基于混合蛙跳算法的协同空战火力分配

针对超视距多机协同空战中的火力分配（WTA）问题,建立了协同空战火力分配的数学模型,提出了采用混合蛙跳算法（SFLA）来求解协同空战火力分配问题,根据无约束化的编码方式,结合交叉、变异的遗传操作,提高了算法的收敛速度以及全局搜索能力,能有效避免陷入局部最优。仿真结果表明,所提出的混合蛙跳算法在解决协同空战火力分配问题中具有高效可行性。     

考虑时间约束的空战编队协同火力分配研究

为提高空战编队协同火力分配模型的准确性, 结合空战实际动态过程的特点,提出相对静态空战过程和窗口时间约束概念,并基于此建立相对静态空战火力分配模型,考虑从分配开始到命中目标所需时间与实际可用时间的相互关系;针对模型在增加了时间约束后难以快速准确求解的问题,提出一种时间约束处理的策略,并基于最佳适应度和遗传代数调整策略相结合的自适应量子遗传算法求解。实验结果验证了改进算法的快速收敛性和稳定性,同时表明模型在空战火力分配方面的适用性。     

基于改进SPEA2算法的火力分配问题

火力分配是战前任务规划的重要环节。考虑攻击效果、资源等约束条件,以攻击效益最大,武器消耗最小,自身损伤最小原则建立了火力分配多目标数学模型。针对传统方法在求解火力分配多目标优化问题时存在收敛效果差以及Pareto前端分布不均匀等不足,将近邻传播算法引入到SPEA2算法中,改进了SPEA2算法的多样性保持策略,优化了算法性能。实验结果表明：改进的SPEA2算法在解决多目标火力分配问题时,相较于标准SPEA2算法,具有收敛效果好,Pareto前端分布均匀的特性。通过实验,验证了模型的合理性和算法的可行性。     

基于任务分解与强化学习的多平台协同火力分配方法

为了有效求解多平台协同火力分配问题,根据“分而治之”的思想,基于任务分解策略将复杂的决策任务分解为子目标平台选择和子平台火力分配两个阶段,通过融合启发式算法和强化学习模型,提出一种新的强化学习求解方法(HARL),并以多平台联合火力打击为作战背景进行实验仿真.子目标平台选择层根据当前状态,基于强化学习策略选择攻击当前子目标最适合的火力平台;而子平台火力分配层则使用启发式算法为执行攻击任务的平台规划最优的火力分配方案.实验结果表明,融合启发式算法和强化学习的HARL方法相比于传统的强化学习算法武器消耗量减少15%以上,相比于经典的启发式算法求解时效性提升20%以上,表明该研究成果可为未来求解复杂作战决策问题提供有力的技术支持.     

有人/无人机协同打击航路智能规划

随着航空技术的发展,战机朝着高速化、隐身化、无人化、智能化发展,有人/无人机协同是当前的发展方向.如何在满足协同约束的条件下,对有人机和无人机的航路进行规划与控制,并体现二者鲜明的职能分工还没有有效的方法.本文阐述了一种基于聚类再分配,得到待优化航路点的航路点预处理方法.首先简要的对K-means++算法的基本流程,然后针对战地环境中目标的不规则分布特点,建立了战地各要素模型,提出将自适应增类的聚类思想和二次聚类模型应用到航路规划的航路点预处理中,并使用匈牙利算法和遗传算法对航路点进行规划.通过仿真验证,本文提出的方法能够很好的避免传统算法的局限,能够在满足协同条件的同时,减小航路代价,简化规划复杂度.     

基于OpenMP的并行蚁群算法求解协同空战火力分配

根据动态火力分配中"动静结合"的思想,建立了一种带毁伤概率门限的火力分配模型。针对协同空战的第一阶段,在求得对目标机群最大毁伤效果的同时尽量节约导弹武器资源,以应对下一阶段的火力分配。根据粗粒度的并行策略,采用OpenMP并行优化技术对蚁群系统(ACS)中最耗时的循环迭代、循环赋值部分进行并行化处理,在此基础上,将优化后的蚁群算法应用到空战火力分配中,通过对各种规模的火力分配问题进行仿真实验,并验证所提出的火力分配模型的合理性和并行蚁群算法的有效性。     

基于D-NSGA-GKM算法的多阶段武器协同火力分配方法

陆战场防御作战场景中的多阶段武器协同火力分配问题是典型的约束组合优化问题,其目的是生成合理有效的火力分配方案.为了更接近实际作战情况,引入双方对抗过程,建立包含敌方作战单元战场剩余价值、作战资源消耗、作战单元战场价值损失的武器火力分配模型.针对多阶段武器协同火力分配问题,在非支配排序遗传算法III(non-domina...     

