基本信息,內容簡介,
基本信息
導師
塗序彥，陳杰指導
學科專業
模式識別與智慧型系統
學位級別
學位授予單位
北京理工大學
學位授予時間
2008
關鍵字
最最佳化算法 武器裝備 組織火力 武器效能
館藏號
E92
館藏目錄
2010\E92\3
內容簡介
許多具有非線性、建模困難、多局部極小和多目標等特點的複雜最佳化問題出現在工程實踐和科學研究中，控制學科的一個重要研究方向就是構建和改進新型最佳化方法以適用於具有這些特點的問題。群智慧型算法作為一種新興的演化計算技術已成為近年來求解複雜最最佳化問題的熱點研究領域。
本文密切跟蹤群智慧型領域的最新研究進展，結合狼群和蜂群兩個算法進行最佳化算法的構建，並針對由預警網、火控網和火力網所組成的反低空小目標大組網系統的最佳化布陣問題，開展了算法的套用研究。主要內容分為以下幾項：
1、提出了一種單目標“狼群-蜂群”融合最佳化算法(WPMBO)。對狼群的群體獵食行為特點，進行抽象，總結出一種狼群最佳化算法。將狼群算法與改進蜂群算法進行結合，提出了一種單目標“狼群-蜂群”融合最佳化算法。利用馬爾可夫鏈理論，證明該最佳化算法能夠以機率一收斂性到全局最優解。將“狼群-蜂群”融合最佳化算法與已有的多種改進蜂群最佳化算法、多種改進PSO算法(cfPSO、UPSO、wFIPSO、FDRPSO、 CLPSO)、基本蜂群最佳化算法和遺傳算法進行仿真比較，結果表明單目標“狼群-蜂群”融合最佳化算法收斂速度快，優於其它最佳化算法。
2、提出了一種多目標“狼群-蜂群”融合最佳化算法(MOWPMBO)。在單目標“狼群-蜂群”融合最佳化算法的基礎上，結合快速非支配排序方法和聚集比較方法，提出了一種多目標“狼群-蜂群”融合最佳化算法，並套用馬爾可夫鏈理論，證明該算法以機率1收斂到極小元集。通過利用多目標測試函式，對所提出的算法和已有的四種典型多目標最佳化算法(MOGA、NPGA、NSGA和NSGA-Ⅱ)進行仿真比較。結果表明所提出的算法具有更快的收斂速度，更接近Pareto最優邊界。
3、套用多目標“狼群-蜂群”融合最佳化算法進行最佳化布陣。提出重疊係數、銜接係數、覆蓋指數和基於方向機率的效能指數，用於精細評估預警網、火控網和火力網組成的大組網系統防禦低空來襲小目標的效能。將效能指數，覆蓋指數作為MOWPMBO算法的兩個目標函式，結合其他約束條件成功實現了對不同種類、數量武器，不同防禦扇面的大組網系統的最佳化布陣，並與NSGAII、NPGA和MOGA進行了算法目標函式值分布的比較。比較結果表明，MOWPMBO的目標函式值分布優於另外三種算法，可以得到具有較大效能指數和覆蓋指數的最佳化陣形。
4、基於高層體系結構(High Level Architecture：HLA)的仿真系統構建與實現。基於HLA框架，提出基於模型重用的串並聯結合的仿真系統框架，劃分聯邦成員(劃分為9個聯邦成員)，定義成員之間的接口，進行紅外聯邦成員和環境聯邦成員的建模與開發。最終成功構建並實現了基於HLA的仿真系統。
