具有学习能力的FPN在航保系统易损性评估中的应用

基于Petri网模糊推理算法,引入改进粒子群优化算法,使其具有参数学习能力,摆脱系统中众多未知参数对专家和经验的依赖.以舰船航空保障系统为研究对象,建立了基于具有学习能力FPN(Fuzzy Petri net)的系统易损性评估模型,算例佐证了其学习效率及精度.与传统系统易损性评估方法的对比试验表明该评估模型的全面性和合理性,并可推广应用于复杂舰船系统易损性评估研究.     

水库调度PSO优化模型及求解方法

水库优化调度是水资源系统工程的一个典型,其实质是一个非线性的不等式约束优化问题,然而现行的求解方法中针对离散精度和复杂约束处理两个问题一直考虑不足,相关方面的研究也较少。将连续域寻优的粒子群算法引入到水资源系统工程中,建立水库调度的PSO优化模型,避免因离散而引起的寻优瓶颈,并针对传统粒子群算法的趋同性问题和复杂约束问题,提出退火罚函数法和混沌变异因子法,使改进后的粒子群能更有效地解决水库调度问题。通过实例分析,验证该方法的可靠性,为水库调度提供了一种新的求解途径。     

基于对偶四元数的航姿系统姿态更新算法研究

以微小型捷联航姿参考系统为研究对象,建立基于对偶四元数的导航系统姿态更新解算参数模型。该方法区别于描述刚体纯旋转变换的四元数方法,将载体系与地理系之间坐标转换的旋转与平移过程进行统一、融合,通过建立最小方差目标方程,求解最优的姿态更新矩阵。构建Kalman滤波方程,最终确定载体姿态,航向角实时信息。仿真表明,对偶四元数所建姿态四元数误差的均值与均方差均小于0.002。Kalman滤波器构造符合实际系统要求,在传感器测量精度有限的情况下,可使俯仰角、横滚角、航向角误差分别减小到0.1°,0.1°,0.2°。     

GFMIMU/GPS组合导航系统信息融合技术研究

GFMIMU/GPS(Gyroscope Free Micro Inertial Measurement Unit/Global Positioning System)组合导航系统具有抗高g值冲击、低成本、长寿命、较高精度等优点,在低成本精确制导武器和微小型无人机具有广阔的应用前景。针对工程应用中信息融合的精度和实时性两方面的要求,运用基于模型误差预测的扩展卡尔曼滤波MEP-EKF(Extended Kalman Filter base on Model Error Predictive)方法,将MEMS(Micro Electromechanical Systems)加速度计的误差作为模型误差来考虑,对GFMIMU/GPS组合导航系统进行建模仿真,将其与EKF和UKF(Unscented Kalman Filter)方法进行了仿真比较,在方位误差角的估计上取得了比他们精度高的仿真结果,而且MEP-EKF所需时间是UKF的10%.     

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。     

一种新的SPKF算法-GSPKF算法

提出了一种SPKF算法的改进算法,称之为GSPKF。该算法中Sigma点权值由选择该Sigma点的概率决定。此时,Sigma点权值物理意义明确、计算简单、恒大于零,协方差矩阵物理意义明确,可以实现全局拟合,GSPKF算法的物理意义更加明确。可以证明,两种算法对期望和协方差的准确估计精度是相同的,但是,GSPKF算法可以渐进拟合非线性函数真实的期望和协方差,GSPKF算法的滤波效果至少不低于现有SPKF算法。它们的滤波效果由仿真进行了验证。     

地球静止卫星位置自主确定方法与仿真研究

给出了利用星敏感器测量信息自主确定地球静止卫星位置的方法,利用不同精度的星敏感器测量数据和不同控制精度的卫星姿态测量数据,可以直接计算卫星位置.同时又对测量数据应用卡尔曼滤波进行卫星位置计算仿真,比较两种处理结果的精度.仿真结果表明,提出的方法可以实时自主获取静止卫星的轨道位置,满足静止卫星定点的不同精度需求.     

基于支持向量机元模型的随机鲁棒设计

随机鲁棒设计是一种基于蒙特卡洛仿真的优化设计方法.通常情况下,对于复杂仿真模型的随机鲁棒设计时间开销很大.为减小随机鲁棒设计过程中的时间开销,使用参数最优的最小二乘支持向量机替代仿真模型进行随机鲁棒设计.使用标准粒子群优化算法搜索支持向量机参擞和控制器参数的寻优.通过一个基准测试问题证明了该方法的可行性.     

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.     

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。