声自导鱼雷反水声对抗仿真研究

通过分析声自导鱼雷反水声对抗的目标和手段,以声诱饵为对抗对象,对三种智能型声自导鱼雷的反水声对抗能力进行了仿真研究。根据合理的评估准则,对仿真结果进行的分析表明,现有水声对抗器材对于智能型声自导鱼雷的防御效果有限。提出了水声对抗器材改进的思路,指出实施网络化水声对抗是一种可行的方案。     

水声对抗器材反鱼雷组合使用建模仿真研究

根据空投轻型鱼雷反潜的工作过程,建立了噪声干扰器、自航式声诱饵、鱼雷、潜艇的对抗模型,讨论了一种典型的水声对抗器材反鱼雷对抗方案,在此基础上提出了一种改进的对抗方案,即采用两枚声诱饵对鱼雷进行诱骗,通过仿真,分析了第二枚声诱饵发射时机、航向和潜艇二次规避时机、航向对潜艇生存概率的影响。仿真结果表明：改进的对抗方案可大大提高对空投鱼雷的对抗效果,这为潜艇正确使用对抗器材取得好的鱼雷对抗效果提供了参考依据。     

舰艇规避策略对鱼雷捕获概率影响的仿真研究

舰艇速度与航向的变化,会引起舰艇辐射噪声声源级和目标反射强度的变化,从而将分别改变鱼雷对目标的被动与主动自导作用距离。本文根据声纳方程,给出了鱼雷目标的能量检测模型。计算分析了：（1）舰艇在常速与高速航行时被动自导鱼雷发现的概率;（2）0．99的相同检测概率下,不同舰艇舷角上鱼雷主动发现目标的距离。计算结果表明,舰艇若以最高速规避鱼雷,将使鱼雷被动自导作用距离大大增加,而规避航向对主动发现概率有很大影响。     

鱼雷自导系统半实物仿真方法研究

介绍了鱼雷自导系统的几种半实物仿真方法,分析了各自的特点。针对电子注入方法进行了详细的研究,该方法有硬件系统比较简单,成本相对较低、可快速实现等特点。在有针对性的水声对抗仿真实验中,进行了具体的设计和实施。该方法对进一步提高水声对抗器材评估结果及系统的可信度有着较大的帮助。     

助飞声诱饵对抗声自导鱼雷数学模型及其仿真

如何使用某型助飞声诱饵对抗声自导鱼雷是水面舰艇水下防御作战中的重要问题之一。首先建立了使用某型助飞声诱饵对抗声自导鱼雷的数学模型,即舰艇的规避机动及声诱饵的发射参数模型,然后对声诱饵的发射参数和舰艇的生存概率进行了仿真计算,并对仿真结果进行了分析,最后得出有关作战使用的几点结论,对装备的作战使用具有重要意义。     

基于细致化仿生的改进粒子群优化算法

粒子群优化(particle swarm optimization, PSO）算法基本思想是试图通过模拟鸟群觅食中的迁徙和聚集等行为获得连续非线性函数的最佳值,其仿生算法产生于对鸟群寻食过程中飞行方向与飞行速度等的隐喻。近年对粒子群算法经典算法的研究,虽然在速度及精度上有所改进,但由于缺乏细致化仿生（precise bionic metaphor, PBM）,改进效果并不太明显。通过在PSO算法中引入飞鸟寻食细致化行为特征隐喻,即在算法中同时导入满意粒子局地细致化寻优和探索粒子随机寻优过程,进而提出了一种新的基于细致化仿生的改进PSO算法;对改进算法和经典算法进行了性能比较,结果显示所提算法在收敛速度和求解精度方面较经典算法有很大程度的改善。     

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。     

混合区间粒子群算法

提出了一种新的混合区间粒子群算法,该算法包含两部分,首先应用区间优化算法删除大部分不含有全局最小点的搜索区间,其次在剩余的搜索空间产生粒子群算法的初始种群,应用粒子群算法和区间算法共同解得全局最小值。数值实验表明,该方法快速、有效。     

基于粒子群算法的同步时序电路初始化

针对同步时序电路的初始化问题,提出了一种新的实现方法。当时序电路中有未确定状态的触发器时,就不能顺利完成该电路的测试生成,因此初始化是时序电路测试生成中的关键问题。时序电路初始化的核心就在于寻找一个测试序列,把电路引导到一个确定的状态。利用粒子群优化算法生成最短的初始化序列,使最优粒子最大限度地初始化电路中的触发器。针对ISCAS’89标准时序电路的仿真结果表明,与其他现有初始化方法相比,该算法能在初始化触发器数量和序列长度上取得更好的结果,证明了该算法的有效性。     

基于自适应量子粒子群算法的FIR滤波器设计

针对量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法的参数控制方式,提出了一种自适应调节方法,该方法根据粒子之间的位置关系来设定参数值,给出了具体的设计思想与实现步骤。然后针对有限脉冲响应(finite impulse response,FIR)数字滤波器的优化设计实质,即多参数优化问题,通过适当的编码方式将改进的QPSO算法(adaptive QPSO,AQPSO)应用在其优化设计中,设计了低通和带通FIR数字滤波器。实验结果表明,AQPSO在收敛速度、鲁棒性及优化效果等方面都优于遗传算法(genetic algorithm,GA)、PSO算法及QPSO算法,说明了AQPSO算法的有效性和可行性。     

