基于粒子群算法优化的目标识别方法

误差反向传播算法(back-propagation简称BP算法)是当前前馈神经网络训练中应用最多的算法,其优化算法也层出不穷。针对LM优化算法存在局部极小点的问题,通过采用基于优化理论的粒子群优化算法(PSO)来改进Levenberg-Marquardt(LM)算法。将提取的目标瞬态特性特征作为各种算法的输入,通过mat-lab仿真,对整个样本进行训练,并随机选择小样本进行检验。结果表明,优化方法均合理可行,其收敛速度和预测精度有明显的提高,综合来讲,粒子群算法优化后的LM算法表现出较大的优越性,为利用目标的瞬态特性进行目标识别提供了一种新方法。     

基于微粒群算法的中制导弹道优化设计

为使拦截武器有效拦截目标,将直接多重打靶算法与微粒群算法相结合,设计了一种基于微粒群算法的中制导弹道优化算法。该算法借鉴直接多重打靶算法基本思想,将状态空间与参数空间分别进行分解与分段,并在此基础上结合中制导末端条件构建性能指标函数,将弹道优化问题转化为多目标优化问题;基于对指标函数之间依赖性的分析,在求解过程中将多目标优化分解为参数层和指标层优化两部分,采用微粒群算法对其进行分层优化求解。仿真研究表明,该优化算法能够对弹道进行有效优化。     

基于杂交粒子群算法的弹炮混编防空群火力优化模型

针对弹炮混编防空群射击指挥中的火力分配问题,提出了弹炮混编防空群的火力分配方法,建立了优化的火力分配数学模型。在此基础上,借鉴遗传算法中的杂交概念,采用改进后的粒子群优化算法对此模型求解。通过算例和仿真结果与实际经验对比表明,改进粒子群优化算法是解决弹炮混编防空群火力优化分配问题的一种有效方法。     

基于组合粒子群算法的运载火箭弹道优化设计

提出一种基于粒子群算法和方向加速法组合成的PSO-Powell算法,能进行大范围搜索,其最优解具有全局收敛性。在该算法中,对粒子群算法的参数设置进行了改进,提升了其性能,并引入增广拉格朗日乘子法处理优化问题的约束条件,提高了最优解的精度。仿真结果表明PSO-Powell算法应用于运载火箭弹道优化设计具有良好效果,可以提升运载能力,具有一定工程应用价值。     

离散交通信号控制模型及其优化算法

离散交通信号控制模型在自适应粒子群算法中引入变异算子,以更新粒子群算法的个体极值点和全局极值点.在此模型基础上,应用四种自适应变异粒子群算法优化城市交通信号控制配时方案,同时比较分析各变异算子的优劣.然后选出最优的自适应变异粒子群算法对不同的交通流进行连续优化控制.仿真表明该混合算法可解决易陷入局部收敛的缺陷并能够有效实现交通信号优化控制.     

遗传粒子群算法在测试节点优选中的应用

测试节点优化是电路板测试诊断设计优化过程中的一个基本问题,属于经典的N-P难题,但目前用于测试点优化的算法存在搜索速度慢、不收敛等问题,因此提出一种基于遗传粒子群优化算法.该方法通过建立电路测试节点的"故障-测试"矩阵,用遗传算法对数学模型进行优化,并采用粒子群算法搜索实现了快速求解.与传统方法相比较,该方法搜索速度快,优化效果明显,已在工程实践中得到应用.     

基于粒子群算法的混编群兵力部署优化研究

通过对混编群兵力部署影响因素分析,根据混编群兵力部署原则,建立了混编群兵力部署优化模型.针对该优化问题,提出了一种改进的粒子群算法,给出了模型求解方法和步骤.经过应用实例计算,取得了良好的部署效果,为解决混编群兵力部署优化问题提供了一种有效的途径.     

地基运载火箭交会空间目标弹道快速优化设计

针对地基拦截器与空间目标交会这一复杂非线性优化问题,研究了基于改进粒子群算法的弹道快速优化设计方法.根据拦截交会弹道特点,设计了飞行程序优化模型,融合粒子群搜索的随机性和递进搜索的高效性,构建了适用于拦截交会弹道设计这类复杂非线性优化问题的改进粒子群算法.采用该改进粒子群算法进行拦截交会弹道仿真,结果表明,该改进粒子群算法计算精度较高,优化耗时较少,能够实现拦截交会弹道的快速优化设计.     

基于粒子群优化算法的模糊飞行控制器设计

提出了一种基于粒子群优化（PSO）算法的模糊飞行控制器优化设计方法。PSO算法通过粒子跟踪本身所找到的最优解和种群的最优解来完成优化．该算法具有可调参数少．简单易实现，优化速度快的特点。将PSO算法用于对模糊飞行控制器隶属函数的优化设计中，以达到提高控制效果与简化模糊控制器设计的目的。仿真结果表明．利用PSO算法进行优化设计所得到的模糊飞行控制器具有优良的控制性能。     

基于PSO算法的二自由度PID控制器参数优化

根据粒子群优化算法具有在参数空间寻优的特点 ,提出了一种利用粒子群优化算法对二自由度PID控制器参数优化整定的方法.通过对工业被控对象的仿真表明了该方法优于常规参数整定方法,且所设计的控制器具有一定的优越性.     

