混沌麻雀搜索优化算法

针对麻雀搜索算法(SSA)在接近全局最优时，种群多样性减少，易陷入局部最优解等问题，提出了一种混沌麻雀搜索优化算法(CSSOA)。首先，通过改进Tent混沌序列初始化种群，提高初始解的质量，增强算法的全局搜索能力。其次，引入高斯变异的方法，加强局部搜索能力，提高搜索精度；同时以搜索停滞的解为基础产生Tent混沌序列，用此混沌序列对部分陷入局部最优的个体进行混沌扰动，促使算法跳出限制继续搜索。最后，对12个基准函数进行仿真实验。结果表明:所提算法能够克服SSA易陷入局部最优的缺点，提高算法的搜索精度、收敛速度和稳定性。同时，将CSSOA应用到简单图像分割问题，验证了CSSOA应用于实际工程问题的可行性。      

面向多星区域观测调度的改进型自适应遗传算法

针对传统优化算法在解决多星区域观测调度问题中收敛速度缓慢和易于陷入局部最优解的不足，提出了一种改进型自适应遗传算法。该算法通过蒙特卡洛方法结合Hamming距离，给出较优的初始种群；根据种群的平均Hamming距离确定交叉和变异操作的执行顺序，并结合sigmoid函数和高斯函数基于种群的个体适应度设计了自适应非线性的交叉率和变异率；结合双精英保留策略和锦标赛策略，保证最优个体的遗传；使用双重停机条件，提高算法的搜索效率。最后，通过实验表明，该方法可以显著提高全局搜索能力，加快算法的收敛速度，有效提高卫星的观测效率。     

自适应变异麻雀搜索优化算法

针对麻雀搜索算法前期易陷入局部极值点、后期寻优精度不高等问题，提出一种自适应变异麻雀搜索算法（AMSSA）。先通过猫映射混沌序列初始化种群，增强初始种群的随机性、遍历性，提高算法的全局搜索能力；再引入柯西变异和Tent混沌扰动，拓展局部搜索能力，使陷入局部极值点的个体跳出限制继续搜索；最后，提出探索者-跟随者数量自适应调整策略，利用各阶段探索者和跟随者数量的改变增强算法前期的全局搜索能力和后期的局部深度挖掘能力，提高算法的寻优精度。选取16个基准函数和Wilcoxon检验进行验证，实验结果表明：所提算法与其他算法相比，寻优精度、收敛速度和稳定性都取得较大提升。     

基于混合人工鱼群算法的传感器网络优化

针对传感器网络节点优化的问题,提出一种混合人工鱼群算法.该算法在人工鱼群算法优化的末段引入模式搜索法,以人工鱼搜索到的最优解作为模式搜索法的初始解,利用模式搜索法的单调搜索特性,将解引向全局极值.新算法保留了人工鱼群算法全局搜索能力强、寻优速度快的特点,使寻优精度得到了提高.仿真实验表明:混合人工鱼群算法能够有效地优化传感器网络节点部署,提高覆盖率.     

基于自适应学习策略的改进鸽群优化算法

鸽群优化（PIO）算法已广泛用于无人机编队和控制参数优化等领域，但标准PIO算法容易陷入局部最优。提出了一种基于自适应学习策略的改进鸽群优化（ALPIO）算法。该算法引入了基于容差的搜索方向调整策略、基于自学习的候选者生成策略以及基于竞争学习的预测策略，通过增强种群的多样性，可提高算法全局最优概率，其已在8个基准函数上进行测试。仿真试验结果表明:所提算法在多峰函数优化问题中的收敛精度和收敛速度有了显著提升，并且能够更有效避免陷入局部最优解。      

基于遗传算法的散乱点云最小包围盒求解

提出一种将遗传算法和O’Rourke算法相融合的最小包围盒求解算法,以O’Rourke算法中的体积函数作为遗传算法的目标函数,采用遗传算子指导解的搜索方向,通过新种群的迭代生成过程缩小搜索区域与体积误差,种群迭代结束后对最优个体解码获得最小包围盒.实验结果表明,该算法可在满足最小包围盒体积精度的同时显著提高算法的运行效率,能够有效处理各种复杂散乱点云数据的最小包围盒快速求解问题.     

基于改进共生生物搜索算法的空战机动决策

针对现代空战机动决策问题,提出了一种基于改进共生生物搜索（SOS）算法的空战机动决策方法。首先,分析了传统基本机动动作库存在的不足,对其进行了改进和扩充,设计了11种常用的基本机动动作;然后,综合考虑角度、距离、速度、高度和战机性能优势,构造了战机机动决策优势函数;最后,针对传统共生生物搜索算法在收敛速度、收敛精度以及局部最优上存在的缺陷,将轮盘赌选择方法、动态变异率和梯度思想引入到传统算法当中,对算法有效性和算法性能进行了仿真分析。仿真结果表明,改进的共生生物搜索算法在收敛速度、收敛精度以及跳出局部最优上更具优势,能够满足空战机动决策需求。      

一种求解函数全局优化问题的正交方向法

提出了一种求解函数全局优化问题的正交方向法.该方法通过前三轮大范围的正交设计寻找全局最优解的大体位置,然后通过若干轮小范围的正交设计进行最优解的精确逼近.每一轮正交设计中,探索设计空间的试验点依据正交表围绕一个中心点产生,设计变量的取值范围逐渐减小.而在每一轮正交设计后,采用一维搜索提高搜索精度.一维搜索的方向由每轮正交设计的中心点和最好(或最坏)点决定. 该算法计算量较小且易于编程.采用两个数学优化问题和一个火箭动力、水平发射的单级入轨飞行器的弹道优化问题对算法进行了测试.这些算例表明,当目标函数的极值数少于正交表提供的试验方案数时,正交方向法常常能以较小的计算量获得全局最优解.     

