基于引导型人工免疫算法的最优Lambert变轨

主要研究了燃料最省的Lambert双脉冲变轨问题.首先对普适变量法进行改进以避免奇异,并将其用于Lambert双脉冲变轨问题的求解.然后针对只给定初始时刻追踪航天器和目标航天器的轨道要素及总时间约束的交会问题,引入调相时间的概念,并将其和转移时间作为Lambert变轨的优化变量.最后采用引导型人工免疫算法GAIA(Guiding Artificial Im-mune Algorithm)对该优化问题进行寻优.仿真算例表明,与自适应遗传算法AGA(Adaptive Ge-netic Algorithm)相比,GAIA具有更强的寻优能力和更快的寻优速度,从而验证了GAIA用于最优Lambert变轨的有效性.     

基于混合人工鱼群算法的传感器网络优化

针对传感器网络节点优化的问题,提出一种混合人工鱼群算法.该算法在人工鱼群算法优化的末段引入模式搜索法,以人工鱼搜索到的最优解作为模式搜索法的初始解,利用模式搜索法的单调搜索特性,将解引向全局极值.新算法保留了人工鱼群算法全局搜索能力强、寻优速度快的特点,使寻优精度得到了提高.仿真实验表明:混合人工鱼群算法能够有效地优化传感器网络节点部署,提高覆盖率.     

一种基于TDDM裂谱信号的解模糊位搜索法

时分数据调制(TDDM)裂谱信号作为一种新调制信号,具有独有的电文翻转位模糊特性,导致了采用通常的搜索方法无法正确输出电文的现象。针对TDDM裂谱信号特性以及现有搜索方法的不足,提出了一种解模糊位搜索法。该方法主要分为合路快捕及解模糊位判决两个阶段。其合路快捕阶段,不但可以快速缩小搜索范围,而且可以避免由扩频方式而引起的漏捕现象;解模糊位判决阶段,可以去除电文翻转位的模糊度,正确输出电文的翻转位置。在理论推导的基础上,从性能及信噪比容限角度进行了仿真测试,测试结果表明,解模糊位搜索法对TDDM裂谱信号的电文翻转位判决精度可以达到100%。     

基于舰壳声纳的多舰协同检查搜潜建模与仿真

基于舰载舰壳声纳搜潜原理及舰艇协同检查搜潜战术,分别建立了在潜艇初始位置、航向及航速未知条件下,舰壳声纳对潜艇目标的矩形、扩展方形及包围方形检查搜索的数学模型;基于已建搜索模型及假定的潜艇运动模型,利用蒙特卡洛方法,得到了相同仿真条件下3种搜索算法的搜潜概率及搜到潜艇所需平均时间,三种算法的搜潜概率与潜艇初始航向角、潜艇航速、潜艇航向变化次数等潜艇运动因素之间的关系,并对搜潜概率及搜潜时间进行了分析比较,获得了有益的效果。     

基于黎曼流形的数字阵雷达波束驻留时间分配

针对数字阵列雷达的空域搜索过程,提出了一种基于黎曼流形的波束驻留时间分配算法。为了补偿天线在扫描阵列侧面时,波束展宽造成的波束增益损耗,根据黎曼流行给出uv平面内波束驻留时间的空间分布,在满足指定距离上的单次检测概率和累积检测概率的条件下,实现波束驻留时间在整个空域的优化分配,最小化雷达系统总的搜索时间消耗。仿真结果表明,基于黎曼流行的波束驻留时间分配算法消除了波束扫描角变化导致波束增益变化带来的影响,实现了雷达在不同方向的等威力探测。     

交叉口汇聚航班的航线选择方法

建立了以总延误时间最小为目标的交叉口汇聚航班航线选择问题模型,为到达交叉口的每个航班从固定航线或临时航线中选择合理的一条航线飞行,并且设计了相应的启发式算法计算模型的全局最优解。最后设计了3种场景对航图中嘉峪关到雅布赖航线段航班数据进行算例仿真。仿真结果表明,本文模型和算法可解出多个航班最优的航线选择方案,并且产生的总延误时间最小,证明了本文方法的有效性。     

基于小生境技术的改进引力搜索算法

针对引力搜索算法（Gravitational sear ch algorithm,GSA）开发能力强而探索能力弱的特点,提出一种基于 小生境技术的引力搜索算法（Niching behavior based advanced GSA,NAGSA）。首先分析了引力搜索算法的性能,为每个粒子定义质量吸 引度和欧式距离吸引度两个属性,根据这两个属性计算出粒子吸引概率,取代原有的质量排 序选择法。其次,运用吸引概率和小生境拥挤度技术引导粒子在邻域内搜索,平衡算法的收敛 速度和多样性。此外,算法将k-best的取值按照指数函数递减,进一步提高收敛精度。 10个标准测试函数的仿真结果表明,该算法能有效地提高最优解的精度,加快收敛速度。最 后,采用4个标准柔性作业车间调度模型,验证了该算法在解决实际问题中的可行性和优越 性。     

基于量子万有引力搜索的SVM自驾故障诊断

针对自动驾驶仪在实际测试过程中故障样本较少的情况,提出一种基于量子万有引力搜索算法(QGSA)的支持向量机(SVM)故障诊断模型。SVM能较好地解决小样本、非线性问题,适用于自动驾驶仪的故障诊断。为进一步提高万有引力搜索算法(GSA)对参数寻优的收敛速度和收敛精度,将基于GSA的QGSA应用于SVM的参数寻优中,以解决SVM由于参数选取不当导致过学习或欠学习的问题,从而获得最优的分类模型。通过模拟实验分析,当训练样本数量为50时,基于QGSA的SVM故障诊断模型分类准确率便能达到96.530 6%,而基于遗传算法(GA)的SVM故障诊断模型分类准确率为92.040 8%,基于GSA的SVM故障诊断模型分类准确率为91.632 7%。仿真实验结果表明,基于QGSA的SVM故障诊断模型具有更好的故障诊断能力。      

未知环境下无人机集群协同区域搜索算法

针对无人机集群在无先验信息的未知环境中协同搜索的问题,提出了一种以覆盖率为实时搜索奖励的无人机集群协同区域搜索算法。首先建立覆盖分布地图（CDM）来描述任务环境,并采用Hadamard积实现CDM的快速更新,继而基于CDM计算覆盖率来定量描述实时搜索效果。将无人机集群视为一个控制系统,基于分布式模型预测控制理论建立系统的预测模型,并将预测周期内最大覆盖率增量设为奖励函数,采用差分进化算法进行求解,得到最优解作为系统的最优输入。仿真结果表明,所提算法能够对区域进行覆盖搜索,在出现突发情况时,覆盖率远高于平行搜索方法。