CN109740723B - 一种电子装备抗干扰性能的优化方法及系统 - Google Patents
一种电子装备抗干扰性能的优化方法及系统 Download PDFInfo
- Publication number
- CN109740723B CN109740723B CN201811621198.XA CN201811621198A CN109740723B CN 109740723 B CN109740723 B CN 109740723B CN 201811621198 A CN201811621198 A CN 201811621198A CN 109740723 B CN109740723 B CN 109740723B
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- benefit
- fitness function
- alternative
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种电子装备抗干扰性能的优化方法及系统。所述优化方法,首先,筛选电子装备的薄弱环节;并根据所述薄弱环节确定备选对策,组成优化对策备选集;进而,计算每个备选对策的效益,得到效益备选集;计算每个备选对策的代价,得到代价备选集;在此基础上,根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案;根据所述优化方案优化所述电子转装备的抗干扰性能。本发明的方法引入二进制粒子群优化方法,确定优化方案,实现对电子装备抗干扰性能的优化,提升了电子装备抗干扰性能的效果与效率。
Description
技术领域
本发明涉及电子装备性能优化领域,特别涉及一种电子装备抗干扰性能的优化方法及系统。
背景技术
诸如雷达、导弹之类的复杂电子装备广泛采用了多种高新技术,已成为现代战争的利器,或者是作战效能的倍增器。与此同时,电子装备所面临的战场条件日趋复杂,尤其是战场电磁环境日益恶化,对其生存能力提出了严峻的挑战。而随着电子战技术与水平的不断发展,作为电子战重要作战对象的电子装备,更是不可避免地面临着电子干扰的威胁。因此,抗干扰性能已经成为电子装备极其重要的战术技术指标,甚至可以说电子装备的作战效能很大程度上取决于其抗干扰性能。
电子装备在电子干扰条件下的工作性能,通常又可称之为抗干扰性能。电子装备抗干扰性能优化可以从两个方面出发,一是技术方面的优化,二是操作使用、战术运用等方面的优化。
针对具体电子装备情况和可能面临的电子对抗态势,可能会有许多可选的优化对策,每一种对策都可能通过某些方面对电子装备抗干扰性能实现一定程度的优化,同时各种优化对策实施时往往都需要“付出”一定的代价。可将抗干扰性能看作“效益”,其中既表现了优化技术或措施的作用,又体现了目标、干扰和电子装备的综合作用,而优化技术或措施造成的不利影响则可看作“代价”。抗干扰性能优化的基本出发点是获得尽量“好”的“目标解决效果”,即尽可能大的“效益”;但是,在尽可能大的“效益”时,显然不应不计代价。而综合考虑“效益”和“代价”则显得更加合理,更加符合优化问题的一般求解思想。另外,不能期望某一种或一些对策会全面、彻底地解决电子装备抗干扰性能优化的所有问题,而某些对策之间所起的作用甚至有着相互制约的关系。当备选优化对策数量较多时,优化决策方法的运算量、鲁棒性、全局寻优能力等将成为制约因素,影响电子装备抗干扰性能的效果与效率。
发明内容
本发明的目的是提供一种电子装备抗干扰性能的优化方法及系统,以提升电子装备抗干扰性能的效果与效率。
为实现上述目的,本发明提供了如下方案:
本发明提供一种电子装备抗干扰性能的优化方法,所述优化方法包括如下步骤:
筛选电子装备的薄弱环节;
根据所述薄弱环节确定备选对策,组成优化对策备选集;
计算每个备选对策的效益,得到效益备选集;
计算每个备选对策的代价,得到代价备选集;
根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案;
根据所述优化方案优化所述电子转装备的抗干扰性能。
可选的,所述根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案,具体包括:
构造与所述优化对策备选集对应的粒子,得到粒子群,并确定所述粒子群的每个粒子的初始位置向量和初始速度向量;并计算每个粒子的适应度函数值,将每个粒子的初始位置向量设置为每个粒子处的初始的个体极值,并将所有粒子的适应度函数值的最大值所对应的粒子的位置向量设置为初始的全体极值;
更新所述粒子群;
计算更新后的粒子群中的每个粒子的适应度函数值;
判断第i个粒子的适应度函数值是否大于第i个粒子处的个体极值所对应的粒子的适应度函数值,得到第一判断结果;
若所述第一判断结果表示大于第i个粒子处的个体极值所对应的粒子的适应度函数值,则将第i个粒子的位置向量设置为第i个粒子处的个体极值;分别令i=1,2,…I,确定粒子群中每个粒子处的个体极值,其中,I表示粒子群中粒子的个数;
确定所有粒子的适应度函数值的最大值,判断所述适应度函数值的最大值是否大于所述全体极值所对应的粒子的适应度函数值,得到第二判断结果;
若所述第二判断结果表示大于所述全体极值所对应的粒子的适应度函数值,则将所述所述适应度函数值的最大值所对应的粒子的位置向量设置为全体极值;
确定所有粒子的速度向量的速度最大值,判断所述速度最大值是否大于预设阈值,得到第三判断结果;
若所述第三判断结果表示大于预设阈值,则将所述全体极值输出为优化方案;
若所述第三判断结果表示不大于预设阈值,则返回步骤“更新所述粒子群”。
可选的,所述构造与所述优化对策备选集对应的粒子,得到粒子群,并确定所述粒子群的每个粒子的初始位置向量和初始速度向量,具体包括:
利用公式Xi(k)=[xi1(k),xi2(k),…,xih(k)],构造第i个粒子的位置向量;其中,vi1(k),vi2(k),vih(k)分别表示第k次迭代过程中第i个粒子中的第1,2,h个备选对策被选中的情况,h表示对策备选集中对策的个数;
利用公式Vi(k)=[vi1(k),vi2(k),…,vih(k)],构造第i个粒子的速度向量;其中vi1(k),vi2(k),vih(k)分别表示第i个粒子中的第1,2,h个备选对策在第k+1次迭代过程中被选中的可能性;
令vij(0)=Vminj+randi·(Vmaxj-Vminj),确定所述粒子群中每个粒子的初始速度向量;其中,Vminj,Vmaxj分别表示第j个备选对策的速度最小值和速度最大值。
可选的,所述计算每个粒子的适应度函数值,具体包括:
