具有自适应搜索策略的灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优化精度,通过适应度值控制智能个体位置,并引入了最优引导搜索方程;另一方面,为提高GWO的种群多样性,改进算法利用位置矢量差随机跳出局部最优。最后对10个标准测试函数进行了仿真实验,并与其他4种算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。

控制参数值非线性调整策略的灰狼优化算法

为了克服灰狼优化算法在解决函数优化问题时容易陷入局部最优的缺陷,提出采用正弦曲线、对数曲线、正切曲线、余弦曲线和2次曲线的非线性调整策略控制参数值。同时采用变异策略对智能个体位置进行处理,使其位置受适应度值大小影响。对3个标准测试函数进行仿真表明,余弦曲线和2次曲线调整策略优于线性调整策略,其他3种非线性调整策略劣于线性策略。

基于多目标优化与强化学习的空战机动决策

为了解决无人机自主空战中的机动决策问题,提出了一种将优化思想与机器学习相结合的机动决策模型。采用多目标优化方法作为决策模型核心,既解决了传统优化方法需要为多个优化目标设置权重的困难,又提高了决策模型的可拓展性;同时在多目标优化的基础上通过强化学习方法训练评价网络进行辅助决策,解决了决策模型在对抗时博弈性不足的缺点。为了测试决策模型的性能,以近距空战为背景,设计了3组仿真实验分别验证多目标优化方法的可行性、辅助决策网络的有效性以及决策模型的总体性能,仿真结果表明,决策模型可以对有机动的敌机进行有效的实时机动对抗。

基于SAGWO算法的UCAVs动态协同任务分配

通过分析无人作战飞机(UCAV)优势概率和任务联合威胁以及定义任务时间,建立了以目标价值毁伤、编队损耗代价和时间消耗为性能指标的多无人作战飞机(UCAVs)多约束动态任务分配数学模型,采用改进的灰狼优化(GWO)算法对数学模型进行求解;针对基本GWO算法求解早熟的缺点,给出了自适应调整策略和跳出局部最优策略,引入了二次曲线控制方法;对UCAVs动态协同任务分配特点,设计了目标任务序列编码方式,提出了基于自适应GWO(SAGWO)算法的UCAVs多目标动态任务分配方法。从静态与动态2种情况分别对该方法进行仿真验证;仿真结果表明,该方法是有效的,相比较于其他算法,其优化过程快速精准。

基于自适应GWO的多UCAV协同攻击目标决策

针对多架无人机相互协同攻击多个来袭目标的武器目标决策问题进行了研究。利用层次分析法(AHP)评估了空战能力指数和三维空战态势威胁指数的权重,针对协同攻击空战的分配原则,采用计算分配值的情况下提出了一种自适应搜索的灰狼求解算法,实现了武器目标攻击决策的求解。仿真表明,改进的GWO算法对决策方案的求解速度和求解质量与现有的粒子群算法(PSO)、蚁群算法(ACA)和遗传算法(GA)等相比均有所明显提高。

区间数决策在无人机攻防博弈中的应用

针对不确定信息下的无人机攻防博弈问题,建立了基于区间数的无人机攻防博弈模型。将态势信息引入支付区间矩阵,重构了支付区间内点的分布并将其转化为四参数区间数。结合信息论提出了一种基于相对熵的目标分配决策模型,提高了对不同策略的区分度。给出了参数不确定优化问题的求解方法,并使用自适应粒子群算法求解了纳什均衡。仿真结果验证了该方法在无人机攻防博弈中的可行性和有效性。

基于SSA算法的飞行动作规则自动提取

针对空战知识获取问题展开研究,提出了一条从海量飞行参数中获取知识的途径。构建空战专家系统知识库;对于飞行动作规则知识的提取,提出了一种基于樽海鞘群优化算法的飞行动作规则知识提取方法,为了使提取的规则知识简洁有效,对算法的评价函数进行了设计。通过对水平右转弯机动动作和斤斗动作进行规则提取仿真与分析,验证了该方法的有效性和可行性。

MP-GWO算法在多UCAV协同航迹规划中的应用

多无人作战飞机(UCAV)协同航迹规划是多UCAV协同作战的重要组成部分,对协同作战的结果有很多的指引作用。多UCAV协同航迹规划属于多峰值优化函数求解问题,其求解稳定性比较差。为解决多UCAV协同航迹规划求解稳定性较差的问题,首先在对影响多机协同约束条件研究分析的基础上,结合单机航迹规划求解中的核心指标,建立了多UCAV协同航迹优化函数;其次利用多种群灰狼算法(MP-GWO)在求解多峰值优化函数问题上比较稳定的特点进行求解,最后将MP-GWO分别与GWO算法、EA算法和在新增威胁环境下的求解结果相比较来验证算法的优越可行性。仿真结果表明,MP-GWO算法对多峰值问题具有求解稳定性,能够适应突发威胁环境下的求解。

