反无人机蜂群作战战术战法运用分析

随着无人机技术快速发展和广泛应用推广,无人机蜂群作战也逐渐成为现代战争中重要的作战方式,如何反制无人机蜂群作战已成为当前防空系统的一个全新挑战。文中从无人机蜂群作战的概念内涵入手,深度分析了无人机蜂群作战特点以及反制无人机蜂群关键技术与作战过程,并总结出一套反制无人机蜂群作战的战术战法,对反制无人机蜂群作战具有很好的参考意义。

维适应人工蜂群算法的研究

针对于基本人工蜂群算法对于改进维数以及改进维的选择没有充分利用历史搜索信息的问题提出一种维适应机制.由于不同优化问题适用的改进维数不同,而历史搜索信息中蕴含成功经验,构建改进维数成功历史档案并形成适应机制,使算法能够随着具体问题的优化过程适应到合适的改进维数,提高候选解搜索的成功率;在跟随蜂搜索阶段,保持一定比例随机选维的同时引入当前最优解信息对改进维的选择进行指导,在保证维选择适度随机性的同时更快适应到有潜能的维进行搜索,提升算法的收敛能力.采用CEC2014基准测试集与当前先进的5个改进的人工蜂群算法进行实验对比分析,结果及其统计检验表明,提出算法具有更好的求解精度、鲁棒性和收敛能力.

基于改进人工蜂群算法的船舶管路路径寻优算法分析

[目的]人工蜂群(ABC)算法具有控制参数少、局部寻优能力强、收敛速度快的特点,但在解决路径寻优问题方面,存在容易陷入局部最优的缺陷。为解决船舶管路系统中的管路路径规划问题,提出一种改进的人工蜂群(IABC)算法。[方法]在传统人工蜂群算法的基础上,在跟随蜂的更新机制中引入遗传算子中的交叉操作,并对交叉算子的交叉概率采用自适应的策略;通过对种群进行的交叉操作寻找全局范围内的新解,并改进侦察蜂寻找新路径的方式,由原来的对路径经过的点进行更新改为对路径中的“路段”进行更新;随后,提出一种适应于解决分支管路路径寻优的改进人工蜂群协同进化算法。[结果]实例验证表明,改进后的人工蜂群算法相比标准人工蜂群算法其路径布置效果能够提升32.3%~37.4%,收敛速度能够提升17.7%~29.9%。[结论]无论是解决单管路还是分支管路,改进后的人工蜂群算法相比传统的人工蜂群算法求解质量更高、收敛速度更快、稳定性更好。

改进多目标蜂群算法优化洗出运动及仿真实验

针对经典洗出算法参数选择不当导致信号缺失,引起失真,影响洗出效果等问题,提出一种改进的多目标人工蜂群算法,利用该算法对经典洗出算法中的滤波器参数进行优化来改善洗出算法的洗出效果。针对传统蜂群算法初始化和局部优化中存在的问题,引入Circle映射和Pareto局部优化算法;建立人体感知误差模型、加速度差值模型、位移模型,将模型函数作为目标函数,用改进后的多目标人工蜂群算法对经典洗出算法进行参数优化;建立仿真模型对优化后的洗出算法进行仿真验证,应用飞行模拟器运动实验平台进行实验验证。结果表明:经优化后的洗出算法,洗出逼真度得到有效提升,降低了误差峰值,改善了相位延迟,节省了运动空间。

不同代花粉饲料对蜂群采食量、群势及工蜂生理指标的影响

文章旨在研究不同代花粉饲料对蜂群采食量、群势及工蜂生理指标的影响。试验将16群蜂王繁殖力和工蜂数量相近的中华蜜蜂随机分为4组,每组4群。各组蜂群分别采用茶花粉(T0组)、玉米蛋白粉(T1组)、菜籽饼(T2组)、啤酒酵母(T3组)作为饲料原料。试验从春季繁殖期开始,共计60 d。结果表明:(1)4组蜂群的总采食量分别为1671.84、1972.84、1428.63、2298.47 g。其中,与T0组相比,T1组、T3组蜂群的总采食量显著提高了18.00%、37.48%(P<0.05)。(2)试验第20天,T3组蜂群群势显著高于T0组、T1组、T2组(P<0.05);试验第40天,T3组蜂群群势显著高于T0组、T2组(P<0.05);试验第60天,T1组、T3组蜂群群势显著高于T0组、T2组(P<0.05)。(3)4组蜂群工蜂初重分别为0.11、0.12、0.09、0.11 g。其中,与T2组相比,T0组、T1组、T3组工蜂初重显著提高了22.22%、33.33%、22.22%(P<0.05)。T1组成年工蜂头部蛋白质含量显著高于T0组和T2组(P<0.05)。由此可见,用玉米蛋白粉、啤酒酵母作为饲料原料,能增加蜂群采食量,促进蜂群群势增长,改善工蜂生理指标;用菜籽饼作为饲料原料会降低工蜂初重。