基于粒子群优化算法的自抗扰控制器设计

针对自抗扰控制器参数难以整定的问题,提出了基于粒子群优化算法的自抗扰控制器优化设计方法。该设计方法的实质就是选择合适的适应度函数,利用粒子群优化方法对自抗扰控制器的可调参数进行优化。设计方法运算简单,易于实现。对某炮控伺服系统的仿真研究表明,这种方法是可行的。     

空间轨迹问题的粒子群仿真研究

空间轨迹的搜索问题具有多个全局最优解,一种有效的解决方法是采用粒子群算法进行搜索.然而与一般的优化问题不同,轨迹问题要求算法中粒子适应值与粒子位置同时收敛.为此,针对已有的粒子群算法在轨迹搜索上的不足,提出了一种减速粒子群优化算法(Slowdown ParticleSwarm Optimization,简称SPSO),从位置角度改善粒子群的收敛性能.该算法利用独立子群技术保证粒子收敛于不同的位置,并根据粒子适应值情况减半更新粒子飞行速度,以达到位置收敛的目标.仿真实验的结果表明了减速粒子群算法在位置收敛效果上的优越性.     

一种改进的粒子群优化算法

针对非线性优化问题讨论了一种基于迭代进程和适应值综合的自适应变异粒子群优化算法,该算法按照自适应变异方法从迭代进程上、以及从目标函数适应值上调整速度惯性因子,同时结合正态变异算子调整搜索方向。采用专用测试函数进行仿真测试分析,结果表明改进算法收敛,具有很高的搜索效率和求解精度。     

正交微粒群算法

基于正交试验设计的最优性以及微粒群中微粒的记忆特征，提出了一种新型的微粒群算法——正交微粒群算法。其主要思想是：利用正交设计的方法产生初始微粒群，以便粒子能够均匀分布在整个解空间上；充分利用微粒的记忆能力，对微粒群进行更新，从而达到对可行解空间进行开发和探索的目的。将该算法应用于四个常见的测试函数，试验结果表明本算法的性能比较优越，并且具有很强的并行性和较大的灵活性。最后，讨论了不同的初始速度和扰动对算法性能的影响。     

基于动态种群结构的粒子群算法及仿真研究

针对标准粒子群算法易陷入局部最优而早熟的问题,提出了一种基于动态种群结构的粒子群算法。该算法在种群结构中引入小世界网络模型,由于网络模型的演化,使算法具有动态的种群结构,从而保持了种群的多样性。同时为了使粒子尽可能地分布在不同的搜索空间,在网络模型演化过程中考虑了结点的个体价值。为了加快算法的收敛速度,在进化后期采用全局模型粒子群算法。通过对三个经典测试函数优化问题的数值仿真并与其它方法进行比较,结果表明了算法的有效性和实用性。     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

阶梯型粒子群算法及在函数优化中的应用

提出一种自适应动态群粒子群方法,根据粒子群的多样性,采用梯形规律动态调整粒子群的规模,既保证每个粒子都得到充分的进化,又保持了群体的多样性,使局部收敛的可能性大大减少。此方法根据群体的多样性的大小,在减少群体规模时,采用较差淘汰法,淘汰一些较差的粒子,在增加粒子时,采用交叉法产生新个体,既保持粒子的继承性,又维持了粒子群的多样性。对典型函数进行测试实验,结果与其它粒子群方法进行比较,验证了方法的有效性。     

基于均匀设计和惰性变异的改进微粒群算法

微粒群算法(PSO)是一种随机群体优化算法,相对于遗传算法等其它的进化算法,它模型简单、操作参数少、智能程度高、运算速度快,已受到许多相关领域学者的关注与研究。但是,标准微粒群算法在寻优过程中往往陷入局部最优解,而不是全局最优解。在研究均匀设计与惰性变异的基础上,提出了改进的微粒群算法(UMPSO)。该算法利用均匀设计的思想来确定算法的初始粒子,以使其均匀分布于解空间,从而使算法以更高的概率、更快的速度找到全局最优解;在进化过程中,对惰性粒子以概率为1进行随机变异,则能够更好地保证微粒群的多样性。仿真结果表明,与标准的PSO相比,UMPSO的寻优精度更高、寻优速度更快。     

一种基于分子动理论的改进粒子群优化算法

提出了一种新颖的基于分子动理论的粒子群优化算法(MMY-PSO).类比于物理学中质心的概念本文定义了群质心,MMT-PSO把种群中的每个粒子类比成分子,根据粒子与种群目前的质心之间的距离远近,粒子与质心间的分子作用力控制粒子的飞行方向以决定其是朝着群质心的方向飞行还是远离它,从而有效地协调了种群的多样性,使算法能够有效地平衡全局和局部搜索.通过解决典型的多峰、高维函数优化问题来证实算法的有效性,实验结果表明MMT-PSO比标准PSO具有更高的性能.     

基于Metropolis准则的微粒群算法

通过对微粒群算法的分析,指出其早熟收敛的原因,并提出利用Metropolis准则更新微粒的个体经验位置,从而增强了算法的全局探索能力。该算法也可以认为是模拟退火算法中利用微粒群算法的进化公式作为一种新的状态产生函数。通过理论分析阐明了该算法以概率1收敛于全局最优解。实例仿真验证了其有效性。