一种近似动态规划的无人机机动决策方法

针对空战机动决策时出现的"维数爆炸"问题,该文提出一种基于近似动态规划的群智能空战机动决策方法。首先建立无人机空气动力学模型和空战态势优势指标函数。其次,利用近似动态规划的思想,将空战过程按时间域划分为多个规划时域,在每个规划时域内,提出人工势场引导下的改进蚁狮优化算法快速逼近最优控制量,有效裁减搜索空间。通过与专家系统法进行仿真对比,表明所提方法解决高动态、实时性强的无人机机动决策问题的有效性和可行性。

基于L-Kshape-HACA的空战态势分割聚类

在近距空战中,实时获取可靠的空战态势信息对于决策指引是非常重要的。针对近距空战态势变化剧烈以及评估参数多维耦合的问题,提出了一种基于L-Kshape-HACA的多元空战态势分割聚类方法。以分层时序聚类分析为框架,利用拉普拉斯中心性方法确定聚类数目,同时采用Kshape对多元时间序列进行聚类分析,解决了多维参数下的态势信息提取问题。利用12组近距空战数据进行测试,并与14种聚类算法进行比较,结果表明L-Kshape-HACA在聚类中心确定和态势分割准确性上与实际空战态势更加符合。

基于时序分析的近距空战数据知识提取及应用

近距空战数据是飞行员空战经验的具体体现,其知识提取与应用对于无人作战飞机提升近距自主空战决策效率和空战效能至关重要.围绕近距空战数据研究的必要性与研究思路进行阐述,从多元时间序列分类识别、分割聚类、预测3个角度对近距空战数据知识提取与应用关键技术进行分析,重点对机动轨迹识别、态势评估与目标状态预测进行综述与方案设计.

改进决策树的无人机空战态势估计

针对无人机空战态势估计中存在的多参数、非线性、实时性问题,提出了一种改进决策树思想的态势估计推理方法.首先,通过结合无人机与敌机的状态参量作为决策树模型的输入,确保态势估计的依据中包含交战双方的信息,为无人机态势估计的结果的合理性提供理论依据;然后,建立4类态势结果作为决策树模型的输出,以满足态势响应快速性的要求,根据影响空空导弹攻击区的状态参量,对比相同状态参量下,无人机与敌机的评价指标值的大小,构建对应的空战态势分类指标.建立了空战态势分类规则,作为决策树的推理规则,在决策树的节点对态势不断细化.最后,针对决策树中未开发分支引入反推理规则,在未知情形下提高学习能力.通过对不同的典型空战场景:一对一、一对二和二对二,进行仿真验证,并将结果与贝叶斯推理法进行全面比较,通过分析,所提方法用时5.39 s,准确度为80%,贝叶斯推理法用时11.63 s,准确度为60%.准确的实验结果表明所提方法比贝叶斯推理方法的评估速度更快,准确度更高.

多目标灰狼优化算法的改进策略研究

为了解决多目标灰狼优化算法(MOGWO)易陷入局部最优,稳定性差等缺点,基于对算法寻优时灰狼个体运动情况的分析,提出了两条改进策略:一是通过引入"观察"策略赋予灰狼个体自主探索的能力,以提高算法的优化效率和跳出局部最优的能力;二是改进控制参数调整策略,选用幂函数取代线性函数以提高算法的稳定性。然后对两条改进策略进行了可行性分析,提出了带观察策略的多目标灰狼算法并进行了算法复杂度分析。最后通过对6个不同特点测试函数的多次重复实验,结合GD与IGD两种通用评价指标,对原算法、改进后算法和多目标粒子群算法进行比较,从算法效率、寻优能力和稳定性等方面综合验证了算法改进的有效性和优越性。

具有自适应调整策略的混沌灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是新型启元优化算法,相比于其他群体智能优化算法,该算法同样存在收敛速度较慢、不稳定、易陷入局部最优等问题。针对上述问题,根据GWO算法的结构特点,提出了一种自适应调整策略的混沌灰狼优化算法(Chaotic Local Search GWO),利用自适应调整策略来提高GWO算法的收敛速度,通过混沌局部搜索策略增加种群的多样性,使搜索过程避免陷入局部最优。最后利用6个测试函数对算法进行仿真验证,并结合其他4种算法进行了横向比较。实验结果证明,所提出的改进算法在收敛速度、精度以及稳定性方面具有明显的优势。

