遗传-蚁群算法在目标分配问题中的应用研究

针对传统算法很难满足大型水面舰艇编队防空武器的武器目标分配(weapon target assignment,WTA)问题,提出一种将遗传算法融入蚁群算法的混合算法。分析了遗传算法和蚁群算法的优缺点、利用遗传算法快速全局随机搜索能力生成一组粗略解,用其作为蚁群算法的初始信息素,再利用蚁群算法的并行性、正反馈机制,最后求得最优解,并对遗传-蚁群算法与蚁群算法、遗传算法这3种方法进行仿真比较。分析结果证明:遗传-蚁群算法用更少的时间获得最优的火力分配方案,缩短了武器系统反应时间,在求解质量方面有较大优势。     

模糊DEA评价法在武警院校选拔专业队列教员中的运用

针对队列教员所必备的专业素质,初步建立了综合评价的指标体系。由于评价体系指标较多,且很难用准确的数学语言来描述,因此应用模糊DEA评价模型对模糊指标进行评价,然后,运用所建立的综合评价模型对备选队列教员的专业素质进行了综合评价,初步解决了专业队列教员的优选问题。该评价方法简单易行,容易在计算机上实现。     

基于小波变换和Prony算法的同步电机参数辨识

将小波变换应用于同步电机瞬态参数测量，通过对采集到的同步电机三相突然短路电流进行小波变换，降低了信号的采集噪声，分离出了短路电流中的直流分量和基波电流分量,辨识出电机的瞬态参数和非周期分量时间常数，并提出利用扩展的Prony算法辨识电机的超瞬态参数。仿真分析和实机试验表明了所提出的方法是有效的。     

同时面临防空和防潜的水面舰艇编队队形评估研究

针对目前对编队队形问题进行综合评估的方法存在的不足,基于主成分分析法对水面舰艇编队同时面临防空与防潜作战的队形开展综合评估.系统阐述该方法的基本原理、数学模型和实施步骤,以三角模糊数量化指标为数据样本,对 7 种典型水面舰艇编队队形的防空与防潜作战性能开展评估分析,并与离差最大化方法的综合评估结果进行对比.研究结果表明:菱形队形是一种较优的水面舰艇面临防空与防潜作战的编队方式,且主成分分析法理论完备、参数涵义明确、评估结果可靠,在水面舰艇编队队形评估中具有的一定的推广和实用价值.     

基于复杂网络理论的电力系统脆弱性研究概述

电力系统脆弱性是目前智能电网的研究热点问题之一,如何准确评估电网的脆弱性及潜在的危险、预防连锁故障的发生,是电力运行人员所面临的挑战.本文基于复杂网络理论对电力系统脆弱性进行了研究,从电网拓扑模型和脆弱性评估指标的角度出发,分析、类比了现有各种评估方法.最后,对未来的研究方向做出了展望.     

基于变阶遗传算法的舰船电力系统结构性能双层优化

舰船电力系统结构性能的提升可以通过改善电力系统的网络拓扑结构和提高网络拓扑组成设备可靠性的方式来实现。该文在考虑舰船资源约束和结构限制的前提下,建立舰船电力系统结构性能多目标、多约束双层优化模型。基于系统变阶的思想,将双层迭代遗传算法和边际优化方法相结合,提出一种改进的遗传算法用于双层优化模型的求解。以某环形舰船电力系统为例进行模型验证,从网络结构优化和配置合理数量备件两方面给出适用于舰船电力系统的结构性能优化策略,可为提高舰船电力系统的安全性和设计工作的科学性提供理论依据。     

关于算子方程Tx=y扰动分析的一些结果

在Banach空间中给出了一种相容算子方程解的误差估计,推广了矩阵扰动分析中的相应结果,此外,利用Hilbert空间中算子M－P广义逆与算子的约化极小模之间的关系,给出了一些估计式,这些估计式对于分析不相容算子方程Tx=y的极小范数最小二乘解的扰动误差是有用的。     

基于FFT和神经网络的非整数次谐波检测方法

运用人工神经网络模型进行整数次谐波检测可达到较高的检测精度，但这种线性神经元模型不适合非整数次谐波的检测。为精确检测非整数次谐波，文中提出了一种改进进的线性人工神经元模型，并将加汉宁窗的FFT算法和改进的线性人工神经元模型结合起来，提出了一种用于非整数次谐波检测的新方法。该方法首先对采样信号用加汉宁窗的FFT算法进行预处理，得到了谐波个数和精度不高的谐波次数：其次根据谐波个数设定神经元的个数，根据预处理后得到的谐波次数设定神经网络谐波次数迭代的初始值；最后对改进后的人工神经网络进行训练，便可实现非整数次谐波的精确检测。仿真实例表明，该方法能将频率相近的非整数次谐波分离，可有效地提高谐波参数的检测精度，为谐波治理提供良好的依据。     

基于小波变换和Prony算法的同步电机参数辨识

将小波变换应用于同步电机瞬态参数测量，通过对采集到的同步电机三相突然短路电流进行小波变换，降低了信号的采集噪声，分离出了短路电流中的直流分量和基波电流分量，辨识出电机的瞬态参数和非周期分量时间常数，并提出利用扩展的Prony算法辨识电机的超瞬态参数。仿真分析和实机试验表明了所提出的方法是有效的。     

基于小波变换和神经网络的同步电机参数辨识新方法

准确地辨识同步电机参数,是研究分析电力系统运行和控制系统设计的前提。神经网络具有信号分离能力，但传统的人工神经元模型不适合分离同步电机的三相突然短路电流。为精确辨识同步电机的瞬态参数，文中提出了一种改进的人工神经元模型，并将小波变换和改进的线性人工神经元结合起来，对采集到的同步电机三相突然短路电流进行分析处理。利用小波变换对短路电流进行预处理，并辨识得到各个时间常数；根据辨识得到的时间常数来设定神经元激发函数中时间常数的迭代初始值，用改进的人工神经元模型对短路电流进行分离，得到其中的直流、基波和二次谐波电流分量，通过简单代数运算便得到电机的瞬态参数。仿真分析和实机试验表明，该方法能够有效地分离出短路电流中的信号成分，并且提高了电机参数的辨识精度。