最小均方误差波束赋形算法及其改进算法的性能分析

介绍了最小均方（Least Mean Square，LMS）算法及其改进算法：变步长LMS（Varied Step Size LMS，VSSLMS）算法和稳健变步长（Robust VSSLMS，RVSSLMS）算法，并根据波束赋形算法必须具有较快的响应速度和收敛速度的要求，用Matlab重点对每个算法的稳态误差和步长变化情况进行仿真比较。仿真结果进一步证明了RVSSLMS算法具有更小的稳态误差和更快的收敛速度，更具有实用价值。     

捷联惯性导航系统姿态算法综述

对欧拉角法、方向余弦法、三角函数法、Rodrigues参数法、四元数法和等效旋转矢量法等六种描述捷联惯性导航系统姿态的方法进行叙述和分析。主要探讨了基于四元数法和等效旋转矢量法的各类姿态更新算法．为进一步研究各类算法提供了一定的参考。     

一种基于GA-BP 算法的PIDNN 控制策略

为改善常规PID控制器对非线性对象的控制性能,提出一种基于GA-BP算法的PID神经网络（PID NeuralNetwork,PIDNN）控制策略。将PID控制规律融入神经网络,构成一种PIDNN控制器,并利用GA-BP算法来对其进行参数优化。采用所设计的PIDNN控制器对一种非线性系统进行仿真研究,仿真结果表明：GA-BP算法收敛速度快,所设计的PIDNN控制器与常规PID控制器相比,其控制稳定性和快速性等性能都得到了很大改善。     

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。     

唯相位控制低副瓣直线阵的免疫算法综合

采用免疫算法来优化相控低副瓣直线阵。详细讨论了该算法应用于相控低副瓣直线阵优化的基本问题。文中免疫算法中采用了基于适应值的高斯变异．加快了算法的收敛速度。对八阵元组成的等间距直线阵进行了数值实验。仿真结果表明．该算法能有效地抑制直线阵左右最大旁瓣．获得了比基本遗传算法更低的最大副瓣．并且收敛速度明显优于基本遗传算法。     

基于改进蚁群算法的软件测试方法

为了降低软件的测试成本,提高软件测试效率,提出一种基于改进蚁群算法的软件测试方法.将Markov决策模型应用到软件测试过程当中,采用测试用例约简技术对测试用例集进行简化,利用贪心算法求得的较优解增强蚁群算法初始时刻信息素,通过改进的蚁群算法求得最优解,并进行仿真分析.仿真结果表明:改进的测试方法比采用基本蚁群算法的测试方法求得解更优,说明改进的测试方法可以使搜索时间更短,并可降低软件的测试成本.     

贪心遗传算法及其在武器目标分配问题中的应用

针对遗传算法在解决武器目标分配问题时存在的缺点,提出了将贪心机制应用于遗传算法解决该问题的思路,即贪心遗传算法.在建立武器目标分配问题数学模型的基础上,探讨将贪心算法思想作为确定性选择原则指导遗传操作实施解空间搜索,分析了贪心遗传算法的编码、生成初始种群,贪心交叉、贪心变异等过程的原理和算法实现流程,应用贪心遗传算法进行了战斗实例计算.结果表明该方法是可行的,避免了遗传算法早熟收敛和封闭竞争的问题,计算量小、算法稳定.     

移动机器人路径规划技术

为使移动机器人在实际地图环境中自主根据算法规划行走最短路径,研究A*、蚁群和遗传算法的实际应用.通过仿真和控制变量方法,将3种算法在模拟地图环境中进行最短路径规划,对比不同算法在不同复杂程度地图上的规划效果,找出实际地图环境中算法应用的规律,并通过多次测试与仿真修改.仿真结果表明:A*算法在实际地图环境中应用效果最佳,移动机器人能够自主根据A*算法规划出最短路径.     

针对RSA 密码芯片的ZEMD 算法攻击实验

为了对RSA密码芯片的DPA攻击进行深入研究,采用相应攻击算法对AT89C52单片机上加密程序进行攻击,设计并搭建功耗分析测试平台。利用该平台,对单片机实现的8位模拟RSA加密算法进行ZEMD算法差分功耗分析（Differential Power Analysis,DPA）攻击实验。实验结果表明,由于明文的随机输入,使得模乘运算的时间消耗会有所不同,导致进行差分的功耗轨迹中对应部分无法准确对齐,ZEMD攻击算法存在失效现象。     

算法可视化的分析与应用

算法可视化由静态和动态算法可视化组成.其中Huffman算法可视化为二叉树构造算法,流程含单步执行、显示节点图形及再次构造.按程序设置单步构造功能,每一步构造一个结点.即当用户选择单步构造时,先运行到上一单步构造结点的下一个结点位置,构造一个结点,保存当前环境变量后返回并阻止执行下一步结点构造.程序对于每一结点均设置显示标志,每次显示结点时需要对相关联结点的显示标志加以判断,分别对待处理.