基于改进空间划分的目标分群算法

针对战场目标分群中存在的类数未知和阈值选取欠缺有效方法的问题,提出一种基于改进空间划分的目标分群算法。首先,通过敌我及作战单位属性划分,约减分群目标数规模,降低计算量;其次,通过对空间距离划分进行改进,能够动态地优选阈值,有效解决类数未知的分群问题。通过引入划分独立性和逆χ²分布概率区间约束,消除计算冗余并提取出候选阈值,在此基础上选取最大的候选阈值作为最终分群阈值,可以有效滤除过程噪声与观测噪声干扰,提高分群准确率。仿真结果表明,该算法对战场环境下的多目标编队分群具有良好的有效性、稳健性和实时性。     

基于Voronoi图和蚁群优化算法的无人作战飞机航路规划

无人作战飞机(UCVA)航路规划是一类复杂优化问题.在众多航路规划算法中,Voronoi图是一种根据战场多威胁源分布情况获取可行航路的图形算法,而蚁群优化(ACO)算法是受到蚂蚁觅食行为启发而形成的一种启发式仿生算法.根据已知威胁源生成Voronoi加权图,其中每条Voronoi边的总代价可以由威胁代价和燃油代价计算得出;然后给出了在Voronoi图条件下,用于航路规划的改进ACO算法模型和具体实现方法;最后,将Voronoi图与ACO算法相结合,并针对某UCAV多种空战态势下的航路规划问题进行了系列仿真实验.实验结果验证了所提方法在解决UCAV航路规划问题时的可行性和有效性.     

基于航路-航迹关联的天波超视距雷达航迹分类

天波超视距雷达的最终任务是检测、跟踪我方感兴趣的目标。将这些目标从跟踪器输出的航迹集合中提取出来是一个难点。考虑一类存在先验航路信息的航迹辨识问题,基于假设检验理论与分类思想,提出了一种多航迹-多航路情况下的天波超视距雷达航迹分类算法。在建立的空中走廊模型基础上,先后利用目标位置、航向信息与航路做相关判断,计算航迹-航路相关代价,据此将航迹分为航路目标航迹及非航路目标航迹。仿真结果表明,提出的航迹分类算法在航路数量适中的情况下正确分类概率达到90%。     

基于区域划分的反舰导弹航路规划算法

针对反舰导弹(anti-ship missile, ASM)传统航路规划中难以兼顾巡航安全和快速抵近目标的问题,提出了基于区域划分的航路规划算法。首先,依据目标点和战术区中心点相对位置关系分别建立“远离威胁战术区”和“抵近目标战术区”模型。然后,在威胁战术区采用Dijkstra算法计算Voronoi图的最短航程并进行自适应折线化处理;在目标战术区采用二叉树算法快速规划最短航程\最少转向点航路。仿真结果表明,所提方法相比Voronoi图的路径参数更加优化,相比二叉树算法更加安全,同时生成的航路规划网能够为多枚导弹协同攻击提供全局性航路参考。     

空中目标编队自动分析挖掘算法

针对战场态势数据分析与规律知识挖掘需求，基于掌握的战场目标历史活动信息，分析目标间深层次关联特征，运用Prim算法和模板匹配思想构建目标关联性研判、目标编队自动提取以及编队特征匹配识别模型，提出了一种快速实用的空中目标编队自动分析挖掘算法。通过若干案例仿真验证了该算法模型的可行性和有效性。所提算法能够快速有效地从海量历史活动数据中挖掘出存在关联性的目标编队，给出目标关联可信度，能够对目标间关联关系、编队类型等编队特征进行有效识别，并且该算法计算量小，易于工程实现。     

基于区间数聚类的目标分群算法

针对态势认知中目标数量多、信息不确定、数据不精确等问题, 提出一种基于区间数聚类的目标分群算法。首先, 考虑到传感器测量数据具有误差且数据不完全等因素, 采用区间数对传感器探测到的目标进行特征描述。然后, 为有效利用区间数信息定义了一种新的距离度量, 并给出了改进的区间数聚类目标分群算法。最后, 构造4类相互独立的区间数据集, 对区间数据进行分类测试, 并通过典型想定场景设定多类目标实体, 基于目标空间位置、运动特征和属性等要素进行空间分群和任务分群。仿真结果验证了算法能够有效对目标进行分群, 具有较强的稳定性。     

反舰导弹航路规划快速搜索算法

反舰导弹航路规划是众多航路规划问题中最复杂的一种.目前大多数航路规划算法得出的航路与反舰导弹航路差别很大,难以应用.为此,针对反舰导弹航路特点提出一种快速搜索算法.该算法在航路规划问题空问的基础上引入任务空间的概念,通过在任务空间中快速搜索通行障碍的方法来最大程度的缩小搜索区域,最后通过动态节点规划的方法搜索到最优航路.仿真结果表明由该算法得到的参考航路能够满足反舰导弹快速、实时航路规划的需要,便于应用.     

