一种改进的量子多目标蚁群优化算法

提出一种新的量子多目标蚁群算法．在蚁群算法的基础上中引入量子理论,将量子计算与蚁群进行融合,并用于求解多目标问题．该算法的核心是在蚁群中引入量子算法中的量子态矢量和量子旋转门来分别表示和更新信息素．该算法在全局寻优能力和种群多样性方面比蚁群算法有所改进,测试表明：该算法是求解多目标问题的一种有效的算法．     

基于改进蚁群算法的无人机灾区航迹规划

针对传统蚁群算法用于无人机航迹规划时在大空间多维数转弯次数多、收敛速度慢甚至不收敛等问题,提出了一种改进蚁群算法。根据地图构建三维空间模型,采用对空间切片的方式来避免在寻优过程中跨越多个单元格;通过每一代最优路径来更新信息素以及引入距离启发量的策略,增强了算法的收敛性和效率,得出改进蚁群算法相对于传统蚁群算法和快速搜索随机树算法在搜索效率上分别提高了65.9%和18.1%,在平均转弯角度上分别减少了48%和61.2%,在航迹长度上比传统蚁群算法缩短了38.5%的结果。研究所提出的改进蚁群算法能为无人机救灾快速路径规划提供有效的解决方案。     

基于多蚁群系统的多无人机反侦察航迹规划

无人机侦察具有机动性强、定位精度高等优势,可有效弥补航天侦察过境时间受限和技术侦察难以定位电磁静默目标的不足。搭载机载雷达侦察系统的多架无人机协同对热点区域搜索,“以空侦海”可大幅提升联合作战行动中对海搜索侦察能力。因此,无人机协同海域态势感知路径规划问题研究具有重大意义。提出了基于Markov Mento-Carlo仿真+多类型蚁群系统算法的多无人机协同搜索方法,并根据概率热图提供的先验概率以及机动策略,提出了基于贝叶斯的概率图更新策略。     

蚁群算法中的主要参数对任务分配问题影响的分析

该文主要针对多机器人的任务分配问题,对蚁群算法的主要参数进行介绍和分析。首先对蚁群算法进行介绍,并对蚁群算法中的参数进行分析和选择,最后根据选定的参数对算法进行仿真验证。     

不确定信息下基于拍卖算法的多无人机同时到达攻击多目标

针对不确定信息下的多无人机同时到达攻击多目标的控制策略问题,将拍卖算法和区间一致性算法相结合,提出了不确定信息下的多无人机同时到达的控制方法。首先通过拍卖算法,给出了多无人机对多目标的任务分配方法;然后定义了区间一致性算法,提出了不确定信息下的多无人机同时到达的控制方法,实现了多无人机到达多目标的时间上趋于一致;最后进行仿真,验证了该方法的可行性和有效性。     

多无人机侦察任务分配方法研究综述

运用多无人机执行侦察任务具有突出优势,研究多无人机侦察任务分配方法具有重要意义.从多无人机侦察任务分配问题建模与求解两个方面展开综述.首先对经典模型进行介绍并分类,讨论其特点及适用问题;其次对集中式、分布式、混合式求解方法进行归纳,对代表算法进行介绍,分析其优缺点与应用前景;最后结合实际需要指出目前多无人机侦察任务分配方法在模型建立、任务分配动态性、任务分配不确定性、任务分配对抗性和大规模任务分配等方面存在的不足以及未来的研究方向.     

