混沌多精英鲸鱼优化算法

针对无人机（UAV）的航迹规划问题,提出了一种基于混沌多精英鲸鱼优化算法（CML-WOA）的航迹规划方法。首先,在已知飞行环境下,建立3D飞行空间模型和航迹代价模型。通过引入罚函数,将有约束3D航迹规划问题转化为无约束多维函数优化问题,利用CML-WOA求解模型来获得最优航迹。其次,为克服WOA易陷入局部最优的缺陷,引入立方映射混沌算子改善初始种群,增强种群多样性,并通过自适应框架融入正余弦算法（SCA）,利用多精英搜索策略有效地提高了算法开发能力和探索能力。最后,使用贪婪策略保证了收敛效率。通过20个基准函数测试和航迹规划仿真实验对提出的改进WOA进行验证。结果表明:所提算法相对其他算法,寻优性能明显提升,具有较强局部最优规避能力和更高的收敛精度与收敛速度;能够稳定快速地规划出代价最少、满足约束的安全可行的飞行航迹。      

基于蚁群算法和Powell法的Lambert转移

研究了两次脉冲时刻均不固定的Lambert轨道转移的优化问题,目标是找到施加两次脉冲的最优时刻,使燃料和转移时间的加权和最小.鉴于传统的优化算法难以获得该优化问题的全局最优解,提出了一种蚁群算法和Powell法相结合的优化算法,给出了算法的设计步骤.该算法结合了蚁群算法的全局搜索能力和Powell法的局部寻优能力,在保证全局搜索能力的同时,提高了算法的局部寻优能力和精度,减少了寻优时间.通过两个算例验证了这种结合的有效性和准确性.     

多模函数优化的改进花朵授粉算法

为了探讨花朵授粉算法（FPA）在解算多模函数优化问题中存在的不足,通过定义种群多样性及差异性指标,定性分析了FPA在多模复杂函数优化中的寻优缺点。基于模拟退火思想优化全局授粉过程,并利用Nelder-Mead单纯形搜索技术对花朵局部授粉进行重构,提出一种新的花朵授粉寻优架构。仿真结果表明,相对于基本的FPA、布谷鸟算法、萤火虫算法,改进花朵授粉算法能够有效避免陷入局部最优,具备优异的全局勘探和局部开采能力,对多模优化问题具有一定优势。      

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。      

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。      

飞机总体协同优化中的一种混合混沌算法

针对协同优化应用中所碰到的计算困难,分析了现有改进方式。将系统级优化转化成无约束优化问题,选择智能优化算法是一种有效的解决方法,但应注意计算量的控制.将混沌优化和单纯形法相结合,构造出一种混合混沌算法.混沌能有效地跳出局部最优解而接近全局最优点,同时利用单纯形法在混沌优化解的邻域内局部寻优.用协同优化方法对某型干线客机进行总体方案设计;同时各学科级采用序列二次规划法,系统级采用混合算法寻优.计算结果表明此方法是有效的.      

基于CEA-GA的多无人机三维协同曲线航迹规划方法

针对多无人机协同航迹规划求解计算复杂度高，收敛效率差等问题，提出一种基于混沌精英适应遗传算法（CEA-GA）的多无人机三维协同曲线航迹规划方法。利用层级规划思想，建立基于单机规划层-航迹平滑层-多机协同规划层的多无人机三维协同曲线航迹层级规划模型，将复杂约束规划问题分解为子函数优化求解问题，减小计算量；考虑到遗传算法（GA）求解高维复杂约束优化问题存在的性能局限，采用Tent混沌映射均匀初始化种群，以扩大个体搜索空间，丰富种群多样性，在此基础上，通过引入自适应遗传算子平衡算法的全局搜索与局部开发能力，帮助个体跳出局部最优，并采用适应度动态更新策略进一步提高算法的局部探索能力和收敛速度。将精英保留策略引入GA以更好地保证改进算法的全局收敛性。将CEA-GA应用于模型求解，仿真实验结果表明：CEA-GA具有较强的鲁棒性、较好的寻优性能和收敛效率，且能够为集群规划满足约束条件的协同曲线航迹，从而验证了所提方法的有效性和CEA-GA的优越性。     

