-centric approach to system readiness assessment based on evidential reasoning

An integration-centric approach is proposed to handle inadequate information in the system readiness level (SRL) assessment using the evidential reasoning (ER) algorithm. Current SRL assessment approaches cannot be applied to handle inadequate information as the input. The ER-based approach is proposed to synthesize inadequate input information and an integration-centric perspective is applied to reduce the computational complexity. Two case studies are performed to validate the efficiency of the proposed approach. And these studies are also performed to study how the inadequate information will affect the assessment result. And the differences caused by the system’s structure. The importance of the system’s structure in the SRL assessment is demonstrated and the contributions made in this study are summarized as conclusions.     

外部型硬件进化方法研究

外部型硬件进化(Extrinsic EHW)是将硬件描述语言(HDL)与进化算法(EA)结合起来的硬件进化(EHW)方法。在简要介绍了EHW的基本概念和工作原理的基础上，针对外部型硬件进化的基本方法，通过实验分析指出了这类方法存在的问题，阐述了在电子设计自动4g(EDA)平台上实现Extrinsic EHW方法必须解决的核心问题。     

HLA时间管理算法中输出时间的研究

时间管理服务是高层体系架构HLA(High Level Architecture)的重要组成部分.GALT(Great Available Logical Time)算法是实现时间管理服务的关键技术,而输出时间OPT(OutputTime)则是某些GALT算法实现的基础.不合理的输出时间算法所确定的GALT算法会违背HLA时间管理的原则或延缓联邦推进.通过对IEEE 1516[1]标准接口的分析,提出了一种符合IEEE 1516标准的输出时间算法,其它的输出时间公式可引为参考.     

基于双马尔可夫链的概率假设密度滤波器

隐式马尔可夫链(hidden Markov chain,HMC)是传统多目标跟踪的理论基础。在分析了HMC模型的局限性基础上,介绍了更具普适性的双马尔可夫链(pairwise Markov chain,PMC)模型,对基于PMC模型的概率假设密度(PMC-probability hypothesis density,PMC-PHD)滤波算法进行了推导,并对其高斯混合(Gauss-mixture,GM)实现进行了改进,利用椭圆波门给每一个高斯分量建立一个对应的缩减量测集合来对其进行更新。仿真实验证明在杂波密度较大的场景中,PMC-PHD滤波器GM实现的改进在不影响跟踪精度的情况下运行时间缩短为原来的三分之一;仿真实验还证明在HMC模型场景下PMC-PHD滤波器针对邻近目标的跟踪性能要优于HMC-PHD滤波器。     

Unscented extended Kalman filter for target tracking

A new method of unscented extended Kalman filter (UEKF) for nonlinear system is presented. This new method is a combination of the unscented transformation and the extended Kalman filter (EKF). The extended Kalman filter is similar to that in a conventional EKF. However, in every running step of the EKF the unscented transformation is running, the deterministic sample is caught by unscented transformation, then posterior mean of nonlinearity is caught by propagating, but the posterior covariance of nonlinearity is caught by linearizing. The accuracy of new method is a little better than that of the unscented Kalman filter (UKF), however, the computational time of the UEKF is much less than that of the UKF.