I,计算每个粒子的适应度函数值f[Xi(k)];其中,δ表示奖励因数,p1和p2分别表示第一权系数和第二权系数,表示第i个粒子的效益函数,B表示效益指标,cj表示j个备选对策被选中的代价,wj表示j个备选对策的权值。
可选的,所述更新所述粒子群,具体包括:
其中,vij(k+1)和xij(k+1)分别表示第k_+1次迭代过程中,第i个粒子第j个备选对策的速度和位置,vij(k)和xij(k)分别表示第k次迭代过程中,第i个粒子第j个备选对策的速度和位置,j=1,2,…,h,i=1,2,…,M,ω表示惯性权重,d1表示调节粒子飞向自身最好位置方向的步长的加速因子,d2表示调节粒子飞向全局最优位置的步长的加速因子,r1和r2分别表示区间[0,1]的第二随机数和第三随机数,pj(k)表示第k次迭代的全体极值对应的粒子的第j个备选对策的位置,pij(k)表示第k次迭代第i个粒子处的个体极值所对应的粒子的第j个备选对策的位置,
本发明还提供一种电子装备抗干扰性能的优化系统,所述优化系统包括:
薄弱环节筛选模块,用于筛选电子装备的薄弱环节;
备选对策确定模块,用于根据所述薄弱环节确定备选对策,组成优化对策备选集;
效益计算模块,用于计算每个备选对策的效益,得到效益备选集;
代价计算模块,用于计算每个备选对策的代价,得到代价备选集;
优化方案确定模块,用于根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案;
优化模块,用于根据所述优化方案优化所述电子转装备的抗干扰性能。
可选的,所述优化方案确定模块,具体包括:
初始化子模块,用于构造与所述优化对策备选集对应的粒子,得到粒子群,并确定所述粒子群的每个粒子的初始位置向量和初始速度向量;并计算每个粒子的适应度函数值,将每个粒子的初始位置向量设置为每个粒子处的初始的个体极值,并将所有粒子的适应度函数值的最大值所对应的粒子的位置向量设置为初始的全体极值;
粒子群更新子模块,用于更新所述粒子群;
适应度函数值计算子模块,用于计算更新后的粒子群中的每个粒子的适应度函数值;
第一判断子模块,用于判断第i个粒子的适应度函数值是否大于第i个粒子处的个体极值所对应的粒子的适应度函数值,得到第一判断结果;
若所述第一判断结果表示大于第i个粒子处的个体极值所对应的粒子的适应度函数值,则将第i个粒子的位置向量设置为第i个粒子处的个体极值;分别令i=1,2,…I,确定粒子群中每个粒子处的个体极值,其中,I表示粒子群中粒子的个数;
第二判断子模块,用于确定所有粒子的适应度函数值的最大值,判断所述适应度函数值的最大值是否大于所述全体极值所对应的粒子的适应度函数值,得到第二判断结果;
第二判断结果处理子模块,用于若所述第二判断结果表示大于所述全体极值所对应的粒子的适应度函数值,则将所述所述适应度函数值的最大值所对应的粒子的位置向量设置为全体极值;
第三判断子模块,用于确定所有粒子的速度向量的速度最大值,判断所述速度最大值是否大于预设阈值,得到第三判断结果;
第三判断结果处理子模块,用于若所述第三判断结果表示大于预设阈值,则将所述全体极值输出为优化方案;若所述第三判断结果表示不大于预设阈值,则返回步骤“更新所述粒子群”。
可选的,所述初始化子模块,具体包括:
位置向量构建单元,用于利用公式Xi(k)=[xi1(k),xi2(k),…,xih(k)],构造第i个粒子的位置向量;其中,vi1(k),vi2(k),vih(k)分别表示第k次迭代过程中第i个粒子中的第1,2,h个备选对策被选中的情况,h表示对策备选集中对策的个数;
速度向量构建单元,用于利用公式Vi(k)=[vi1(k),vi2(k),…,vih(k)],构造第i个粒子的速度向量;其中vi1(k),vi2(k),vih(k)分别表示第i个粒子中的第1,2,h个备选对策在第k+1次迭代过程中被选中的可能性;
速度向量初始化单元,用于令vij(0)=Vminj+randi·(Vmaxj-Vminj),确定所述粒子群中每个粒子的初始速度向量;其中,Vminj,Vmaxj分别表示第j个备选对策的速度最小值和速度最大值。
可选的,所述初始化子模块,具体包括:
适应度函数值计算单元,用于利用公式计算每个粒子的适应度函数值f[Xi(k)];其中,δ表示奖励因数,p1和p2分别表示第一权系数和第二权系数,表示第i个粒子的效益函数,B表示效益指标,cj表示j个备选对策被选中的代价,wj表示j个备选对策的权值。
可选的,所述粒子群更新子模块,具体包括:
其中,vij(k+1)和xij(k+1)分别表示第k_+1次迭代过程中,第i个粒子第j个备选对策的速度和位置,vij(k)和xij(k)分别表示第k次迭代过程中,第i个粒子第j个备选对策的速度和位置,j=1,2,…,h,i=1,2,…,M,ω表示惯性权重,d1表示调节粒子飞向自身最好位置方向的步长的加速因子,d2表示调节粒子飞向全局最优位置的步长的加速因子,r1和r2分别表示区间[0,1]的第二随机数和第三随机数,pj(k)表示第k次迭代的全体极值对应的粒子的第j个备选对策的位置,pij(k)表示第k次迭代第i个粒子处的个体极值所对应的粒子的第j个备选对策的位置,
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种电子装备抗干扰性能的优化方法及系统。本发明提供的优化方法,针对电子装备的薄弱环节,得到优化对策备选集,基于电子装备工作机理和电子对抗机理,计算备选对策的效益和代价,得到效益备选集和代价备选集,然后引入二进制粒子群优化(Binary Particle Swarm Optimization,BPSO)方法,确定优化方案,实现对电子装备抗干扰性能的优化,提升了电子装备抗干扰性能的效果与效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种电子装备抗干扰性能的优化方法的流程图;
图2为本发明提供的一种电子装备抗干扰性能的优化系统的结构示意图;
图3为本发明提供的二进制粒子群算法迭代过程中的适应度函数值的示意图。
具体实施方式
本发明的目的是提供一种电子装备抗干扰性能的优化方法及系统,以提升电子装备抗干扰性能的效果与效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对发明作进一步详细的说明。
实施例1
本发明实施例1提供一种电子装备抗干扰性能的优化方法。
如图1所示,本发明提供一种电子装备抗干扰性能的优化方法,所述优化方法包括如下步骤:
步骤101,筛选电子装备的薄弱环节;
步骤102,根据所述薄弱环节确定备选对策,组成优化对策备选集;
步骤103,计算每个备选对策的效益,得到效益备选集;
