非结构化路口低精度任务约束全局路径规划

针对路口低精度约束条件下全局路径规划问题,对传统A^(*)算法进行改进,形成分层搜索A^(*)算法。首先,提出一种适应非结构化道路实况和军事交通应用需求的高精度导航地图模型,着重构建路口的拓扑网络;其次,阐述任务约束含义并分析路口低精度任务约束对全局最短路径规划的影响,针对性地采用分层搜索策略;最后,通过基于分层搜索的A^(*)算法展开全局路径规划,解决路口低精度约束条件下全局最短路径规划问题。基于某试验场的电子地图展开实验,与传统A^(*)算法和顾及转向约束的A^(*)算法相比,该方法在相同条件下,规划路径在满足常规行驶习惯要求的前提下,保证了路径的最优性,较其他两种方法的规划路径分别短5 265 m和647 m。实验结果表明:该方法能够有效提高对路口约束精度的适应性。

分布式任务计划动态调整模型及算法

战时任务计划的动态调整是当前作战指挥领域研究的热点问题。首先描述了分布式兵力组织的组成要素,对规划问题进行了建模,并且提出了平台定价模型。然后设计了一个分布式的协作框架,用来实现任务计划的动态调整,该框架由两个模块构成,第一部分是内部模块,该模块包括一个N-best算法和一个反馈策略,完成决策实体内部的二次分配;第二部分是外部模块,当任务精度低于期望值时调用此模块,实现决策实体间的协作。最后通过仿真实验证明了该模型的有效性,并讨论了模型在不同情况下的适用性。

基于N-best策略的军事资源匹配方法

对于军事任务与平台的匹配问题,传统算法中平台的分配顺序与任务优先级高低有关,这样容易产生局部最优,导致全局的任务完成精度降低。针对此问题,提出了一种基于N-best策略的军事资源匹配方法。该方法包括2部分内容,第1部分是根据决策空间划分理论而提出的最佳算法,该算法能够为决策者提供若干种可供选择的分配方案,克服了单一方案带来的局限性;第2部分是设计一种反馈策略,通过对若干种可行解进行组合,找到使全局任务完成精度最大的解。实验仿真结果表明,基于N-best的策略能够提高使命完成精度。