不确定环境下多无人机任务分配

针对复杂战场环境下无人机与攻击目标之间距离的不确定性,将该距离抽象为一个区间数。在此基础上,构建了不确定环境下多无人机任务分配的数学模型。根据多无人机任务分配问题的特殊性,重新设计了差分进化算法的编码方式、变异操作、交叉操作等。其中,选择操作中,在区间数排序方法的基础上,依照可能度来计算候选解被选中的概率。鉴于差分进化算法中不同变异策略的内在特点和适用场合不尽相同,提出了 3种多变异策略的差分进化算法,以便最大限度地发挥各种变异策略的技术优势。针对 CEC2013测试函数和多无人机任务分配问题分别开展仿真实验,实验结果表明,多变异策略的差分进化算法其性能改进显著,非常适合于求解多无人机任务分 配问题。     

基于飞行性能的多操纵面飞机控制分配方法

从飞行性能的角度,提出了多操纵面飞机空战阶段的控制分配原则及方法。以瑞典FOI开发的ADMIRE为算例,根据所提出的控制分配原则与方法对其控制分配器进行了重新设计。并比较了原飞机与采用新控制分配器飞机的空战周期时间,结果表明所建立的控制分配原则与算法是合理的。     

基于启发式算法的可重构性指标分配

串联有约束条件下的可重构性指标分配问题,针对考虑部件故障的系统给出了可重构度的概念和计算方法,并论证了其合理性.结合最优冗余分配理论和可重构度定义给出了可重构度最大化的冗余分配模型,在此基础上提出了基于启发式算法的可重构性指标分配方法,该方法可解决约束条件内资源优化配置问题,并得到系统最大可重构度的解.直接寻查法作为以往具有代表性的最优冗余分配方法,用作系统可重构性指标分配仿真,与所提方法作比较,结果显示基于启发式算法的可重构性指标分配方法较前者有更高的有效性.     

基于目标分配的无人机航路规划

在航路规划中．如果存在多个目标点，优化问题就会变得复杂化。因此，在多目标点存在的情况下，航路优化问题应充分考虑目标的有关因素及空域状况，对目标和航路进行优化选择以取得某种效益。针对这一问题，提出了目标选择及航路规化的优化模型．并提出了一种改进的A*算法——大规模平行扩展A*算法对这一问题进行求解。在此基础上，针对无人机的水平飞行航路进行了规化。结果表明，通过该方法可以有效地解决多目标点存在时的航路规划问题。     

限时令牌网络实时特性的关键参数研究

针对限时令牌网络消息传输的实时性问题 ,建立了网络和消息模型 ,指出影响网络实时性能的关键参数 ,并依据线性令牌传递网络 ( L TPB)的消息调度原则推导出其关键参数的数学表达 ,最后 ,对限时令牌网络典型代表光纤分布式数据接口网络 ( FDDI)和 L TPB的实时特性进行了分析比较     

多UCAV协同中基于协商的分布式任务分配研究

针对多无人作战飞机（UCAV）分布式协同任务分配问题展开研究。在对多UCAV任务分配问题进行分析的基础上，提出了基于市场协调机制的多UCAV分布式协同任务分配体系结构，设计了能够支持不同自主能力UCAV的任务控制模型，各UCAV在分布式计算的基础上进行相互协商实现动态任务分配。通过综合采用买卖合同、交换合同和聚类合同三种协调机制，实现了多UCAV协同作战中的分布式任务分配。仿真实验结果表明，基于协商的分布式任务分配方法能够快速有效地实现对态势变化的反应，对于解决作战过程中的动态任务分配具有突出优势。     

基于预测的VBR优化带宽分配模型

研究 VBR业务的动态带宽分配问题。以往的 VBR动态带宽分配模型中多只注重对VBR业务的预测研究 ,而忽视分配机制对业务的 QOS参数影响。基于此 ,提出了一个优化的动态带宽分配模型。该模型在预测值的基础上 ,以信元丢失率最小为优化目标对系统的带宽资源进行了优化分配 ,并用随机优化算法求出最优带宽分配向量。与以往方案相比 ,最优化的带宽分配在信元丢失率上达到最优 ,有效地保证了业务 QOS参数。     

考虑协同航路规划的多无人机任务分配

针对多无人机任务分配与协同航路规划问题，以分布式合同网拍卖算法为基础，构建无人机集群任务拍卖架构与拍卖收益函数，结合模拟退火算法协调任务执行次序，采用A^*算法完成两任务点间航程预估，在任务分配阶段同步完成多无人机间协同航路的初规划，确定最佳任务执行次序，实现任务分配与协同航路规划的紧耦合。仿真结果表明，在考虑禁飞区、障碍威胁情况下，该算法能够有效完成多架无人机不同类型任务的分配，且目标分配、执行次序合理，总执行代价小，各机间负载均衡；在任务分配阶段考虑协同航路规划具有明显的效果，能够有效提高任务分配的合理性。     

Multi-UAV reconnaissance task allocation for heterogeneous targets using an opposition-based genetic algorithm with double-chromosome encoding

This paper presents a novel multiple Unmanned Aerial Vehicles (UAVs) reconnaissance task allocation model for heterogeneous targets and an effective genetic algorithm to optimize UAVs’ task sequence. Heterogeneous targets are classified into point targets, line targets and area targets according to features of target geometry and sensor’s field of view. Each UAV is regarded as a Dubins vehicle to consider the kinematic constraints. And the objective of task allocation is to minimize the task execution time and UAVs’ total consumptions. Then, multi-UAV reconnaissance task allocation is formulated as an extended Multiple Dubins Travelling Salesmen Problem (MDTSP), where visit paths to the heterogeneous targets must meet specific constraints due to the targets’ feature. As a complex combinatorial optimization problem, the dimensions of MDTSP are further increased due to the heterogeneity of targets. To efficiently solve this computationally expensive problem, the Opposition-based Genetic Algorithm using Double-chromosomes Encoding and Multiple Mutation Operators (OGA-DEMMO) is developed to improve the population variety for enhancing the global exploration capability. The simulation results demonstrate that OGA-DEMMO outperforms the ordinary genetic algorithm, ant colony optimization and random search in terms of optimality of the allocation results, especially for large scale reconnaissance task allocation problems.     

负荷条件下注意力分配策略对情境意识的影响

为探究负荷条件下不同注意力分配策略对情境意识（SA）的影响，招募22名被试开展了3种注意力分配策略（平均分配、主次分配、多级分配）×2种脑力负荷（低负荷、高负荷）条件下的被试内双因素设计的实验任务，记录情境意识全面测量技术（SAGAT）、行为绩效、眼动和脑电（EEG）指标为因变量。实验结果表明，在不同脑力负荷下，相较于多级注意力分配策略和主次注意力分配策略，平均注意力分配策略的SAGAT得分和绩效正确率均更低、最小近邻指数（NNI）更大；在高脑力负荷下，相较于多级注意力分配策略，主次注意力分配策略的SAGAT得分更高、绩效反应时间更短并且NNI值更低；SAGAT得分与平均注视时间、NNI、θ相对功率和α相对功率均存在显著低度相关。本研究结果提示，在不同脑力负荷条件下，采用平均注意力分配策略可能导致作业人员的注意力更为分散，从而产生更差的工作绩效和更低的SA水平；而在高脑力负荷条件下，相比于多级注意力分配策略，主次注意力分配策略更有助于作业人员提取关键信息并维持更好的SA水平，但同时可能存在SA丧失的风险；眼动的平均注视时间和NNI指标以及EEG的θ和α相对功率指标具有较好的表征SA的潜力。