融合粗糙数据推理的离散麻雀搜索算法求解HFSP问题

针对麻雀搜索算法(SSA)易陷入局部最优、无法求解离散优化问题等不足,提出了一种改进离散麻雀搜索算法(IDSSA)。抽象原始麻雀搜索算法的位置更新公式,针对个体的不同身份设计新的离散化启发式位置更新策略,并针对混合流水车间调度问题(HFSP)设计了编码与解码方式;引入粗糙数据推理理论,通过数学证明解释了引入理论的可行性与合理性,为算法提供理论支撑,提高可解释性;利用上近似的性质扩大搜索空间,提高种群多样性,避免算法早熟,结合划分及粗糙数据推理提出3种策略,促进种群间信息共享,调节种群的开发能力与探索能力,降低算法陷入局部最优的概率;使用改进离散麻雀搜索算法求解混合流水车间调度问题,对3个小规模实例与10个Liao经典测试集进行仿真实验,验证了改进离散麻雀搜索算法求解混合流水车间调度问题的可行性,通过与遗传算法、差分进化算法等经典算法的对比实验,证明了所提算法的优越性与改进策略的有效性。     

基于协同滤波轨迹预测的机动目标RTPN拦截制导律

针对当前空中威胁目标拦截的实际需求,结合拦截器本身的机动能力,基于全覆盖协同策略,提出一种协同探测的现实真比例导引律（RTPN）制导拦截方法。所提方法解决了传统RTPN方法未考虑拦截器饱和过载限制及对任意机动目标捕获区域的确定问题。此外,针对拦截过程中对目标运动轨迹测量误差及协同探测数据丢包所引起的数据融合精度和鲁棒性问题,提出一种分布式协同滤波算法;针对数据传输和拦截器本身动力学响应延迟等问题,提出一种航迹预测算法。仿真结果验证所提方法能够有效解决饱和过载下的捕获区域确定及动力学延迟问题,及协同探测数据融合中数据丢包所引起的鲁棒性和精度问题。     

过冷大水滴动力学行为对翼型结冰的影响分析

过冷大水滴（SLD）是极端危险的飞行环境之一。因大粒径水滴独特的动力学行为变形破碎、飞溅反弹,传统结冰计算方法难以准确地反映SLD结冰情况。采用Navier-Stokes方法求解流场、Euler方法计算水滴撞击、Shallow Water模型模拟结冰,并与NASA实验结果进行了对比验证方法可信。结果表明：SLD动力学行为对结冰和冰形影响较大。其中,变形破碎改变了水滴运动轨迹和撞击范围,降低了水滴撞击极限,导致上下结冰极限减小2.83%、2.13%;飞溅降低了驻点附近水滴收集率,导致前缘积冰量减少8.09%;反弹显著降低了水滴撞击极限,导致上下结冰极限减小30.69%、20.01%;撞击后飞溅反弹二次水滴再入流场使得上下结冰极限增加6.14%、3.71%。同时,与干净翼型相比带冰翼型空气动力学性能严重退化,在相同迎角下,升力更小、阻力更大、气动效率更低。     

面向复杂构型飞机的非定常气动力建模与辨识

不论是现代高机动隐身战斗机的设计需求还是常规布局飞机的飞行动力学分析,深入研究大迎角飞行时的非线性非定常气动力模型都极其重要。基于纵向运动小振幅及大振幅强迫振荡试验数据,分析了常规稳定导数模型的准确性,并从导数模型出发发展了简化涡流和分离流时间迟滞效应的非定常气动力线性模型和非线性模型,最后应用风洞典型机动历程模拟试验验证了模型的有效性。结果表明：对于复杂构型高机动飞机模型,发展并改进的非线性微分方程模型可以准确预测飞机不同机动下的非定常气动力特性,具有较强的工程可行性。     

基于函数型数据的广义线性回归模型

函数型数据的回归分析研究主要集中在函数型线性模型。不要求因变量为连续型随机变量,可以为离散型或属性数据(对应于泊松或Logistic回归),对同时含有数值型多元变量和函数型变量的广义线性模型的估计问题进行分析,采用非参数方法得到了参数部分和非参数部分的估计量,并给出了一种重加权算法进行参数求解,解决了含数值型和函数型混合数据类型自变量的回归问题,同时扩展了函数型线性模型的应用范围。估计过程中,分别采用了函数型主成分和B样条基函数,并给出了基函数个数选择的准则。数值模拟结果表明,所提出方法具有良好的可行性与正确性。      

空间非合作目标的多视角点云配准算法研究

为了提高相邻视角间稀疏扫描点云数据配准的速度和精度,实现多视角点云精确配准,提出一种基于KD Tree点云均匀采样简化算法,并且对传统四点算法（4 PointsCongruentSetsAlgorithm,4PCS）中的阈值参数进行了统一,确定了各误差阈值参数和点云密度之间的关系,通过基于姿态校正的方法有效解决了对称视角点云引起的误配准问题。仿真结果表明,该方法能够快速、有效地实现卫星稀疏点云的配准。     

基于优化字典学习算法的压缩数据收集

为了提高压缩数据收集对多样化传感数据的适应能力,同时抑制环境噪声对数据收集精度的影响,提出了一种优化字典学习算法来构造压缩数据收集中的稀疏字典。理论分析表明在压缩数据收集中由环境噪声导致的数据收集误差和稀疏字典的自相干程度正相关。为此在字典学习的过程中引入了自相干惩罚项来抑制环境噪声对数据收集精度的影响。该惩罚项还能减少字典学习过程中对训练数据的过拟合,从而进一步提高了该算法的稀疏表示能力。实验表明,该算法的稀疏表示能力高于同类字典学习算法,而且能有效地抑制环境噪声对压缩数据收集精度的影响。