目标分配问题的模拟退火算法

基于不同退火温度下迭代长度规则和最优解保留策略,提出了一种用于防空指挥、控制、通信和信息(C3I)系统射击效率的最佳目标分配优化的改进模拟退火算法,给出了算法流程.算例表明:对防空C3I系统的目标分配该法具较强的寻优能力和较快的收敛速度,优化结果优于其他方法.     

改进的快速蚁群系统求解二次分配问题

二次分配问题(QAP)是经典的组合优化问题之一,广泛应用于许多领域中.针对 QAP,提出了一种新的蚁群算法—改进的快速蚁群系统(IFANT).该算法通过限制迭代最优解与当前解的信息素升级的速度,拓宽了快速蚁群系统解的搜索范围,提高解的寻优能力.     

分布式卫星系统在轨操作的多目标分配

针对空间在轨操作目标分配问题,以分布式卫星系统为研究对象,提出了一种基于粒子群算法的在轨操作多目标分配方法。以分布式卫星机动所消耗的总能量最省为目标函数,建立了在轨操作多目标分配的数学模型。基于固定时间拦截理论,以机动时刻和对应的速度增量作表征,设计实现了单颗卫星最优机动方案。通过合理设计粒子位置与目标分配解的对应关系,采用粒子群算法对问题进行了求解,并详细阐述了算法的实现步骤。算例分析结果表明,建立的模型和算法能够快速得到正确的可行解,可有效解决多约束条件下空间在轨操作的多目标分配问题。     

一种兼顾卫星导航系统星间观测及通信的链路分配算法

卫星导航系统星间采用点波束建立星间链路时,由于星上波束数量小于可建立星间链路的卫星数量,因此便产生了如何有效分配有限波束来建立星间链路的问题。针对该问题首先利用星座运行的周期性提出了一种适用于星间观测及星间通信的拓扑处理方式,并以该拓扑处理方式为基础提出了一种链路分配算法。算法在保证星间观测数量最大化的前提下,以降低整网通信代价为优化目标,尽管为了保证星间观测数量会不可避免地导致通信性能的部分损失,但是仿真结果表明算法的性能整体上优于铱星系统所采用的网状链路分配方法的性能。     

小生境多目标蚁群算法在飞行器总体设计中的应用

飞行器总体设计直接影响飞行器的战术技术指标,往往需要反复很多次的设计过程以确定最终设计方案,因此迫切需要研究并采用优化方法以快速获得性能较优的飞行器总体方案。蚁群算法是群智能算法的典型代表之一,本文针对飞行器总体设计中的多目标优化问题,以多目标蚁群算法为基础,引入小生境技术,提出小生境多目标蚁群算法,并以某飞行器为应用对象,对其进行了多目标优化设计,最后对优化结果进行了分析。     

一种新的精英遗传算法及在多弹拦截分配策略的应用

为了有效解决多导弹对多机动目标的拦截对抗实战中的目标分配问题,本文提出一种基于精英策略的多种群自适应遗传算法(MAGA)。首先,建立目标分配的综合优势函数和约束条件的数学模型。其次,为改善传统遗传算法容易陷入局部最优的问题,通过多个单遗传算法并行计算,引入自适应策略动态改变交叉、变异概率,设计迁移算子增加各种群之间的联系。最后,通过精英选择算子选择当前种群的最优解并进行精英备份,不断迭代选出最优解。通过计算仿真可得,该方法能有效抑制算法陷入局部最优,增大收敛速度,获得更高精度的最优分配方案。将其应用到多导弹对多机动目标的拦截分配算例,结果表明了算法的有效性。     

基于改进蚁群算法的巡航导弹航迹规划

研究了一种基于改进蚁群算法的巡航导弹航迹规划方法，以规划出生存概率更大、飞行距离更短的攻击轨迹，有效提高巡航导弹的作战效能。提出了坐标变换的思想，通过坐标变换将蚁群算法中信息素局部更新策略和全局更新策略协同作用的机制合理地应用到了航迹规划中，通过将信息素全局更新规则中的信息素常量和挥发率进行自适应变化来对算法进行了改进，最后对算法进行了计算机编程仿真实现。仿真结果验证了改进算法能有效避免算法过早陷入局部最优，加快算法的收敛速度，能取得目标函数更优的航迹规划路径。     

微型卫星集群系统协同任务下的目标分配研究

微型卫星集群协同完成空间任务,是未来空间操作的重要形式,对其进行研究的重要 性日趋明显。通过对卫星集群多任务目标分配的分析,对多颗卫星拦截多个空间目标的任务 分配问题进行数学建模,然后依据轨道转移消耗能量最小以及计算时间的约束,采用基于遗 传算法的分配方法来求解,有效解决了微型卫星集群操作的多任务分配问题。
最后协同任务 算例的仿真结果表明,建立的模型和算法能够实现集群微型卫星的快速多任务目标分配,也 能够满足星上计算的时间要求。
     

基于Cramér-Rao下限的多传感器跟踪资源协同分配

针对防空指挥控制系统中多传感器管理问题,提出了一种基于目标跟踪精度Cramér-Rao下限的多传感器跟踪资源协同分配方法。该方法首先利用目标战术重要性函数求解目标优先级;然后在目标优先级函数和目标—传感器配对效能函数的基础上,构造了多传感器资源协同分配一般模型,并根据目标跟踪过程特点将Cramér-Rao下限引入到协同分配的模型中,使得在进行跟踪资源协同分配时无需考虑目标跟踪滤波算法的选择。对于分配过程中出现的NP(Non-deterministic polynomial)难问题,探讨了利用匈牙利算法寻求满足条件的目标传感器最优组合,给出了模型求解的步骤。仿真结果表明,这种多传感器跟踪资源协同分配方法的可行性与模型求解的快速性。     

基于多目标多学科设计优化方法的再入弹道设计研究

为了研究多目标多学科弹道优化设计,提出了一种基于NSGA-Ⅱ算法的并发多目标协作优化MDO方法MOPCO(Multi-Objective Pareto collaboration Optimization,简称MOPCO).利用系统优化器和学科级优化器的并发性来分解多目标MDO优化问题,解决组织复杂性问题;利用自适应响应面技术来解决计算复杂性问题;利用NSGA-Ⅱ算法来搜索Pareto前沿.标准算例测试表明该算法是可行的.最后将其用于静态/动态混合优化的多目标多学科再入弹道设计,获得了合理的Pareto前沿.