基于AMPSO算法的无人机任务分配问题研究

针对多无人机多目标任务分配问题,用一种改进的自适应变权重粒子群优化(AMPSO)算法寻找最优分配方案。涉及联盟组建的任务分配问题较为复杂,目前尚不能有效获得最优解。用分配优先权机制处理联盟成员剩余资源不确定的问题,并建立种群粒子和任务分配方案间的映射关系。通过仿真验证,用AMPSO算法可以快速获得多机多目标最优任务分配方案。     

基于改进烟花算法的多目标多机器人任务分配

多机器人任务规划是多机器人系统研究的主要问题之一,多目标多机器人任务规划是指同时对多机器人系统的多个指标进行优化。近年来,启发式算法越来越多地被用来解决多目标问题。本文提出了一种基于改进烟花算法的多目标多机器人任务分配方法,并详细讨论了多目标解的排序方法和选择策略。为了验证该方法的性能,对7个实例进行了实验,并对该方法和其他四种多目标算法,Non-dominated Sorting Genetic Algorithm II (NSGA-II), Strength Pareto Evolutionary Algorithm 2 (SPEA2),Pareto Envelope-based Selection Algorithm (PESA ) 和一种改进的Strength Pareto Genetic Algorithm 2 (SPGA2)在S-metric指标上进行了比较。实验结果表明,在解集质量、解集覆盖度方面,基于改进烟花算法的多目标多机器人任务分配方法具有明显的优势。      

基于滚动周期粒子群算法的雷达组网协同分配方法

针对反导预警系统执行饱和弹道导弹目标攻击场景中的雷达实时任务分配问题,提出一种资源约束下基于动态自适应滚动周期混合粒子群算法的多任务协同分配方法。根据弹道导弹的目标特性,建立了任务综合优先级规划模型;为了实现分配效能最大化,考虑资源约束的基础上建立了雷达资源利用率、任务综合价值实现率、雷达切换次数、任务调度成功率为目标函数的雷达组网多任务资源分配模型,基于离散粒子群算法进行粒子迭代逻辑优化,满足算子自适应的选择、变异及交叉操作;为适应战场环境的动态复杂特性,建立了滚动周期调度模型和事件重调度模型,设计的协同调度策略很好地满足了实时性的要求。仿真结果表明,在饱和场景下使用基于动态自适应滚动周期混合粒子群算法能够有效解决实时雷达组网多任务协同分配问题。     

应用精英反向学习的多目标烟花爆炸算法

现实中的多目标优化问题越来越多,而且日益复杂.受混合多目标优化算法设计思想的启发,将烟花爆炸方法和精英反向学习机制引入至多目标优化领域,提出一种应用精英反向学习的多目标烟花爆炸算法(Multi-Objective Fireworks Optimization Algorithm Using Elite Opposition-Based Learning,MOFAEOL).该算法利用精英反向学习策略加强算法的全局搜索能力,利用烟花爆炸方法增强算法的局部搜索能力并提高求解的精度.这两种搜索机制相互协同以更好地平衡算法的全局勘探和局部开采的能力.MOFAEOL算法与另外5种代表性多目标优化算法一同在由ZDT系列和DTLZ系列组成的测试集上进行性能比较.实验表明,MOFAEOL算法在收敛性、多样性和稳定性方面均优于或部分优于其他对比算法.     

种多无人机协同多任务规划方法研究

随着任务环境日益复杂和任务多样,多无人机协同处理多任务实现整体效能最优是一个极具理论价值和现实意义的问题。文章对无人机处理多任务问题建模,充分考虑无人机性能、区域禁飞、地形安全等约束因素,并对处理多目标优化的NSGA-II算法进行改进来解决无人机任务分配问题,通过仿真表明,该方法能有效解决多无人机协同处理多任务问题。     

基于遗传算法的网络通讯优化技术

针对网络通讯任务数量增多时,传统技术存在任务分配不均衡的问题,文中提出了基于遗传算法的网络通讯优化技术。该技术首先分析了影响网络通讯任务分配均衡的因素,将通信延迟小、耗能小与任务分配均衡作为分配目标,以多目标优化来设计目标函数。同时将遗传算法改进,引入正反馈机制,避免了局部最优解,并提高算法优化速率。测试与试验结果表明,与传统的网络通信任务分配技术相比,文中所提出的优化技术可有效提高网络通信任务分配的均衡性。     

基于贝叶斯优化算法的UCAV编队对地攻击协同任务分配

针对UCAV编队对地攻击协同控制决策优化问题,首先构建了UCAV编队对地攻击任务分配的自主价值优势矩阵.在此基础上依据多人冲突理论分别对双方以及本机编队进行权重分配;建立了UCAV编队对地攻击协同任务分配的整体价值优势矩阵,由此根据决策变量与约束条件构建了任务分配问题的数学模型.然后应用贝叶斯优化算法对该模型进行了优化分析.仿真实例表明,所建协同任务分配模型能够反映编队协同控制决策的重要性,而且应用贝叶斯优化算法能够很快收敛到全局最优解,能有效地解决UCAV编队对地攻击的协同任务分配问题.     