步骤104,计算每个备选对策的代价,得到代价备选集;
步骤105,根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案;
步骤106,根据所述优化方案优化所述电子转装备的抗干扰性能。
实施例2
作为实施例1的一种优选的的实时方式,步骤101和步骤102所述筛选电子装备的薄弱环节,根据所述薄弱环节确定备选对策,组成优化对策备选集,具体包括:电子装备抗干扰性能优化对策主要是指能够在某些方面提升其水平的技术改进措施(Measurement ofImprovement on Technology,MIT)。MIT的确定应围绕电子装备抗干扰性能的薄弱环节进行,那么首先要做的工作便是筛选其中的薄弱环节。关于薄弱环节的确定,可以从以下几个方面综合考虑:①本身比较差的环节,即某一个指标、特征参数或被测信号在干扰条件下以较高的概率处于较差的水平或状态,可称之为固有薄弱环节;②通过技术改进,能对抗干扰性能(表现为评估结果)起到明显改善效果的环节,可称之为具有改进潜力的薄弱环节;③多个环节综合改进时,抗干扰性能将改善明显的环节,可称之为具有改进潜力的薄弱环节组合。这些薄弱环节可以是某一块电路板、某一个性能参数、某一种信号处理技术与方法等。另外,薄弱环节有时还具有一定的针对性,比如有些环节对于压制性干扰并不显得薄弱,而对于欺骗性干扰则显得薄弱。开始确定薄弱环节时不可能十分精确,可通过适当扩大化的方式,以增加薄弱环节。
在筛选抗干扰性能的薄弱环节后,确定有针对性的技术改进对策,组成优化对策备选集。结合电子对抗机理的研究及电子装备自身原理的分析进行,选择技术改进对策,可以假设选择了h个改进对策构成优化对策备选集,可记为:MIT={m1,m2,…,mh}。
步骤102所述计算每个备选对策的效益,得到效益备选集,具体包括:首先,建立技术改进对策的效益模型,本发明以评估结果或评估结果的改善程度作为评价改进措施效益的尺度,可分别称之为绝对效益和相对效益。基本思路是,对于特定技术改进对策,设法获取改进后的抗干扰性能评估指标,与原指标进行比较;还可根据得到的评估指标,利用特定评估模型与方法,进一步得出改进后的抗干扰性能评估结果,与原结果进行比较。按照上述思路建立与优化对策备选集对应的效益备选集,记为:
BE={b1,b2,…,bh};
其中bk为mk对应的效益,1≤k≤h。其中,效益bk可以根据评估结果给出,也可根据关键评估指标给出。例如,假设采用模糊综合评估方法对抗干扰性进行评估,将评价等级划分为“好、较好、一般、较差、差”等5个等级,评价结果可表示为:
其中,ei表示评估结果属于对于评价等级的隶属度。e1表示抗干扰性能评估结果属于等级“好”的隶属度,1为最大值、0为最小值;e2表示抗干扰性能评估结果属于等级“较好”的隶属度,1为最大值、0为最小值;e3表示抗干扰性能评估结果属于等级“一般”的隶属度,1为最大值、0为最小值;e4表示抗干扰性能评估结果属于等级“较差”的隶属度,1为最大值、0为最小值;e5表示抗干扰性能评估结果属于等级“差”的隶属度,1为最大值、0为最小值。
给出一个绝对效益模型函数的具体示例:
基于关键评估指标给出效益bk时,则可结合评估指标的自身特点,构建效益模型函数。
步骤103所述计算每个备选对策的代价,得到代价备选集,具体包括:在针对电子装备抗干扰性能进行技术改进时,除了效益,还须考虑付出的代价。关于技术改进代价,可以针对具体问题,从费用、技术改进所需时间、可能对装备其它性能造成的影响、制约因素等方面综合衡量。建立与对策备选集对应的代价备选集,记为:CO={c1,c2,…,ch},其中,ck为mk对应的代价。
在确定优化方案前,需确定抗干扰性能优化策略的形式,具体包括:其中抗干扰性能优化策略是指:在一定条件下,从优化对策备选集中选择一个或多个技术改进对策,构成最优的改进方案。按照不同的要求,技术改进对策选择可分为效益型、代价型、费效比型等三种情况。
(1)效益型
即在给定代价C的条件下,寻找效益最优的改进对策集,记为MI。这类优化问题可描述为:
约束条件:∑wk·ck≤C
关于以上问题的描述,有以下几点说明:
①目标函数的描述,以绝对效益函数为例说明问题,而以相对效益函数描述的道理相同,后文遇到类似问题不再重复说明;
③与ck对应的mk满足条件mk∈MI;
④wk为计算MI总代价时mk的权值,反映各对策的重要程度,如没有充分的依据,可简化地认为wk=1;
⑤计算总代价时,采用加权求和的方式,即简化地认为各对策产生的代价相对独立且具有可加性,这也符合大多数情况,对于个别情况可以另行考虑,本文暂不作进一步讨论。
(2)代价型
即在给定效益B的条件下,寻找代价最小的改进对策集MT。这类优化问题可描述为:
目标函数:min(∑wk·ck)
此处的代价型问题描述与以上的效益型问题描述,实质上是从不同的方面出发解决同一个问题,一个是给定效益条件寻求最小代价,另外一个是给定代价条件寻求最优效益,二者求解的思路与方法基本类似。
(3)费效比型
即在给定代价C、效益B,或者没有约束要求的条件下,综合比较代价、效益因素,寻找最优的改进对策集MI。这类优化问题可描述为:
目标函数:max[f(MI)]
其中,目标函数应包含效益和代价因素。显然,效益越大,该目标函数越大;代价越大,该目标函数则越小。这里可以给出两类典型的目标函数表达式:
①加减型
其中,p1、p2均为正实数。
②乘除型
通常,对电子装备进行技术改进的思路一般是首先确定要达到的目标,然后再考虑控制代价。鉴于此,本发明选择费效比型。
然而,无论采取哪一类型的问题描述,技术改进对策选择都是一个典型的集合覆盖问题,属于N-P难题的范畴。特别是当备选集规模较大时,由于运算量等问题,很难获得全局最优解,往往只能退而求其次,获取全局次优解。
关于N-P难题的求解,目前已有许多算法可供选择,比如基于逻辑运算的方法、基于贪婪策略的方法、基于遗传算法的方法等。不过,随着系统规模的扩大,基于逻辑运算和基于贪婪策略的求解方法运算开销都成指数增长,而遗传算法的搜索效率较低,容易使复杂问题求解陷入局部最优,且运算量庞大。与之相对应的是,粒子群优化算法较好地解决了上述问题,具有算法简单、高效、寻优能力强等显著特点。
本发明提出基于BPSO算法的抗干扰性能优化策略。粒子群优化(Particle SwarmOptimization,PSO)算法介于遗传算法和进化规划,在编码方式上也较其它的算法简单,对于解决非线性全局优化问题具有独特优势。针对组合优化问题的求解,提出了PSO的离散二进制版——二进制粒子群优化算法(Binary Particle Swarm Optimization,BPSO)。
