按区域惩罚划分的并行多目标遗传算法

解决多学科设计优化问题的多目标遗传算法通常面临着大计算量的挑战,提出了一种新型的并行化算法来提高其效率.全局个体均匀的分布在各个进程,首先从所有的进程中获取全局范围的Pareto最优解极值,并发送给每个进程,再由这些极值来构造各个进程自己的惩罚函数.通过惩罚函数给个体添加约束来划分各个进程的收敛区域,同时采取优化措施保证每个进程加速收敛并且收敛区域没有重叠和遗漏,这样每个进程只需收敛到特定的一段Pareto最优解,降低了计算量;同时由于进程间交换的数据量小,保证了效率的提高.通过与串行算法(NSGA2)和其他的并行化算法比较,显示了该算法的有效性和先进性.     

基于改进蚁群算法的低空突防航迹规划

为保证低空突防的成功率,在航迹规划时必须设计出以最小的被发现概率及可接受的航程为目标的航迹.蚁群算法ACA(Ant Colony Algorithm)作为一种新型的模拟进化算法,适合用于航迹规划中最优航迹的搜索,但是算法存在搜索时间长、收敛速度慢、易陷于局部最优解的缺点,为了克服算法自身不足,提高算法性能,引入了遗传算法中变异操作和挥发系数的自适应调节,从而形成改进蚁群算法,最后结合建立的航迹规划性能指标,利用等概率寻优、原有蚁群算法和改进蚁群算法3种方法分别进行航迹规划,并通过比较和分析结果的时间花费和航路代价,验证了改进蚁群算法的有效性.      

设计敏度在气动弹性遗传优化中的应用

利用遗传算法和遗传/敏度混合优化算法对某复合材料机翼进行气动弹性优化设计研究,并提出在使用这两种算法时根据设计敏度信息计算设计变量的重要性指标、从而确定主要和次要设计变量、进而调整设计变量变化域的方法,以提高算法的寻优效率.研究表明:设计变量变化域的定义直接影响遗传算法和遗传/敏度混合优化算法的寻优效率,特别是单独使用遗传算法时影响程度更大;定义时应该在确保设计空间包含足够的优秀可行解的前提下,尽可能地缩减搜索空间.所提出的基于设计敏度调整设计变量变化域的方法在实际应用中能取得较好的效果:该方法既能明显提高遗传算法和遗传/敏度混合优化算法的搜索效率,又能显著增强两种算法辨识可行域的能力.      

遗传算法在电子战干扰规划中的应用

电子对抗干扰资源任务规划问题对于充分发挥干扰机作战效能,取得最佳干扰效益有重要作用.结合现代电子战特点,利用搜索论推导出了干扰机压制概率的计算公式,建立了干扰任务分配模型,并阐述了传统匈牙利方法在这一问题处理上的局限性.结合智能优化算法,提出了基于遗传算法的干扰资源优化分配模型.解决了优化分配模型所需的符号编码方式,并给出了相关的选择、交叉、变异等遗传算子的具体设计.利用该模型,解决了2个实例.结果表明,该模型在干扰资源任务配置问题上具有很强的实用性,遗传算法可以有效地辅助指挥员解决干扰资源部署决策这一复杂而困难的问题.     

含无质量系绳的卫星系统平面运动和常规动力学

研究绳系卫星系统在同一轨道平面内运动，由子星－母星之间相对位置向量描述，亦即由该向量的长度变化和方位角的化而决定，在引入距离速率控制算法之后，系统的动力学主要由方位角运动而定，当母星轨道为圆形时，系统运动状态具有极限点，而在椭圆轨道下则有极限环，采用了非线性动态系统的方法和技术来计算极限状态和分析它们的稳定特性，用本文中方法对TSS－1以及其他绳系卫星系统方案作了数值模拟。     

解决排班问题的多目标优化模型及算法研究

为提高排班结果的准确性可靠性,提出了排班问题的多目标优化模型,并应用改进的基于信息熵的自适应遗传算法求解模型的最优解.同时引入分割集和模拟退火算法的思想进行优解的选择.通过对航空公司机组排班问题的仿真比较,模型的正确性和先进性得到了验证.      

机动目标状态估计器算法研究

基于战斗机航迹准稳态运动状态假设,研究了机动目标状态估计器算法.该算法通过选取虚拟测量变量和状态变量,以及假设目标处于航迹准稳态运动状态,把含有9个变量的非线性滤波和预测问题转化为1个三阶和3个二阶的线性滤波和预测问题.在综合控制系统中的仿真结果表明,该算法计算量小,滤波精度好,能够满足综合控制需求.      

一种基于遗传算法的环境因子确定方法

提出了一种利用同类或相似产品研制试验故障数据并依据AMSAA模型的时间环境因子最优化确定方法,将遗传算法用于时间环境因子的寻优过程,给出了确定最佳时间环境因子的方法、步骤,最后给出了一个工程应用实例.研究结果表明,依此得到的可靠性评估结果与实际使用水平更为接近.为利用产品研制期间故障数据进行可靠性综合评估提供了一条合理的解决途径.      

改进BP算法在模糊神经网络中的应用

引入一种改进的BP算法——动量因子-自适应学习率算法.通过调节动量因子以及在学习过程中的学习率实现自适应,以提高学习速率和增强学习的平稳性.将该学习算法引入到串形结构的多层前向模糊神经网络中,通过学习确定了模糊映射关系,实现了对象的模糊故障诊断.在应用模糊神经网络进行故障诊断时,被监测的故障征兆信号与网络输入层相连,即将输入向量输入到网络中,经过模糊化处理,得到各故障征兆在所定义征兆的模糊子集上的隶属度向量,再利用神经网络的前向计算,得到故障原因的模糊隶属度向量,最后通过对向量的分析确定故障原因的类型.将上述模糊神经网络应用到空气静压轴承中,实现了设备的故障诊断,测试结果验证了该方法的有效性.      

基于遗传进化算法反演吸波结构电磁参数

对多层吸波结构中未知参数层的电磁参数进行了反演.根据传输线理论确立的多层结构电磁参数与反射/透射系数的关系,建立正向反射率计算模型,根据自由空间法原理搭建的测试平台测量得到多层吸波材料不同入射角度下的反射率信息,利用改进的遗传进化算法获取了多层吸波结构中未知参数层的电磁参数.在遗传进化过程中,采用高斯随机数代替基本遗传算法的均匀随机数,避免了传统网络参数法厚度谐振、多值性问题和基本遗传算法易陷入局部最优点的问题.与传统传输/反射法结果的比较,验证了这种方法的可靠性.这种方法同时适用于计算高、低损耗介质材料的电磁参数.