航天器三维空间追逃问题研究

针对固定时间下的两航天器三维空间追逃问题,采用协同进化算法将复杂的双边最优规划问题简化成对追逃过程中纳什均衡点的搜索,进而得出追逃双方的最优对抗策略及解算方法。考虑在保证算法计算精度的前提下缩短计算时间,将对策模型进行简化处理,以航天器推力指向角为控制量对协同进化算法进行编码设计,利用B样条基函数对编码进行逼近拟合。两航天器均为连续小推力作用,以二者的末端相对距离作为支付函数,逃逸器希望支付最大,追踪器希望支付最小,并依此建立共享适应度函数。所提方法中对协同算子进行改进设计,提高算法空间搜索能力,并采用精英保留策略提高算法的收敛速度。仿真算例得到追逃双方的最优控制策略及相应的追逃轨迹,表明所提方法的能够解决此类航天器追逃问题。     

考虑飞行初段弹道交叉的多导弹协同发射时序规划方法

在多导弹协同作战条件下,协调不同导弹发射平台之间的导弹发射顺序,避免导弹飞行初段弹道的相互干扰,快速计算所有导弹的发射时间变得十分迫切和异常困难。为解决多导弹协同发射时序规划问题,以最小化完成导弹发射任务的最终时间为优化目标,建立了多导弹发射时序协同规划的混合整数规划模型。设计了快速启发式算法,给出了发射时间求解算法及基于空间压缩思想的可行解进化策略,可辅助指挥员快速生成导弹发射时序方案。以30枚导弹协同发射为案例,对模型和算法进行了仿真验证。实验结果表明,该模型和方法能有效解决多导弹协同发射时序规划问题。     

三维医学图像分割的改进量子进化搜索算法

传统量子进化算法用于搜索某些函数极值时精确度较低且稳定性较差.针对该问题,借鉴模拟退火算法,根据进化代数及个体的适应度值,修正了传统量子进化算法旋转门函数的旋转角度值,并应用于三维医学图像分割,从而形成了一种用于三维医学图像分割的改进量子进化算法.100次阈值计算实验结果表明,提出的分割算法与传统量子进化算法相比,在保持了传统量子进化算法收敛速度快特点的同时,可大大提高算法在三维分割中的精确性和稳定性.     

多反舰导弹攻击多目标协同航路规划

为解决多反舰导弹的协同航路规划问题,建立了基于空间和时间协同的航路规划模型,并设计了航路可行节点动态开辟算法和协进化多子群蚁群算法。节点开辟算法在任务空间建立搜索树的同时滤除不可行节点,缩小了航路优化搜索范围;多子群蚁群算法结合协进化的基本思想,通过引入蚂蚁子群间的协同进化策略,并对蚁群算法状态转移规则、信息素更新机制进行设计,进而并行搜索多导弹最优协同航路集合。仿真结果表明,本文方法能够为多反舰导弹构建优化的协同飞行航路,不但适用于导弹发射前的预先规划,而且适用于航路分段的局部实时重规划。     

基于OpenGL的导弹攻击过程可视化仿真

运用OpenGL图形库,研究了三维对象的建模方法、特殊效果产生技术、模型的数据驱动及视点变化技术。建立了舰船、飞机和导弹的三维模型,制作了大海、天空、岛屿、爆炸等特殊场景。实现了导弹攻击过程的可视化仿真,试验者可通过视景仿真终端从任意距离和角度观察导弹的攻击过程。     

导弹追逃博弈微分对策建模与求解

针对导弹攻防对抗过程中拦截器追击具备较强机动能力弹头的追逃问题,建立了双方追逃微分对策模型并给出求解方法.一是给出导弹追逃质点动力学模型;二是基于微分对策理论,建立了导弹攻防对抗微分对策模型,模型以推力角为控制变量,高度,速度和经度角为状态变量,并考虑了地球重力和自转的影响;三是针对模型获得解析解的困难,给出高精度四阶Gauss-Lobatto多项式配点法来逼近非线性方程,通过离散化节点和配点上的状态量和控制量将微分方程组转换为代数约束;四是为采用配点法求解模型,给出了将双边最优对策问题转化为单边最优对策问题的具体方法.最后实例分析对本文研究进行了仿真验证.     