PSO算法系统中,每个备选集被称为一个“粒子”,每个粒子可看作多维搜索空间中的一个没有重量和体积的粒子,并在搜索空间中以一定的速度飞行,飞行速度由粒子的飞行经验和群体的飞行经验进行动态调整,多个粒子共存、合作寻优(类似于鸟群觅食)。PSO算法先生成初始种群,即在可行解空间中随机初始化一群粒子,每个粒子都作为优化问题的一个可行解,并由目标函数(又称为适应度函数)为之确定一个适应度值(fitnessvalue)。每个粒子在解空间中运动,并由一个速度决定运动方向和距离。通常粒子追随当前最优粒子而运动,并经逐步迭代搜索,直至得到最优解。作为PSO的离散二进制版,BPSO算法在遵循PSO算法基本原理和实现方法的基础上,各粒子位置向量的每一维被严格地限制为0或1,即只有两种状态,而相应的移动速度影响对应位置向量某一维取值为1的可能性,实际上是根据一种状态或另一种状态的变化概率定义粒子的轨迹和速度,粒子寻优结果则代表组合优化问题的解。
具体的,如步骤105所述根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案,具体包括:
构造与所述优化对策备选集对应的粒子,得到粒子群,并确定所述粒子群的每个粒子的初始位置向量和初始速度向量;并计算每个粒子的适应度函数值,将每个粒子的初始位置向量设置为每个粒子处的初始的个体极值,并将所有粒子的适应度函数值的最大值所对应的粒子的位置向量设置为初始的全体极值;
更新所述粒子群;
计算更新后的粒子群中的每个粒子的适应度函数值;
判断第i个粒子的适应度函数值是否大于第i个粒子处的个体极值所对应的粒子的适应度函数值,得到第一判断结果;若所述第一判断结果表示大于第i个粒子处的个体极值所对应的粒子的适应度函数值,则将第i个粒子的位置向量设置为第i个粒子处的个体极值;分别令i=1,2,…I,确定粒子群中每个粒子处的个体极值,其中,I表示粒子群中粒子的个数;更进一步的,对于每一个粒子,将其当前适应度值与该粒子经历过最好位置pbest的适应度值进行比较,若更好,则将其作为当前的最好位置pbest,否则维持原pbest。显然,任意粒子的初始pbest即为其初始位置,可记为:
Pi(0)=[pi1(0),pi1(0),...,pih(0)]=Xi(0)
于是,任意粒子第k步的pbest可按如下规则获得:
确定所有粒子的适应度函数值的最大值,判断所述适应度函数值的最大值是否大于所述全体极值所对应的粒子的适应度函数值,得到第二判断结果;更进一步的,对于每一个粒子,将其当前适应度值与所有粒子经历过最好位置gbest的适应度值进行比较,若更好,则将其作为当前的最好位置gbest,否则维持原gbest。类似地,可记初始gbest为:
Pg(0)=[pg1(0),pg1(0),...,pgh(0)]
显然,粒子群的初始gbest即为所有粒子初始位置中适应度值最大者,假设为Xs(0),其中(1≤s≤h),那么Pg(0)=Xs(0)满足以下条件:
于是,第k步的gbes t可按如下规则获得:
确定所有粒子的速度向量的速度最大值,判断所述速度最大值是否大于预设阈值,得到第三判断结果;若所述第三判断结果表示大于预设阈值,则将所述全体极值输出为优化方案;若所述第三判断结果表示不大于预设阈值,则返回步骤“更新所述粒子群”。
所述构造与所述优化对策备选集对应的粒子,得到粒子群,并确定所述粒子群的每个粒子的初始位置向量和初始速度向量,具体包括:每个粒子的位置向量由长度为h的二进制码构成,即与技术改进对策备选集的维数一致。第k次迭代时,第i个粒子的位置向量可以记为Xi(k)=[xi1(k),xi2(k),…,xih(k)];其中,vi1(k),vi2(k),vih(k)分别表示第k次迭代过程中第i个粒子中的第1,2,h个备选对策被选中的情况,h表示对策备选集中对策的个数;xij(k)=1表示对应的改进对策被选中,xij(k)=0则表示该对策未被选中,1≤j≤h。
令确定所述粒子群中每个粒子的初始位置向量;其中,randi表示区间[0,1]内的第i个第一随机数,p表示对策被选中的概率;p在(0,1)区间取值,其实质是xij(0)以概率p置1,即对应的改进对策以概率p被选中。通过选择不同的阈值p,可以调节粒子初始位置向量的二进制编码。特殊地,在没有任何改进对策的先验信息时,设p=0.5,意味着所有对策被选中、未被选中的概率相等。也可根据对每一个对策的研究,给出倾向性的阈值设置,这时不再采用统一的阈值设置,而是为每一个对策设置一个对应的阈值。对于经分析认为可能产生较大效益的对策,可设置较大的阈值,反之设置较小的阈值,使初始位置倾向于选择能产生较大效益的对策集,增加算法的收敛速度。另外,为每一个粒子设置不同的阈值,也能增加初始粒子群的多样性,以增加算法的全局搜索能力,避免陷入局部最优。
利用公式Vi(k)=[vi1(k),vi2(k),…,vih(k)],构造第i个粒子的速度向量;其中vi1(k),vi2(k),vih(k)分别表示第i个粒子中的第1,2,h个备选对策在第k+1次迭代过程中被选中的可能性;粒子速度向量各维vij(k)可在(-∞,+∞)取值,表示粒子位置向1、0运动的可能性,即下一步对应的改进对策被选中或未被选中的可能性。定性的看,对于某一个粒子,vij(k)越大,粒子运动后对应位置向量某一维取值为1的可能性越大,反之则取值为0的可能性越大。
令vij(0)=Vminj+randi·(Vmaxj-Vminj),确定所述粒子群中每个粒子的初始速度向量;其中,Vminj,Vmaxj分别表示第j个备选对策的速度最小值和速度最大值。对于粒子的初始速度向量,可随机生成,也可简化地认为所有粒子的初始速度均为0。采用随机生成方法时,假设粒子第j(1≤j≤h)维速度变化范围限定在[Vminj,Vmaxj]。
所述计算每个粒子的适应度函数值,具体包括:按照粒子群算法的基本思想,抗干扰性能优化策略是一个费效比型问题,衡量粒子适应度的基本标准是:被选中对策的总代价,即∑wk·ck的取值越小越好;同时,被选中对策使得抗干扰性能提升的程度,即总效益的取值是越大越好。因此,构建适应度函数时应综合考虑以上两方面的因素。鉴于此,给出一种适应度函数,如下式所示:
其中,MI由粒子位置向量Xi(k)确定,即由Xi(k)中取值为1的元素对应的优化对策构成。需要说明的是,以上粒子的适应度函数是采用绝对效益模型构造的,采用相对效益模型的适应度函数构造方法与过程类似。不过,以上适应度函数的形式,仅仅把所选对策集的效益当作一个一般的量值计入适应度函数,对于其是否满足大于给定效益B的约束条件,并没有明确反映。为进一步强化搜寻最低代价的目的,即在满足给定效益条件的前提下,尽可能降低代价,本发明利用利用公式 计算每个粒子的适应度函数值f[Xi(k)];其中,δ表示奖励因数,p1和p2分别表示第一权系数和第二权系数,表示第i个粒子的效益函数,B表示效益指标,cj表示j个备选对策被选中的代价,wj表示j个备选对策的权值。
