基于变权重伪并行遗传算法的空战机动决策

针对空战机动决策中态势多样化对机动决策的影响以及控制量的细化问题,以敌我双机空战为背景,利用空战优势函数值作为空战机动决策的依据,基于滚动时域控制方法,采用变权重自适应伪并行遗传算法解决空战决策问题。重点分析了隐身优势函数以及变权重函数的建立、遗传编码方式、操作算子的确定,最后对空战决策进行了仿真。仿真结果验证了隐身优势函数的合理性,以及该理论在空战机动决策方面的有效性。     

一种三维并行自适应计算方法

基于串行网格划分软件METIS与并行化消息传递编程接口（ MPICH2）对现有串行自适应程序进行简单的并行化改造,给出了一种三维可压缩无粘流数值模拟的并行自适应方法。首先利用单个进程调用METIS,串行划分网格;然后对所有进程并行计算以获得初始网格下的流场解;再次利用单个进程对整个流场运用自适应方法进行局部网格加密并调用METIS串行划分网格;最后全部进程在流场初始解的基础上继续并行计算,以获得自适应网格下的流场解。数值模拟算例验证了此方法的可靠性与高效性。     

波音飞机地形提示及警告系统改装

为了防止航空事故的发生，多年来，航空业内采取了大量的措施，从不断完善对飞行员有针对性的训练到研制和开发高科技机载电子装置，从减轻机组工作负荷的自动化设计，到机场的各类引导和着陆设备的使用，都是以提高航空安全水平，降低事故的发生率为目的的。目前，新型的地形提示及警告系统(TAWS)已经研制出来，部分飞机已率先装备了该系统，理论和实践都证明该系统的开发是成功的．现今TAWS系统有两种：一种是Honeywell公司研制的EGPWS，另一种是Thales公司研制的T^2CAS。由于EGPWS在全球范围内有着更为广泛的应用，本文将介绍EGPWS的改装。     

一种新的并行测试任务调度算法

 并行测试的任务优化调度是并行测试技术的核心问题。为了解决现有调度方法耗时、实际应用范围有限以及缺少对资源冲突和系统死锁的形式化分析等问题,采用赋时有色Petri网(TCPN)建立并行测试任务调度的TCPN模型,基于TCPN模型的可达标识图利用改进蚁群算法求解最优任务调度序列。算法搜索过程中,采用多目标优化,目标函数综合了测试时间、仪器成本和负载平衡度,使得算法更符合工程应用。采用动态标注方法在搜索过程中加大可行解间的信息素差别,避免算法早熟。仿真实例证明该算法是有效的。     

流场计算程序自动并行化的帧同步和帧通信策略

针对流场计算中巨大的计算量和存储量要求及并行机使用困难的问题,研究以SPMD模式把结构化网格有限差分算法的串行程序自动并行化后的同步和通信方法。提出了一种有效的帧同步和帧通信策略,在每帧结束时集中进行同步和通信。同时,设计了同步点自动定位算法,它是实现该策略的关键技术。通过分析,证明帧同步和帧通信策略能保证并行流场计算程序的正确性,有效降低同步和通信开销,并便于实现消息传递,从而获得了可观的加速比。     

湍流两相燃烧流场并行程序的改造与测试研究

本文在并行计算环境下对火箭发动机湍流两相燃烧流场进行了数值模拟,用并行系统分析模型对机器的性能和应用程序进行了研究,通过测试表明预测和实测结果相符,改进后的并行程序并行效率高.     

基于分区的隐式求解二维不可压NS方程的并行实现

本文通过对目前常用并行算法的分析,基于区域分解的思想,给出了适用于隐式求解原始变量二维不可压NS方程压力修正方法的并行算法,并在网络异构编程PVM环境下进行了数值验证,讨论了计算结果,结果显示对任务级的并行,并行效率也同样随粒度的增加而提高.另外此方法还可推广到三维复杂流场的计算问题.     

大视场紧凑型仿生复眼成像系统研究

针对视觉导航系统对小型化、超分辨成像和近程立体视觉的需求,研究了一种基于微端面光纤面板的大视场紧凑型仿生复眼成像系统。利用视轴发散的微小型透镜组进行大视场成像,并以切削斜端面的光纤面板进行图像传输,将大面阵(5120×5120像素)CMOS相机与光纤面板后端面直接耦合实现图像输出,可实现9个视场部分重叠子孔径图像同步实时输出和采集。在实时化拼接处理中,利用CUDA并行加速方法进行图像拼接,单帧的拼接耗时小于30ms。视场部分重叠复眼成像模式还可配置偏振片或滤光片构成全偏振或多光谱成像,在天空偏振光导航、无人机紧急避障、弹载侦察、近程引信以及水下无人潜航器导航等领域具有广泛的应用前景。     

一种基于多支持向量机的增量式并行训练算法

为了改进传统算法,利用支持向量的特性,提出了一种基于多支持向量机的增量式并行训练算法(PMSVM)。选择对分类超平面有影响的样本点作为支持向量,以增加单个分类器的训练时间为代价换取整体训练和分类的精度。考虑到训练样本的分布对最终结果的影响,加入反馈向量进行适当的重复训练,以调整各分类器的学习性能。通过在测试数据集上进行的实验表明,该算法与批学习增量BSVM算法相比,在提高训练效率和分类精度的前提下,大大降低了训练时间。