差分准对立学习多目标蚁狮算法

为解决多目标优化问题，对经典的蚁狮算法进行改进，提出了基于差分进化的准对立学习多目标蚁狮算法（DEQOMALO）。该算法针对蚁狮算法易陷入局部最优的不足，一方面，该算法引用差分进化的思想，充分利用种群和精英蚁狮的信息对原算法中蚂蚁个体的位置更新方式进行改进；另一方面采用反向学习策略对蚂蚁种群进行优化，将原种群个体和其准对立个体进行混合并择优作为新的种群，大大增加种群的多样性。选取典型的标准测试函数，将提出的算法与原始蚁狮算法以及其他传统进化策略优化的蚁狮算法进行比较。实验结果表明，改进算法在收敛性和分布性上均有很大程度的提升，在解决双目标优化问题上具有较好的鲁棒性和有效性。     

节点度估计和静态博弈转发策略的Ad Hoc网络路由协议

针对Ad Hoc网络路由发现过程中广播路由请求分组导致的广播风暴问题，提出了一种基于节点度估计和静态博弈转发策略的Ad Hoc网络路由协议NGRP.NGRP考虑边界影响，采用分段函数的思想将网络场景分为中心、边和角区域，分别估算网络中节点在不同区域的节点度，避免了周期性广播Hello消息获取节点度导致的开销；NGRP路由请求分组的转发采用静态博弈转发策略，利用节点度估算参与转发路由请求分组的节点数量，将转发和不转发作为策略集合，设计效益函数，通过纳什均衡获得节点转发路由请求分组的转发概率，从而减少了路由请求分组广播过程中产生的大量的冗余、竞争和冲突，提高了路由发现过程中路由请求分组的广播效率.运用NS-2对协议的性能进行大量的仿真，结果表明：NGRP的分组投递率、路由开销、MAC层路由开销和吞吐率这4项指标明显优于AODV+FDG，AODV with Hello和AODV without Hello协议.     

采用换热单元数限制策略的RWCE算法优化换热网络

针对强制进化随机游走算法(RWCE)在优化后期换热单元数和最小年综合费用变化缓慢的问题,提出强制限制换热单元数的方式优化换热网络:首先对换热网络结构中换热单元数下限进行控制,若某种结构的换热单元数小于该下限值,即强制增加换热单元,确保后期仍有较多的换热单元参与进化;为进一步优化换热网络,在维持换热单元数下限的基础上,对换热单元的换热量重新分配,使其在跳出局部极小换热单元数的同时,进一步精细搜索,增强结构进化能力。通过9SP和16SP算例验证,得到相较文献更低的年综合费用,分别为2 926 484和6 830 843$/a,表明引入该策略的RWCE算法,具有更强的全局搜索能力,兼顾了整型变量和连续变量的优化,优化效率和质量得以提高。     

基于最大边缘分配算法的雷达博弈波形设计

实战背景下雷达目标先验信息有较大的不确定性,基于先验信息设计的波形不能满足参数估计的需要。为解决该问题,提出了一种博弈条件下的雷达波形设计方法。考虑到雷达与干扰机在电子对抗中的非同时性,采用Stackelberg博弈框架进行建模。该方法以优化雷达能量谱分布为策略,采用最大互信息准则建立效用函数。博弈过程中,雷达与干扰机各自根据对手策略优化发射波形,经过多次迭代,双方达到纳什均衡。仿真实验对比了均衡策略与maxmin策略与随机策略,证实了所提算法的有效性。