所述更新所述粒子群,具体包括:
其中,vij(k+1)和xij(k+1)分别表示第k_+1次迭代过程中,第i个粒子第j个备选对策的速度和位置,vij(k)和xij(k)分别表示第k次迭代过程中,第i个粒子第j个备选对策的速度和位置,j=1,2,…,h,i=1,2,…,M,ω表示惯性权重,d1表示调节粒子飞向自身最好位置方向的步长的加速因子,d2表示调节粒子飞向全局最优位置的步长的加速因子,r1和r2分别表示区间[0,1]的第二随机数和第三随机数,pj(k)表示第k次迭代的全体极值对应的粒子的第j个备选对策的位置,pij(k)表示第k次迭代第i个粒子处的个体极值所对应的粒子的第j个备选对策的位置,函数S(·)一般取Sigmoid函数,函数S(·)将理论取值范围为(-∞,+∞)的vij(k)映射到[0,1]区间,采用它与rand的比较结果确定粒子的位置,实质上是采用蒙特卡罗方法,使粒子位置以概率S(·)取1。也就是说,S(·)反映的是,vij(k)越大,xij(k)取值为1的可能性越大,反之取0的可能性越大。显然,粒子的全体极值gbest的每一维pgj(k)、个体极值pbest的每一维pij(k),同样被严格地限制为0或1。需要注意的是,所表示的Sigmoid函数S(·)是非线性函数,满足下式:
当|vij(k)|较大时,S[vij(k)]会迅速接近0或1,出现饱和现象,致使xij(k)迅速以近似为1的概率选0或1,即算法早熟,陷入局部最优。因此,为了避免BPSO算法的早熟,通常为|vij(k)|设置一个上限值Vmax。Vmax越大,算法收敛速度越快,但倾向于当前最优解的局部搜索;Vmax越小,算法越倾向于全局搜索,但收敛速度慢。因此,选择Vmax时应平衡考虑,设定Vmax=4,S(·)因而在[0.018,0.982]区间取值,使得迭代时xij(k)总是能以相当的概率选择0或1,避免了算法早熟,有利于全局最优解的搜索。
实施例3,
本发明实施例3提供一种电子装备抗干扰性能的优化系统。
如图2所示,本发明实施例3提供一种电子装备抗干扰性能的优化系统,所述优化系统包括:
薄弱环节筛选模块201,用于筛选电子装备的薄弱环节;
备选对策确定模块202,用于根据所述薄弱环节确定备选对策,组成优化对策备选集;
效益计算模块203,用于计算每个备选对策的效益,得到效益备选集;
代价计算模块204,用于计算每个备选对策的代价,得到代价备选集;
优化方案确定模块205,用于根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案;
优化模块206,用于根据所述优化方案优化所述电子转装备的抗干扰性能。
实施例4
作为实施例3的一种优选的实施方式,所述优化方案确定模块205,具体包括:
初始化子模块,用于构造与所述优化对策备选集对应的粒子,得到粒子群,并确定所述粒子群的每个粒子的初始位置向量和初始速度向量;并计算每个粒子的适应度函数值,将每个粒子的初始位置向量设置为每个粒子处的初始的个体极值,并将所有粒子的适应度函数值的最大值所对应的粒子的位置向量设置为初始的全体极值;
粒子群更新子模块,用于更新所述粒子群;
适应度函数值计算子模块,用于计算更新后的粒子群中的每个粒子的适应度函数值;
第一判断子模块,用于判断第i个粒子的适应度函数值是否大于第i个粒子处的个体极值所对应的粒子的适应度函数值,得到第一判断结果;
第一判断结果处理子模块,用于若所述第一判断结果表示大于第i个粒子处的个体极值所对应的粒子的适应度函数值,则将第i个粒子的位置向量设置为第i个粒子处的个体极值;分别令i=1,2,…I,确定粒子群中每个粒子处的个体极值,其中,I表示粒子群中粒子的个数;
第二判断子模块,用于确定所有粒子的适应度函数值的最大值,判断所述适应度函数值的最大值是否大于所述全体极值所对应的粒子的适应度函数值,得到第二判断结果;
第二判断结果处理子模块,用于若所述第二判断结果表示大于所述全体极值所对应的粒子的适应度函数值,则将所述所述适应度函数值的最大值所对应的粒子的位置向量设置为全体极值;
第三判断子模块,用于确定所有粒子的速度向量的速度最大值,判断所述速度最大值是否大于预设阈值,得到第三判断结果;
第三判断结果处理子模块,用于若所述第三判断结果表示大于预设阈值,则将所述全体极值输出为优化方案;若所述第三判断结果表示不大于预设阈值,则返回步骤“更新所述粒子群”。
所述初始化子模块,具体包括:位置向量构建单元,用于利用公式Xi(k)=[xi1(k),xi2(k),…,xih(k)],构造第i个粒子的位置向量;其中,vi1(k),vi2(k),vih(k)分别表示第k次迭代过程中第i个粒子中的第1,2,h个备选对策被选中的情况,h表示对策备选集中对策的个数;位置向量初始化单元,用于令确定所述粒子群中每个粒子的初始位置向量;其中,randi表示区间[0,1]内的第i个第一随机数,p表示对策被选中的概率;速度向量构建单元,用于利用公式Vi(k)=[vi1(k),vi2(k),…,vih(k)],构造第i个粒子的速度向量;其中vi1(k),vi2(k),vih(k)分别表示第i个粒子中的第1,2,h个备选对策在第k+1次迭代过程中被选中的可能性;速度向量初始化单元,用于令vij(0)=Vminj+randi·(Vmaxj-Vminj),确定所述粒子群中每个粒子的初始速度向量;其中,Vminj,Vmaxj分别表示第j个备选对策的速度最小值和速度最大值。
所述初始化子模块,具体包括:适应度函数值计算单元,用于利用公式计算每个粒子的适应度函数值f[Xi(k)];其中,δ表示奖励因数,p1和p2分别表示第一权系数和第二权系数,表示第i个粒子的效益函数,B表示效益指标,cj表示j个备选对策被选中的代价,wj表示j个备选对策的权值。
所述粒子群更新子模块,具体包括:速速向量更新单元,用于利用公式更新每个粒子的速速向量;位置向量更新单元,用于利用公式更新每个粒子的位置向量;其中,vij(k+1)和xij(k+1)分别表示第k_+1次迭代过程中,第i个粒子第j个备选对策的速度和位置,vij(k)和xij(k)分别表示第k次迭代过程中,第i个粒子第j个备选对策的速度和位置,j=1,2,…,h,i=1,2,…,M,ω表示惯性权重,d1表示调节粒子飞向自身最好位置方向的步长的加速因子,d2表示调节粒子飞向全局最优位置的步长的加速因子,r1和r2分别表示区间[0,1]的第二随机数和第三随机数,pj(k)表示第k次迭代的全体极值对应的粒子的第j个备选对策的位置,pij(k)表示第k次迭代第i个粒子处的个体极值所对应的粒子的第j个备选对策的位置,
