简介:存在监控冲突的天基中段预警传感器调度优化是一个动态、高维、复杂多约束的非线性优化问题,其解空间的高维度与状态复杂性直接制约了智能优化算法的运用。本文以任务分解与任务复合优先权计算为基础,通过二级分离机制将解空间维度与状态复杂性降低至适于连续蚁群(continuousant-colonyoptimization,CACO)处理的全局优化形态,构建出相应的优化子路径集.在此基础上,针对监控冲突导致的状态变化特性,从局部搜索递进与募集的角度提出适于传感器调度优化的MG-DCACO(doubledirectioncontinuousant-colonyoptimizationbasedmassrecruitmentandgrouprecruitment)算法,成功将智能优化算法应用于基于低轨星座的天基中段预警中.最后对算法的收敛性进行论证,并通过与已有规则调度算法的对比得出MG-DCACO算法可获得优于规则调度算法的全局最优解。
简介:针对传统基于g信息的粗对准的捷联惯导系统中,受传感器噪声的影响,存在效视运动无法提取和双向量共线的缺点,提出了一种基于改良Kalman滤波的参数辨识粗对准方法。该方法通过构建视在重力在初始载体系中的映射模型,利用改良Kalman滤波进行模型参数辨识,然后通过识别参数重新构建视在重力在初始载体系中的映射,解决了由于传感器噪声导致有效视运动无法正常提取的缺点。利用识别参数具有随估计次数增多得到优化的特点,构造初始时刻和最终时刻向量,避免双向量共线问题。利用改良Kalman滤波算法的自适应特点,优化参数识别精度与速度。转台实验表明,采用改良Kalman滤波方法航向对准精度为-0.0414°,标准差为0.041°,而传统RLS方法得到的航向精度为-0.0738°,标准差为0.128°。由此可知,本文提出的方法性能更优。