基于误差反向传播神经网络的超视距协同空战研究

针对多机协同空战中的多目标分配问题,利用构造的误差反向传播（BP）神经网络模型对超视距空战情况下的几种典型的第3代战斗机空战性能进行比较评估,在此基础上建立了协同优先的分配模型。给出了协同优先权的计算步骤。仿真算例表明了模型的有效性。     

基于混洗蛙跳算法的频率分配方法

为提高蜂窝移动通信系统的频谱利用率,提出一种基于混洗蛙跳算法的频率分配方法。采用改进的最小间隔编码机制和选择性变异技术,加强全局最小搜索能力并提高算法收敛效率。实验结果表明,与微正则退火算法相比,该方法在频率分配问题上的搜索能力更强,在21小区系统中,能使可用频率数目从70个降至51个。     

基于KnCMPSO算法的异构无人机协同多任务分配

随着无人机(Unmanned aerial vehicle, UAV)技术的广泛应用和执行任务的日益复杂, 无人机多机协同控制面临着新的挑战. 以无人机总飞行距离和任务完成时间为优化目标, 同时考虑异构无人机类型、任务执行时序等多种实际约束, 构建基于多种约束条件的异构无人机协同多任务分配模型. 该模型不仅包含混合变量, 同时还存在多个复杂的约束条件, 因此, 传统的多目标优化算法并不能有效地处理混合变量及对问题空间进行搜索并生成满足多种约束条件的可行解. 为高效求解上述模型, 提出一种基于拐点的协同多目标粒子群优化算法(Knee point based coevolution multi-objective particle swarm optimization, KnCMPSO), 该算法引入基于拐点的学习策略来更新外部档案集, 在保证收敛性的同时增加种群的多样性, 使算法能搜索到更多可行的任务分配结果; 并基于二进制交叉方法, 引入基于学习的粒子更新策略来提升算法的收敛性及基于区间扰动的局部搜索策略以提升算法的多样性. 最后通过在四组实例上的仿真实验验证了所提算法在求解异构无人机协同多任务分配问题上的有效性.     

基于知识库的无人机作战自主决策方法的研究

提高无人机的自主决策能力是提升无人机在现代战争中作战能力的重要手段。通过对无人机对地作战过程的研究,分析归纳影响无人机自主决策的相关因素,并将无法用数学模型描述的军事规则使用产生式规则来表达,建立作战规则库。然后提出一种基于知识库的自主决策方法,该方法通过动态贝叶斯网络模拟人对态势的认知,通过产生式规则进行决策,其中加入实体的状态描述来控制决策流程,以此来完成无人机的自主决策。仿真结果表明,该方法科学有效,可使无人机自主做出合理决策。     

Pareto optimum design of an adaptive robust backstepping controller for an unmanned aerial vehicle

This research develops an adaptive robust backstepping (AR-backstepping) controller for stabilization of an unmanned aerial vehicle (UAV) having strong coupling and highly nonlinear dynamics. At first, the backstepping control method as the basic stabilizer is utilized to determine the control efforts of the considered UAV. Next, an adaptive-robust mechanism subject to gradient decent methods and sliding surfaces is implemented to regulate the control gains. In fact, this mechanism determines the speed of changes of the gain values of the backstepping controller to make better responses in the presence of disturbances and uncertainties. Then, the optimum values of the design parameters related to the adaptive-robust mechanism are selected by using a multi-objective ant-lion optimization (MOALO) algorithm to simultaneously minimize the total error and control efforts. Finally, the results for a UAV developed in the Sirjan University of Technology, Sirjan, Iran, are given to confirm the effectiveness, robustness, and advantages of the designed AR-backstepping controller.     

求解CVRP的改进混合蛙跳算法研究

为了求解带有容量约束的车辆路径问题(CVRP),在建立CVRP数学模型的基础上,提出了改进的混合蛙跳算法(SFLA),并设计了新的初始群体构造方法.改进后的SFLA采用实数编码方式,融入自适应差分扰动机制及混沌局部搜索策略到局部搜索过程中,在保持SFLA全局收敛性的同时,增强了算法跳出局部最优解的能力,加快了算法收敛速度.通过与其他三种算法进行对比实验,结果表明了改进的SFLA在求解CVRP上的有效性和顽健性.     