实施例5
本法明实施例5提供了本发明的优化方法和系统的验证方式。
为了进一步说明基于BPSO算法的抗干扰性能优化策略,特别是验证其有效性,提供一个具体的实验示例。
首先,构建某电子装备的一个抗干扰性能技术改进优化对策备选集MIT,假设由30个对策构成;接下来,给出每个改进对策实施后得到的抗干扰性能模糊综合评估结果选取λ1=2、λ2=1、λ3=0、λ4=-1、λ5=-2,并计算相应的效益,构成效益备选集BE;同时给出对应的代价备选集CO。一组具体的MIT、BE及CO数据如表1所示。
表1技术改进对策数据
为进一步明确实验条件,给出关于改进对策代价与效益的两个假设:①各改进对策产生的代价相互独立且具有可加性,并认为各对策代价的权值均为1,即wj=1.4;②关于效益的获取,如果设定fmax为单个改进对策效益的最大取值,显然这里的fmax为2。可构建如下模型描述多个对策的总效益:
得到如下关系成立:
当然,就效益而言,实际情况要复杂得多,本发明所构建的模型是一种简化模型。而定性地说,本发明所反映的关系与实际情况基本一致,本发明所构建的模型在一定程度上是合理的。在BPSO算法运行过程中,涉及到代价、效益等方面计算,均依据以上假设进行。
接下来,构建BPSO算法模型。根据实验情况,设置主要参数:粒子维数h=30、粒子数目m=10、K=200、Vminj=-4、Vmaxj=4、d1=d2=2、ωmax=1.4、ωmin=0.4、p1=p2=0.5、B=1.5、δ=0.1等。
于是,粒子位置向量X便由30个元素构成,每一位是否取1表示该对策是否被选中;粒子速度向量的维数相同,在[-4,4]区间取值。粒子的适应度函数则为:
随机生成10个粒子的初始位置向量与速度向量,按照根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案的步骤进行迭代搜索。实验发现,本发明平均迭代80~90步即可得到满意解,且多次实验均能得到一致的结果。
如图3所示,某次实验在迭代到第89步时即搜索到满意解,其中图(a)给出了全体极值的适应度值在迭代过程中的变化情况,图(b)给出了10个粒子各自个体极值适应度值的变化情况。
如图3所示,本例中BPSO算法的收敛性以及全局搜索性能较好。搜索得到的全体极值为:
gbest={000000000000000000000001001010}
即搜索得到的对策集MI={m24,m27,m29},此时全体极值的适应度值为1.0215,效益为1.9347,代价为0.092。表示选择表1中第24、27、29等三个技术改进对策时,在满足改进效益大于1.5的情况下,可以获得最大的费效比,这与表1中数据反映的情况一致。以上实例表明,将BPSO算法用于电子装备抗干扰性能技术改进对策的选择,可以有效地搜索到满意解。而相对于传统方法,满意解的搜索可以在较少的迭代次数内完成,且全局搜索性能和鲁棒性好,在效率和性能方面均具有独特的优势。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
1)现代战场中,电子装备必然面临复杂的电子对抗态势,客观、准确评判其抗干扰性能,并迅速采取有针对性的改进对策,对于电子装备抗干扰性能优化是必要且可行的,进而推动其作战效能的改善提高。对于电子装备而言,往往有多种可供选择的抗干扰性能优化对策,而在其中选择那些优化对策,即优化策略问题,则是一个组合优化问题,也是一个典型的集合覆盖问题,属于N-P难题的范畴。受运算量、鲁棒性、全局寻优能力等因素制约,利用传统算法解决抗干扰性能优化问题存在一定困难。本发明针对组合优化问题而提出的BPSO算法,具有算法简单、高效、寻优能力强等显著特点,对于解决抗干扰性能优化策略问题有明显优势。
2)本发明对电子装备抗干扰性能优化策略问题实质进行了系统分析,建立了优化对策、效益模型、代价模型、优化策略的数学描述。引入BPSO算法,给出了基于BPSO求解抗干扰性能优化策略的一般方法与过程,并围绕一个具体的实验示例对该方法进行了验证与分析。结果表明,基于BPSO搜索抗干扰性能优化策略的方法是可行的,可以有效得到满意解,且算法的全局搜索性能和鲁棒性好,寻优效率和性能具有优势,对于解决类似的组合优化问题具有借鉴意义。而且可以推论,当备选对策集规模更大时,本发明的优化方法在全局寻优能力、运算速度等方面将具有更大的优势。
3)本发明为抗干扰性能优化策略之类问题的解决开拓了新的途径,能够帮助电子装备在复杂动态电子对抗态势条件下,准确、快速确定最优技术改进对策组合,也能为新型电子装备在设计过程中确定“费效比”最优的抗干扰技术措施组合提供支持。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (8)
1.一种电子装备抗干扰性能的优化方法,其特征在于,所述优化方法包括如下步骤:
筛选电子装备的薄弱环节;
根据所述薄弱环节确定备选对策,组成优化对策备选集;
计算每个备选对策的效益,得到效益备选集;具体的,通过根据评估指标的特点,构建效益模型函数计算每个备选对策的效益,得到效益备选集;所述效益模型函数包括绝对效益模型函数和相对效益模型函数;
计算每个备选对策的代价,得到代价备选集;
根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案;所述二进制粒子群优化算法的适应度函数为:
根据所述优化方案优化所述电子装备的抗干扰性能。
2.根据权利要求1所述的一种电子装备抗干扰性能的优化方法,其特征在于:所述根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案,具体包括:
构造与所述优化对策备选集对应的粒子,得到粒子群,并确定所述粒子群的每个粒子的初始位置向量和初始速度向量;并计算每个粒子的适应度函数值,将每个粒子的初始位置向量设置为每个粒子处的初始的个体极值,并将所有粒子的适应度函数值的最大值所对应的粒子的位置向量设置为初始的全体极值;
更新所述粒子群;
计算更新后的粒子群中的每个粒子的适应度函数值;
判断第i个粒子的适应度函数值是否大于第i个粒子处的个体极值所对应的粒子的适应度函数值,得到第一判断结果;
若所述第一判断结果表示大于第i个粒子处的个体极值所对应的粒子的适应度函数值,则将第i个粒子的位置向量设置为第i个粒子处的个体极值;分别令i=1,2,…I,确定粒子群中每个粒子处的个体极值,其中,I表示粒子群中粒子的个数;
确定所有粒子的适应度函数值的最大值,判断所述适应度函数值的最大值是否大于所述全体极值所对应的粒子的适应度函数值,得到第二判断结果;
