当前位置：文档之家 › 基于遗传算法和分层任务网络的战术任务规划方法

基于遗传算法和分层任务网络的战术任务规划方法

  • 格式：pdf
  • 大小：505.38 KB
  • 文档页数：7

ｏ ｉ ａｃ ｉａ ｔｓ ｅｗｏｋ（ Ｎ） ｎ ｅ ｅｉ ａｇ ｒ ｈ （ Ａ）ｉ ｐｏ ｏｅ ｙｉｔｇ ａｉｇｔｅｑ ａｉ ｔ ｅｋ ｏ ｅ ｇ ｎ ｎｈｅ ｒｈｃ ｌａ ｋｎ ｔ ｒ ＨＴ ａ ｄｇ ｎ ｔ ｌｏｉ ｍｓ Ｇ ｒ ｃ ｔ ｓ ｒ ｐ ｓｄｂ ｅ ｒｔ ｈ ｕ ｌａｉ ｎ ｗｌｄ ｅａｄ ｎ ｎ ｔ ｖ
ｑ ａ ｔ ａ ｉｅ ｏ ｔ ｉａｉ ｎ ｕ ｎ ｉ ｔ ｐ ｉ ｚ ｔｏ ．Ｔｈ ｔ ｖ ｍ ｅ ＨＴ Ｎ ｓ ｕ ｅ ｏ ｍｏ ｅ ｈ ａ ｔｃ ｐ ｏ ｅ ｕ ｅ ｋ ｏ ｅ ｇ ｎ ｃ ｒ ａｎ ｔ ｓ ，ａ ｄ ｔ ｅ ，ＧＡ ｓ ｉ ｓ ｄ ｔ ｄ ｌ ｔ ｅ ｔ ｃ ｉ ｒ ｃ ｄ ｒ ｎ ｗｌ ｄ ｅ ｏ ｅ ｔ ｉ ａ ｋ ｎ ｈ ｎ ｉ ａ ｐ ｉ ｄ ｔ ｐ ｉ ｚ ｈ ａ ｔｃ ｐ ｏ ｅ ｕ ｅ ｋ ｏ ｅ ｇ Ｏ ｔ ａ ｈ ｅ ｔｔ ｃ ｉ ａ ｅ ｓ ａ ｃ ｅ ｎ ｅ ｅ ｔ ｄ ｈ ｏ ｎ ｎ ｐ ｌｅ ｏ ｏ ｔｍｉ ｅ ｔ ｅ ｔ ｃ ｉ ｒ ｃ ｄ ｒ ｎ ｗｌ ｄ ｅ Ｓ ｈ ｔｔ ｅ ｂ ｓ ａ ｔｃ ｃ ｎ ｂ ｅ ｒ ｈ ｄ ａ ｄ ｓ ｌ ｃ ｅ ．Ｔ ｅ ｓ ｕ ｄ ａ ｄ ｃ ｍｐ ｅ ｅ ｐ ｏ ｅ ｕ ｅｆ ｒＨＴ ｏ ｌｔ ｒ ｃ ｄ ｒ ｏ Ｎ
Ｚ ｏ ｇＣ ｕ ｍｅ Ｚ ａ ｈ ｎ ｕ ， ｕＺ ｏ ｙ Ｃ ｅ ｏ ｇｉ ｈ ｎ ｈ ｎ ｉ ｈ ｏＺ ｅ ｙ Ｙ ｈ ｕ ｉ ｈ ｎＺ ｎ ｊ 。 ，