基于MODPSO-GSA的协同空战武器目标分配

提出基于多目标决策理论的协同空战武器目标分配模型,并用进化多目标优化算法求解.空战是一个多阶段攻防过程,针对多数空战武器目标分配采用一次性完全分配、不考虑火力资源消耗等不足,构建多目标决策模型,在达到毁伤门限的前提下,同时对一次攻击后使敌编队的总期望剩余威胁最小和分配导弹消耗量最小两个目标函数寻优.提出用多目标离散粒子群-引力搜索算法(MODPSO-GSA)求解分配模型,该混合进化多目标优化算法结合二者优点,具有稳定的全局搜索能力并保证收敛到Pareto前沿.该算法可求得满足毁伤门限的不同耗弹量的分配方案最优解集以供指挥员决策参考.仿真算例验证了新模型及所提出MODPSO-GSA进化多目标优化求解算法的有效性.      

改进自适应人工免疫算法求解函数优化问题

为克服经典人工免疫算法（AIA）在函数优化过程中存在的计算量大、收敛精度不高和收敛速度较慢等不足，引入多个自适应免疫算子，提出了一种改进自适应人工免疫算法（IAAIA）。在经典人工免疫算法中，引入迭代次数对抗体激励度计算算子进行自适应设计，引入种群抗体平均激励度与抗体激励度对免疫选择算子、克隆算子、变异算子与克隆抑制算子进行自适应设计，提升人工免疫算法的收敛速度、收敛精度和稳定性。选择9个典型测试函数作为实验对象，同时选择4种典型人工免疫算法作为对比算法优化实验函数，对比实验结果表明了改进的自适应人工免疫算法在求解函数优化问题的有效性和优越性。      

单目标概率约束规划的微种群免疫优化算法

针对无先验随机分布信息的单目标概率约束规划,探讨了微种群免疫优化算法。算法设计中,受危险理论启发设计微种群免疫优化算法进化框架;借助估计值的误差幅度,提出2个方法分别估计概率值和目标值;依据个体间的优劣关系,划分群体为3个类型子群协同进化;构建生命周期模型,设计自适应的交叉与变异概率、变异策略,结合交叉算子促进子群信息有效交流,并沿不同方向协同进化。数值实验统计结果说明:所提算法拥有良好的搜索效率、搜索效果及降噪能力,具有一定的竞争力和应用潜力。      

广义多圈Lambert算法求解多脉冲最优交会问题

基于一种高效高精度的Battin多圈Lambert算法提出一种考虑轨道摄动的广义多圈Lambert算法.与现有算法相比,本算法虽然原理复杂但计算流程非常简单,效率极高,分别通过几次内外循环就可满足精度要求.广义多圈Lambert算法结合一种可行解迭代交会模型构成了一个通用的多圈多脉冲交会规划框架,应用两步法求解此多变量的复杂工程优化问题,首先利用高效率的进化全局优化算法以及解析轨道模型作全局搜索,然后利用序列二次规划算法以及简化高精度轨道计算模型作局部搜索,此方法可以保证高效高精度的求解多圈多脉冲交会问题.算例表明此方法特别适用于满足实际工程约束的交会规划问题.     

短基线约束条件下的整周模糊度二维搜索算法

通过对基线仰角和方位角的搜索,在二次残差最小的条件下确定整周模糊度。建立了搜索模型,论述了搜索原理及其应用的具体过程,推导了粗搜索和精搜索的步长。通过试验与最小二乘降相关平差(Least-squares Ambiguity Decorrelation Adjustment,LAMBDA)算法进行分析比较,验证了新方法的正确性及可靠性,得到了1cm的基线精度,0.6°的仰角和0.4°的方位角精度,且算法简单,搜索效率高,适用于载体的姿态测量。     

空间精密跟瞄Hexapod平台作动器研制与实验

针对基于并联机构的空间精密跟瞄Hexapod平台的大行程、高性能要求,通过对现有主动元件的分析,从作动器角度研制了以滚珠丝杠作动器为宏动部分、压电作动器为微动部分的大行程高频响精密复合作动器,测试了复合作动器的行程、开环定位精度及动态特性,以dSPACE半物理仿真系统为核心建立了实验系统,进行了复合作动器单自由度精确定位实验和振动主动控制实验.由结果可知,复合作动器作动行程超过50mm、经微动部分补偿后的整体定位误差小于1μm、正弦持续扰动下采用自适应滤波ADC(Active Disturbance Canceller)方法使振幅下降90%以上.结果表明,将此复合作动器应用于空间高稳定精密跟瞄Hexapod平台是完全可行的.