基于自适应遗传算法的连续时空最优搜索路径规划研究

针对连续时空最优搜索者路径问题,利用随机微分方程描述Markov运动目标,建立了同时优化搜索者方向和速度的规划模型,并考虑了搜索速度对探测能力的影响。设计了一种新颖的自适应变异遗传算法,算法采用较高的变异概率作用于父代精英个体组,通过引入3种控制因子对变异方向和幅度进行自适应控制,动态调节局部搜索和全局搜索的平衡。在对方向未知的逃离目标搜索算例中,得到了近似对数螺旋曲线的搜索路径;在直升机搜索多目标的路径规划中,提供了合理有效的搜索方案。算法对比表明所给出的算法在全局优化能力和稳定性上有明显的优势,适用于求解连续搜索路径规划问题。

基于马尔柯夫过程的武器系统目标分配问题决策分析

将防空作战中武器系统目标分配决策作为一个在动态随机系统中实现最优化的问题,并用马尔柯夫过程理论进行建模分析,提出新的算法并运用Matlab编程;通过对实行不同策略时武器系统长期平均效能的分析比较,指出在目标分配问题上仅靠原有的静态线性规划决策方法是不够的,还必须考虑动态随机对抗过程本身的特性.

连续时空最优搜索者路径问题的改进双链遗传算法

针对连续时空马尔可夫运动目标的最优搜索者路径问题(optimal searcher path problem,OSPP),建立了搜索者方向和速度均作为决策变量的搜索路径规划模型,给出了一种改进的双链遗传算法(improved double chains genetic algorithm,IDCGA)。算法采用双链实数编码策略表达搜索路径,利用混沌初始化方法产生初始种群,提出了变异幅度自适应控制的方法,通过引入基因位自适应因子η和进化代数自适应因子λ对变异操作进行了改进。以反潜搜索问题为例进行的仿真实验表明,所提出的算法具有稳定性好、寻优能力强、收敛速度快等优点,适用于求解复杂搜索路径问题。

多传感器交互滤波算法

由于传感器节点感知范围有限,传感器网络内的目标跟踪过程可以被建模成为一个马尔可夫跳变系统.以此为基础根据贝叶斯理论设计接力卡尔曼滤波算法,重构新息方程,实现网络中连续的协作式跟踪.进而通过混合每次迭代状态和方差的初始值,提出了多传感器交互滤波算法.其性能优于接力卡尔曼滤波算法,却牺牲了算法的计算复杂度.最后,仿真结果验证了所提算法的有效性.

机动目标跟踪的自适应相互作用多模型算法

针对目标跟踪中的目标机动问题提出了一种“基于自适应相互作用多模型”的算法。使用不同的几个子模型来描述目标的运动状态,各个模型有自己的随目标估计状态和当前测量值变化的模型概率,并且各模型之间能通过马尔可夫链的控制自动平滑切换。仿真实验表明了该算法能很好地适应目标的机动,即使采用两个子模型来描述目标的运动,跟踪精度也比较好。

基于马尔柯夫过程的防空武器系统火力分配

基于马尔柯夫过程求解火力分配问题的动态WTA方法,把目标威胁程度纳入性能指标进行火力分配决策,并利用Matlab编写主体程序。其建模包括:基本假设、建立模型及算法改进。通过算例分析知:目标密度较小,使用线性规划的静态WTA法分配目标即可;目标密度较大,则应采用动态WTA方法进行火力分配。