（． ｕ ｙ ｎ ｓｉ ｔ ｏ ｌｃｒ － ｐ ｉ Ｅ ｕ ｍｅ ｔ ｆ Ｃ Ｌ ｏ ａ ｇ４ ０ ， ｈｎ ； １ Ｌ ｏ ａ ｇＩ ｔ ｕｅ ｆＥ ｅ ｔ Ｏ ｔ ｑ ｉ ｎ ＡＶ ， ｕｙ ｎ ７ ９ Ｃ ｉａ ｎ ｔ ｏ ｃ ｐ ｏ Ｉ １ ０ ２ Ｎｏｔ ｈｎ ｎ ｔｕｅｏ ｏ ｐ ｔ ｇＴ ｃ ｎ ｌｇ ， ｅ ｉｇ １ ０ ８ ， ｈｎ ； ． ｒ Ｃ ｉａＩ ｓ ｔｔ ｈ ｉ ｆＣ ｍ ｕｉ ｅ ｈ ｏｏ ｙ Ｂ ｉｎ ０ ０ ３ Ｃ ｉａ ｎ ｊ ３ Ｓ ｈ ｏ Ａｕｏ ｔ ｎＳ ｉｎ ｅ＆ Ｅ ｅ ｔｉａ ｎ ｉｅｒｎ ， ｅｈ ｎ ｎｖ ｒｉ ， ｅ ｉｇ １ ０ ８ ， ｈｎ ） ． ｃ ｏ ｌｆ ｔｍａｉ ｃｅ ｃ ｏ ｏ ｌｃｒ ｌ ｇｎ ｅ ｉ Ｂ ｉａ ｇＵ ｉｅｓｔ Ｂ ｉｎ ０ ０ ３ Ｃ ｉａ ｃ Ｅ ｇ ｙ ｊ
ｄ ｆｎ ｅ （Ｅ ）ｂ ｓｄ ｏ ｈ ｒｐ ｓｄ Ｈ Ｎ ＧＡ ｉ ｐｅｅ ｔｄ Ｔ ｅ ｓｍｕａｉｎ ｒｓｌ ｅ ｎ ｔ ｔ ｅ ｓ ｉ ｔ ｏ ｈ ｅｅ ｓ Ｓ ＡＤ ａ ｅ ｎ ｔｅ ｐｏ ｏ ｅ Ｔ — ｓ ｒｓｎｅ ． ｈ ｉ ｌｔ ｅｕｔ ｄ ｍｏ ｓｒ ｅ ｆａｉ ｌｙ ｆｔｅ ｏ ｓ ａ ｂ ｉ
—
中图分 类 号 ：Ｔ０ Ｊ２
文献 标志 码 ：Ａ
Ｔａ ｔｃ ｌＭ ｉｓｏ ａ ｓ ｄ ｏ ｎｅ ｉ ｌ ｏ ｉｈ ｓａ ｅ ａ ｃ ｉ ａ ｓ ｅｗ ｏ ｋ ｃ ｉ ａ ｓ ｉ ｎ Ｐｌ ｎ Ｂａ ｅ ｎ Ｇｅ ｔｃＡ ｇ ｒｔ ｍ ｎｄ Ｈｉ ｒ ｒ ｈ ｃ ｌ Ｔａ ｋ Ｎ ｔ ｒ