若所述第二判断结果表示大于所述全体极值所对应的粒子的适应度函数值,则将所述所述适应度函数值的最大值所对应的粒子的位置向量设置为全体极值;
确定所有粒子的速度向量的速度最大值,判断所述速度最大值是否大于预设阈值,得到第三判断结果;
若所述第三判断结果表示大于预设阈值,则将所述全体极值输出为优化方案;
若所述第三判断结果表示不大于预设阈值,则返回步骤“更新所述粒子群”。
3.根据权利要求2所述的一种电子装备抗干扰性能的优化方法,其特征在于:所述构造与所述优化对策备选集对应的粒子,得到粒子群,并确定所述粒子群的每个粒子的初始位置向量和初始速度向量,具体包括:
利用公式Xi(k)=[xi1(k),xi2(k),…,xih(k)],构造第i个粒子的位置向量;其中,vi1(k),vi2(k),vih(k)分别表示第k次迭代过程中第i个粒子中的第1,2,h个备选对策被选中的情况,h表示对策备选集中对策的个数;
利用公式Vi(k)=[vi1(k),vi2(k),…,vih(k)],构造第i个粒子的速度向量;其中vi1(k),vi2(k),vih(k)分别表示第i个粒子中的第1,2,h个备选对策在第k+1次迭代过程中被选中的可能性;
令vij(0)=Vminj+randi·(Vmaxj-Vminj),确定所述粒子群中每个粒子的初始速度向量;其中,Vminj,Vmaxj分别表示第j个备选对策的速度最小值和速度最大值。
4.根据权利要求2所述的一种电子装备抗干扰性能的优化方法,其特征在于:所述更新所述粒子群,具体包括:
5.一种电子装备抗干扰性能的优化系统,其特征在于,所述优化系统包括:
薄弱环节筛选模块,用于筛选电子装备的薄弱环节;
备选对策确定模块,用于根据所述薄弱环节确定备选对策,组成优化对策备选集;
效益计算模块,用于计算每个备选对策的效益,得到效益备选集;具体的,通过根据评估指标的特点,构建效益模型函数计算每个备选对策的效益,得到效益备选集;所述效益模型函数包括绝对效益模型函数和相对效益模型函数;
代价计算模块,用于计算每个备选对策的代价,得到代价备选集;
优化方案确定模块,用于根据所述效益备选集和所述代价备选集,采用二进制粒子群优化算法确定优化方案;所述二进制粒子群优化算法的适应度函数为:h,i=1,2,…,I;其中,δ表示奖励因数,p1和p2分别表示第一权系数和第二权系数,表示第i个粒子的效益函数,B表示效益指标,cj表示j个备选对策被选中的代价,wj表示j个备选对策的权值;
优化模块,用于根据所述优化方案优化所述电子装备的抗干扰性能。
6.根据权利要求5所述的一种电子装备抗干扰性能的优化系统,其特征在于:所述优化方案确定模块,具体包括:
初始化子模块,用于构造与所述优化对策备选集对应的粒子,得到粒子群,并确定所述粒子群的每个粒子的初始位置向量和初始速度向量;并计算每个粒子的适应度函数值,将每个粒子的初始位置向量设置为每个粒子处的初始的个体极值,并将所有粒子的适应度函数值的最大值所对应的粒子的位置向量设置为初始的全体极值;
粒子群更新子模块,用于更新所述粒子群;
适应度函数值计算子模块,用于计算更新后的粒子群中的每个粒子的适应度函数值;
第一判断子模块,用于判断第i个粒子的适应度函数值是否大于第i个粒子处的个体极值所对应的粒子的适应度函数值,得到第一判断结果;
第一判断结果处理子模块,用于若所述第一判断结果表示大于第i个粒子处的个体极值所对应的粒子的适应度函数值,则将第i个粒子的位置向量设置为第i个粒子处的个体极值;分别令i=1,2,…I,确定粒子群中每个粒子处的个体极值,其中,I表示粒子群中粒子的个数;
第二判断子模块,用于确定所有粒子的适应度函数值的最大值,判断所述适应度函数值的最大值是否大于所述全体极值所对应的粒子的适应度函数值,得到第二判断结果;
第二判断结果处理子模块,用于若所述第二判断结果表示大于所述全体极值所对应的粒子的适应度函数值,则将所述所述适应度函数值的最大值所对应的粒子的位置向量设置为全体极值;
第三判断子模块,用于确定所有粒子的速度向量的速度最大值,判断所述速度最大值是否大于预设阈值,得到第三判断结果;
第三判断结果处理子模块,用于若所述第三判断结果表示大于预设阈值,则将所述全体极值输出为优化方案;若所述第三判断结果表示不大于预设阈值,则返回步骤“更新所述粒子群”。
7.根据权利要求6所述的一种电子装备抗干扰性能的优化系统,其特征在于:所述初始化子模块,具体包括:
位置向量构建单元,用于利用公式Xi(k)=[xi1(k),xi2(k),…,xih(k)],构造第i个粒子的位置向量;其中,vi1(k),vi2(k),vih(k)分别表示第k次迭代过程中第i个粒子中的第1,2,h个备选对策被选中的情况,h表示对策备选集中对策的个数;
速度向量构建单元,用于利用公式Vi(k)=[vi1(k),vi2(k),…,vih(k)],构造第i个粒子的速度向量;其中vi1(k),vi2(k),vih(k)分别表示第i个粒子中的第1,2,h个备选对策在第k+1次迭代过程中被选中的可能性;
速度向量初始化单元,用于令vij(0)=Vminj+randi·(Vmaxj-Vminj),确定所述粒子群中每个粒子的初始速度向量;其中,Vminj,Vmaxj分别表示第j个备选对策的速度最小值和速度最大值。
8.根据权利要求6所述的一种电子装备抗干扰性能的优化系统,其特征在于:所述粒子群更新子模块,具体包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621198.XA CN109740723B (zh) | 2018-12-28 | 2018-12-28 | 一种电子装备抗干扰性能的优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621198.XA CN109740723B (zh) | 2018-12-28 | 2018-12-28 | 一种电子装备抗干扰性能的优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740723A CN109740723A (zh) | 2019-05-10 |
CN109740723B true CN109740723B (zh) | 2021-04-02 |
Family