航空发动机性能仿真的分群量子粒子群算法

针对传统迭代方法求解航空发动机模型非线性方程组存在受初值影响不易收敛的问题,采用量子粒子群算法求解.为解决算法的局部收敛现象,设计一种分群量子粒子群算法:将种群分为多个分群,每个分群在各自全局极值的引导下搜索解空间不同区域,并对精英解集定期更新.对测试方程组的求解表明分群机制能有效提高量子粒子群算法的搜索性能和收敛速度.运用改进算法对某型混合排气涡扇发动机模型进行仿真求解,得到了满意的结果.     

基于深度强化学习的UAV航路自主引导机动控制决策算法

针对无人机(unmanned aerial vehicle, UAV)航路终端约束情况下航路自主引导机动控制决策问题,采用Markov决策过程模型建立UAV自主飞行机动模型,基于深度确定性策略梯度提出UAV航路自主引导机动控制决策算法,拟合UAV航路自主引导机动控制决策函数与状态动作值函数,生成最优决策网络,开展仿真验证。仿真结果表明,该算法实现了UAV在任意位置/姿态的初始条件下,向航路目标点的自主飞行,可有效提高UAV机动控制的自主性。     

防空仿真系统中多层次飞行靶标作战规划研究

提出了防空虚拟战场中多层次多智能飞行靶标协同作战的仿真方法,给出了机群的战术和航路规划算法.研究了分层作战计划并制定了战术编队和队形保持方法,根据虚拟战场威胁情况建立飞行路径图,并对路径图进行了多样化处理和约束处理,利用遗传算法针对长机进行航路规划.针对飞行器实施作战任务过程中可能面临的新威胁,设计了实时重规划方法.仿真实例验证了多层靶标规划的可行性和机动性,可作为其他作战仿真系统中空袭方的执行参考.     

实体解析中基于相似性传递的增量分组研究

本文探讨一种适应于大数据集的基于相似性传递的记录增量分组方法.论文首先分析如何逐步推算出记录之间的相似性,然后提出如何基于排序键构建基准组,如何基于相似性传递增量更新基准组,以及如何基于并查集实现基准组中的增量更新,最后通过实验验证提出方法的可行性和高效性.实验结果显示,提出的方法比传统方法更能提高分组质量,提升分组效率.论文没有对属性值本身存在的数据质量问题进行详细分析研究,并没有设计排序键生成算法.提出的方法不仅能有助于解决数据清洗、信息集成与管理等技术中的记录漏配问题,而且具有较好的可扩展性可重用性和不受领域限制等优点因为它仅从纯数据处理的角度来设计算法.     

基于加权双质心支持向量聚类的机群编队分组

针对机群编队分组问题,提出了一种加权双质心支持向量聚类算法。所提算法在支持向量训练时引入最大熵原理,快速求解Lagrange乘子;针对样本特征对聚类结果的贡献不同,在聚类标识过程中,引入加权密度质心,提出了加权双质心聚类标识,并在典型数据集上验证了所提算法的有效性。通过对机群编队分组模型的描述,建立了机群聚类时一个目标点需要的特征集,完成了编队分组的仿真实验。仿真结果表明了所提算法能够针对应用的具体样本集实行快速聚类分析,并保证聚类结果的有效性。     

一种基于声线理论计算非相干平均声场的方法

由于计算量的问题,使用简正波方法解算高频段水声传播损失场受到很大的限制。传统射线声线方法虽然在解算速度方面具有优势,但常会引入一些奇异点。为此提出一种基于声线理论计算平均声场的快速算法-声线分组法。此方法无需进行本征声线解算,而是通过对发射声线分组,并对各组声线束损失因子在距离深度平面分格内的加权平均进行非相干求和计算平均声场矩阵。声线分组法与现有由BELLHOP程序实现的有限元方法相比计算结果具有很好的一致性,并且能够避免奇异点的产生,同时解算速度可以提高30%以上。     

