基于分解策略的SSO发射轨道遗传全局优化设计

提出了基于轨道分解优化和遗传算法（GA）的SSO发射轨道优化设计策略。针对多个轨道段相互耦合问题,基于分解优化策略,将整个发射轨道设计问题分解为两个轨道段设计问题。为了高效可靠地获得全局最优解,对基本遗传算法进行了改进。首先提出了基于多变异操作等改进措施的改进遗传算法;此外,结合遗传算法的全局搜索特性和Powell算法的局部搜索特性,设计了一种串行混合遗传算法。一个二级SSO运载火箭的计算结果表明,轨道分解优化策略确保了问题的成功求解,改进遗传算法和混合遗传算法均可稳定地获得全局最优解,但是混合算法更有效地提高了GA性能。     

基于粒子群算法和仿真分析的飞机移动装配线平衡研究

针对飞机移动装配线平衡问题,提出一种改进的逆向差分粒子群算法,采用一种基于作业优先图的随机权重排列编码方法来表征问题的解,通过随机权重零入度排序算法进行解码将粒子编码映射为可行解,直接采用逆向差分变异算子更新粒子位置。为加速算法收敛,采用随机权重法和逆向位置法来初始化种群并在迭代过程中执行种群进化停滞判断及变异扰动策略。结合实际飞机脉动线项目应用本方法进行了设计,并在离散事件仿真平台Plant Simulation上建立了模型,通过仿真验证了本算法的有效性。     

基于混合集合规划的机位分配约束规划模型

为解决现有数学规划方法只能简单描述停机位分配问题而且不能全局搜索最优解的问题,应用混合集合规划方法进行数据建模和逻辑建模,并设计切实可行的求解策略,从而实现全局搜索最优解。对典型实例进行了计算及对比分析,混合集合规划方法能够得出全局最优解,并且最优分配结果的优化目标提升了2%。结果表明,基于混合集合规划的约束规划模型有效可行。     

基于混合并行多目标禁忌搜索算法的飞机总体优化设计研究(英文)

基于飞机总体设计中的多目标优化问题,采用了一种全新的混合并行多目标禁忌搜索算法。文章首先提出了一种创新的多目标禁忌搜索(MOTS)算法,该算法在传统的MOTS的基础上,增加了TS算法与"Pareto解"的融合机制、优秀解保留机制、"多方向搜索"策略等新的元素。随后又将该算法作了改进,创立了并行多目标禁忌搜索算法。最后在此基础上将并行多目标禁忌搜索与基于向量排序的多目标遗传算法相结合,提出了一种新的混合算法—混合并行多目标禁忌搜索算法。通过对以上各种算法运行结果的比较,得出如下结论:与改进前的多目标禁忌搜索算法相比,并行的MOTS运行结果更优,而混合的MOTS的结果又比前两者更胜一筹。     

基于多要素改进NSGA-Ⅱ的小直径制导炸弹空面打击最优火力分配方法

为了最大化提升小直径制导炸弹对面积目标的打击效率，提出基于多要素改进的非支配排序遗传算法的小直径制导炸弹空面打击最优火力分配方法。考虑制导炸弹的误差散布，运用网格法建立了单枚制导炸弹的打击效率评定模型，从而在此基础上建立了多枚制导炸弹的最优火力分配模型；构建了打击效率最大和用弹量最小的优化目标函数，建立了制导炸弹的最优火力分配模型。通过引入概率选择算子、混合交叉算子、改进精英保留策略对NSGA-Ⅱ算法中的多要素进行改进，增强算法的全局搜索能力，提升算法性能。仿真结果表明，MFM-NSGA-Ⅱ算法能够获得有效的小直径制导炸弹最优火力分配方案，最优火力分配结果对应的用弹量随场景参数的变化而改变，并且本文方法求解质量优于原NSGA-II算法和多目标粒子群算法。     

基于蚁群算法的固体火箭发动机总体参数优化

为建立一种支持连续域、离散域混合变量的优化算法以用于固体火箭发动机总体参数优化,改进了基本蚁群算法,融入"网格划分"、"哑元化"和"变尺度局部搜索"三种策略,以改进算法的寻优性能和使用范围,其中局部搜索算法仍采用蚁群算法。使用了几个较具欺骗性的经典测试函数对改进蚁群算法进行了测试,计算结果表明改进蚁群算法找到全局最优值的概率较大。应用改进蚁群算法对固体火箭发动机总体设计中的两个重要总体参数——燃烧室工作压强和喷管面积比,进行了优化求解,获得了满意结果。诸算例的优化结果表明,该改进蚁群算法具有支持混合变量,全局寻优性能稳定和搜索精度高的优点,对工程优化设计问题具有较好的寻优性能和更强的适用性。     