非线性多目标概率约束规划免疫优化算法

针对噪声信息未知的一般非线性多目标概率约束规划（MOPCP）问题,探讨基于危险理论的多目标免疫优化算法（MOIOA）。算法设计中,借助自适应采样方法估计机会约束的概率和目标值;借助危险理论蕴含的应答模式分割进化种群为已感染、易感染和未感染子群;借助二进制交叉、自适应变异概率、多项式变异策略平衡种群的全局与局部搜索能力。与7种算法相比较获得的数值结果表明,所提算法的搜索效率有明显优势且搜索效果有一定的优越性,同时对复杂工程问题有应用潜力。      

基于Logistic回归麻雀算法的图像分割

针对麻雀搜索算法后期种群多样性减少、易陷入局部最优解等问题,提出一种新的改进麻雀搜索算法。所提算法先引入小孔成像反向学习策略对发现者的位置进行更新,提升寻优位置的多样性;其次受Logistic模型的启发,提出一种新的自适应因子对安全阈值进行动态控制,平衡所提算法的全局搜索与局部开发的能力。通过与其他算法在6个基准函数上进行仿真对比,结果表明：所提算法的收敛精度与速度均优于其他算法。在工程应用上,用所提算法优化K-means聚类算法进行图像分割,峰值信噪比（PSNR）、结构相似性（SSIM）及特征相似性（FSIM）3种度量指标验证了其良好的分割性能。     

基于组合优化策略的月球软着陆最优轨道设计

基于Pontryagin极大值原理,把求解月球软着陆燃料最优化问题归结为终端自由型两点边值问题.采用粒子群算法和单纯形算法接力优化的组合优化策略,在初始猜测值的邻域内进行搜索,充分利用粒子群算法的全局搜索能力迅速缩小搜索范围,然后利用单纯形算法的局部搜索优势快速获得优化结果.该优化策略最大的优势是使粒子群算法的全局搜索能力和单纯形算法的局部搜索能力同时得到最大化的发挥.仿真证明该优化方法在考虑一些实际工程约束的情况下,能较快速而准确的获得月球软着陆优化轨迹,具有一定的优越性.     

基于近邻传播聚类的航空电子部件LMK诊断模型

针对小样本条件下,航空电子部件功能模块故障诊断精度不高的问题,将局部多核学习（LMKL）算法的多分辨率解释与局部特征自适应表示能力和超限学习机（ELM）运算高效的特点相结合,提出一种新的局部聚类MK-ELM（LCMKELM）诊断模型。通过引入近邻传播（AP）聚类,在挖掘训练样本局部特征信息的同时,有效约减了局部算法的计算复杂性,避免了过学习问题的出现;通过分别分析输入空间与特征空间的聚类特征,构造了相应的2种选通函数M₁、M₂,以优化选通函数的模型参数取代优化局部权重,有效解决了核超限学习机（KELM）的对偶优化形式关于局部权重二次非凸的问题。将本文模型应用于某型机旋转变压器激励发生电路功能模块故障诊断,结果表明:相比于4种常用的多核诊断算法,模型在实现低漏警、低虚警的同时,采用M₁选通函数的诊断算法将诊断精度平均提升了3.80%,采用M₂选通函数的诊断算法将诊断精度平均提升了5.98%。同时,模型在实现与流行的LMKL算法相近的训练时间的同时,测试时间更短。      

按区域惩罚划分的并行多目标遗传算法

解决多学科设计优化问题的多目标遗传算法通常面临着大计算量的挑战,提出了一种新型的并行化算法来提高其效率.全局个体均匀的分布在各个进程,首先从所有的进程中获取全局范围的Pareto最优解极值,并发送给每个进程,再由这些极值来构造各个进程自己的惩罚函数.通过惩罚函数给个体添加约束来划分各个进程的收敛区域,同时采取优化措施保证每个进程加速收敛并且收敛区域没有重叠和遗漏,这样每个进程只需收敛到特定的一段Pareto最优解,降低了计算量;同时由于进程间交换的数据量小,保证了效率的提高.通过与串行算法(NSGA2)和其他的并行化算法比较,显示了该算法的有效性和先进性.     