歼击机规避空空导弹的评价算法

针对歼击机机动规避空空导弹问题,建立了一种有导弹制导动力学滞后的空空导弹飞机的追逃运动学二维模型,研究了飞机机动时机、机动方式对主动寻的空空导弹过载需求和脱靶量的影响,并根据机动脱靶量仿真了飞机机动逃逸概率,得到了机动可大幅度提高飞机逃逸概率,开关机动优于圆机动,以及机动周期越短规避效果越好的结论,解决了飞机机动规避空空导弹的定量评价问题。     

情感驱动的合作进化

由于现实世界中很多合作行为的发生与结束源于个体对自身适应度和他人适应度的相对比较,并由此产生同情、尊重、嫉妒和欺弱的内生情感和相应行为,因此,合作与情感特征有关联.建立了个体情感特征与行为方式的表达机制,利用遗传算法研究群体在囚徒困境模型框架下的进化过程,计算模拟表明种群进化导致情感多样性,而情感多样性又促进了合作.同...     

基于竞争式协同进化的混合变量粒子群优化算法

现实工业生产应用中存在大量的混合变量优化问题,这类问题的决策变量既包含连续变量,又包含离散变量。由于决策变量为混合类型,导致问题的决策空间变得不规则,采用已有的方法很难进行有效求解。引入协同进化策略,提出一种基于竞争式协同进化的混合变量粒子群优化算法(competitive coevolution based PSO,CCPSO)。设计基于容忍度的搜索方向调整机制来判断粒子的进化状态,从而自适应地调整粒子的搜索方向,避免陷入局部最优,平衡了种群的收敛性和多样性;引入基于竞争式协同进化的学习对象生成机制,在检测到粒子进化停滞时为每个粒子生成新的学习对象,从而推动粒子的进一步搜索,提高了种群的多样性;采用基于竞争学习的预测策略为粒子选择合适的学习对象,充分利用了新旧学习对象的学习潜力,保证了算法的收敛速度。实验结果表明：相比其他主流的混合变量优化算法,CCPSO可以获得更优的结果。     

导弹喷射碎片威胁下的飞机易损性评估方法

提出了一种飞机在导弹喷射碎片威胁下的易损性计算方法.该方法采用飞机及部件的有限元模型作为输入,首先以‘射击线扫描法’对飞机在单枚碎片打击下的易损性进行计算,然后以马尔可夫链法计算喷射碎片打击下的易损性.算例给出了飞机周围典型爆炸点位置引爆导弹战斗部的杀伤概率分布,并对导弹与飞机的交会区域进行了分析,验证了所提出方法的可行性与正确性.应用中表明,所提出的方法通用性强,易于实现;方法中考虑了导弹飞行速度、引爆点位置、装药质量比、碎片形状、空气阻力、飞机飞行高度及速度等因素,易损性计算结果具有一定的客观性;导弹碎片威胁下的易损性评估对于飞机生存力增强设计、导弹杀伤效能评估与引信优化设计具有指导意义.     

导弹攻防对抗中追逃对策模型与配点求解法

未来的来袭导弹可能具备较强的机动性,其弹道不可预测,针对拦截弹追击此类目标的追逃问题,基于微分对策(differential-game, DG)理论建立追逃博弈模型并给出求解方法。模型在分析两者相对运动的基础上,考虑地球重力和自转的影响,以推力角为控制变量,离地高度、速度和经度角为状态变量,建立微分方程组。然后将追逃DG模型转化为单边最优对策问题;并给出改进的高精度五阶Gauss-Lobatto多项式配点法来近似状态变量对时间的导数,将微分方程组转换为代数约束,降低非线性规划问题复杂程度。最后给出了本文研究的仿真实例。     

基于鲁棒优化的无人机空战博弈决策

作为无人机空战过程中较大的不确定性因素,作战双方毁伤概率易受外界因素影响,可能在一定范围波动,针对这一问题将鲁棒优化思想引入无人机空战博弈模型中,结合纳什均衡求解的适应度函数的期望和方差,建立了变权重的自适应目标函数,设计了权重的分配方法。在确保策略解可行的同时,提高了毁伤概率变化因素下混合策略的鲁棒性。仿真实验结果表明,与原博弈模型相比,新模型纳什均衡解下的双方博弈收益受参数变化影响较小,可提供更可靠的策略参考。     