区域航班备降建模与优化

为了保障飞行安全,加速疏导空中交通流,对备降航班进行合理的分配,建立了以航班备降总代价最小为目标的广义指派模型。针对航班备降问题的离散特性,设计了蜜源位置的离散编码策略,并采用邻域置换方法来搜索新蜜源;为避免算法出现过早收敛,采用基于排序的蜜源选择策略维持种群的多样性,进而提出一种改进的人工蜂群算法。仿真结果表明,与实际调度结果相比,通过使用改进人工蜂群算法,备降总时间减少了13.9 min,即总成本降低了7.35%;与其他智能优化算法相比,具有较快的收敛速度和较高的求解精度。     

基于混合蚁群算法的柔性模糊车间作业调度

采用蚁群算法作为全局搜索算法,提出一种混合搜索策略,用于求解柔性模糊Job Shop调度问题.根据模糊Job Shop调度问题解的特性,提出基于     

结合跳点引导的无人机随机搜索避撞决策方法

针对无人机在城市空域环境和密集交通流下的避撞决策问题，提出马尔科夫决策过程（MDP）和蒙特卡洛树搜索（MCTS）算法对该问题进行建模求解。蒙特卡洛树搜索算法在求解过程中为保证实时性而使其搜索深度受限，容易陷入局部最优，导致在含有静态障碍的场景中无法实现避撞的同时保证全局航迹最优。因此结合跳点搜索算法在全局规划上的优势，建立离散路径点引导无人机并改进奖励函数来权衡飞行路线，在进行动态避撞的同时实现对静态障碍的全局避撞。经过多个实验场景仿真，其结果表明改进后的算法均能在不同场景中获得更好的性能表现。特别是在凹形限飞区空域仿真模型中，改进后的算法相对于原始的蒙特卡洛树搜索算法，其冲突概率降低了36%并且飞行时间缩短47.8%。     

舰艇编队防空火力分配问题的改进遗传算法

在建立舰艇编队防空火力分配模型的基础上,设计了求解该问题的改进遗传算法。实验结果表明,该算法可以有效求得舰艇编队防空火力分配问题的最优解或近似最优解,是求解舰艇编队防空火力分配问题的一个较好的方案。     

Adaptive double chain quantum genetic algorithm for constrained optimization problems

Optimization problems are often highly constrained and evolutionary algorithms(EAs)are effective methods to tackle this kind of problems. To further improve search efficiency and convergence rate of EAs, this paper presents an adaptive double chain quantum genetic algorithm(ADCQGA) for solving constrained optimization problems. ADCQGA makes use of doubleindividuals to represent solutions that are classified as feasible and infeasible solutions. Fitness(or evaluation) functions are defined for both types of solutions. Based on the fitness function, three types of step evolution(SE) are defined and utilized for judging evolutionary individuals. An adaptive rotation is proposed and used to facilitate updating individuals in different solutions.To further improve the search capability and convergence rate, ADCQGA utilizes an adaptive evolution process(AEP), adaptive mutation and replacement techniques. ADCQGA was first tested on a widely used benchmark function to illustrate the relationship between initial parameter values and the convergence rate/search capability. Then the proposed ADCQGA is successfully applied to solve other twelve benchmark functions and five well-known constrained engineering design problems. Multi-aircraft cooperative target allocation problem is a typical constrained optimization problem and requires efficient methods to tackle. Finally, ADCQGA is successfully applied to solving the target allocation problem.     

不确定环境下多无人机任务分配

针对复杂战场环境下无人机与攻击目标之间距离的不确定性,将该距离抽象为一个区间数。在此基础上,构建了不确定环境下多无人机任务分配的数学模型。根据多无人机任务分配问题的特殊性,重新设计了差分进化算法的编码方式、变异操作、交叉操作等。其中,选择操作中,在区间数排序方法的基础上,依照可能度来计算候选解被选中的概率。鉴于差分进化算法中不同变异策略的内在特点和适用场合不尽相同,提出了 3种多变异策略的差分进化算法,以便最大限度地发挥各种变异策略的技术优势。针对 CEC2013测试函数和多无人机任务分配问题分别开展仿真实验,实验结果表明,多变异策略的差分进化算法其性能改进显著,非常适合于求解多无人机任务分 配问题。     

考虑低空运行环境求解无人机任务分配问题的研究

在低空救援中如何合理的分配无人机的搜救任务长期以来都是研究的重点。本文在分层级分布式分配方法的基础上建立多目标多无人机任务分配模型,在模型中以搜救费用、无人机使用数量、完成任务的均衡性为目标函数,并且采用改进的NSGA-Ⅱ算法进行求解。结果表明：本文建立的模型有效,能在不同搜救环境下给出合理有效的分配方案;在搜救中考虑以搜救效率最高为导向时,带来无人机成本和数量的增加;当实际搜救的无人机非常有限时,则需要时间成本的投入;以经济利益为导向时,则会导致搜救时间的增加。     

