基于模型管理框架的机翼结构多目标优化设计

采用演化算法对某高空长航时无人机机翼结构进行多目标优化设计时,由于需要大量的演化迭代和很多次的有限元分析计算,使演化算法相当耗时.为了提高效率,采用模型管理框架对该机翼结构进行多目标优化设计.采用模型管理框架可以建立满足精度要求的目标及约束的近似模型,使演化算法不仅避免了大量的有限元分析计算,而且获得了满意的该高空长航时无人机机翼结构的多目标优化设计结果.     

基于流形结构重建的多目标气动优化算法

在多目标优化中,Pareto解集是一个分段连续的k维流形,这一规律被传统进化算法所忽略。本文提出了一种基于流形结构重建的多目标优化算法,首先利用流形结构重建方法完成解集分布从目标空间到设计空间的映射,建立解集的概率分布,并在目标空间中扩展流形结构,从而借助解集在目标空间的推进来指导优化算法的快速演化。数值算例表明本文算法对于具有不同特征的Pareto前沿具有很好的适应性,能够极大提高算法的收敛效率。多目标气动优化算例验证,本文算法相比于常规多目标进化算法能够减少约80%的计算量,极大程度缩短了气动设计的周期。     

基于多传感器的机动目标跟踪与融合技术综述

在分析了目标跟踪技术的重要地位之后，对目标跟踪要素进行了简要介绍。同时，描述了机动目标建模、滤波算法、航迹管理、传感器管理以及目标身份识别技术常用的方法，试图对基于多传感器的机动目标跟踪和识别算法构建一个轮廓和框架。     

多目标翼型优化设计基因算法研究

本文把基因算法用于多目标翼型优化设计,针对基因算法的搜索原理和气功外形特点,提出了与之相适应的Ｂｅｚｉｅｒ曲线基因表达,构造了用于优化设计的适应度函数,发展了一种小种群演化方法。针对小种群基因算法中出现的近亲繁殖问题,提出了远亲配对策略、构造了自适应非均匀变异算子,提高了算法的收敛速度。文中最后给出了基于全位势方程求解程序的翼型重构反设计以及单目标和多目标翼型优化算例。     

非对称机动能力多无人机智能协同攻防对抗

协同攻防对抗是未来军用无人机的重要作战场景。针对不同机动能力无人机群体间的攻防对抗问题，建立了多无人机协同攻防演化模型，基于多智能体强化学习理论，研究了多无人机协同攻防的自主决策方法，提出了基于执行-评判（Actor-Critic）算法的集中式评判和分布式执行的算法结构，保证算法稳定收敛的同时，提升执行效率。无人机的评判模块使用全局信息评价决策优劣引导策略学习，而执行时只需要依赖局部感知信息进行自主决策，提高了多机攻防对抗的效能。仿真结果表明，所提的多无人机强化学习方法具备较强的自进化属性，赋予了无人机一定智能，即稳定的自主学习能力，通过不断演化，能自主学习提升协同对抗的决策效能。     

模拟退火算法在多目标决策中的应用研究

模拟退火算法ＳＡ最显著的特点是，用它求解单目标最优化问题时，人们可随意地选择搜索方向和步长，而且在运算结束时，一般都能得到全局最优解的良好近似值。对此，作者在介绍这一好算法的同时，试图就它是否适合于解决多目标决策问题展开讨论。     

硬件演化理论与应用技术研究

演化硬件具有广阔的应用前景和重大的实用价值,演化硬件通过演化算法可实现自身重构,使系统具有自适应、自组织、自修复的特性。介绍了演化硬件的概念、分类、发展历史及研究现状,讨论了演化硬件的实现思路、存在的难点及其发展趋势。     

多目标优化方法库的开发与应用

多目标优化方法库是一个专门针对多目标问题的优化软件。本文介绍了用面向对象方法对方法库进行开发的过程,着重说明了该软件以优化模型为中心的主体框架和以优化算法为核心的模块化结构,以及库中采用的各种多目标优化算法特别是非劣分层遗传算法。最后通过算例说明了方法库的使用方法,证明了其良好的操作性和库中算法优良的性能。     

多模型算法在多目标跟踪中的应用

在传统的卡尔曼滤波算法的基础上，导出了一个在混合坐标系中新的多传感器多目标跟踪算法－多模型算法，目的为了更好地提高空中交通管制中机动目标的跟踪能力，主要论述了统一坐标系，以满足测量方程的线特性；多模型算法的实现步骤，并在实验中将两种算法的结果进行了比较。     

混合遗传算法及其在翼型气动多目标优化设计中的应用

把基于实数编码的自适应遗传算法（SAGA）与可变容差法相结合，建立了数值优化设计中的混合遗传算法（HGA），并将其与翼型的气动分析相结合进行跨声速翼型的单目标和多目标气动优化设计。与自适应遗传算法相比，混合遗传算法的优化质量略有改善，优化效率有明显的提高。优化结果表明混合遗传算法在翼型单目标和多目标气动优化设计中是十分有效的。     

基于改进多目标布谷鸟搜索算法的翼型气动优化设计

布谷鸟搜索（CS）算法是一种新型的受自然现象启发的元启发式智能优化算法，其强大的全局搜索能力和收敛速度受到了广泛关注。多目标布谷鸟搜索（MOCS）算法是一种在单目标布谷鸟算法基础上发展的可以直接求解Pareto解集的多目标优化算法。针对原始MOCS算法的不足，采用一系列措施以提高算法的收敛精度、收敛速度以及解的均匀性：通过引入非支配排序与拥挤距离来改进解的适应度评估；通过改进随机游走策略来提高局部搜索能力；通过引入改进的自适应丢弃概率策略来提高算法的收敛速度；加入档案管理机制，提高解的均匀性。典型的多目标数值算例结果表明，改进的MOCS算法相较于当前主流的NSGA-Ⅱ算法拥有更快的收敛速度和更高的收敛精度。以RAE2822双目标升阻比优化设计为例，将改进的MOCS算法应用于多目标气动优化中，改进的MOCS算法共获得64个Pareto解，优化后的翼型气动性能有明显的提升，设计者可以根据自己的偏好选取不同的Pareto解。对于气动优化问题，改进的MOCS算法与目前主流的NSGA-Ⅱ相比，收敛速度更快。     