基于人工蜂群算法的温差发电阵列最优重构方法

在新能源发电技术快速发展的背景下,温差发电(TEG)技术能够很好地利用新能源发电中产生的废热.然而,温度分布的变化会使得TEG阵列的输出特性恶化、发电效率降低.提出基于人工蜂群(ABC)算法的TEG阵列重构方法,在3种不同温度分布情况下,利用ABC在对称9×9和不对称10×15两种TEG阵列进行动态重构.将所提算法与遗传算法、粒子群优化算法和秃鹰搜索优化算法3种启发式算法作对比,并给出由ABC重构后的TEG阵列温度分布图.结果表明:ABC能够提高TEG阵列的输出功率,输出功率-电压曲线均趋向呈现出单个峰值.此外,利用基于RTLAB平台上的硬件在环实验验证了硬件可行性.

基于多元信息引导的人工蜂群算法

利用优秀个体增强解搜索方程的开采能力是改进人工蜂群算法的一种主流思路.然而,现有相关工作往往仅以适应度信息作为评价个体的唯一标准,易导致算法出现早熟收敛等问题.本文提出一种多元信息引导的人工蜂群算法,分别设计了基于适应度、位置以及相似度信息的3种解搜索方程,并在雇佣蜂阶段和观察蜂阶段采用了不同的使用方式.同时,为保存侦察蜂阶段的搜索经验,采用一种微调后的邻域搜索机制用于处理被放弃蜜源.在CEC2013测试集和一个实际优化问题上进行了大量实验验证,与6种衍生算法和5种知名的相关改进人工蜂群算法进行了对比,结果表明本文算法性能竞争优势明显,在结果精度和收敛速度上均有更好表现.

基于分区个体排名的非线性种群缩减的人工蜂群算法

针对人工蜂群算法(ABC)探索性强而开发性弱,从而导致收敛速度慢的问题,提出了一种基于分区个体排名的非线性种群缩减策略(UPSR-CIR)。首先,该策略设计长尾非线性种群规模缩减函数,在前期保持大种群充分探索,中期快速缩减使得后期保持小种群加强开发,同时为后期分配相对较多计算资源以加速收敛;其次,为确保种群多样性,采用K-means聚类通过间隔一定代数对种群进行动态分区,并以分区为单位进行种群缩减;同时,种群按分区缩减时,按照分区内最优个体在整个种群排名确定删除个体数量,为排名高的潜能分区保留相对较多的计算资源来进一步加强开发。采用22个基准测试函数在ABC及其变体上对UPSR-CIR进行实验对比分析,结果表明UPSR-CIR表现出更高的求解精度、稳定性和收敛速度,同时对于ABC变体具有普适性。最后采用12个经典旅行商问题(TSP)案例进一步验证UPSR-CIR在实际应用问题上的实用性和优越性。

基于改进人工蜂群算法的边缘服务器部署策略

作为移动边缘计算架构部署的第一步,边缘服务器的部署是基础和关键,其部署位置与用户体验和系统性能密切相关,但是目前较少有研究关注该问题。研究无线城域网中移动边缘计算环境下的边缘服务器部署问题,以最小化响应时间为目标,将边缘服务器部署问题定义为一个优化问题,并提出基于交叉的全局人工蜂群算法求解边缘服务器部署的最优解以降低系统的平均响应时间。充分的实验结果表明,所提算法能够有效降低系统响应时间,算法性能优于其他代表性部署算法。

长白山区蜂群早春管理要点

长白山区的蜂群要经过5~6个月的特殊阶段,蜂群停止繁殖,处于半冬眠状态,蜜蜂靠取食蜂巢内蜂蜜来调节蜂团所需的温度和维持生命,该阶段称之为“蜜蜂越冬期”。在第二年的3月末或4月初开始进入春繁阶段,此时外界气温回暖,蜂群由室内到室外,从越冬期过渡到春繁的“排泄”时期,再逐步实施紧脾缩巢、调整饲料、治螨和保温等一系列的春繁工作。由于早春气温不稳定,早晚温差较大,而且外界无蜜粉源,蜂群又经过了漫长的越冬时期,一切都是从新开始.