基于选择和变异机制的蛙跳FCM算法

为了改进模糊C-均值(FCM)聚类算法对初始值和噪声数据敏感,且易陷入局部极小值的缺点,提出一种基于选择和变异机制的蛙跳FCM算法(SMSFLA-FCM)。该算法首先将线性递减的惯性权重引入蛙跳算法的更新策略中,按照一定的概率选择适应度值较优的青蛙代替较差青蛙,并对每只青蛙个体以不同的概率变异;再用改进后的蛙跳算法求得最优解作为FCM算法的初始聚类中心;然后利用FCM优化初始聚类中心;最后求得全局最优解,从而有效克服了FCM算法的缺点。人造数据和经典数据集的实验结果表明,SMSFLA-FCM与SF-LA-FCM和FCM聚类算法相比,提高了算法的寻优能力,且迭代次数更少,聚类效果更好。     

协同多目标攻击的混合蛙跳融合蚁群算法研究

针对未来超视距条件下的多机协同空战,提出了一种基于混合蛙跳融合蚁群算法的目标分配方法。以目标威胁评估值为准则建立空战决策模型,根据空战决策特点对青蛙粒子进行特殊编码处理,在混合蛙跳算法局部搜索过程中加入自适应差分扰动机制、在蚁群算法中引入变异算子以减少算法搜索时间。融合算法利用混合蛙跳算法快速的全局搜索能力生成初始优化解群,利用蚁群算法具有正反馈的特点求精确解,利用Matlab仿真。仿真结果表明该方法能够快速有效地给出合理的目标分配方案。     

基于改进教学算法的无人机航路规划

针对传统教-学优化（TLBO）算法进行航路规划时收敛速度慢、容易陷入局部最优的问题,提出一种自适应交叉教-学优化（AC-TLBO）算法。首先,该算法令传统教-学优化（TLBO）算法的教学因子随着迭代次数而发生变化,提高算法的学习速度;其次,当算法可能要陷入局部最优时,加入一定的扰动,使算法尽可能地跳出局部最优;最后,为了进一步提升算法的收敛效果,在算法中引入遗传算法的交叉环节。利用传统教-学优化（TLBO）算法、自适应交叉教-学优化（AC-TLBO）算法和量子粒子群优化（QPSO）算法进行无人机航路规划,仿真结果表明,在10次规划中,自适应交叉教-学优化（AC-TLBO）算法有8次找到了全局最优路径,而传统教-学优化（TLBO）算法和量子粒子群优化（QPSO）算法分别只找到了2次和1次;而且自适应交叉教-学优化（AC-TLBO）算法的收敛速度高于另外两种算法。     

面向航拍图像中工程车辆检测与识别的改进胶囊网络

目的 利用无人机(unmanned aerial vehicle, UAV)巡检识别航拍图像中的工程车辆对于减少电力安全事故的发生具有重要意义。采用人工提取特征的经典模式识别方法或YOLOv5(you only look once v5)等深度学习算法识别无人机电力巡检航拍图像中的工程车辆,存在识别准确率低、模型参数规模大等问题。针对上述问题,提出一种改进的胶囊网络识别航拍图像中的工程车辆。方法 采用多层密集连接型方法改进原始胶囊网络结构,以提取图像中工程车辆更多的特征;改进了胶囊网络的动态路由方法,以提高胶囊网络的抗干扰能力;探索了网络层数和动态路由算法中关键参数对识别准确率的影响,以找到识别准确率最高时的参数。结果 实验结果表明：1)在所采用的算法模型中,本文方法的平均识别率(mean average precision, mAP)达到94.56%,明显高于其他方法。2)网络层数对识别准确率有很大影响,但二者之间并非单调线性关系。在本文的应用场景中,5层胶囊网络的识别准确率最高;此外,动态路由算法改进与否并不会影响识别准确率跟随网络层数的变化趋势。3)胶囊网络层数增加会降低识别效率...     

森林病虫害监测中的无人机图像分割算法比较

以错分率、相对最终测量精度以及运行时间为评价标准,利用无人机采集的油松及沙棘正射图像为测试图像,对6种基于像素聚类及分水岭的图像分割算法的性能进行了定性分析及定量比较。实验结果表明,受灾林区图像的分割算法的性能与图像拍摄高度、噪声等因素密切相关。最后,给出了受灾林区无人机正射图像分割算法应用的指导性建议。