子任务调度和时延联合优化的MEC卸载方案

移动边缘计算(mobile edge computing, MEC)为5G超低时延业务提供了解决方案。如何设计低时延、高效率的任务卸载方案,是MEC面临的主要难题之一。为此,针对端-边协同MEC服务场景,研究了大型计算任务的低时延、低能耗部分卸载方案,通过将用户任务划分为多个有顺序依赖关系的子任务并构建子任务的有向无环关系图,设计了能够最小化卸载时延的子任务调度方案,提出了基于任务复制的最早卸载执行算法,解决了能耗受限下的任务最小时延卸载计算。仿真结果表明,提出的MEC卸载方案能够有效减少任务处理时延,降低系统能耗。     

基于MEC的任务卸载和资源分配联合优化方案

面对时延敏感度不同的多种用户,如何有效利用频谱资源和计算资源受限的边缘节点来保障其时延能耗需求成为关键问题。为此,提出了基于移动边缘计算(mobile edge computing, MEC)的任务卸载和资源分配联合优化方案。首先,为最小化卸载任务在MEC的总计算时间,给每个用户分配最优的MEC计算资源。其次,基于时延敏感度、用户满意度和资源块(resource block, RB)质量,引入RB分配算法,以分布式执行。最后,用户通过比较本地计算开销和卸载计算开销做出卸载决策。仿真结果表明，所提算法在满足高时延敏感用户的需求前提下,通过有效地分配传输资源和计算资源,实现了最小的系统开销。     

作战智能体的攻击行为模型研究

针对作战模型中的攻击行为描述问题,在基于多智能体的作战模型中提出了一种攻击行为模型。将攻击行为分解为确定作战对象、选择武器、计算攻击效果三个主要动作,分别建立了一次进攻多个作战对象、阵地作战和机动作战的作战对象选择模型,面目标杀伤武器和单目标杀伤武器选择模型,讨论了作战对象毁伤计算模型。     

基于Stackelberg博弈与深度强化学习的计算卸载策略

为使5G混合专网结构的2种用户能获得最优计算卸载策略，将2种用户竞争移动边缘计算(mobile edge computing,MEC)服务器资源的问题建模成Stackelberg博弈，并分别讨论了完全信息博弈和不完全信息博弈下的策略。完全信息博弈下，存在唯一纳什均衡解；不完全信息博弈下，将环境建模为部分可观测的马尔可夫决策过程(partially observable Markov decision process,POMDP)，并提出一种基于二阶段深度强化学习(two-stage deep reinforcement learning,TSDRL)的最优卸载策略。仿真实验表明：该算法相较于D-DRL算法能减少20.81%的时延及3.38%的能耗，有效提高用户QoE(quality of experience)。     

综合性面试中的面试官分组方法

针对综合性面试中的面试官分组决策问题,给出了面试官的分组规则,以此为基础,构建了一个多目标非线性0-1整数规划模型,其目标分别为极小化各组中来自于同一专业(业务或职能)的面试官数量和极小化各组中面试官数量与每组平均面试官数量之间的差异,并开发了一个针对此类同题求解的遗传算法;然后,将面试官分组问题转换为最大流问题,并开发了一个基于Ford-Fulkerson标号法的求解算法.最后,通过一个算例说明两种方法的可行性与实用性,并比较分析了两种方法的优缺点,指出了每种方法的适用范围.     

基于可拒识SVM的并行增长图像分割算法

针对经典区域增长算法中生长规则以及特征选取困难的问题,提出基于可拒识双层支持向量机模型的多目标并行区域增长图像分割算法。首先交互选择多个不同区域的种子点,并交互选择属于每个目标区域的子块和非目标区域的子块形成双层支持向量机训练样本;然后利用这些已知的训练样本训练双层支持向量分类器;在区域增长过程中,首先利用第一层的最大间隔超平面的支持向量分类器(SVC)进行分类判决,对属于该区域的点再利用第二层的支持向量域数据选择器(SVDD)进行拒识或接受处理,最后利用两层分类器的结果进行综合判决。为避免初始种子点位置选择对算法性能的影响,采用了多区域并行竞争增长策略。仿真实验获得了较好的分割效果,实验结果表明,提出的算法是合理可行的。