太阳帆航天器行星际轨道转移优化算法

研究基于遗传算法的太阳帆行星际转移轨道的全局优化问题.通过极小值原理推导了太阳帆全局优化控制律,并以太阳帆飞行时间最短为优化目标函数,运用遗传算法对发射时间、到达时间和协态变量初值进行参数优化设计.为了解决轨道转移这一多约束优化问题,在遗传算法中加入动态罚函数.在此理论基础上作了从地球同步轨道出发到火星同步轨道转移和从地球出发与火星交会两个算例,仿真结果表明了该方法在太阳帆转移轨道全局优化中的有效性.     

序列图像编码中的遗传优化块匹配算法

讨论了序列图像编码的运动估值算法。在剖析传统块匹配算法的基础上,针对其非全局最佳的缺陷,将遗传优化算法的思想应用于分层块匹配算法,提出一种遗传优化块匹配算法。算法分析和计算机模拟表明,此算法可较好地解决现有快速搜索算法中存在的非全局最小点问题,提高数据压缩效率,与穷尽搜索算法相比运算复杂程度明显减小。     

基于IFOA的MEMS加速度计无转台标定

为提高微机电系统（MEMS）加速度计的标定效率并降低对高精度转台的依赖,提出一种基于改进果蝇优化算法（IFOA）的MEMS加速度计无转台标定方法。首先,根据模观测标定法原理将加速度计标定问题转化为非线性函数优化问题。然后,针对经典果蝇优化算法存在的只能搜索正参数及搜索步长固定的不足,对味道浓度判定值及搜索步长进行改进,使改进后的算法具有全局参数搜索及可变步长2种性能,并利用Rosenbrock函数进行测试,结果表明,IFOA相比于经典果蝇优化算法具有全局参数寻优范围及更高的寻优精度。最后,将IFOA应用于求解加速度计待标定参数的非线性函数优化问题,并将结果与牛顿迭代法和粒子群优化（PSO）算法进行对比。仿真结果表明:IFOA在求解精度方面比牛顿迭代法提高了1~3个数量级;在运行稳定性方面比牛顿迭代法和PSO算法分别提高了30%和34%,在运行时间方面分别减小了15.2%和43.6%;在加速度计无转台标定方面具有良好的应用价值。      

拦截弹道快速设计方法

针对传统优化算法在解决多约束条件下拦截弹道设计问题时迭代计算耗时过长的缺点,提出了一种快速拦截弹道设计方法.该方法基于人工神经网络的非线性拟合技术,先通过普通优化算法进行离线样本计算,对样本中目标位置和优化得到的飞行程序参数进行输入-输出映射拟合训练,从而实现在给定目标位置的情况下对最优飞行程序参数的快速计算,达到提高拦截弹道设计效率的目的.经过数值仿真验证,将该方法应用于拦截弹道设计,在保证良好命中精度的同时,设计所需的计算时间大大减少,从而提高了弹道设计的时效性.      

基于CPSO优化的空空导弹μ综合控制器设计

粒子群优化算法（PSO,Particle Swarm Optimization）在空空导弹μ综合控制器参数优化中易出现早熟现象而无法获得全局最优解.针对此问题,提出一种动态加速常数的粒子群优化算法（CPSO,Constant Particle Swarm Optimization）.改进算法通过对加速常数的指数形式变化,在寻优前期扩大搜索范围,在后期提高收敛效率,从而避免了寻优过程中的早熟现象.仿真结果表明,改进的CPSO优化算法具有更强的全局搜索能力,设计出的μ综合控制器具有更优的性能,满足给定的性能指标和自动设计指标,节省了大量设计时间,具有工程应用价值.     

基于SVM的低空飞行冲突探测改进模型

为保障通航飞行器在低空空域的飞行安全,提出了一种基于支持向量机（SVM）的飞行冲突探测改进模型。首先,建立适应于飞行器的保护区。然后,利用改进型ID3决策树算法将搜索空间降低到局部的方法筛选具有潜在飞行冲突的飞行器,并利用随机森林（RF）选择合适训练集。最后,利用tanh函数优化容易饱和的sigmoid函数对SVM分类结果的概率映射。通过仿真验证和对比分析,结果表明:利用基于密度聚类的DBSACN算法去除异常点,将剔除产生误报和虚报的数据作为训练集优化SVM分类器,改进的飞行冲突探测模型的误报率和虚报率分别降低了0.6%和1.9%,算法执行效率得到提高,而且具有较好的抗干扰能力与稳定性。