基于文化基因算法的多目标优化

针对粒子群算法收敛速度慢、求解精度低的不足,提出了将粒子群改进作为全局搜索,多目标模拟退火算法作为局部搜索的文化基因算法,将交叉和变异操作引入粒子群全局搜索中帮助跳出局部最优。对于多目标优化问题,根据非劣解的拥挤度决定最优值的选取策略,并将该算法用于多目标优化的实际求解中。仿真结果表明,该算法不仅能快速有效地得到Pareto解集,并且能有效地保持所求最优解的多样性。     

基于粒子群优化算法的多目标搜索算法

针对多目标优化问题在实际应用中的复杂性,提出一种采用粒子群优化算法来求解多目标优化的问题的方法。在分析了多目标优化问题的基础上,以粒子群优化算法对生产配料流程中的优化问题为例进行非劣最优解集的搜索,并将其运用于实际工程制造中的某配料选型工艺计算中。仿真结果表明:该方法有效,在工程设计选型、模式分类、神经网络训练以及系统控制等领域正得到普遍应用。     

基于混合离散粒子群算法的多无人作战飞机协同目标分配

针对多无人作战飞机(UCAV)协同目标分配问题,提出了一种基于混合离散粒子群算法的多UCAV协同目标分配方法。混合离散粒子群算法根据多UCAV协同目标分配问题的特点,设计了新的粒子群位置和速度更新公式,并且充分利用粒子群优化算法的全局搜索能力,同时利用禁忌搜索的局部搜索能力,使2种算法的优势得到互补,较为显著地提升了原算法的性能。仿真结果表明:混合离散粒子群算法能够有效地解决多约束条件下多UCAV协同目标分配问题,并且算法简单、灵活,易于实现和扩展。     

基于改进型多目标粒子群优化算法的武器-目标分配

在作战中武器-目标分配(WTA)问题包含众多的变量,是典型的非确定性多项式完全问题。针对毁伤效能最大和用弹量最少两个目标函数,建立了基于改进型多目标粒子群优化(MOPSO-Ⅱ)算法的WTA模型。由于粒子群优化算法存在“维数灾难”瓶颈,应用了变量随机分解策略和合作协同进化框架,按照带精英策略的非支配排序遗传(NSGA-Ⅱ)算法中的排序方法对粒子群编码数据进行非支配排序。通过实例仿真分析,结果表明MOPSO-Ⅱ算法比NSGA-Ⅱ算法具有更好的求解精度与运行效率,能够获得满意的分配结果,且计算快速有效,比较适合较大规模的WTA问题实时求解。在作战中武器-目标分配(WTA)问题包含众多的变量,是典型的非确定性多项式完全问题。针对毁伤效能最大和用弹量最少两个目标函数,建立了基于改进型多目标粒子群优化(MOPSO-Ⅱ)算法的WTA模型。由于粒子群优化算法存在“维数灾难”瓶颈,应用了变量随机分解策略和合作协同进化框架,按照带精英策略的非支配排序遗传(NSGA-Ⅱ)算法中的排序方法对粒子群编码数据进行非支配排序。通过实例仿真分析,结果表明MOPSO-Ⅱ算法比NSGA-Ⅱ算法具有更好的求解精度与运行效率,能够获得满意的分配结果,且计算快速有效,比较适合较大规模的WTA问题实时求解。     

粒子群优化的模糊C均值聚类航迹关联算法

针对模糊C均值聚类航迹关联算法存在局部最优问题,同时算法的收敛速度受初始值的影响也较大,提出一种将粒子群(PSO)和模糊C均值(FCM)聚类算法相结合的航迹关联算法。该算法将多目标的航迹关联问题看做是一类约束条件下的组合优化问题,利用粒子群(PSO)强大的全局寻优能力,与模糊C均值聚类算法相结合求解航迹关联问题。仿真结果表明:在相同的条件下,粒子群优化的模糊C均值聚类算法与模糊C均值聚类算法相比,聚类性能明显改善,关联正确率也有明显的提高。     

基于Henon 混沌映射的多目标粒子群算法改进分析

为解决多目标粒子群优化算法对初值敏感性较差和局部搜索能力不强的问题,提出一种改进的混沌多目 标粒子群优化算法。根据多目标优化问题的概念,利用混沌对初值敏感、随机的特性,确定种群初始值,通过引入 Henon 混沌映射,将改进后的算法应用到3 个典型的多目标测试函数,并与NSGAⅡ和MOPSO 算法进行对比。仿 真结果表明：改进的多目标粒子群算法在收敛性、分布性和均匀性等均有提高,具有可行性和优越性。     

交叉粒子群算法在空间飞行目标定位中的应用

针对现有目标定位求解算法推导复杂、工程实现困难的缺点,提出了一种基于交叉粒子群算法的空间飞行目标定位方法。通过建立飞行目标定位模型,引入遗传算法中的交叉因子改进标准粒子群算法,实现了空间连续飞行目标的定位。仿真结果表明利用交叉粒子群算法能有效地对空间飞行目标进行定位,定位精度达到0.5%。该方法可广泛应用于导弹、飞机等飞行目标定位领域。     

基于微粒群算法的中制导弹道优化设计

为使拦截武器有效拦截目标,将直接多重打靶算法与微粒群算法相结合,设计了一种基于微粒群算法的中制导弹道优化算法。该算法借鉴直接多重打靶算法基本思想,将状态空间与参数空间分别进行分解与分段,并在此基础上结合中制导末端条件构建性能指标函数,将弹道优化问题转化为多目标优化问题;基于对指标函数之间依赖性的分析,在求解过程中将多目标优化分解为参数层和指标层优化两部分,采用微粒群算法对其进行分层优化求解。仿真研究表明,该优化算法能够对弹道进行有效优化。     

遗传粒子群算法在测试节点优选中的应用

测试节点优化是电路板测试诊断设计优化过程中的一个基本问题,属于经典的N-P难题,但目前用于测试点优化的算法存在搜索速度慢、不收敛等问题,因此提出一种基于遗传粒子群优化算法.该方法通过建立电路测试节点的"故障-测试"矩阵,用遗传算法对数学模型进行优化,并采用粒子群算法搜索实现了快速求解.与传统方法相比较,该方法搜索速度快,优化效果明显,已在工程实践中得到应用.     

基于粒子群优化算法的子母弹最佳抛撒半径选择

子母弹抛撒半径是由产品和射击条件决定的,是评定子母弹打击效果的必要条件.为了使子母弹对目标的打击效果达到最佳,需要确定子母弹最佳抛撒半径.针对子母弹打击机场跑道问题,通过Monte Carlo方法模拟子弹落点并计算机场跑道的失效率.基于粒子群优化算法,对子母弹抛撒半径进行优化求解,使跑道失效率达到最大值.仿真结果表明,粒子群优化算法能够有效的达到或接近全局最优.同时,与遗传算法相比,粒子群优化算法收敛速度更快,精度更高,能够有效的求解子母弹最佳抛撒半径问题.