２ ．华 北 计算 技术 研 究所 ， 北京 １ ０ ８ ； ０ ０ ３
３ ．北 京 航 空 航 天 大 学 自动 化 科 学 与 电 气 工 程 学 院 ， 北 京 １０ ８ ） ０ ０ ３
摘 要 ： 针对 给 定 约 束条 件 下作 战任 务 最 优 战 术动 作 序 列规 划 问题 ，提 出一 种 将 分层 任 务 网络 （ｉｒｒｈｃ ｌｔｓ ｈｅａｃ ｉａ ａｋ ｎｔ ｒ ，ＨＴ 与遗 传 算法 （ｅ ｅｉ ａｇ ｒ ｈ ，ＧＡ） 结合 的 ＨＴ ｅｗｏｋ Ｎ） ｇ ｎｔ ｌｏ ｉ ｍｓ ｃ ｔ 相 Ｎ ＧＡ 战术任 务规 划算 法 。采 用定 性与 定量相 结合
的 方 法 ，基 于分 层任 务 网络 对 战术 知识 进行 建 模 ，基 于 遗传 算 法对 战 术生 成过 程进 行优 化 。分析 了 Ｈ Ｎ Ｇ 战 术规 Ｔ Ａ 划 算 法的可 行 性 、完备 性 。实现 了基 于 Ｓ Ａ 任 务 的无人 作 战 飞机 （ｎｎａ ｉｄｃｍ ａａｒ ｌ ｅｉｌ Ｃ Ｖ 战 术任 ＥＤ ｕ ｉ ｂ ｅ ｂｔ ｅ ａｖｈｃ ，Ｕ Ａ ） ｈ ｔ ｏ ｉ ｅ 务规 划 ，仿 真 结 果证 明 了该任 务规 划算 法 的可 行性 和有 效 性 。 关键 词 ：无人 作 战 飞机 ； 战术任 务 规 划； 分层 任 务 网络 ；遗 传 算法
２ ２０ ０１ ． ４
兵 工 自 动 化
Ｏｒ ｎａ ｅ Ｉ ｄｕ ｔ ｙ Ａ ｕ ｏｍａ ｉ ｎ ｄ ｎｃ ｎ ｓ ｒ ｔ ｔｏ
３ （） １ ４
基 于 遗传 算 法和 分 层任 务 网络 的战术 任 务规 划方 法
钟春 梅 ，赵振 宇 ，余舟毅 ，陈宗基
（． 中 航 工 业 洛 阳 电光 设 备 研 究 所 ， 河 南 洛 阳 ４ １ ０ ； １ ７ ０ ９
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ｃｏ ｓｄ ｒｎ ｈ ｐ ｉ ａ ｌ ｎ ｉ ｇ ｏ ｃ ｉ ａ ｃ ｉ ｎ ｅ ｕｅ ｃ ｓ ａ ｔｃ ｌｍｉ ｓｏ ｌ ｎ ｉ ｇ ａ ｇ ｒｔ ｍ ａ ｅ ｎ ｉｅ ｉｇ ｔ ｅｏ ｔ ｍ ｌｐ ａ ｎ ｎ ｆｔ ｔｃ ｌａ ｔｏ ｓ ｓ ｑ ｎ ｅ ，ａ ｔ ｃ ｉ ａ ｓ ｉ ｎ ｐ ａ ｎ ｎ ｌ ｏ ｉ ａ ｈ ｂ ｓｄ
—
ＧＡ ｃ ｉ ｌ ｎ ｉ ｇ ａ ｅ ａ ａ ｙ ｅ ． ｅ ＵＣＡ ｔ ｃ ｉ ｌ ｎ ｉ ｇ ａ ｇ ｒｔ ｍ ｒｓ ｐ ｒ ｓ ｎ ｍｙ ａ ｒ ｔ ｔｃ ｐ ａ ｎ ｎ ｒ ｎ ｌ ｚ ｄ Ｔｈ ａ Ｖ ｔｃｐ ａ ｎ ｎ ｌ ｏ ｉ ａ ｈ ｆ ｕ ｐ ｅ ｓｅ ｅ ｉ ｏ

