基于改进蝴蝶优化算法的无人机3-D航迹规划方法

针对基本蝴蝶优化算法（Butterfly optimization algorithm,BOA）在进行无人机（Unmanned aerial vehicle,UAV）三维航迹规划时存在的搜索速度慢、搜索精度低以及易陷入局部最优等问题，提出一种改进的蝴蝶优化算法（Improved butterfly optimization algorithm,IBOA）。在全局搜索阶段提出对数自适应惯性权重策略和动态更新调节策略，提高了算法全局搜索能力和搜索精度。同时，在局部搜索阶段，提出一种动态概率余弦选择策略，增加位置更新多样性，避免陷入局部最优。首先，为检验改进算法与基本算法的寻优性能，在部分标准多元函数上进行仿真对比。对比结果表明，改进算法对复杂函数具有较强的寻优能力，能在更短时间内找到全局最优解。然后，在二维路径规划仿真中对比了改进算法与PSO算法性能，从对比结果看，IBOA具有更优的规划效果。接着，利用山峰模拟函数对UAV三维航迹规划进行建模，将改进算法应用到航迹规划中，利用MATLAB仿真对比了不同复杂度环境下的航迹规划效果。仿真实验表明：相同实验条件下，该优化算法较BOA综合适应度值减...     

无人机航路规划研究

无人机航路规划的目的是无人机具有对象复杂任务进行快速规划重规划的能力，其中快速而有效的重规划尤其重要。在无人机飞行任务过程中，无人机需要根据局部地形、地貌、威胁等信息以及飞机本身机动能力的限制，实时地计算出飞行航路，并跟踪该航路完成了飞行任务。本文通过比较各种算法在航路规划应用中的优劣性，提出了Dynapath（动态规划）算法在无人机航路规划中的应用，给出了仿真结果。仿真结果表明：Dy-napath算法生成的最优参考航路基本上满足无人机任务飞行的要求，获得了良好的飞行品质。     

AC-PSO算法在无人机任务规划中的应用

无人机飞行中合理的路线规划可以减小飞行时间、降低油耗,减小被敌方发现、攻击的可能,从而提高了完成任务的概率.鉴于大部分无人机是以一个相对固定的高度进行侦察和任务飞行,故可将无人机的飞行任务规划视为二维平面的TSP问题.本文进一步将地面防空威胁与飞行距离统一量化,通过求解TSP求取最优无人机任务规划.文中通过分析蚁群算法与粒子群算法,提出了一种新的混合方法AC-PSO算法解决TSP求解问题.算法借鉴了蚁群算法的路线构造方法和粒子群算法的进化策略思想,同时给出了提升算法效率的一些措施.实验验证,该算法和威胁建模方法相结合,能有效地满足无人机飞行任务规划的要求.     

基于L1范数的k平面聚类算法设计

基于L2范数度量的k平面聚类(k-Plane Clustering,k PC)设计思想,本文提出了一种采用L1范数度量的聚类算法。由于在平面更新步骤中,所导出的优化问题是非凸的,文中给出了一种求解方法,即将非凸问题转化为有限个子集上的凸问题,为避免求解多个优化问题导致训练时间过长问题,本文还设计了一种新的优选策略,有限个子集的搜索任务可在线性时间内完成。本文所提出的方法只需要求解k个线性规划,而不再是k PC的求解特征值问题。在人工和UCI数据集上的实验结果表明:基于L1范数平面聚类算法的训练和测试时间更短,且在大多数数据集上均表现出了更好的聚类性能。     

扩散制造任务建模及分解方法

针对扩散制造这种面向复杂武器装备批量生产的网络制造模式,提出了基于相关性的扩散任务建模及分解方法.定义了扩散任务及相关基本概念,分析了扩散任务相关性研究的必要性.通过给定的扩散任务相关准则,建立了扩散任务相关性模型.在此基础上,应用层次聚类算法,实现了扩散任务分解.通过实例讨论了扩散任务建模及分解的应用过程.     

基于改进遗传算法的机器人动态路径规划

针对基本遗传算法解决移动机器人路径规划的不足，提出了一种改进的遗传算法。首先，采用栅格法对机器人路径规划进行建模。然后，提出一种生成初始种群的方法和精英策略，设计出自适应变异概率，提高了算法的求解质量。同时，在规划过程中，将全局路径规划与局部路径规划相结合，并且根据机器人与动态障碍物碰撞类型的不同，提出了相应的避碰策略。仿真实验表明:该算法优于基本遗传算法，能够有效地指导机器人在动态环境中实现避障，获得无碰最优或次优路径。     

两种基于图论的聚类算法改进(英文)

