-
公开(公告)号：CN109460056A
公开(公告)日：2019-03-12
申请号：CN201811310155.X
申请日：2018-11-06
Applicant: 哈尔滨工程大学
IPC: G05D1/10
Abstract: 本发明涉及一种基于量子磷虾群演化机制的无人机集群作战博弈决策方法，包括以下步骤：建立无人机协同作战博弈决策模型；初始化量子磷虾群；根据适应度函数计算量子磷虾群中每一只量子磷虾位置的适应度值；更新每只量子磷虾的量子旋转角和量子位置；对量子磷虾群中每只量子磷虾更新后的位置进行适应度计算，通过映射规则得到每只量子磷虾更新后的位置，计算位置的适应度；确定量子磷虾群的全局最优量子位置；循环判断；输出量子磷虾群的全局最优位置，映射为博弈的混合策略组合。本发明结合博弈论对无人机集群作战指挥决策进行分析，通过理性的决策分析使得作战双方都能得到最大的收益，更加符合无人机集群作战的战场环境，有更强的适用性。
-
Patent Agency Ranking
公开(公告)号：CN108985549A
公开(公告)日：2018-12-11
申请号：CN201810545547.8
申请日：2018-05-25
Applicant: 哈尔滨工程大学
IPC: G06Q10/06
Abstract: 本发明公开了基于量子鸽群机制的无人机任务分配方法，属于无人机资源分配领域。步骤为：建立无人机分阶段任务分配模型；确定需要执行的任务，初始化量子鸽群；计算每只量子鸽子的适应度值，选出局部最优位置和全局最优位置；更新量子旋转角矢量，来更新每只量子鸽子的量子速度，得到量子鸽子的位置；对每只量子鸽子进行适应度评价；确定局部最优位置和全局最优位置；判断是否达到最大迭代次数；输出全局最优位置；判断任务分配是否完成；获得任务分配方案。本发明实现了以较少的时间代价获取更高的收敛精度、更快的收敛速度和更合理的任务分配方案，能够有效解决对无人机多约束的要求，得到更加合理的无人机任务分配方案。
-
公开(公告)号：CN108549402A
公开(公告)日：2018-09-18
申请号：CN201810224721.9
申请日：2018-03-19
Applicant: 哈尔滨工程大学
IPC: G05D1/10
CPC classification number: G05D1/104
Abstract: 本发明涉及一种基于量子乌鸦群搜索机制的无人机群任务分配方法，包括：建立从多个起点到多个任务的无人机群任务分配模型，包括无人机型号数、起点终点和分配模型；初始化量子乌鸦群；根据适应度函数对每只量子乌鸦进行适应度计算，计算出的适应度函数最小值对应的量子乌鸦的位置存为全局最优食物位置；更新每只量子乌鸦的量子位置和位置；根据适应度函数对每只量子乌鸦进行适应度计算，确定每只量子乌鸦的隐藏的食物位置，同时找到迄今为止的最优食物位置,若达到最大迭代代数则输出全局最优食物位置，映射为任务分配矩阵。本发明解决了离散多约束目标函数求解问题，并设计离散量子乌鸦算法作为演进策略，具有收敛速度快，收敛精度高的优点。
-
公开(公告)号：CN108344968A
公开(公告)日：2018-07-31
申请号：CN201810015222.9
申请日：2018-01-08
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于多峰量子布谷鸟搜索机制的正交传播算子测向方法，本发明包括通过采样数据获得协方差矩阵和传播算子的估计值；初始化参数和量子鸟蛋，并计算映射后鸟蛋的适应度；初始化记忆池；利用莱维飞行更新量子鸟蛋并计算映射后鸟蛋的适应度；利用记忆算子更新记忆池；利用选择算子进行选择；利用重筑新巢更新量子鸟蛋并计算映射后鸟蛋的适应度；利用记忆算子更新记忆池；利用选择算子进行选择；判断是否达到当前阶段迭代次数：若达到则利用净化算子删除相似记忆元素，进入下一阶段；判断是否达到最大迭代次数：若未达到则继续迭代，否则输出记忆池所有量子鸟蛋，映射后为波达方向。本发明具有运算量低、收敛速度快和测向精度高的优点。
-
公开(公告)号：CN108173580A
公开(公告)日：2018-06-15
申请号：CN201810086133.3
申请日：2018-01-29
Applicant: 哈尔滨工程大学
IPC: H04B7/0426 , H04B7/0452
CPC classification number: Y02D70/10 , Y02D70/12 , H04B7/0426 , H04B7/0452
Abstract: 本发明公开了一种基于量子社会情感优化的Massive MIMO上行系统功率分配方法，属于5G关键技术领域。本发明通过建立Massive MIMO系统功率分配模型，在初始化量子社会群体及系统参数中输出初始历史最优解，并通过实数化处理量子个体输出初始全局最优解，之后不断更新量子个体，当迭代次数大于预先设定的最大迭代次数时输出全局最优解，经实数化处理得到最佳功率分配方案。本发明充分考虑了在Massive MIMO上行系统中，用户的发送功率不得超过其最大发送功率的限制，同时满足用户最低传输速率和系统最低传输速率等要求，所设计的功率分配方法保证了服务质量，具有搜索速度快、全局搜索能力强的优点，更能满足实际工程的需要，为Massive MIMO上行系统的功率分配提供了一种新方法。
-
公开(公告)号：CN107864507A
公开(公告)日：2018-03-30
申请号：CN201711173666.7
申请日：2017-11-22
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于量子猴群搜索机制的认知无线电功率控制方法，建立非合作博弈的认知无线电功率控制模型，计算认知用户效用函数和，引入功率代价机制，选择需要优化的目标函数的形式；受猴群活动启发，设计量子猴群搜索机制，产生量子猴群中猴子的量子位置和数量，映射系统用户发射功率与猴群的量子位置一一对应，计算适应度值；经猴群活动中攀爬的过程更新每只猴子的最优量子位置；把猴子爬过程的最优量子位置映射为发射功率，通过猴群活动的望-跳与空翻的过程对猴子的最优位置进行更新；经数次迭代求得猴子的最优位置为最优解。本发明有更广泛的使用范围，能保证现有认知无线电系统中用户效用的提升，且用户功率的发射减少。
-
-
-
-
-
Search Results
36
records
(took 0.033 seconds)