ID=66361666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811621198.XA Active CN109740723B (zh) | 2018-12-28 | 2018-12-28 | 一种电子装备抗干扰性能的优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740723B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187944A (zh) * | 2007-11-30 | 2008-05-28 | 中国科学院合肥物质科学研究院 | 基于小生境粒子群优化算法的分类器集成的多层选择方法 |
CN101448267A (zh) * | 2008-12-31 | 2009-06-03 | 中山大学 | 基于粒子群算法的无线传感器网络节点覆盖优化方法 |
CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN104166877A (zh) * | 2014-05-31 | 2014-11-26 | 徐多 | 基于改进二进制粒子群优化算法的微网优化运行方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537108A (zh) * | 2015-01-15 | 2015-04-22 | 中国矿业大学 | 一种高维数据特征选择方法 |
CN105356518B (zh) * | 2015-12-04 | 2016-06-29 | 华中科技大学 | 一种混合新能源电力系统机组组合优化方法 |
CN106022462A (zh) * | 2016-05-06 | 2016-10-12 | 浙江师范大学 | 一种可控加速性能的改进粒子群优化技术 |
-
2018
- 2018-12-28 CN CN201811621198.XA patent/CN109740723B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187944A (zh) * | 2007-11-30 | 2008-05-28 | 中国科学院合肥物质科学研究院 | 基于小生境粒子群优化算法的分类器集成的多层选择方法 |
CN101448267A (zh) * | 2008-12-31 | 2009-06-03 | 中山大学 | 基于粒子群算法的无线传感器网络节点覆盖优化方法 |
CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN104166877A (zh) * | 2014-05-31 | 2014-11-26 | 徐多 | 基于改进二进制粒子群优化算法的微网优化运行方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109740723A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844835B (zh) | 基于动态权重m-topsis多属性决策的多目标优化改进遗传算法 | |
CN111262858B (zh) | 基于sa_soa_bp神经网络的网络安全态势预测方法 | |
CN112329934A (zh) | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 | |
CN113259325B (zh) | 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法 | |
Hu et al. | Improved ant colony optimization for weapon-target assignment | |
Puspaningrum et al. | A hybrid cuckoo optimization and harmony search algorithm for software cost estimation | |
CN115983130A (zh) | 一种基于改进粒子群优化算法的全局最优解搜索方法 | |
CN110766125A (zh) | 一种基于人工鱼群算法的多目标武器——目标分配方法 | |
Jang et al. | Adaptive weapon-to-target assignment model based on the real-time prediction of hit probability | |
CN109150237B (zh) | 一种鲁棒多用户检测器设计方法 | |
CN109492816B (zh) | 一种基于混合智能的煤与瓦斯突出动态预测方法 | |
CN109740723B (zh) | 一种电子装备抗干扰性能的优化方法及系统 | |
CN114168971A (zh) | 一种基于强化学习的物联网覆盖漏洞修复方法 | |
CN109299491B (zh) | 一种基于动态影响图对策的元模型建模方法及使用方法 | |
CN111797966B (zh) | 一种基于改进羊群算法的多机协同全局目标分配方法 | |
Pan et al. | Radar jamming strategy allocation algorithm based on improved chaos genetic algorithm | |
Nabizadeh et al. | A novel method for multi-level image thresholding using particle swarm Optimization algorithms | |
KR20190136770A (ko) | Gma 용접에서의 비드 형상 예측 방법 및 장치 | |
Baldvinsson et al. | IL-GAN: rare sample generation via incremental learning in GANs | |
CN107197519B (zh) | 基于改进的最小二乘支持向量机的水下目标定位方法 | |
CN115758866A (zh) | 一种电动汽车无线电能传输系统传输性能优化方法 | |
CN115640845A (zh) | 基于生成对抗网络的图神经网络少数类别样本生成方法 | |
CN114244550A (zh) | 基于节点共识行为的区块链faw攻击防护方法及系统 | |
CN113239636A (zh) | 一种武器装备的效能评估方法、系统、设备及存储介质 | |
CN113537461A (zh) | 基于sir值学习的网络关键节点发现方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |