基于MHSS算法的ARAIM完好性和可用性预测

传统的接收机自主完好性监视只能提供非精密进近阶段的完好性监视,无法实现对完好性要求更加严格的飞行阶段的监视,而高级接收机自主完好性监视（AdvancedReceiverAutonomousIntegrityMonitoring,ARAIM）可以在精密进近阶段为飞机提供满足航向信标性能垂直引导（LocalizerPerformancewithVerticalguidance,LPV）的完好性监视服务。文章基于多假设分组解算法,根据目前的星座环境,结合民航不同飞行阶段的应用需求,对ARAIM算法进行仿真研究。针对水平保护级（HorizontalProtectionLevel,HPL）和垂直保护级（VerticalProtectionLevel,VPL）的指标,在不同星座组合环境下,选取南北半球不同经纬度的5个观测机场,分别仿真了HPL和VPL的变化情况,并对全球HPL和VPL平均分布趋势,以及以99%的概率满足LPV-200进近可用性指标时,ARAIM可用性的全球覆盖率进行了仿真预测分析。仿真结果表明,不论是全球定位系统和格洛纳斯双星座还是增加北斗卫星导航系统后的三星座,5个观测机场的HPL和VPL均能满足LPV-200进近对完好性指标的要求;但在全球范围内,双星座条件下,ARAIM并不能完全支持LPV-200进近对完好性监视的要求,而三星座则可大大提高ARAIM的可用性,为民航用户提供满足精密进近的所需导航服务性能。     

基于子集包含减少ARAIM子集数量的方法

先进接收机自主完好性监测（ARAIM）技术可用于多星座组合定位时的完好性监测，ARAIM技术子组推荐的多假设分离解（MHSS）标准算法，存在子集数量过多带来大量计算负载的问题。针对此问题，在双星座组合定位情景下，通过分析子集之间的包含关系及空间位置精度因子（PDOP）的变化，提出了使用一个子集代替多个子集减少子集数量的方法。所提方法可以明显地减少子集数量，不同参数下的仿真结果表明，优化后的算法效率至少提高2倍以上，并且优化前后的ARAIM可用性变化最大不超过3%。      

粒子群优化粒子滤波的接收机自主完好性监测

接收机自主完好性监测（RAIM）是航空卫星导航接收机必不可少的功能,为保持全球卫星导航系统（GNSS）在卫星发生故障时系统性能不降级,需要对卫星故障进行检测和隔离。针对接收机观测噪声非高斯分布的特点,提出一种基于粒子群优化粒子滤波（PSO-PF）的故障检测和隔离算法。通过粒子群优化粒子滤波对状态估计进行一致性检验实现故障检测。采集实测数据验证算法的检测性能,并与基于基本粒子滤波的完好性监测算法进行比较,结果表明:本文所提算法在非高斯测量噪声下可检测并隔离全球定位系统（GPS）故障卫星,其性能优于基于基本粒子滤波的完好性监测算法性能,对研究北斗卫星导航系统（BDS）接收机自主完好性监测具有一定的意义。      

改进粒子群优化的卫星导航选星算法

为提高选星算法的性能,提出一种基于人工鱼群算法的粒子群优化（PSO）选星算法。该算法利用人工鱼群算法良好的全局收敛特性,克服了粒子群优化算法易陷入局部最优的缺点。将每种卫星组合看作空间中的一个粒子,选取几何精度因子（GDOP）作为适应度函数。利用所提算法更新粒子自身位置,优化卫星组合与几何精度因子。利用实际数据对所提算法进行验证和对比,结果表明:改进的选星算法在保障选星效率的同时,选星结果的准确性优于标准的粒子群优化选星算法。      

北斗卫星空间信号故障与监测性能指标定义

卫星导航系统指标分配与论证是指导和约束各大系统方案设计及工程实现的重要依据.完好性和连续性是系统服务性能的关键指标,能否满足用户需求主要取决于其中的空间信号故障和监测性能指标.以用户完好性和连续性要求为设计依据,定义了空间信号故障次数、平均故障率、故障漏检率、虚警率等系统指标与完好性、连续性等风险概率之间的转换关系.针对北斗系统及星座构成特点,按照国际民航组织规定的用户完好性和连续性风险概率需求,分析了不同空间信号故障条件对系统完好性监测性能的指标要求.研究结果可为北斗全球系统可靠性指标论证和设计提供依据和参考.      