基于改进遗传算法的多无人机任务分配

为解决传统遗传算法在求解多无人机任务分配问题时易陷入局部最优和收敛速度较慢的问题,文中提出一种融合模拟退火思想的改进遗传算法。首先描述多无人机任务分配问题,将其转化为多旅行商问题,并建立数学模型;然后在传统的遗传算法中引入Metropolis准则,对选择、交叉、变异后的子代种群进行优化调整,使算法可以跳出局部最优并快速收敛;最后进行仿真实验,采用TSPLIB数据库对改进算法进行有效性验证,分别求解不同规模的多旅行商问题,对算法的优越性进行验证,求解任务分配算例以验证改进算法解决多无人机任务分配问题的可行性。实验结果表明,改进的遗传算法能跳出局部最优,收敛速度显著提升,在求解多无人机任务分配问题时,寻优效果优于改进前的算法。     

基于多目标MSQPSO算法的UAVS协同任务分配

针对无人机系统协同作战过程中存在多任务类型时序约束以及单目标优化决策欠佳问题,提出了一种利用多策略融合量子粒子群算法进行多目标优化的解决方法.在建立任务分配模型过程中,考虑不同类型任务的时序约束和多无人机协同约束,并抽象出无人机执行不同类型任务的能力,使模型更加符合实际作战情况.利用佳点集构造理论、变尺度混沌因子、量子变异操作与动态惯性权重对量子粒子群算法（Quantum Particle Swarm Optimization,QPSO）进行改进.最后通过采取多目标优化决策来选取相应的分配方案,仿真结果验证了所提算法的有效性与优越性.     

无人机航路规划算法研究

针对无人机航路规划问题,研究了一种基于元胞蚂蚁算法的无人机航路规划方法.元胞蚂蚁算法对基本蚁群算法进行了系列改进,并将元胞邻居演化和改进后的蚂蚁寻优相结合,有效地克服了基本蚁群算法的收敛速度慢、易于过早陷入局部最优的缺点,提高了算法的运算精度,从而为解决复杂战场环境下无人机航路规划这一多约束多目标优化问题提供了一条可行...     

融合QPSO思想的多行为蚁群算法在QoS路由问题上的应用

在解决QoS(quality of service)单播路由问题上,针对蚁群算法缺点,提出了一种融合量子粒子群算法(QP-SO)思想的多行为蚁群算法.该算法采用QPSO作为前期搜索,根据各粒子历史最优值来初始化路径信息素浓度,后期利用多行为蚁群算法来优化路径.仿真结果表明:该算法寻优能力强,可靠性高,是解决QoS路由问题的有效方法.     

应急搜索UAV集群协同任务规划策略

目前应急搜索无人机(UAV)集群存在搜索效率低、覆盖完整性低、多机组网稳定性差等问题.对此,该文提出一种基于优化模糊C聚类算法(O-FCMA)结合优化混合粒子群算法(O-HPSO)的终端-路由UAV区域搜索任务规划策略.以UAV监测区域范围为基础,通过建立搜索区域的空间模型,进一步运用O-FCMA进行区域几何划分,并采...     

基于膜量子布谷鸟搜索的双通道网络频谱资源分配

无线双通道Ad Hoc网络中, 有效分配簇间码分频谱资源是提高资源利用效率的关键技术之一.综合考虑子簇码分频谱资源需求和分配公平性, 给出了簇间码分频谱资源分配数学模型, 并转换为以最大化码分频谱资源效益和分配公平性为多目标的受约束离散优化问题.结合膜结构、量子计算和布谷鸟搜索算法, 提出一种新的离散组合优化算法——膜量子布谷鸟搜索算法.该算法使用量子鸟窝表征问题潜在解, 利用布谷鸟寻窝产卵的演化方法在基础膜中寻求单目标最优解, 通过膜间信息共享和非支配解等级排序求出具有多目标最优解的表层膜Pareto前端解集.仿真结果证明, 与经典优化算法相比, 该算法不仅能够同时求解单目标和多目标最优解, 而且具有更优的收敛性能, 能更好地实现码分频谱资源效益最优化.     

