基于深度确定性策略梯度算法的战机规避中距空空导弹研究

飞机规避中距空空导弹的逃逸机动策略对于提高战斗机的生存力至关重要。针对深度确定性策略梯度算法训练智能体学习飞机规避导弹的逃逸机动策略进行研究。以飞机导弹相对态势参数等作为智能体的输入状态,飞机控制指令作为智能体的输出动作,导弹飞机追逃模型作为智能体的学习环境,设计由相对态势和飞行参数构成的成型奖励以及由交战结果组成的稀疏奖励,实现从状态参数到控制量端到端的逃逸机动策略。通过与四种基于专家先验知识的典型逃逸机动攻击区仿真验证对比,结果表明：智能体实现的逃逸策略攻击区仅次于置尾下降攻击区,该策略对飞机规避导弹先验知识的依存度最低。     

基于粒子群和人工蜂群混合算法的气动优化设计

现代启发式智能算法存在全局与局部搜索能力的平衡问题,针对此问题,采用双种群进化策略和信息交流机制,提出一种基于粒子群算法和人工蜂群算法相结合的新型混合优化算法——MABCPSO,并分别进行函数测试和翼型的气动优化设计验证。结果表明:MABCPSO新型混合优化算法具有更好的寻优能力,相比粒子群算法和人工蜂群算法,该算法能以更少的进化代数分别提高1.7%和2.2%的减阻效果。     

超参数自适应的MOEA/D-DE算法在翼型气动隐身优化中的应用

MOEA/D-DE 算法易于实现，被广泛应用于处理多目标优化问题，但其超参数CR 和F 对算法性能影响较大。基于MOEA/D-DE 算法框架、利用Sobol 全局灵敏性分析方法对差分进化算子中的交叉控制参数CR进行改进，使用莱维飞行策略控制比例因子F，使算法中的超参数拥有自适应能力，得到超参数自适应的MOEA/D-DE 算法——MOEA/D-DEAH 算法；对MOEA/D-DEAH 算法、不同超参数设置的MOEA/D-DE算法和NSGAII 算法进行函数测试和翼型气动隐身优化算例对比。结果表明：MOEA/D-DEAH 算法性能良好，具有较强的鲁棒性，气动隐身优化效果也比其他算法更好。