基于人工蜂群算法的配电网无功优化调度研究

为了改善现有无功功率调度时算法执行效率,解决模型易陷入局部极值问题,提出一种基于改进人工蜂群算法模型。在分析等式和不等式约束的情况下,建立最小化实际功率损耗、电压偏差和电压稳定增强的无功功率调度目标函数。提出一种基于邻域半径选择的改进人工蜂群算法,设计一种新的邻域选择机制和改进的搜索策略。实验阶段,以IEEE39总线电力系统为例,对所提算法有效性和执行效率进行验证。与线性规划(LP)、粒子群优化(PSO)算法和基础人工蜂群(ABC)算法相比,改进ABC算法比其他算法执行效率更优,且解的质量更高。该模型为配电网电力调度及稳定性运行的发展提供了一定借鉴作用。

一种基于强化学习的自适应多邻域人工蜂群算法

邻域拓扑是提高人工蜂群算法性能的一种有效手段.然而,现有相关工作主要是在种群层次上实现了单一邻域拓扑,这种方式忽略了不同类型的邻域拓扑能优势互补,使得算法性能还有一定局限性.为此,本文结合强化学习,提出在个体层次上实现多邻域拓扑。将种群中的个体视作智能体,设计了基于邻域拓扑的状态和动作,选用4种不同特征的邻域拓扑用于构建邻域候选池,之后采用Q-learning方法根据个体的奖励情况为其自适应选择不同的邻域拓扑.该方式相对于现有的单一邻域拓扑,更能充分发挥不同邻域信息对算法搜索的引导作用.在CEC2013和CEC2017两套测试集以及两个实际优化问题上进行了大量实验,与4种邻域相关ABC和4种知名改进ABC进行了性能对比,结果表明该算法的收敛精度和速度均有更好表现,可有效增强邻域人工蜂群算法的性能.

基于从众人工蜂群算法的产品定价研究

预售阶段产品扩散和口碑传播具有不确定性,难以分析口碑以及扩散对企业定价决策的影响,鉴于此构建了扩散效应下的产品定价模型和双口碑效应下的产品定价模型。同时,针对现有人工蜂群算法收敛速度慢且对于定价问题的求解匹配度较低等问题,提出了一种从众人工蜂群算法求解上述模型。该算法在邻域搜索解时,根据安全位置展开安全邻域搜索,提高搜索能力和多样性。实验表明:改进后的人工蜂群算法在寻优过程迭代更快,可求解得到企业在预售阶段和销售阶段的最优定价策略,保障企业在大型活动中获得最大利润。

基于改进人工蜂群算法的受电弓LQR控制器设计

针对受电弓LQR控制策略中性能指标的权重系数依靠人工经验选取不足的问题,建立SS400型受电弓三元质量模型,设计受电弓LQR控制器,以接触力标准差和弓头位移标准差之比为评价指标建立目标函数,由于标准人工蜂群算法存在的收敛速度慢、易陷入局部最优的缺点,通过改进蜂群算法的选择策略和搜索方式对LQR控制器的权重系数进行优化。在MATLAB/Simulink环境中建立弓网耦合模型分别在250 km/h、300 km/h的速度下进行仿真,通过与被动控制和标准蜂群算法寻优的结果对比,改进后弓网接触力标准差与弓头位移标准差分别优化了52.8%、37.5%、27.8%、31.8%、40.5%、43.1%、9.3%、7%,显著改善受电弓受流质量。