PSO选星算法参数分析与改进

多星座组合导航提供更多的可用卫星,但也增大接收机计算复杂度,选取部分可见星代替全部可见星进行接收机位置解算成为选星算法研究的热点。粒子群优化（PSO）选星算法将PSO算法引入到选星过程中,该方法能够减少选星时间,实现北斗/GPS组合星座快速选星。研究了该算法的关键参数包括惯性权重因子、加速系数、种群大小等对PSO选星算法性能的影响,并针对搜索过程容易陷入局部最优问题,提出自适应模拟退火粒子群优化（ASAPSO）选星算法,该算法通过引入随适应值大小自适应调整进化参数及结合模拟退火算法调整粒子速度,以增强算法跳出局部极值的能力。采用实际数据对算法进行验证,结果表明:ASAPSO选星算法在保证选星时间的同时,能够提高算法搜索结果的准确性,其性能优于PSO选星算法。      

复杂系统的选择性维修模型和求解算法

考虑不修、最小维修、换件维修和多中间维修水平,提出了一种基于粒子群优化（PSO）算法和多员维修的复杂系统选择性维修模型,将组件维修前状态、组件有效役龄和维修费用等因素引入不完全维修模型,更符合工程实际。提出了一种基于多员维修的系统组件维修分配算法,解决了如何将多维修任务分配给多维修人员,使得系统维修时间最小的问题,并将所提算法引入到PSO算法中,求解考虑多维修人员和不完全维修条件的复杂系统选择性维修模型。案例表明:所提模型和求解算法有效,能够为复杂系统提供切实有效的维修决策方案。      

基于混沌的改进粒子群优化粒子滤波算法

针对基本粒子滤波(PF)算法存在的粒子退化和重采样引起的粒子多样性丧失,导致粒子样本无法精确表示状态概率密度函数真实分布,提出了一种基于混沌的改进粒子群优化(PSO)粒子滤波算法。通过引入混沌序列产生一组混沌变量,将产生的变量映射到优化变量的区间提高粒子质量,并利用混沌扰动克服粒子群优化局部最优问题。利用单变量非静态增长模型(UNGM)在高斯噪声和非高斯噪声环境下将该算法与基本粒子滤波和粒子群优化粒子滤波(PSO-PF)的性能进行仿真比较。结果表明:该算法的性能在有效粒子数和均方根误差(RMSE)等参数都优于基本粒子滤波和粒子群优化粒子滤波,改善了算法的精度和跟踪性能。      

基于DE-DPSO-GT-SA算法的协同多任务分配

针对无人机（UAV）编队的协同多任务分配问题（CMTAP），考虑双机协同探测、双机协同攻击的情况，结合时间约束、时序约束、时间间隔约束、载机弹药约束、任务能力约束等约束条件，扩展了协同多任务分配模型；将差分进化（DE）算法、郭涛（GT）算法、离散粒子群优化（DPSO）算法、模拟退火（SA）算法进行融合，提出了DE-DPSO-GT-SA算法，用以求解协同多任务分配问题。通过与多种算法进行比较，仿真试验结果表明，所提算法具有较好的收敛性能。      

Satellite selection methods for multi-constellation advanced RAIM

The increased number of potential threat modes under multi-constellation advanced receiver autonomy integrity monitoring (ARAIM) requires an increase in the number of subsets and a correspondingly high computational load. A new satellite selection method based on integrity support message (ISM) parameters is proposed and compared with GDOP-based selection. The performance was tested on five days of data measurements from 21 multi-global navigation satellite system experiment (MGEX) stations distributed around the world, as well as simulation using the broadcast ephemeris. The results show that the proposed ISM-based satellite selection method is highly compatible with the baseline ARAIM. This method could reduce the computational times by about 60–70% quickly, with minimising vertical protection level (VPL) loss, which was consistently within 1 m, even a reduced VPL value in some epochs, and resulting in an improved availability. The simulation results were similar to the MGEX data. It appears that the application of ISM-based satellite selection can effectively reduce computational burden with a minimal impact on availability.     

Fault detection and isolation in GPS receiver autonomous integrity monitoring based on chaos particle swarm optimization-particle filter algorithm

The receiver autonomous integrity monitoring (RAIM) is one of the most important parts in an avionic navigation system. Two problems need to be addressed to improve this system, namely, the degeneracy phenomenon and lack of samples for the standard particle filter (PF). However, the number of samples cannot adequately express the real distribution of the probability density function (i.e., sample impoverishment). This study presents a GPS receiver autonomous integrity monitoring (RAIM) method based on a chaos particle swarm optimization particle filter (CPSO-PF) algorithm with a log likelihood ratio. The chaos sequence generates a set of chaotic variables, which are mapped to the interval of optimization variables to improve particle quality. This chaos perturbation overcomes the potential for the search to become trapped in a local optimum in the particle swarm optimization (PSO) algorithm. Test statistics are configured based on a likelihood ratio, and satellite fault detection is then conducted by checking the consistency between the state estimate of the main PF and those of the auxiliary PFs. Based on GPS data, the experimental results demonstrate that the proposed algorithm can effectively detect and isolate satellite faults under conditions of non-Gaussian measurement noise. Moreover, the performance of the proposed novel method is better than that of RAIM based on the PF or PSO-PF algorithm.     