基于功能脆弱性的空中交通相依网络流量分配

依据空中交通管理与航班运行规则,采用复杂网络理论构建由机场、航路与管制扇区组成的相依网络模型,建立不同扰动策略的影响规则,提出以网络流量熵和交通流损失比变化率为指标识别网络功能脆弱性。并以网络总流量熵最小为目标,建立基于改进遗传算法的网络流量协调分配策略,以降低空中交通相依网络的脆弱性。以民航华北地区空域为原型,发现了其相依网络脆弱性表现规律和脆弱源,采用遗传算法求解网络流量分配方案,优化结果降低了网络总熵值和功能脆弱性,其中机场网络流量分配后效果最为显著,验证了方法的有效性,研究结果可为空中流量管理决策提供一定的理论支撑。     

基于布谷鸟搜索算法的一类变体飞行器容错控制

针对一类存在执行机构故障的分布式结构变体飞行器的控制分配问题,结合整数规划理论,提出一种基于布谷鸟搜索算法的容错控制方法。首先,设计虚拟控制指令,使得系统状态能够很好地跟踪参考模型;然后,将执行器概率性故障与饱和约束转换为整数规划问题中决策变量的约束,从而将执行器控制分配问题转化为一类整数规划问题;最后,采用改进的布谷鸟搜索算法进行求解,得到实际的执行器控制分配指令。仿真结果表明,在执行器存在概率性故障的情况下,该容错控制方法较无容错策略的情况能够有效提升系统的跟踪性能;与遗传算法相比,该算法得到的执行器控制分配结果更加精确。     

基于Transformer层次预测的多星应急观测任务规划方法

应急观测任务规划是一个强时效性的复杂组合优化问题,必须在规定的时限内完成相应的计算。采用机器学习的方法对规划问题进行初始规划方案预测,可以有效地简化计算复杂度。为此,提出一种基于Transformer层次预测的多星应急观测任务规划方法,将多星任务规划的求解过程分解为3个步骤：首先,利用基于Transformer的任务可调度性预测模型预测待规划任务是否执行,得到预执行任务集合;然后,基于Transformer的任务分配模型对预执行任务集合分配卫星,得到初始规划方案;最后,利用基于随机爬山的约束修正算法对初始规划方案进行优化调整,得到可行规划方案。为验证所提方法的有效性,通过大量仿真实验与CPLEX优化器、标准遗传算法、长短期记忆网络等方法模型进行比较,实验结果表明所提方法计算耗时短,规划收益高,适用于多星观测任务快速规划。     

直升机/发动机系统变旋翼转速串行优化方案

提出了一种用于直升机/涡轴发动机综合控制的变旋翼转速串行优化方案.首先基于Levenberg-Marquarat(L-M)算法/一维最优搜索算法,在保证直升机飞行状态不变的情况下,寻优得到旋翼所需最小功率,再通过优化发动机操纵量,在保证发动机约束成立的条件下得到当前发动机运行最优工作点,即达到直升机巡航时油耗最小或者涡轮前温度最低.最后,在UH-60直升机/涡轴发动机综合控制仿真平台上进行了最小油耗控制模式的仿真,数字仿真结果表明了该串行优化方案的可行性.      

基于改进A~*算法的进离场航线网络3D规划

为提高终端空域航线设计的自动化水平,对进离场航线进行了研究。针对独立航线规划,提出角度扩展航路点搜索方法,提高算法运行效率。选取水平剖面经济性最优为目标函数,垂直剖面满足最优爬升/下降剖面,实现3D航线网络规划。实例结果表明,在保证航线安全性、经济性的同时,算法运行稳定,效率明显提高。     

Locally generalised multi-agent reinforcement learning for demand and capacity balancing with customised neural networks

Reinforcement Learning (RL) techniques are being studied to solve the Demand and Capacity Balancing (DCB) problems to fully exploit their computational performance. A locally generalised Multi-Agent Reinforcement Learning (MARL) for real-world DCB problems is proposed. The proposed method can deploy trained agents directly to unseen scenarios in a specific Air Traffic Flow Management (ATFM) region to quickly obtain a satisfactory solution. In this method, agents of all flights in a scenario form a multi-agent decision-making system based on partial observation. The trained agent with the customised neural network can be deployed directly on the corresponding flight, allowing it to solve the DCB problem jointly. A cooperation coefficient is introduced in the reward function, which is used to adjust the agent’s cooperation preference in a multi-agent system, thereby controlling the distribution of flight delay time allocation. A multi-iteration mechanism is designed for the DCB decision-making framework to deal with problems arising from non-stationarity in MARL and to ensure that all hotspots are eliminated. Experiments based on large-scale high-complexity real-world scenarios are conducted to verify the effectiveness and efficiency of the method. From a statistical point of view, it is proven that the proposed method is generalised within the scope of the flights and sectors of interest, and its optimisation performance outperforms the standard computer-assisted slot allocation and state-of-the-art RL-based DCB methods. The sensitivity analysis preliminarily reveals the effect of the cooperation coefficient on delay time allocation.