近年来,基于图论的聚类算法被广泛地应用在数据聚类和图像分割之中。聚类任务主要是挖掘一组给定数据隐含的分布规律和结构信息,而图像分割则是将一幅图像划分为若干互不交迭区域的过程。主要讨论两种比较流行的基于图论的聚类算法,即基于有向树的数据聚类算法和基于最小生成树的图像分割算法。创新在于:(1)改进基于有向树的数据聚类算法,将其应用于图像分割;(2)改进基于最小生成树的图像分割算法,将其应用于数据聚类。在人工数据和实际图像数据上的实验结果表明,改进的有向树算法可以很好地分割图像并保留图像中足够的细节,而改进的最小生成树聚类算法能比较好地聚类具有流形结构的人工数据。     

失效卫星捕获的实时规划控制方法

针对高轨失效卫星维修、离轨等航天任务,借鉴自然界生物的运动控制策略,利用计算仿真完成各种工况下的失效卫星接近轨迹规划,然后设计深度神经网络学习轨迹得到的最优轨迹,提高了对各种卫星失效飞行情况下的接近轨迹实时规划和跟踪控制。在失效卫星姿态运动发生突变时,通过分段重规划,仍能保证快速重规划出期望轨迹,保证对失效卫星的成功捕获。仿真结果表明,设计的实时规划控制方法可以有效控制服务星对失效卫星进行接近捕获。     

改进相似性度量的谱聚类算法

传统的谱聚类算法通常利用高斯核函数作为相似度函数,由于算法对核参数非常敏感,且难于确定一个合适的尺度参数。为解决该问题,通过改进相似度函数,给出了谱聚类算法。在人工数据集和UCI数据集上的仿真实验表明,该算法提高了聚类的准确度,提升谱聚类算法的性能。     

一种求解旅行商问题的改进蚁群算法

在基本蚁群算法基础上,通过引入信息素的自适应调整策略、限制信息素的范围并动态增加了信息素的局部更新方式．有效地抑制了收敛过程中的停滞现象,提高了算法的搜索能力。TSPLIB的实例求解结果表明了改进算法的有效性。     

基于协同进化的复杂低空下多飞行器协同航迹规划方法

由于低空空域环境复杂，威胁通用航空器运行安全。复杂低空多飞行器航迹规划方法是保障安全、提高效率的关键技术。在特定空域范围内，依据地形特点、环境威胁以及飞行器自身物理条件等约束和安全效率等性能指标，为飞行器规划出最优航迹。然而，多飞行器的航迹规划问题存在多约束、强耦合、多目标等难点，现有方法缺乏对问题先验知识的挖掘和利用，导致难以兼顾安全与效率。针对多飞行器航迹规划问题，建立了多飞行器航迹优化 多目标模型。为了进一步提升优化效率，基于启发式算子的自适应差分多目标进化算法，引入多种群协同进化，每个飞行器通过不同种群独立进化，建立合作机制提升种群进化质量，避免陷入极值。最后通过二维与三维仿真实验验证了算法的可行性和有效性。     

改进蚁群算法在移动机器人避障中的应用

在移动机器人路径规划中,由于基本蚁群算法具有进化缓慢、易陷入局部最优等问题,提出一种改进的蚁群算法。建立了静态环境下的路径规划栅格模型,通过对信息素启发因子及期望启发因子实时调节,自适应改变挥发因素,在初始时刻扩大蚁群的搜索范围,以免陷入局部最优。针对凹型障碍物,当机器人陷入凹型障碍并且在复杂环境搜索效率低的情况下算法也能较好的收敛。与其他算法的仿真结果表明,此算法在栅格地图模型中,能快速地避开障碍找到最优解。     

航空公司短期航班计划编排模型及算法

航班计划编排的实质是对航空公司各种生产要素的优化配置,其优化程度直接影响航空 公司市场竞争能力。目前,航空公司在编排短期航班计划时过多地考虑了市场竞争,而忽略 了航班延误。文中兼顾市场竞争与航班延误控制,将航班延误控制纳入短期航班计划的编排 过程中。通过分析独立延误与波及延误特点,建立基于延误控制的短期航班计划编排模 型,并采用贪婪随机自适应搜索过程(Greedy randomized adaptive search procedure,GRA SP)算法对模型进行求解。最后,通过实例分析验证了所提方法的有效性。     

多目标混合流水车间调度问题求解算法

针对多目标不相关并行机混合流水车间调度问题，建立以最小化最大完工时间、机器总能耗和机器加工成本为目标的多目标数学模型。提出一种改进的基于分解的多目标进化算法（Improved multi-objective evolution algorithm based on decomposition,IMOEAD），采用均匀设计表生成初始权重向量，提高种群多样性，利用正态分布交叉并设计了自适应高斯变异来提高算法的全局搜索能力和局部搜索能力，在权重向量邻域中选择个体产生新解，运用非支配等级和拥挤距离更新外部档案。以反世代距离、世代距离和非支配解个数为性能指标，通过大量案例仿真，与非支配排序遗传算法Ⅱ和基于分解的多目标进化算法进行对比，结果验证了该算法的有效性。     