不确定条件下无人机编队在线协同轨迹规划研究

针对不确定条件下无人作战飞机编队协同轨迹规划问题,提出了一种基于hp自适应伪谱法的局部在线规划方法。首先,通过对无人机编队攻击过程进行分析,建立了以单机威胁、任务执行时间、编队空间碰撞次数和指令时间误差为目标函数的协同轨迹规划数学模型。其次,为了解决在线协同轨迹规划问题,在优化时间片内根据实时环境信息和离线规划数据,给出了基于hp自适应伪谱法的局部规划方法。最后,从离线与在线2种情况分别对该方法进行仿真验证。仿真结果表明,该方法能有效地进行在线协同轨迹规划,而且能提供编队轨迹规划的高精度控制变量和状态变量信息。

AdaBoost-PSO-LSTM网络实时预测机动轨迹

针对自主空战中轨迹预测难以同时保持高预测精度和短预测时间的问题,提出一种自适应增强的粒子群优化长短期记忆网络预测方法。首先,建立三自由度无人机动力学模型,解决机动轨迹的数据来源问题。其次,分析长短期记忆网络,并引入在线预测的滑动模块输入矩阵,利用粒子群优化算法代替传统基于时间的反向传播算法进行网络内部权值更新;同时为解决优化算法非定向性问题,提出数据共享方法。然后,为进一步提高预测精度,采用自适应增强算法搭建外框架,通过控制弱预测器的数量平衡预测精度与预测时间。最后,在一段变化较为频繁的轨迹进行预测,与5种神经网络预测方法进行比较,结果表明所提方法能够较好地满足精度和时间要求。

自适应预测权重的空战鲁棒机动决策方法

针对空战态势变化剧烈的近距空战问题,提出一种具有自适应状态预测权重调整机制的鲁棒机动决策优化方法。首先,为使无人作战飞行器对态势参数的变化波动具有一定的鲁棒性,设计了鲁棒态势函数来表征空战态势。然后,针对目标机动的不确定性问题,利用可达集理论对目标机动意图和状态提前预测,同时采用自适应预测权重系数对无人作战飞行器的攻击和防御进行调整。最后,利用改进的共生生物优化算法对机动决策控制量寻优。仿真结果表明,无人作战飞行器运用该方法能够生成一条理想的近距攻击占位轨迹,实现近距自主空战攻击占位。

基于机动单元库的TSO-GRU-Ada机动轨迹预测

机动轨迹预测是自主空战中的一个重要组成部分。针对无人战斗机机动轨迹预测精度低且时耗过长的问题,提出一种基于机动单元库的自适应集成三角优化门控循环神经网络预测方法。建立无人战斗机3自由度模型,解决轨迹数据来源问题;通过4种轨迹特征,将轨迹分为平面机动、空间左转弯机动和空间右转弯机动三类,构建21种基本机动单元;介绍门控循环神经网络,为避免网络梯度优化陷入局部最优,引入三角搜索优化算法更新网络内部权值和偏置。为提高预测精度,采用自适应增强算法构建强预测器;通过实验选取预测器最优参数,在不同机动单元情况下进行预测,预测精度较高且均能满足时耗要求;为检验在机动轨迹上的预测性能,从空战训练测量仪中选取一段轨迹,与5种不同预测模型进行对比。研究结果表明,所提模型的预测精度最佳。

基于逆强化学习的空战态势评估函数优化方法

为提高无人作战飞机(UCAV)自主决策效能,提出基于逆强化学习的空战态势评估函数优化方法。以现有的正例与反例两类空战数据为样本训练一个RBF网络,采用逆强化学习得到不同态势下的态势值,实现了对现有空战数据的知识提取;利用Sigmoid函数的压缩作用,降低了整体态势值,加快了UCAV学习的收敛速度;采用自适应粒子群算法求解优化了态势评估函数中的权重参数,提升了对复杂空战态势的适应能力;仿真结果表明该方法能够优化态势评估函数,提高机动决策的收敛速度,在UCAV自主决策中具有一定现实意义。

基于航炮振动对示迹线瞄准的改进与仿真

针对航炮发射时炮振给瞄准带来的散布问题,考虑了弹丸的散布精度,进行了弹着散布实验,在直角坐标系内对外弹道进行了仿真,将散布半数必中圆和弹丸外弹道相结合,得到弹丸随距离变化而改变的攻击散布区,并在此基础上对示迹线瞄准作出了改进,提出了示迹线攻击区。通过仿真表明,改进后的瞄准方法可以形成有效的瞄准区域,提高瞄准射击范围,从而增大瞄准射击机会和命中概率。