基于UKF的马尔可夫参数自适应IFIMM算法

给出了一种基于不敏卡尔曼滤波(UKF)的马尔可夫参数自适应的新息滤波器交互式多模型算法,较好地解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波的交互式多模型(IMM)算法和基于UKF的IMM算法更好的稳定性和计算精度,还避免了复杂的Jacobi矩阵运算;该算法结合了马尔可夫参数自适应和新息滤波器技术,实现了马尔可夫转移矩阵的自适应和量测噪声的减小.最后,通过Monte Carlo仿真进一步验证了该方法的正确性和有效性.     

一种增强型多目标烟花爆炸优化算法

现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法.在混合多目标进化算法设计思想和新型进化模型的启发下,提出一种增强型多目标烟花爆炸算法eMOFEOA,该算法利用均匀化与随机化相结合的方法生成均匀分布的初始种群,为算法后续搜索提供较好的起始点;对烟花爆炸半径采用精细化控制策略,即不同世代的种群具有不同的爆炸半径,而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径,以节省计算资源;利用简化的k-最近邻方法维持外部档案的多样性.本文算法与另5种对等比较算法一同在12个基准多目标测试函数上进行性能比较,实验结果表明eMOFEOA算法在收敛性、多样性和稳定性上具有总体上显著的性能优势.     

基于一致性差分进化的分布式任务分配

针对异构无人飞行器(UAV)集群在强约束条件下执行多类任务的最优分配问题,将自适应参数差分进化算法与分布式架构结构融合,形成了基于一致性机制的分布式差分进化(CBDE)算法,在处理既定目标任务分配时达到了集中式方法的优化效果.在算法实施过程中,集群个体作为具有计算能力的局部优化器,异步执行改进的自适应参数差分进化算法,并通过UAV间的通信拓扑,按照一定的决策规则,共享个体适应度和分配结果,最终实现全局一致的效果.与集中式方法的仿真对比发现,CBDE算法求解中小规模任务分配问题的时间更短,执行效率更高,而且灵活的扩展性非常适合向大规模集群任务分配问题推广.     

一种水声通信中的多阵元Turbo均衡算法

Turbo均衡应用在水声通信中的问题主要在于水声信道时间扩展长,多接收阵元处理复杂度较高。该文研究了将时间反转与马尔可夫链蒙特卡罗(MCMC)均衡联合优化算法用于实现Turbo均衡。首先进行时间反转实现多接收阵元较长多径时延的压缩,再利用白化滤波器解决时间反转造成的噪声模型失配问题,最后利用复杂度较低的MCMC均衡器结合软迭代信道估计对时间反转合并后得到的信号进行均衡。结合真实实验信道条件对信道响应估计的误差建立模型,通过仿真比较得出, 该算法在相同条件下相对于多阵元直接自适应Turbo均衡算法复杂度降低67%,且有1.6 dB的误码率性能增益。通过对湖上试验数据进行处理,进一步验证了该算法的优势。     

无线传感器网络中带复杂联盟的自适应任务分配算法

针对无线传感器网络任务调度的实时性及节点计算及能量受限的特点,根据任务截止期赋予任务优先级,优先考虑高优先级任务,设计了一个无线传感器网络中带复杂联盟的自适应任务分配算法。为尽最大努力确保任务在截止期前完成,对截止期较为紧迫的任务采用历史信息生成历史联盟,并执行快速子任务分配算法;而对截止期较为宽裕的任务,在满足任务截止期约束条件下,以节点能耗和网络能量分布平衡为优化目标,采用矩阵的二进制编码形式,设计了一种离散粒子群优化算法以并行生成联盟,并执行基于负载和能量平衡的子任务分配算法。仿真实验结果表明所构造的自适应算法是有效的,在局部求解与全局探索之间能够取得较好的平衡,并能够在较短的时间内取得满意解。     

基于细粒度任务分配的空时自适应并行处理算法研究

对于空时自适应信号处理(Space-Time Adaptive Processing, STAP)算法的并行处理问题,传统方法以粗粒度的划分方式将STAP算法分配到特定硬件系统中的不同处理器中,利用处理器间的流水计算来提高系统计算吞吐量。该文分析了传统并行处理方法的缺陷:粗粒度的任务划分方式牺牲了STAP算法的并行度;传统处理方法仅能适用于特定的系统环境。针对上述情况,该文提出一种基于细粒度任务分配的STAP并行处理方法,该方法分为以下3个步骤:构建细粒度的DAG(Direct Acyclic Graph)形式的STAP算法任务模型;使用统一拓扑结构模型描述不同结构的目标硬件系统;基于细粒度任务分配算法将任务模型分配到拓扑结构模型中的处理器实现并行计算。实验结果表明该并行处理方法能够达到良好的加速比,并且对于不同的STAP应用系统具有很好的适应性。     