带并行机的多阶段生产系统节能调度策略

针对多阶段生产系统中并行机各自的能源消耗存在差异的问题,进行了一种混合型文化基因算法的节能调度策略研究。首先对问题域进行描述,以最小化能源消耗量为优化目标,建立了数学模型;在此基础上提出了一种基于差分进化的文化基因混合算法求解研究问题,该算法融合了最先可获得设备规则和最小能源消耗规则,并引入贪婪算法进行局部搜索以提高算法搜索性能及收敛性能。最后,对算法进行仿真实验,结果表明该算法是有效、可行的。     

基于动态扰动策略的人工搜索群算法

为了提高人工搜索群算法(ASSA)的整体性能,提出一种基于动态扰动策略的人工搜索群算法。为了增加算法的种群多样性,在算法初期,通过Tent映射的混沌策略产生初始种群。结合反向学习策略,算法在进化过程中对种群进行反向学习扰动,从而增加算法跳出局部最优解的可能性。算法采用动态步长的方式,在初期时能够扩大最优解的搜索范围,在后期时能够加速种群收敛到最优解。基于标准测试函数的实验研究结果表明,提出的改进算法与标准人工搜索群算法,及其改进算法进行对比,在收敛速度和收敛精度上都有明显提高,整体上提升了该算法的性能。     

自适应时间平滑的演化谱聚类

传统的聚类算法一般只适用于静态数据的处理,而真实世界的数据往往数据量大且变化多,静态的聚类算法不能为动态数据提供其演化规律的分析学习。演化数据的聚类,一方面要正确反映每一时刻数据的合理簇划分,另一方面又要使动态的聚类结果在演化过程中尽可能平滑。本文提出了一种自适应时间平滑的演化聚类框架,该模型考虑到当前时刻数据与历史时刻数据的未知关联,通过限定时间回溯的范围,自适应地寻找与当前快照最相关的历史快照,并通过有机融合基于Itakura-Saito距离的静态相似度和基于时间序列的动态相似度,计算各个时间片快照上的相似度矩阵。本文进一步提出了两种自适应时间平滑的演化谱聚类算法,从不同的角度定义时间代价,得到不同的演化聚类结果。在真实数据集上的实验表明这两种算法能够有效地利用历史数据,在聚类结果上准确性更高,时间平滑性也更好。     

基于GRASP算法的飞机旅客一体化恢复优化研究

针对航班调整中较常用的手段——航班取消-合并方法，对飞机旅客一体化恢复问题进行研究。首先，基于连接网络和旅客转机网络建立数学规划模型，然后基于贪婪随机自适应搜索方法（Greedy randomized adaptive search procedure， GRASP），设计启发式算法求解该问题，并且在算法的每一次迭代中，都能得到基于航班调整的旅客转机的最优方案。最后，通过案例证明了算法的有效性，并且说明了相对飞机和旅客先后进行恢复，飞机和旅客的一体化恢复能够有效降低恢复成本以及受干扰的旅客数量。     

人工蜂群优化BP神经网络的太阳电池阵电流预测

通过对卫星太阳电池阵输出电流影响因子进行分析,提出了一种基于人工蜂群（Artificial bee colony,ABC）算法优化BP神经网络的太阳电池阵输出电流预测方法。将太阳入射角、卫星太阳电池阵工作温度、卫星星时等遥测量变换后作为神经网络输入,进行输出电流预测。考虑到神经网络对初始权值及偏置敏感的特点,采用ABC改进算法对神经网络初始参数进行优化。该模型可用于卫星太阳电池阵电流输出能力分析、太阳电池阵预警及异常检测等。实验测试表明,模型能够取得较高预测精度,同星预测均方根误差（Mean squared error, MSE）为0.10 A,跨星预测均方根误差为0.12 A,其精度明显优于传统数据拟合方法。利用该模型及本文提出的预警策略进行预警,对于7年5个月的正常卫星数据没有发生误报,对于某异常卫星数据能够及时进行预警。     

某卫星工程地面系统一体化任务中心建设

针对卫星管理和应用中测控、运控、应用等系统各自建设部署带来的管理分散、架构不统一、系统间人工协调频繁等问题，介绍了某卫星工程地面系统一体化任务中心建设。主要说明了任务中心一体化云计算系统架构、两层扁平网络架构、平台+插件软件架构和一体化任务流程，以及任务中心基础平台可靠性与适配性建设中的关键技术。通过统一技术架构实现共性资源统筹调度、各类数据统管统用，通过中心内部统一管理实现任务全流程监视和设备全系统运维。任务中心满足设计要求，平台稳定可靠，业务流程协调，工作自动高效，图像产品优质，实现了测控、运控、应用、站网管理的一体化运行。