改进遗传算法的防空目标分配

对防空目标分配的前提、原则和分配模型假设条件进行分析,建立基于遗传算法的防空目标分配模型,针对二进制编码不利于处理约束条件的缺点提出十进制编码的染色体表示策略,对建立的模型进行优化。设定初始条件后,基于遗传算法的原理,对改进后的防空目标分配模型进行MATLAB仿真,然后用改良圈算法和海明距离对初始种群的产生进行改进,引入Logistic混沌序列对交叉算子进行改进,并且用按个体适应度大小排序的选择算法来代替赌轮选择方法。仿真结果表明,与简单遗传算法相比,遗传算法改进合理,搜索到全局最优解的概率提高到了90%以上,收敛速度大大增加,相较于模拟退火和禁忌搜索算法,改进后的遗传算法能够以非常少的进化代数,极少的时间消耗达到较高的搜索概率,效率提高了一倍甚至更多。     

用遗传算法实现防空导弹体系的目标分配

根据目前防空作战的特点,对自动化指挥控制系统中的目标分配问题进行了详细分析,从而建立了对单个空袭目标和多个空袭目标不同空袭敌情时的目标分配模型,构造了独特的模型参数,根据一例来袭空情,通过改进的遗传算法对模型进行求解,得到了比较好的目标分配结果,从而为防空导弹武器系统的目标分配问题提供了一个可行的参考方法。     

基于遗传算法的联合火力WTA问题研究

研究联合火力优化分配问题.联合火力是多种作战力量参战条件下的多武器-多目标对抗.由于火力分配受到多种条件的限制,分配方案又决定作战效果,而武器-目标分配(Weapon Target Assignment,WTA)是多个装备同类型武器的作战单元联合抗击多个目标进行的分配方法.针对WTA问题求解规模大和精度高的特点,传统算法均不能满足速度和精度的要求,在基本遗传算法的基础上,采用精英选择和动态遗传算子的改进算法,避免了过早收敛.利用WTA的数学模型进行仿真.仿真结果验证了算法的有效性.     

用于求解TSP问题的改进遗传算法

TSP问题是一个典型的组合优化问题,也是一个NP难题,一般很难精确地求出其最优解,因而找出有效的近似解算法具有重要意义。针对基本遗传算法在解决TSP问题时所存在的收敛速度慢、容易“早熟”的问题,在选择算子中引入选择因子,同时提出一种改进的交叉算子和基于种群相似度的更新策略。改进的交叉算子是先比较两个城市间距离再进行交换城市序号,因此加快了收敛的速度,而基于种群的相似度更新策略则在算法的后期可以有效地防止早熟。通过对实例144进行测试,证明该算法在解决该类问题上取得了较好的效果。     

采用改进差分进化算法的防空导弹火力分配

针对目前采用差分进化算法求解防空导弹火力分配问题需要人工确定惩罚系数,从而增大模型建立复杂性的问题。采用一种处理约束条件的改进差分进化算法求解该问题;该方法在解是否可行的基础上采用三种选择准则用于搜索可行解区域,并增加了一个整数变量用于保存整数解。实例结果表明,与采用惩罚函数的方法相比,该方法在同等的求解效率下,能够获得较好的最优值。由于该方法不用人为确定惩罚系数,减少了模型的确定难度和时间,可用于求解火力分配问题。     

基于改进遗传算法的大规模TSP问题求解方案

TSP问题不仅描述旅行商周游城市的问题,也是许多工程领域中复杂问题的抽象形式,找到一种有效的TSP问题求解方案具有十分重要的意义。针对大规模TSP问题中最小回路代价的求解问题,提出一种基于遗传算法的大规模TSP问题的求解方案,采用分而治之的思想,并对传统遗传算法的初始化和遗传算子进行改进,提高了算法性能。多个数据集上的实验结果证明了提出的算法能够优化收敛结果,一定程度上解决过早收敛的问题。     

基于面向对象的防空导弹制导控制系统仿真

面向对象思想与仿真的结合,形成了一种新的建模、仿真方法－面向对象仿真方法（OOSM）,但目前它还没有被系统地归纳总结。介绍了一种OOSM,详细说明了它的基本内容,并以此方法对防空导弹制导控制系统的全弹道动态飞行仿真进行了分析、设计。     

用于防空作战仿真的防空导弹毁伤模型研究

在防空作战仿真系统中,防空导弹对空袭目标的毁伤模型能够提供敌方空袭兵器的损伤程度,并为防空系统的指挥决策提供信息,是一个不可或缺的重要模型.根据防空导弹对空中目标的毁伤原理,以采用近炸引信和破片杀伤式战斗部的典型防空导弹为研究对象.建立了包括制导精度模型、目标易损性模型、引战配合模型以及目标坐标毁伤模型在内的防空导弹对空中目标的毁伤模型.根据普通破片式战斗部和聚焦破片式战斗部毁伤机理的不同特点,建模时相应选取了要害舱段模型和等效直杆模型.仿真应用表明,满足防空作战仿真的需要,可操作性强,能够反映防空导弹的真实作战效能.     

