基于SATC-ALO和SOM神经网络的机群编队分组

首先,分析机群编队分组问题,同时考虑了飞机属性分组模型和飞机油耗分组模型。然后,使用混沌优化算法和锦标赛选择策略优化后的SATC-ALO算法和SOM神经网络求解编队分组模型。最后,使用50组数据进行相似度计算方法和编队分组方法对比实验。实验结果表明,混合计算法方法优于欧式距离法,SATC-ALO算法分组精度最高,并且满足实时性要求,但需要事先指定分组数目,而SOM神经网络的分组精度稍低于SATC-ALO算法,但分组时间优于SATC-ALO算法,并且不需要指定分组数目。2种方法均可以更好地解决编队分组问题,具有实际应用价值。     

改进分解进化算法求解动态火力分配多目标优化模型

战前制定合理的火力分配(WTA)方案,可以优化资源配置,用最小的代价获取最大的战场收益。其一,建立了面向多型武器协同进攻作战的动态火力分配(DWTA)多目标优化模型,由多个阶段静态模型构成,各阶段静态模型参数需根据战场态势实时获取;其二,重点研究阶段静态模型求解算法。针对模型特点,设计了一种满足资源约束的编码方式,融合禁忌搜索和拥挤距离策略,提出了一种改进分解进化算法。对比实验验证了算法的可行性、快速性和有效性。     

美军电磁频谱新战略及认知无线电应用研究

电磁频谱作为重要的战略资源,在信息化战争中具有突出的地位和作用。多年来,美军通过加强战略指导和完善技术等方式,实现了对电磁频谱的有效管理。深入研究美军最新的电磁频谱战略,详细介绍战略目标、核心内容及规划流程,分析认知无线电技术及其军事应用。     

Tent混沌和模拟退火改进的飞蛾扑火优化算法

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题,借鉴混沌序列、模拟退火算法和遗传算法,提出Tent混沌和模拟退火改进的飞蛾扑火优化算法.首先,通过Tent混沌序列初始化种群,增加种群多样性;然后对当前最优解增加扰动产生新解,并与当前最优解按比例杂交相加,根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解,最终获得最优解.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂基准函数寻优测试结果表明,对于10维基准函数,该算法经过约0.25秒收敛到最优值;对于50维基准函数,该算法经过约0.5秒收敛到最优值.与标准飞蛾扑火优化算法和其它智能优化算法相比,该算法能够有效跳出局部最优解,寻优精度更高,收敛速度更快.航迹规划仿真表明,对有4个禁飞区和2个威胁源的空域环境,该算法经过大约100次迭代可以得到最优航迹,与标准飞蛾扑火优化算法相比精度更高,具有实际应用价值.因此,该算法具有更好的寻优性能.     

利用MAK Stealth进行视景仿真开发方法的研究

为了解决分布式仿真的可视化需求,提出了利用MAK Stealth进行视景仿真开发的方法.MAK Stealth以其具有完备的开发接口和良好的可扩展性,使得用户能方便的将其嵌入到自己的应用开发中.根据视景仿真系统的组成,结合MAK Stealth进行视景仿真的开发方法,针对联邦通信和视景驱动控制分析了MAK Stealth的应用开发接口API,依照MAK Stealth的开发流程,实现了三维视景显示系统.系统运行结果表明了利用MAK Stealth进行视景仿真开发是十分方便快捷的.     

基于贪婪算法的蠕虫综合容忍预警方法

针对网络蠕虫准确预警的困难性,综合蠕虫传播的特点,提出一种基于贪婪算法的容忍预警方法,对一些危害较小的可疑蠕虫采取一定的容忍机制,设计一个特定报文的数据段结构,在服务器端通过对这类报文的统计分析,计算出是否要启动预警的阈值。通过实验仿真和理论分析,表明此方案具有一定的可行性。     

边攻击下非对称相依作战网络级联失效模型

复杂网络理论在作战网络中的应用是一个全新的研究视角,也是探索网络结构和功能之间关系的有力手段.为研究负荷作用下相依作战网络的级联失效过程,首先依据军事系统的实际交联关系构建了非对称双层相依作战网络模型;然后改进了基于本地负荷重分配的非线性"负荷-容量"模型来研究连边的失效及负荷传递,计算了级联失效模型的计算复杂度;最后仿真分析了连边遭受蓄意攻击时,连边负荷及容量与网络级联抗毁性的关系,并与WS-WS对称网络模型进行对比.仿真结果表明:无论是孤立状态还是相依状态下,网络的级联抗毁性与连边容量变化呈正相关,而与负荷的变化呈负相关;相依网络的级联抗毁性比孤立网络要差,并且相依网络级联失效的过程更缓慢;孤立C2网络中的层级加权结构使得级联失效过程中出现短暂的平台期;与对称WS-WS相依网络相比,非对称作战网络的级联抗毁性更差.在非对称相依网络中,子网之间的级联抗毁性不同,而在相依对称网络中,子网的级联抗毁性几乎相同.     

基于改进自适应杂交粒子群优化算法和最小二乘支持向量机的空中目标威胁评估

评估空中目标威胁程度是防空指挥控制系统的核心环节,评估的准确程度将对防空作战产生重大影响。针对传统评估方法实时性差、工作量大、评估精度不足、无法同时进行多目标评估等缺陷,提出了一种基于自适应杂交粒子群优化（ACPSO）算法和最小二乘支持向量机（LSSVM）的空中目标威胁评估方法。首先,根据空中目标态势信息构建威胁评估系统框架;然后,采用ACPSO算法对LSSVM中的正则化参数和核函数参数进行寻优,针对传统杂交机制的不足提出改进的交叉杂交方式,并使杂交概率自适应调整;最后,对比分析了各系统的训练和评估效果,并用优化后的系统实现多目标实时动态威胁评估。仿真结果表明,所提方法评估精度高,所需时间短,可同时进行多目标评估,为空中目标威胁评估提供了一种有效的解决方法。     

自适应Tent混沌搜索的蚁狮优化算法

针对蚁狮算法存在的早熟收敛和不易得到全局最优解等问题,借鉴混沌优化算法,提出了自适应Tent混沌搜索蚁狮算法.该算法首先使用Tent混沌映射初始化种群,然后自适应调整混沌搜索空间得到最优解,改善适应度较差个体,提高种群整体的适应度和寻优效率,同时使用锦标赛策略选择蚁狮个体.最后,利用混沌算子优化蚂蚁随机游走行为,与蚁狮觅食行为形成了全局、局部并行搜索模式.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂高维基准函数的寻优测试实验表明,对于30维基准函数,该算法经过约0.5秒收敛到最优值;对于50维基准函数,约2秒收敛到最优值.与标准蚁狮算法和其他优化算法相比,该算法具有较好的收敛速度和寻优精度,适合复杂高维函数寻优.航迹规划实验表明,对于包含7个威胁源的空域环境,当搜索维度为10维时,该算法经过0.939秒,迭代30次基本可以达到航迹代价的全局最优值.与标准蚁狮算法相比,能够更加快速准确地得到一条满足要求的航迹,具有实际应用价值.     

基于运动分解和H-SVM的空战目标机动识别

目标机动识别是空战态势感知中的关键问题.针对现有识别方法主观因素较多、模型复杂、难以满足实时性和识别准确率不够高等问题,提出一种基于运动分解和层次支持向量机(hierarchical support vector machine, H-SVM)的机动识别方法.利用$v\text{-