面向多模异构任务的无人机集群自主协同优化

针对无人机集群同时遂行多个异构模式、异构价值、异构需求任务时的自主协同优化问题,构建了集群遂行多模异构任务协同优化模型,提出了一种基于重叠式联盟博弈的分布式协作算法。通过综合考虑任务模式、任务价值、任务需求,以及集群中不同无人机成员的资源情况,基于不同任务类型下联盟内任务成功率和效能计算,优化无人机任务选择和资源分配并实现算法收敛和系统稳定,以及优化的分布式多机协同。仿真结果表明,所提方法能有效提高系统效用和任务成功率,并能在不同环境下实现面向异构任务目标的高效协同。     

多目标猫群优化算法支持下的云计算任务调度

针对云环境下任务调度易出现多目标冲突的问题,提出一种改进的基于猫群的多目标优化算法。该算法模拟猫的行为模式,采用基于线性混合比率的猫行为选择方式来提高全局搜索和局部寻优能力;并在迭代过程中结合任务完成时间和任务费用支出,引入一个可调节的多目标集成效用函数,实现了资源与任务的智能调度。实验结果表明,所提算法不仅求解质量高,且在求解速度和调度消耗方面均优于多目标遗传算法和多目标粒子群算法。     

有人/无人机混合编队协同任务分配方法

任务分配方法是任务控制过程的重要组成部分,是协同作战指挥决策的关键。本文在多无人机协同任务分配的基础上,分析了有人/无人机编队协同作战的突出特点,着重研究飞行员工作状态对参与任务分配的各无人机作战效能的影响,建立了基于飞行时间和工作负载的飞行员工作状态评价模型,并对传统无人机作战效能函数的数学模型进行改进,提出了有人机飞行员工作状态影响下的无人机效能评估模型。针对有人/无人机混合编队协同作战想定,进行了仿真计算。仿真结果表明：飞行员工作状态会对无人机的任务效能和编队的任务分配结果产生显著影响, 同时说明在有人/无人机混合编队的效能评估和任务分配过程中,飞行员的工作状态影响是不可忽略的因素。     

基于并行的焊点优化算法

提出一种焊点优化算法,同时为了创建更快的方法来完成优化过程的模拟,基于MPI库采用静态分配任务和任务池两种并行方案,对焊点优化算法进行并行化实现.在机群系统下测试表明,并行方法可以显著减少程序运行时间,提高优化模拟过程的效率.     

基于并行蚁群算法的无人机协同任务/航迹规划应用研究

无人机协同任务/航迹规划问题具有多类复杂的约束条件,针对该问题本文提出并行蚁群算法的求解思路。首先采用蚁群算法构造无人机航迹的解空间,然后对解空间提出基于整数编码的遗传算法,对参与作战的无人机、目标任务、可选航迹进行编码,来提高解空间的求解效率。本文以无人机的SEAD任务为想定,对单任务进行了仿真实验。结果表明,并行蚁群算法可以有效地解决无人机协同任务/航迹规划问题,满足各类约束条件,提高问题解的可行性。     

Module replication and assignment for real-time distributed processing systems

Response time is an important design criterion for real-time systems. A new analytic model is developed to estimate task response time. It considers such factors as interprocessor communication, module precedence relationship, module scheduling, interconnection network delay, and assignment of modules and files to computers. Since module assignment as well as its replication have great impact on task response time, a new algorithm is developed to iteratively search for module assignments and replications that reduce task response time. An objective function is introduced that is based on the sum of task response time and delay penalty for the violations of thread response time requirements. With this objective function, good module allocations and replications, which minimize task response time and yet satisfy the thread response time requirements, can be determined by the proposed algorithm. To validate the algorithm, we compare the assignments generated by the algorithm for some sample distributed systems to the optimal module assignments obtained from exhaustive search. It shows that with a very small number of initial module assignments, our algorithm is able to generate the optimal or close-to-optimal assignments. The algorithm is also applied to a real-time distributed system for space defense applications where exhaustive search for the optimal assignment is not feasible. The generated module assignments (with replications) satisfy the specified thread response times, and compare closely with the simulation results. A series of experiments is also performed to characterize the behavior of the algorithm. In conclusion, the algorithm can serve as a valuable tool for assigning modules with replications for distributed systems.