环境群体性事件"信息-权利"协同演化的仿真分析

从"信息传播-利益博弈"的协同演化视角,构建了环境污染群体性突发事件的协同演化博弈模型,然后在NetLogo平台上进行多主体的社会仿真分析.仿真结果表明:环境污染突发事件具有两种协同演化路径,即邻避运动的"协商谈判-信息畅通-相对理性的集体抗议",环境污染群体性事件的"暗箱操作-信息过剩-非理性的集体抗议";在各种收益和信息参数情境下,存在着丰富多样的演化均衡结果;政府施加信息措施的强度作为外部干扰,导致了"演化均衡漂移"现象.地方政府部门既可以通过尊重周边的知情权和参与权采取协商谈判的博弈结构,也可以通过加大信息搜集(或者舆情引导)措施,促使事态朝着周边居民最终接受方案的方向演化.     

区域环境保护行动的演化博弈分析

利用演化博弈模型,分析了博弈主体动态支付条件下区域环境保护行动的演化过程.研究结果表明,系统演化具有多重复杂路径,在很大程度上取决于双种群的初始状态及其相互激励关系.进而,识别了区域环境保护行动有效实施的边界条件与充要条件;在此基础上,结合我国环境保护的具体国情,提出相应的改进措施与政策建议.     

双寡头再制造进入决策的演化博弈分析

在双寡头竞争背景下,利用演化博弈模型分析了制造商再制造进入决策的动态演化过程. 研究表明,系统演化的均衡结果受再制造品附加值与新产品附加值比值的影响;该比值存在边界条件,在不同边界条件下,系统将演化至不同的均衡.通过适当的政府补贴机制,可促使系统演化至制造商均选择进入再制造策略的均衡.     

基于博弈模型与NetLogo仿真的网络攻防态势研究

针对现有建模方法缺乏对攻防博弈行为与态势演化趋势的分析问题,从对抗角度出发分析网络攻防博弈特征;基于非合作不完全信息静态博弈理论建立网络攻防博弈模型,给出收益量化、博弈均衡计算和策略对抗结果判定方法;构建网络攻防博弈多Agent仿真模型;采用NetLogo开展局中人不同策略组合、不同初始数量等场景下的仿真实验,得出网络攻防态势随时间演化情况,通过对比分析仿真结果,给出扭转网络攻防态势的建议。     

Dynamic Decision Model in Evolutionary Games Based on Reinforcement Learning

In evolutionary games, it becomes more difficult to choose optimal strategies for players because of incomplete information and bounded rationality. For bounded rational players, how to maximize the expected sum of payoffs by learning and changing strategies is an important question in evolutionary game theory. Reinforcement learning does not need a model of its environment and can be used online, it is well-suited for problems with incomplete and uncertain information. Evolutionary game theory is the subject about the decision problems of multiagent with incomplete information. In this article, reinforcement learning is introduced in evolutionary games, multiagent reinforcement learning model is constructed, and the learning algorithm is presented based on Q-learning. The results of simulation experiments show that the multiagent reinforcement learning model can be applied successfully in evolutionary games for finding the optimal strategies.     

拦截主动防御目标的微分对策制导律

针对目标可以对攻击弹进行主动防御的交战场景, 提出了一种拦截主动防御目标的微分对策制导律。首先, 建立了攻击弹、目标和防御弹的相对运动模型, 并在碰撞三角形附近进行了线性化。然后, 在防御弹采用某种已知的线性制导律的情形下, 把该作战场景中攻击弹与目标的对抗问题, 描述为一个含不等式约束的线性二次型微分对策问题。最后, 基于微分对策理论, 设计了攻击弹的制导控制策略, 可同时达到两个目标: 以某一特定的脱靶量避开防御弹; 对目标实现直接碰撞。仿真结果表明了该制导律的有效性。     

基于PSO神经网络的进化博弈研究

针对进化博弈中博弈人是有限理性的,提出了一种基于粒子群神经网络的进化博弈决策机制。该机制将神经网络技术引入到进化博弈中,并采用粒子群优化算法(PSO算法)来训练神经网络,因而可利用神经网络来模拟博弈人在进化过程中的学习和策略调整。利用该机制分别对有限理性条件下的鹰-鸽博弈和重复囚徒困境博弈进行了研究。实验表明:PSO神经网络可以准确地模拟进化博弈中博弈人的动态学习与决策过程,能有效地指导博弈人的策略选取,是进化博弈分析的有力工具。