摘要：激励约束定价模式能够极大调动承包商积极性,是控制装备成本的一种重要方法。通过深入分析美军激励约束定价模式和我军激励约束定价模式的设计机理,提出了承包商的期望利润和军方期望价格的计算方法,并通过对比不同定价模式的特点,在借鉴2种激励约束定价模式优点基础上,设计了一种新的激励约束定价策略,提出了指导装备激励约束定价模式改革的对策建议。最后,通过算例对本文方法进行了解释,同时验证了本文方法的有效性。

摘要：针对传统离散变量优化方法存在的目标函数测算次数多、收敛性不佳等问题,借鉴边际优化理论和模式搜索算法,设计了一种基于改进边际优化的离散变量优化设计算法。借鉴边际效用优化原理,通过引入周围单位步长空间的概念,在初始点选择、边际增量设计、禁忌搜索策略等方面进行了改进,并设计了变异操作以跳出局部最优。实例分析表明,所提算法能够快速准确地收敛到局部最优解,实现以尽可能少的目标函数测算得到问题的满意解或最优解,适合于求解高维离散变量优化问题和仿真优化问题。

摘要：为降低传统仿真优化方法所需的仿真次数,从而缩短仿真优化时间,提出了基于广义回归神经网络(generalized regression neural network,GRNN)的仿真优化算法设计。首先,利用仿真生成一定数量的样本集,利用GRNN进行训练,得到初始回归曲面,并在该曲面上利用模式搜索算法找出全部可能的局部极小,由于可能会找到一些假局部极小点——噪声点,设计了剔除噪声点的方法,得到全部局部极小;在各局部极小点周围增补少量仿真样本,再次利用GRNN进行训练,得到新的回归曲面。重复增补样本,直到得到仿真优化的最优解。实例表明,所提方法能够有效降低所需样本的数量,实现仿真优化问题的求解。

摘要：社会力模型是一类重要的行人运动模型,在行人建模仿真领域得到广泛应用.然而该模型仅能应用于简单空间场景,当空间中有障碍物,行人与目标点不满足通视条件时,行人不能绕过障碍,会出现穿透障碍、轨迹振荡等问题.本文引入规避障碍行为,与社会力模型融合在一起,实现行人在复杂二维空间中的运动.规避障碍行为的核心是确定绕行点,以期望行走路线最短为准则构造了求解绕行点的计算几何方法,并解决复杂空间场景中的多重遮挡问题.建立行人运动逻辑,设计渐进式路径规划算法,实现行人运动.开发了行人仿真系统,对所提出的模型进行验证.仿真结果表明：在多障碍物空间场景中,行人能自然的规避障碍,形成合理的运动轨迹.

摘要：针对AHP中不一致判断矩阵,提出一种新的调整方法.通过将AHP判断矩阵的调整问题等价转化为一个带约束条件的优化问题,能够保证满足一致性要求条件下,使得调整前后判断矩阵的差异程度最小.给出了决策容许区间的概念,使得元素的变动值在规定的范围内;同时,采取逐渐增大扰动变量的方法控制决策容许区间,以保证最小的改动实现一致性要求,并设计了改进的模式搜索算法求解优化问题.最后,通过算例表明了方法的可行性.

摘要：为求得类似仿真函数的黑箱函数优化问题的全部局部极值点,提出了一种基于适应值曲面分析的新算法。首先,对适应值距离相关系数(fitness distance correlation,FDC)进行了改进,探讨了改进FDC指标与适应值曲面崎岖度的对应关系。在此基础上,设计了基于FDC的重复对分区域法(FDC based repeated split region,FRSR),对可行域依据崎岖度进行分解,得到满足崎岖度要求的若干子区间,并在这些子区间上依据FDC指标设置初始点,然后利用模式搜索算法进行寻优。通过对比FRSR法与传统的均匀分配初始点法以及其他现有方法,验证了FRSR法能够以较少的初始点得到全部局部极值,在速度上和解的质量上都优于传统方法。

摘要：为解决AHP一致性问题,提出一种基于基本回路修正的调整方法,能够同时解决数值不一致和逻辑不一致问题,同时保证对原始信息的修改量最小。数值不一致和逻辑不一致均由决策者的不准确判断引起,其中数值不一致可以通过降低一致性比率(CR)值进行改善,而逻辑不一致只有将判断矩阵中所有三阶回路去除才能得到解决。因此,通过对n阶判断矩阵进行基本矩阵分解,得到Cn^3个3阶的基本矩阵,其中存在三阶回路的称为基本回路,从而将判断矩阵的一致性修正问题转化为基本回路的一致性修正问题。通过对基本回路的一致性比较,提出了两种确定最不一致元素的方法,即CR和最大法和优化法,并设计了优化模型对最不一致元素进行修正。最后,通过算例分析验证了本文方法的可行性,与已有方法的对比结论证明了本文方法更为有效。

摘要：针对多无人机在无源定位过程中协同动态规划航迹提高定位精度问题,提出基于演化深度神经网络的分布式动态航迹优化方法。首先将演化计算与深层前向反馈神经网络结合,设计基于演化神经网络的无人机协同无源定位动态航迹规划框架。以多无人机到达角(AOA)协同定位为例,利用定位过程中对目标估计的克拉美罗界(CRLB)生成最优训练集。通过无人机下一时刻与目标形成的相对构型作为系统学习的行为,从而得到下一时刻优化后的航迹点。实验结果表明,该方法相对于传统中心控制的无人机协同定位方法,具有更低的处理延时,能够以更短时间达到定位精度。