基于深度强化学习的舰船导弹目标分配方法

针对对抗环境下的海上舰船防空反导导弹目标分配问题, 本文提出了一种融合注意力机制的深度强化学习算法. 首先, 构建了舰船多类型导弹目标分配模型, 并结合目标多波次拦截特点将问题建模为马尔可夫决策过程.接着, 基于编码器–解码器框架搭建强化学习策略网络, 融合多头注意力机制对目标进行编码, 并在解码中结合整体目标和单个目标编码信息实现舰船可靠的导弹目标分配. 最后, 对导弹目标分配收益、分配时效以及策略网络训练过程进行了仿真实验. 实验结果表明, 本文方法能生成高收益的导弹目标分配方案, 相较于对比算法的大规模决策计算速度提高10%～94%, 同时其策略网络能够快速稳定收敛.     

一种防空导弹武器系统生存能力评估模型

本文对影响防空导弹武器系统生存能力的主要因素进行了分析,建立了影响防空导弹武器系统生存能力的指标体系,采用层次分析法(AHP法)与专家组决策法(Delphi法)相结合的方法确定各指标的权重,并且对各指标进行量化后规范化处理,给出了分级的生存能力综合评估模型,最后,运用该模型对某防空导弹武器系统进行生存能力的评估,结果与现实情况较好吻合,有一定的实用价值。     

基于改进遗传算法的车辆路径问题求解

一直以来，车辆路径优化问题是物流系统中普遍受到关注的热点问题，也是一类算法比较复杂的问题。结合使用遗传算法和爬山法可以有效地提高解决这类复杂问题的效率，并可优化解的质量。     

基于改进GA的一类多层NN的程序设计与实现

本文在论述了快速遗传算法和神经网络的基本思想以及将两者结合来解决非线性问题的方法后，详细探讨了其程序设计和基于C语言程序实现中的一些问题。文中还讨论了遗传神经网络的程序设计中的一些关键技术；最后，将本文与文献[3]作了对比并提出结论。     

基于改进的遗传算法的数独谜题求解

针对数独谜题的特点,对遗传算法的选择算子、交叉算子和变异算子进行了大胆的创新性改进,提出了一个能够有效求解数独谜题的改进的遗传算法.模拟实验结果表明,改进后的遗传算法使得数独谜题的求解具有更高的可靠性、更好的稳定性以及更快的收敛速度.     

利用遗传算法求解文件分配问题

文件分配问题是计算机网络和分布式系统中一个非常重要的问题．本文提出一种用遗传算法求解文件分配问题的新方法，该方法能较好地解决工程中的文件优化分配问题，还可以应用到其它资源需要分配的领域.     

基于改进演化算法的最短路径问题研究

针对最短路径问题TSP(Traveling Salesman Problem)的求解时,传统算法收敛慢,且求得的路径并不是所有行程的最短路径。提出用智能演化算法来求解,并对算法的演化算子进行改进和对各参数进行优化设置。结合10个城市和30个城市的仿真实例,分别进行传统算法、演化算法以及改进的演化算法进行对比。计算机仿真结果表明:改进后的演化算法收敛速度快,收敛精度高,鲁棒性好,寻求的最短路径明显优于传统算法。     

基于蚁群算法求解最大团问题

最大团问题是一种典型的NP完全问题, 是图论中一个经典的组合优化问题.研究将蚁群算法应用于求解最大团问题,提出一种求解最大团问题蚁群算法.通过定义最大团问题蚁群算法中的各元素,并改进了蚂蚁搜索解的方法,有效地改善蚁群算法易于过早地收敛于局部最优解的缺陷.仿真实验表明,图中的顶点数较多时,也取得了较好的结果.     

基于改进多目标遗传算法求解混合流水车间调度问题

为解决混合流水车间调度问题(HFSP),基于多目标遗传算法和粒子群算法的优点,提出一种多目标混合算法。该算法引入一种扩展的基于工序的编码,将两种算法产生的最优解分别作为彼此的初始因子,增强了遗传算法的进化速度,有效避免了粒子群算法陷入局部最优,并实现了不同加工路线的生产车间的灵活性调度。最后通过实例的数值仿真验证了算法的有效性。     

用自适应遗传算法解二维装箱问题

二维装箱问题是一个NP难问题,用遗传算法来求解任意形状的二维装箱问题.算法模拟生物在面对恶劣环境时的行为,使得交叉率和变异率具有自适应性,克服了人工设定交叉率和变异率的不足;针对个体间适值差相对较小,新产生的好的染色体易丢失的特点,改进了随机选择个体的方法;算法还改进了适值函数,使得收敛速度有了较大的提高.此外,该算法与箱子的具体形状及物体的具体形状无关,当物体的数量增加和箱子与物体形状的复杂程度提高时,收敛速度仍然较快.     

基于改进遗传算法的汽车混流装配线排序优化

针对汽车混流装配线投产排序问题,建立一个最小生产循环周期内以各工位总等待装配时间最短为目标的数学模型.为解决标准遗传算法(SGA)收敛速度慢的缺陷,设计改进遗传算法(IGA)求解该问题.提出一种基于定长实数编码和定序模式的自适应单点交叉操作避免不可行解的产生,并在选择操作中引入精英保留策略,保留优良个体不被破坏...     

一种基于证据理论的概念树结构多Agent合作求解模型

本文针对多Agent系统中Agent之间的盲目交互可能产生的效率低下问题,提出了一种基于慨念树结构的多Agent合作求解模型.在这个模型中,各Agent基于自己的领域知识构造出概念树,通过Agent之间的合作,对概念树从根节点开始使用证据理论实现逐层聚焦,逐步缩小求解范围.为此,本文基于模态、逻辑和关系概念提出了一种面向可能解集的证据理论表示,并探讨了在多Agent环境下应用证据理论可能导致的若干问题.