分布式进化算法及其在翼型气动反设计中的应用

构造了一种新型基于基因算法与博弈论的并行分级多目标优化方法，并应用于多段翼型气动反设计。此方法基于二进制编码的基因算法和博弈论，优化变量被分配给不同的博弈者，因而总体优化问题转变为分裂空间中的局部优化问题。文中给出了一个多段翼型形状，位置可压位流的反设计问题的求解算例，引入了基于非结构网格的分级结构。与传统基因算法数值算例的对比表明了本文构造的并行分级算法具有较高的计算效率，可广泛应用于多目标优化问题。     

基于混合多目标粒子群算法的飞行器气动布局设计

 为了提高多目标优化算法求解非劣解集的效率,在多目标粒子群算法的基本框架中引入了Pareto过滤算子、小生境技术和模拟退火算法,建立了全新的混合多目标粒子群算法。该算法具有运算收敛快,所得非劣解集分布均匀、广泛的特点。将其应用于求解以升阻比和效用体积最大化为目标的再入式高超声速飞行器气动布局多目标优化设计模型,将计算结果与原始多目标粒子群算法的计算结果进行对比,体现出本文提出的混合多目标粒子群算法能够更加有效地求解复杂多目标优化设计问题的非劣解集,从而为多目标决策提供有力的支持。     

移动机器人PT视觉监控多目标策略与实现

提出了一种多动态目标的监控模型，设计了目标监控优先级的计算方法和动态扫描队列的实现算法。并利用粗糙集理论的约简算法求得最小目标监控规则集，实现了仅利用单个PT(pan-tilt)摄像机对多个动态目标的实时监控。所进行的实际机器人动态环境实验，验证了提出方法的有效性和实用性。通过对实际和计划监控几率的比值分析说明了监控策略的合理性。     

机动目标跟踪的具有固定延时的平滑IMM滤波算法

在跟踪机动目标的交互式多模型自适应滤波算法(IMM)基础之上介绍了一种基于状态的扩充具有固定延时的平滑IMM算法(IMMF-LS).蒙特卡洛仿真结果表明IMM具有明显的综合多模型的优点,IMMF-LS的跟踪精度明显高于IMM算法.     

基于多目标粒子群算法的导航星座优化设计

导航星座的设计涉及诸多优化变量的选取,优化设计的目的是选取合适的优化变量使导航星座最大程度地满足人们需求。提出了将导航性能和卫星生产成本作为目标对导航星座进行多目标优化设计的研究方案,导航星座基本构型为中轨道(MEO)与地球静止轨道(GEO)卫星组成的混合星座,MEO卫星用于全球导航,GEO卫星用于增强星座对中国及周边地区的导航性能。探讨了MEO和GEO的轨道设计思路。阐述了星座导航性能与卫星生产成本的计算方法,并选取定位精度因子(PDOP)作为导航性能指标。介绍了基本粒子群算法和多目标优化的概念,提出了改进的多目标粒子群算法(MOPSO),给出了该算法的计算步骤和测试结果。讨论了导航星座多目标优化设计的数学模型,列举了优化设计变量的定义域,采用MOPSO算法对导航星座进行了多目标优化设计,通过分析优化设计结果,说明了导航星座多目标优化设计方案的可行性。     

基于多维数据关联的舰载机联合目标判别技术

文章提出了一种基于多层空间侦察数据关联的舰载机联合目标判别技术,介绍了基于最小二乘的位置收敛算法和基于多维度联合的目标判别算法,分析了该技术在满足舰载机电子装备硬件条件下的可实现性。该项技术为舰载机有效利用多源战术情报、实时保障多种行动提供了一种新的思路和技术解决方案。     

红外点目标探测的信号处理算法及实现

本文讨论了红外点目标探测系统信号处理的各种算法，介绍了使用外场可编程门阵列（ＦＰＧＡ）实现这些算法的方法。     

改进FSQP算法的涡扇发动机多变量非线性控制

涡扇发动机是一个复杂的非线性系统，用常规的多变量控制方法难以获得理想的控制效果。对FSQP(Feasible Sequential Quadratic Programming)算法进行了改进，提出了一种基于改进FSQP算法和自适应变权重线性加权法的多目标优化算法。该算法可以有效的解决涡扇发动机的多变量非线性控制问题，同时在满足控制过程中的各项约束条件的前提下，达到调节时间最短的目标。通过计算机仿真证明了该控制算法的可行性和良好的控制效果。     

基于粒子群算法的飞机总体参数优化

 现有的飞机总体参数优化方法在效率和适应性上存在不足。考虑到粒子群算法是一种基于群智能方法的演化计算技术,它对不同复杂约束条件下的多目标优化问题较常规方法更具简便性和适用性。因此,提出了使用非数值计算的粒子群算法来改进飞机总体参数优化效率。详细研究了粒子群算法在飞机总体参数优化上的应用方法,并着重于3个方面：①以航程、商载和起降距离为优化目标的粒子群算法构建;②粒子群算法中因子的自适应修正方法;③基于粒子群算法的飞机总体参数优化流程。计算结果与文献结果相比具有较好的一致性和合理性,所提出的方法可有效地应用于飞机总体参数优化。