基于离散粒子群算法的多飞行器在轨服务任务分配

为解决多约束条件下飞行器在轨服务任务分配问题,以在轨卫星群为研究对象,提出了一种基于离散粒子群算法的多服务飞行器的目标分配方法,综合分析目标飞行器价值、服务飞行器消耗以及能量时间消耗等3项关键指标因素,建立了在轨服务任务分配问题的数学模型。通过构建粒子与实际问题间的对应关系,设计了新的离散粒子群位置和速度更新公式求解任务分配问题。仿真结果表明:离散粒子群算法具有收敛速度快,寻优能力强等优点,能够有效地解决多约束条件下的服务飞行器协同任务分配问题。     

基于M-AFSA的MPRM逻辑电路面积优化

现有基于传统智能优化算法的MPRM电路面积优化算法存在效果差的问题。由于MPRM电路面积优化属于组合优化问题，先提出一种多策略协同进化人工鱼群算法（MAFSA），该算法引入基于反向学习的种群初始化策略，以提高种群多样性及初始种群解的质量；引入觅食与追尾交互性策略，以加强人工鱼个体之间的信息交流、提高所提算法的收敛速度；引入自适应扰动策略，以增加人工鱼个体位置变异的随机性、避免所提算法陷入局部最优。此外，提出一种MPRM逻辑电路面积优化方法，利用所提算法来搜索电路面积最小的最佳极性。基于北卡罗莱纳州微电子中心（MCNC）Benchmark电路的实验结果表明：与遗传算法相比，所提算法优化电路平均面积百分比最高为57.24%，平均为39.57%；与人工鱼群算法相比，所提算法优化电路平均面积百分比最高为33.53%，平均为14.54%；与改进的人工鱼群算法相比，所提算法优化电路平均面积百分比最高为30.25%，平均为13.86%。     

基于指数平均动量鸽群优化的多无人机协同目标防御

针对多无人机(UAV)协同目标防御问题,提出了一种基于指数平均动量鸽群优化(EM-PIO)算法。针对三维空间中的多无人机协同目标防御系统进行建模,得到了无人机支配区域的曲面约束方程,并获得了双方无人机的最优控制输入量。采用多级罚函数法构造了优化算法的目标函数,并通过所提出的EM-PIO算法来求解最优目标点。将所提EM-PIO算法与遗传算法(GA)和粒子群优化(PSO)算法进行仿真对比实验,验证了所提EM-PIO算法更加有效解决多无人机协同目标防御问题。     

基于改进粒子群优化算法的巡航导弹航路规划

粒子群优化(PSO, Particle Swarm Optimization)算法是继遗传算法、蚁群算法之后的又一种新的群体智能算法,经常用于复杂问题的求解.由于其迭代公式是面向连续空间的,因此更适合解决非网格拓扑的航路规划问题.标准的粒子群优化算法在寻优的过程中容易出现早熟现象,针对这种现象,提出了一种改进的粒子群优化算法.改进算法根据相应的代价函数选择精英粒子和较差粒子,对较差粒子采用了带有动能补偿的速度更新策略,从而避免了寻优过程中的早熟现象;在单个粒子的运动方面引入了最差粒子的失败经验,让群体中粒子有效避开最差解.仿真表明:改进算法在航路规划的应用中具有更强的搜索能力,获得的航路代价在进化代数相同的前提下更小.      

军航飞机流穿越民航航线冲突探测与解脱问题

针对军航飞机穿越民航航线的飞行冲突问题,对飞机流汇聚飞行场景进行建模分析,提出了基于滑动窗口的汇聚飞行冲突探测方法和基于合作博弈的多机冲突解脱方法。当飞机流进入预先划设的汇聚控制区,通过滑动窗口判断向前看时间内飞行冲突。基于此,潜在冲突机间组成一个联盟,以解脱边界条件为安全约束,以合作博弈理论中联盟福利最优解均衡各机效益,在保证安全的前提下实现效益均衡。根据最优机动方向特点,利用免疫粒子群优化算法快速求解策略。仿真结果表明,该场景下提出的方法能有效解算出满足要求的解脱策略,并均衡军民航飞机解脱效益。