基于最小模型组最优模型扩展的机动目标跟踪方法

针对变结构多模型算法中模型集自适应较复杂,且模型扩展受模型结构限制等问题,提出了一种最小模型组最优模型扩展的机动目标跟踪算法。该算法以最小模型组作为基础有效模型集,采用模型组切换方法进行模型组自适应;并根据Kullback-Leibler距离准则在连续的模型空间中对基础模型组进行最优模型扩展。因此,该算法具有模型集自适应简单、模型激活不受模型结构的限制等优点。多组实验仿真结果表明:该算法既可以对相同结构的模型进行激活,也可以对不同结构的模型进行激活;在没有明显增加计算量的同时,提高了目标的跟踪精度,具有较好的跟踪效果。     

一种鲁棒的多目标自动跟踪算法

针对复杂的自然环境,提出了一种能自动初始化目标模型,并能处理目标遮掩问题的多目标实时跟踪算法。该算法在精度和效率方面改进了Mean Shift算法,并结合扩展卡尔曼滤波器对目标进行运动建模,实现了对多目标的实时稳健跟踪。此外,为了自动初始化待跟踪目标模型,提出了一种三层目标链交互结构。该结构能够有效的去除由摄像机抖动以及背景噪声产生的伪目标。在复杂的自然环境下对算法进行了大量的多目标跟踪实验,验证了算法的实时有效性。     

多编组任务分配动态优化模型及IVFSA算法求解

针对作战智能体多编组协同作战中任务分配的动态优化问题, 考虑到空中突击作战中部分任务的时间窗口属性和编组资源能力损耗的特点, 建立了以任务执行效率为目标、满足上述约束问题的数学模型。设计了一种改进快速模拟退火对动态优化模型予以求解, 给出解方案表达、邻域解生成、冲突消解等步骤, 采用高温随机贪婪搜索、回火技术、禁忌设计和精英保留策略, 避免算法陷入局部最优, 提高算法的计算效率。仿真表明, 所提方法可对多编组任务分配动态优化模型进行快速有效求解。     

基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测

针对传统自适应Canny算法阈值选取精度低、速度慢的不足,提出基于快速烟花算法（Fast Fireworks Algorithm,FFWA）的自适应Canny边缘检测算法,该算法采用最大类间方差法结合快速烟花算法对检测和连接边缘的高低阈值进行自动设定。快速烟花算法对传统烟花算法的爆炸半径,爆炸火花产生方式与选择策略进行改进。实验结果表明,快速烟花算法比传统烟花算法的计算时间节省了36%,在稳定性方面也有了可观的提升,基于快速烟花算法的自适应Canny边缘检测算法在精度保持不变的情况下,计算速度比改进前加快了49%,使飞机蒙皮损伤热像图的边缘检测效果更加理想。     

基于MRF的自适应帧差运动目标检测

为克服传统的运动目标检测算法容易受到显露遮挡,空洞以及噪声现象的影响,构造了一种基于MRF的自适应帧差运动目标检测算法。采用最大类间方差法自适应确定序列图像的初始标记场;通过帧差及“与”运算处理,消除伪运动信息;结合马尔可夫随机场理论构建了自适应马尔可夫随机场模型系统能量函数;并利用迭代条件模式算法完成标记场的优化过程,准确的提取出运动目标。实验结果表明,该算法能够有效地实现运动目标检测,效果理想。     

基于两步分布协同拍卖的多机协同任务分配

针对多异构机载平台对不同类型的地面目标执行攻击任务的协同任务分配问题,以平台载弹量以及摧毁任务目标的需弹量建立平台与任务之间的关系,以各平台的任务序列以及执行任务时的武器使用量序列作为决策变量,在基地-任务航路矩阵和任务-任务航路矩阵的基础上,综合考虑平台武器约束、平台航程约束、任务需弹量等约束,建立多机协同任务分配模型。设计了两步分布协同拍卖算法,通过多次生成任务的拍卖招标顺序和基地的拍卖竞标顺序,实现了多机协同任务分配问题的优化求解。仿真结果表明,所建模型和求解算法能够有效合理地解决多机协同对地攻击的任务分配问题。     

三目标自适应变异微粒群算法的无功优化

电力系统无功优化是提高电能质量保证电网运行的重要环节,文中建立了综合考虑有功网损和电压偏移最小及电压稳定裕度最大的三目标无功优化模型,引入了自适应变异微粒群算法用于解决三目标电力系统无功优化问题。该算法利用群体的适应度方差来动态监控微粒群聚集的状况,采用增加随机扰动的方法对聚集的微粒进行变异,并对惯性权重进行自适应调整,使该算法既能跳出局部最优,防止早熟,又能提高收敛速度和精度。将该算法与其他算法应用于IEEE-14节点系统中进行无功优化,通过数据的计算和比较,结果验证了该模型和算法用于解决多目标电力系统无功优化问题的优越性和实用性。