大口径平背形主镜轻量化结构优化设计方法

将参数优化与拓扑优化设计方法应用到采用背部支撑方式的大口径平背形反射镜中,提出了一种理论性强、效率高的新型轻量化设计方法。利用ANSYS参数优化设计,确定了主镜最佳背部支撑位置;再利用OPTISTRUCT变密度法拓扑优化设计,获取了主镜拓扑结构形式,结合结构力学及灵敏度分析得到了满足镜面面型、结构刚度及轻量化率要求的最佳主反射镜轻量化结构。     

基于视景仿真的某武器训练系统研究

针对某武器系统的研发现状,研究了基于视景仿真展现其工作过程和战术流程的方法.根据该训练系统的功能需求,探讨了视景仿真系统开发的一般流程,提出了系统的结构模型,研究了模型优化的方法,并采用8点地形匹配算法较好地解决了大型特装车辆在虚拟场景中的运行问题.仿真结果表明,该系统能够很好的展现武器系统的工作过程和战术流程的细节.     

基于微分进化算子的量子粒子群优化算法及应用

分析了量子粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO)的进化方程,指出其存在的局部收敛问题,通过将微分进化(Differential Evolution,DE)的基本操作思想引入到QPSO中,提出了改进的QPSO算法(QPSO-DE);算法改进的方法是在粒子搜索过程中,以一定的概率对粒子的每一维执行微分进化操作,以增加粒子的随机性,从而减少了粒子群体因多样性缺失而易于陷入局部最优或停滞的情况,增强了粒子群体的搜索能力,提高了算法的优化性能;对多个标准测试函数及在IIR数字滤波器优化设计中的仿真实验结果表明,与PSO算法和QPSO算法相比,QPSO-DE算法能够取得更好的优化结果。     

虚拟奥运博物馆中的场景建模

,分布式虚拟现实技术逐渐发展成熟,并成功应用到各个领域.结合虚拟奥运博物馆项目.对系统实现过程中的建模技术进行了讨论,着重介绍了虚拟场景的构造、实现,以及如何针对实时绘制进行建模过程中的特殊处理,并给出了一些实验结果.     

基于仿真的有线通信网络连接方案优化研究

费用问题是有线通信网络建设过程中的重要问题.针对通信网络费用计算过程中的拓扑结构问题和定性值量化问题,分别研究了"演进法"和"拟合法".其中"演进法"大大减少了拓扑结构选择的计算量,使多节点连接方案计算成为可能;"拟合法"为多层定性值的量化提供了手段.把这两种方法综合到仿真计算过程中,为选择费用最小的网络连接方案提供了支持.     

基于多元共生遗传神经网络的藻类预测仿真

提出一种多元共生遗传神经网络(PGANN),从遗传算法和神经网络——进化和学习两方面及其相互关系着手完善进化过程,以提高优化效果和泛化能力。该算法包括一个共生平衡交叉算子,一种多元选择策略和一种神经网络的分级优化策略,其中共生平衡算子能够兼顾进化过程中的方向性、多样性和自适应性;多元选择策略能够适应进化过程不同时段对选择压力不同的需求;而分级优化使运算规模和运算速度之间的矛盾得到缓解。将该改进的遗传神经网络PGANN应用于水库和湖泊有毒的优势蓝绿藻爆发预测,取得了满意的效果。     

基于GA和Bootstrap的最小二乘支持向量机参数优选

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.传统的支持向量机是解凸二次规划问题,而最小二乘支持向量机是解等式线性方程,显得尤为方便.针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用遗传算法(GA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用.用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

自适应小生境克隆选择算法及其仿真研究

为了对多模态函数寻优,基于免疫克隆选择算法原理,提出了自适应小生境克隆选择算法(ANCSA).小生境决定位段会随着优化对象的维数及可行域的变化而自动调节,从而形成不同的小生境,每个小生境都具有免疫记忆功能.通过对四个典型的多模态函数仿真,并和相关算法进行比较分析,结果表明ANCSA在解决多模态函数优化问题时具有较强的自适应性和收敛性.     

用GEP实现复杂函数的自动建模

GEP是一种新颖的遗传算法,在函数建模的应用中取得良好的结果.给出计算有效基因长度的伪代码,结合GRCM方法阅读基因,快速计算出染色体的适应值.在算法中增加了参数估计模块,用GEP得到较好模型后,用参数估计模块进行参数优化,试验显示这种混合的GEP方法比传统的最小二乘法、神经网络以及遗传程序设计等方法具有更好的性能.     

基于自适应网格的多目标粒子群优化算法

针对现有多目标进化算法计算复杂度高,搜索效率低等缺点,提出了基于自适应网格的多目标粒子群优化(AGA-MOPSO)算法,其特点包括:评估非劣解集中粒子密度估计信息的自适应网格算法;能够平衡全局和局部搜索能力的基于AGA的Pareto最优解搜索技术;删除非劣解集集中品质差的多余粒子以维持非劣解集在一定规模的基于AGA的非劣解集截断技术.仿真计算表明,和文献中典型的多目标进化算法比较,AGA-MOPSO算法在求解复杂大规模优化问题方面表现了良好的性能.