基于改进的粒子群优化算法的无人作战飞机航路规划

事先针对敌方防御区内的威胁部署和目标的分布情况,对无人作战飞机的飞行航路进行整体规划设计,可以综合减小被敌方发现和反击的可能性、降低耗油量,从而显著提高UCAV执行对地攻击(或侦察)任务的成功率.在对粒子群优化技术研究的基础上,将一种用于解决TSP的PSO算法加以改进,引入模拟退火的策略思想,借以克服PSO算法易陷局部最优的早熟现象,并在UCAV航路规划中加以运用.仿真实验表明,该算法简易而有效,用其优化出的航路能够满足UCAV飞行任务规划的需要.     

基于任务聚类的多星观测调度方法

星上传感器侧摆次数有限,在卫星观测调度时进行任务聚类可以节省资源,提高观测效率.提出了动态聚类调度算法(DCSA)来解决多星多轨道圈次的观测调度问题,DCSA把聚类和调度动态结合起来,并使用模拟退火算法搜索全局最优解;分析了在满足分辨率需求前提下多任务聚类的约束条件,并对聚类任务的侧摆角度和时间窗口进行合理优化;根据任...     

基于探索区域扩张策略的Q-学习算法

针对Q-学习算法中探索与利用之间的平衡问题，在基于Metropolis准则的Q-学习的基础上，提出了基于探索区域扩张策略的Q-学习改进算法。消除了初始时刻在整个环境中加入探索的盲目性。提高了学习效率。通过加入算法的自主学习结束条件，避免了找到最优路径后的重复学习，节省了学习时间。仿真实验证明了该算法的有效性。     

解批量问题的模拟退火算法

多品种、有能力约束的批量问题是多品种批量生产中生产计划的关键性问题.这一问题就是要确定:在每一期生产多少产品以使得所用费用最少且满足已知的每一期的需求量.本文设计了一种模拟退火算法的实现形式,通过大量的算例分析表明,该算法具有良好的寻优特性与运算效率.      

模拟退火法临界温度估算及整体最优化新算法

模拟退火法是模拟固体退火过程的基础上发展起来的一种整体最优化算法，本文在研究模拟退火过程的特征量－－临界温度和新的随机搜索算法的基础上，得到一种只需在较小的温度范围内进行退火的新的模拟退火算法，数值试验表明，对于目标函数的局部极小值和整体最小值不接近相的优化问题，本算法只需较少数量的迭代便能收敛于整体最小解。     

一种基于蚁群算法的防空C~3I目标分配

针对防空指挥、控制、通信和信息(C3I)系统的目标分配问题,在信息素更新中引入最优蚂蚁保留策略,提出了一种基于蚁群算(ACO)的目标分配优化方法,给出了算法的步骤和参数确定原则.算例表明:与模拟退火算法(SA)相比,该算法的寻优能力强、收敛速度快.     

解成批生产车间作业排序问题的一种模拟退火算法

成批生产车间的作业排序（JobShopScheduling）问题是生产管理与组合优化领域研究的重要课题。模拟退火算法对于这类问题具有较强的寻优能力。本文针对成批生产车间的作业排序的作业排序问题设计了一种模拟退火算法的实现形式，通过大量的算例分析表明，该算法具有良好地收敛特性与运算效率。     

四面体网格边界恢复改进算法

Delaunay三角化是生成四面体网格的主流方法,而通过该方法生成的初始网格无法保留所有边界约束,因此边界恢复是Delaunay四面体网格生成的必要步骤。边界恢复的难点在于确定辅助点（Steiner点）的数量和位置,以及降低Steiner点引发的负面效应。为此,本文提出了一种改进的四面体网格边界恢复方法,旨在提高约束边界恢复成功率,并减少加入的Steiner点数量。该方法总体流程由“两层+两轮”迭代构成,流程充分利用了约束边界恢复方法和体内Steiner点插入方法的优势,降低了边界恢复对边界约束的破坏。方法首先针对递归壳变换算法容易陷入局部最优解的问题,通过引入模拟退火算法加以解决,提出了一种改进的约束边界恢复方法;然后对于方法中的“网格实体—边界实体求交”关键环节,引入或实现了AABB树、几何精确的“线面相交”函数、交点数查询哈希算法三个关键方法加以优化;最后对于拓扑变换无法恢复的边界,实现了体内、边界两种Steiner点插入方法。实验阶段取用了Thingi10k数据集的4 000余例面网格样本进行测试,结果表明该方法有效提高了约束边界恢复的成功率,并能普遍性地减少边界恢复引入的St...     

路径约束的时间最短多脉冲交会全局优化

不同于现有的多脉冲最优交会研究多集中于交会时间固定的最省燃料优化,研究了路径约束和脉冲受限的多脉冲最短时间交会问题。综合考虑了交会测量视场角、脉冲总量和脉冲作用时刻等约束,基于Lam-bert交会算法,建立了多脉冲交会最短时间优化的非线性规划模型。为了高效获得全局最优解,采用了模拟退火算法用于非线性优化问题的求解。最后,通过解决一个寻的三脉冲交会问题验证了模型和算法的有效性。该研究方法可寻找满足特定约束条件的最优交会轨道。     

基于改进烟花算法的资源分配

资源分配问题作为一个NP-Hard问题,在云计算、无线电、卫星调度、多无人机协同作业等领域皆有研究需求,是一个共性的数学问题。烟花算法作为一种智能优化算法,具有求解大规模资源分配问题的能力,但也存在求解精度低等问题。为了提高传统烟花算法的计算效率和全局寻优能力,提出一种改进烟花算法,用遗传算法中的变异算子替代高斯变异操作,并增加模拟退火流程。最后在多无人机协同作业任务分配数学模型上进行仿真验证,实验结果表明在收敛速度以及计算精度方面,该算法均优于其余3种烟花算法。