含区间参数的战场资源动态调度模型及算法

战场资源调度是作战指挥领域研究的热点.首先描述了战场资源调度问题,分析了战场资源动态调度需求,在此基础上建立了包含区间参数的战场资源动态调度模型.然后设计了三种不同的贪心策略,分别为基本贪心策略、双重贪心策略和一致贪心策略,提出了模型求解的混合贪心算法.最后结合联合作战算例进行了仿真验证,结果表明本文方法可行优越,能应用于不确定性的战场环境中.     

基于改进层次聚类法的指挥控制资源部署

以网络化作战战场资源部署为研究背景,对战术指挥控制资源部署问题进行了描述。以决策实体工作负载的均方根最小为目标函数,建立了指挥控制资源部署问题的数学模型,提出了基于改进层次聚类法的指挥控制资源部署算法。该算法以作战任务-平台资源的分配结果为输入信息,对可部署决策实体数目范围设定、决策实体合并项选择和决策实体能力约束判定进行了改进,着重分析了每一层聚类的N-best备选策略和决策实体合并项选择方法。通过一个作战想定,分别从目标函数值、搜索空间大小两个方面对本算法和其他算法进行了比较。     

文化算法在有人/无人机协同作战目标分配中的应用

针对有人/无人机协同作战目标分配问题,基于文化算法提出一种遗传算法和离散粒子群算法相结合的目标分配方法。根据有人/无人机协同目标分配问题的特性,结合文化算法的基本框架,建立了遗传算法和离散粒子群算法的交互机制,充分利用遗传算法和离散粒子群算法对优化问题的搜索能力,改善了2种算法易陷入局部最优的缺点,对约束条件下的有人/无人机协同作战目标分配问题进行了有效求解。实验结果表明,基于遗传和离散粒子群相结合的文化算法优于遗传算法和粒子群算法,收敛速度更快,能够快速找到目标分配问题的最优解。     

编队目标架次检测方法研究

针对常规低分辨雷达无法直接在距离和方位上分辨同一批次中目标的缺陷，分析了编队目标雷达回波信号的时频特征，提出了一种基于平滑的伪Wigner-Ville分布来提取编队目标雷达回波中的架次信息的方法。该方法不仅能可靠检测目标架数，而且有一定的抗噪声和抗干扰能力。仿真试验验证了该方法的有效性，优于常规的WVD分布。     

利用连续Hopfield网络(CHNN)实现低分辨仪器的高分辨观测

结合直接解调技术,重点推导论证了利用连续Hopfield网络实现低分辩仪器的高分辨观测,并建立了相应的神经网络模型。经实验表明了该方法的实际可行性,具有较好的推广能力。     

Holonic-C2组织资源调度问题研究

为了解决复杂多变战场环境下指挥控制(command and control, C2)组织资源调度敏捷性不足的问题,将Holonic控制理论引入C2组织的设计领域,研究Holonic-C2组织的资源调度问题。首先,对基于Holonic理论的C2组织Holon单元进行定义,给出Holonic-C2组织的基本结构;其次,对Holonic-C2组织的决策权限进行分析,给出决策模式的划分及确定方法;最后,研究在不同决策模式下Holon单元资源调度及针对不确定性事件的动态调度方法,建立集中与协作相结合的资源调度和调整机制。     

有人/无人机任务联盟分阶段形成方法

针对有人/无人机任务联盟形成问题,采取任务聚类-平台匹配的分阶段形成策略。首先,给出问题要素定义,并进行相关数学描述。其次,基于对问题的分析,以最小化任务距离和为优化目标建立任务聚类的数学模型;以最小化指挥决策能力代价和资源能力代价为优化目标建立平台匹配的数学模型。然后,对任务聚类问题和平台匹配问题,分别采用优选初始簇中心的贪心聚类算法和多目标模糊人工蜂群算法进行求解;最后,通过仿真案例下的3组实验,验证了提出方法的有效性和优越性。     

适应性指挥控制组织研究进展(Ⅱ)——组织适应性调整方法和测试方法综述

从组织适应性调整方法和组织实验测试方法2个方面对适应性C2组织的国内外研究现状进行了综述。其中,组织适应性调整方法包括:基于三阶段方法的组织适应性调整方法,基于粒度计算的组织适应性调整方法和基于组织结构分层的组织适应性调整方法;组织实验测试方法包括:基于DDD-III的组织实验测试方法,基于Extend的组织实验测试方法和组织全闭环虚拟实验测试方法。给出了各种适应性调整方法和实验测试方法的具体描述,并分析了各种方法的优缺点,最后给出了适应性C2组织下一步的研究方向。     

不平衡数据下基于SVM增量学习的指挥信息系统状态监控方法

针对指挥信息系统历史状态样本有限的特点,基于支持向量机(support vector machines, SVM)设计了一种面向不平衡数据的SVM增量学习方法。针对系统正常/异常状态样本不平衡的情况,首先利用支持向量生成一部分新样本,然后通过分带的思想逐带产生分布更加均匀的新样本以调节原样本集的不平衡比。针对系统监控实时性要求高且在运行过程中会有新样本不断加入的特点,采用增量学习的方式对分类模型进行持续更新,在放松KKT(Karush-Kuhn-Tucker)更新触发条件的基础上,通过定义样本重要度并引入保留率和遗忘率的方式减少了增量学习过程中所需训练的样本数量。为了验证算法的有效性和优越性,实验部分在真实系统中获得的数据集以及UCI数据集中3类6组不平衡数据集中与现有的算法进行了对比。结果表明,所提算法能够有效实现对不平衡数据的增量学习,从而满足指挥信息系统状态监控的需求。     

基于DLS和GA的作战任务-平台资源匹配方法

作战任务和平台资源的合理匹配是战役作战准备阶段的主要内容。考虑平台资源能力在作战过程中的损耗,在问题建模的过程中引入了资源能力的损耗系数,使得所建模型更加符合实际作战。提出了基于动态列表调度(dynamic list scheduling, DLS)和遗传算法（genetic algorithm, GA)的模型求解方法,使用DLS选择处理的任务,使用GA为选定任务分配平台资源,给出了该方法具体的设计思路和流程。最后结合联合作战的战役算例,验证了所提方法的优越性和适用性。