合集下载

基于遗传算法优化的SOFM神经网络生成测试数据集的方法

基于遗传算法优化的SOFM神经网络生成测试数据集的方法

基于遗传算法优化的SOFM神经网络生成测试数据集的方法在当今科技飞速发展的时代，数据已成为驱动创新的重要燃料。

然而，高质量的测试数据集往往难以获取，尤其是在机器学习和人工智能领域。

传统的数据集生成方法往往存在效率低下、质量参差不齐等问题。

因此，寻找一种高效且可靠的数据集生成方法显得尤为重要。

本文将探讨一种基于遗传算法优化的自组织特征映射（SOFM）神经网络生成测试数据集的新方法。

首先，让我们来理解一下SOFM神经网络。

SOFM神经网络是一种无监督学习的神经网络模型，它能够将高维数据映射到低维空间，同时保持数据的内在结构。

这种特性使得SOFM神经网络在数据可视化、聚类分析等领域有着广泛的应用。

然而，SOFM神经网络的训练过程往往需要大量的计算资源和时间，这在一定程度上限制了其在大规模数据集生成中的应用。

为了解决这一问题，我们可以引入遗传算法来优化SOFM神经网络的训练过程。

遗传算法是一种模拟自然选择和遗传机制的全局优化算法，它具有并行性、鲁棒性和自适应性等特点。

通过将遗传算法与SOFM神经网络相结合，我们可以在训练过程中自动调整网络参数，从而提高训练效率和数据质量。

具体来说，我们可以将SOFM神经网络的权重矩阵作为遗传算法的个体编码，通过交叉、变异等操作产生新的个体，并根据适应度函数评估个体的优劣。

适应度函数可以根据数据集的质量指标（如聚类精度、信息熵等）来设计。

通过多代进化，我们可以找到一组最优的网络参数，从而生成高质量的测试数据集。

这种基于遗传算法优化的SOFM神经网络生成测试数据集的方法具有以下优势：1.高效性：通过遗传算法自动调整网络参数，可以大大减少人工调参的时间和精力，提高训练效率。

2.可靠性：遗传算法具有较强的全局搜索能力，可以避免陷入局部最优解，从而提高数据集的质量。

3.可扩展性：该方法可以应用于各种规模的数据集生成任务，只需调整遗传算法的参数即可。

当然，这种方法也存在一定的局限性。

基于遗传算法负载均衡的网格工作流技术研究

基于遗传算法负载均衡的网格工作流技术研究


Ｔｈ ｓｐ ｐ ｒｐ ｅ ｅ ｔ ｅ ｅｉ ａｇ ｒｔｍ－ ａ ｅ ｏ ｄｂ ｌｎ ｉｇａｇ ｒ ｈ ｆ ｒｇ ｉ ｒ ｌｗ．Ｂ ｉ ｕａｉｇｔ ｅｎ ｔ ｒｌｐ ｏ ｅ ｓ ｉ ａ ｅ ｒｓ ｎ ｓａｇ ｎ ｔｃ ｌｏ ｉｈ ｂ ｓ ｄｌａ ａａ ｃｎ ｌｏ ｉ ｍ ｏ ｒｄｗｏｋ ｆｏ ｔ ｙ ｓ ｌｔ ｈ ａｕ ａ ｒ ｃ ｓ ｍ ｎ
总第 ２４ ６ 期 ２ １ 年第 ｌ ０１ ０期
计 算 机 与 数 字 工 程
Ｃｏ ｕ ｅ ｍｐ ｔｒ＆ Ｄｉｉ ｌＥ ｇｎ ｅ ｉｇ ｇｔ ｎ ｉｅ ｒｎ ａ
Ｖｏ． ９Ｎｏ １ １３ ． ０
８１
基 于 遗 传 算 法 负 载 均 衡 的 网格 工 作 流 技 术 研 究
单冬红
（ 顶 山学 院 软 件 学 院 平
杨 照峰
平顶山 ４ ７０ ） ６０ ０
摘
要
针对传 统的网格 工作流系统中 ， 在分配任务 的过程 中 ， 根据执行任务的最短时间选取传输路径 ， 这样造 成多条
路径 负载的不均衡 ， 导致 网格工作流 的工作效率低 的问题 。文章提 出一种基 于遗传算法 负载 均衡 的网格工作流算法 。通 过 模 拟 自然界 的生物进 化过程对任务空间进行随机化搜索 ， 根据预定任 务的适应度 函数 ， 用全局并 行搜索方式 找到最优节 并 点， 避免 了传统均衡方法的逐次匹配执行带来 的低效 问题 。实验表 明， 该新算法能够实现快速负载均衡 ， 高网格工作 流系 提
Ｌｏ ｄ Ｂａｌ ｎ ｉ ｇ Ｂａｓ ｄ ｏ ｒ ｎｅ ｉ ｇ ｒｔ ａ ａ ｃｎ ｅ ｎ Ｇ ｅ ｔｃ Ａｌ ｏ ｉｈｍ
Ｓ ａ ｎ ｈ ｎ Ｙａ ｇ Ｚｈ ｏ ｅ ｇ ｈ ｎ Ｄｏ ｇ ｏ ｇ ｎ ａ ｆｎ
基于遗传算法的Tiling覆盖策略天文卫星任务规划