基于改进人工蜂群算法的高校自动排课问题的研究

为了解决人工蜂群算法在排课问题上无法跳出局部最优的问题,提出一种基于混沌算法的混合人工蜂群算法(HABC算法)。HABC算法在寻优过程中重视食物源对蜂群的影响,增加邻近区域内对新食物的最优求解,利用两个进化因子来加快算法寻优的速度,在观察蜂后期利用混沌算法防止陷入局部最优。根据高校实际排课约束情况,构建数学模型。应用结果表明,混合人工蜂群算法与传统的人工蜂群算法相比,在相同条件下进行自动排课测试,HABC算法在寻优性能和收敛速度上都有显著的优势。

无人机蜂群技术发展研究

随着人工智能技术的不断发展,无人机蜂群在现代化战争中展现出巨大的作战效能和应用潜力。围绕无人机蜂群技术研究,介绍了国内外无人机蜂群的研究现状,从战略决策和战术执行两个角度构建海陆空无人机蜂群作战体系;同时,分析在该体系下无人机蜂群遂行的侦察监视、通信中继、信息对抗等6种职能任务。基于此,进一步深度剖析支撑三域作战的蜂群控制、网络通信等关键技术,对我国无人机蜂群在抗干扰、无人机反制等技术上的不足之处进行探讨,为未来无人机蜂群技术发展指明研究方向。

长白山食药两用蜜源植物——丝毛飞廉及花期蜂群管理

丝毛飞廉是菊科飞廉属植物。长白山地区百姓多称为老牛错,别称有飞廉、雷公菜、飞廉蒿、飞帘、大力王、鲜飞廉等。幼苗或嫩茎叶清水洗净后即可蘸酱鲜食、炒食或凉拌[1],是食药两用蜜源植物。

基于人工蜂群算法的支持向量回归建模及其在污水处理中的应用

污水处理过程具有大时滞、非线性、多扰动等特点,运行过程中存在生化需氧量(Biochemical Oxygen Demand,BOD)等重要水质参数难以实时测量问题,软测量技术为解决该问题提供了有效方法。对此,文章提出基于人工蜂群算法的支持向量回归(Support Vector Regression,SVR)建模方法。该方法利用蜂群算法对支持向量机的参数gamma和C进行寻优,找到使均方误差最小的超参数组合,以提高模型预测精度。同时,利用加州大学欧文分校(University of California Irvine,UCI)数据库中的污水生产数据验证该方法的有效性,结果表明该方法的实际应用效果好,可为工业生产中难以测量变量的监测提供技术支持。

国外自主防御性无人机蜂群的技术发展和启示

近年来,世界各国正大力推进无人机蜂群项目和技术的研究,那么反过来,各国在对抗大规模无人机蜂群上都面临重大的国家安全挑战。围绕有效对抗无人机蜂群的目标,提出采用自主防御性无人机蜂群进行反制的重要观点。首先,介绍了自主防御性无人机蜂群的发展现状;其次,以芬兰国家技术研究中心提出的一个自主防御性无人机蜂群作战概念为基础,思考如何利用仿真器探索蜂群反蜂群的战术;然后,重点研究了包括强化学习的相关自主性关键技术;最后,为自主防御性无人机蜂群的技术发展提出了几点启示。

结合人工蜂群与K-means聚类的特征选择

K-means聚类是一种简捷高效、收敛速度快且易于实现的统计分析方法,但是传统的K-means聚类算法对初始聚类中心的选取敏感且易陷入局部最优,同时多数无监督特征选择算法容易忽视特征之间的联系。为此,提出了一种结合人工蜂群与K-means聚类的特征选择方法。首先,为了使同一簇中样本的相似度高而不同簇中样本的相似度低,基于簇内聚集度和簇间离散度构建了新的适应度函数,更好地反映各样本的特性,进而构建了蜜源被选择新的概率表达式;其次,设计了随着迭代次数的增加而数值逐渐减小的权重,提出了使蜂群搜索范围动态缩进的蜜源位置更新表达式;然后,为了弥补传统的欧氏距离在计算距离时仅考虑向量之间的累积差异而表现出的局限性,构造了同时考虑样本影响程度不同以及样本的相似性的加权欧氏距离表达式;最后,引入标准差和距离相关系数,定义了特征区分度与特征代表性,以二者之积度量特征重要性。实验结果表明,所提算法加快了人工蜂群算法的收敛速度并提高了K-means算法的聚类效果,同时也有效地提升了特征选择的分类效果。