基于遗传算法的Tiling覆盖策略天文卫星任务规划

基于遗传算法的Tiling覆盖策略天文卫星任务规划
徐子羚;刘玉荣;冯准
【期刊名称】《空间科学学报》
【年(卷),期】2022(42)2
【摘要】天文卫星机遇目标任务规划是一个复杂的多目标优化问题。

针对Tiling 覆盖策略的机遇目标任务规划要求及其约束条件进行抽象,建立任务规划问题模型,在规划模型基础上设计基于遗传算法的多目标优化任务规划算法TPA,并通过实例数据验证了不同参数条件下的求解。

在解决Tiling覆盖策略的天文卫星机遇目标多目标任务规划问题时,所提方法能够在保证算法收敛性的同时兼顾优先级和规划路径,满足规划需求。

【总页数】8页(P321-328)
【作者】徐子羚;刘玉荣;冯准
【作者单位】中国科学院国家空间科学中心;中国科学院大学
【正文语种】中文
【中图分类】V4
【相关文献】
1.基于改进遗传算法的天文卫星任务规划研究
2.基于改进遗传算法的遥感卫星任务规划方法
3.基于改进遗传算法对小卫星星群任务规划研究
4.基于设备覆盖任务规划的遗传算法研究
5.基于相对成像时刻编码遗传算法的敏捷成像卫星任务规划
因版权原因，仅展示原文概要，查看原文内容请购买。

无人机导航中的图像识别与路径规划方法

无人机导航中的图像识别与路径规划方法

无人机导航中的图像识别与路径规划方法无人机导航技术的快速发展为许多应用领域带来了便利和机遇。

其中，图像识别与路径规划方法在无人机导航中起到了至关重要的作用。

本文将探讨无人机导航中的图像识别与路径规划方法，以及它们在实际应用中的意义和挑战。

在无人机导航中，图像识别技术起到了识别环境、目标物体和障碍物等重要作用。

无人机通过搭载视觉传感器，如摄像头或红外相机等，获取环境中的图像信息。

然后，利用计算机视觉算法对这些图像进行分析处理，以实现目标物体的识别和障碍物的检测。

常用的图像识别算法包括卷积神经网络（CNN）、支持向量机（SVM）和决策树等。

这些算法能够将环境中的图像进行特征提取，并将其与已知的目标物体或障碍物进行匹配，从而实现目标物体的识别和障碍物的检测。

基于图像识别的无人机路径规划方法，通过将识别到的目标物体和障碍物信息与环境地图进行结合，实现路径的规划与导航。

一种常用的路径规划算法是基于遗传算法的路径规划。

遗传算法通过模拟生物进化的过程，利用基因编码和遗传操作等方法，寻找最优路径。

在无人机导航中，遗传算法可以将起始点、目标点和障碍物等信息编码为基因序列，并通过遗传操作对基因进行交叉和变异，逐步优化路径。

此外，还有其他路径规划算法，如A*算法、Dijkstra算法和RRT算法等，它们通过建立代价模型和搜索算法，寻找最短路径或避免碰撞的路径。

图像识别与路径规划方法在无人机导航中有着广泛的应用。

首先，它们可以用于航拍和地理测绘。

无人机通过图像识别技术可以自动识别地理要素，如河流、道路和建筑物等，快速构建地图。

然后，利用路径规划算法可以实现无人机的自主导航，完成航线测绘任务。

其次，它们可以用于无人机的目标跟踪和监控。

通过图像识别技术可以实时识别目标物体，如车辆、人员和动物等，路径规划算法可以实现无人机的自动跟踪，并及时调整路径，保持目标物体的在视野中。

此外，图像识别与路径规划方法还可以应用于农业、环境监测和灾害应对等领域，实现无人机的智能化应用。