350 руб
Журнал «Антенны» №11 за 2017 г.
Статья в номере:
Математическая модель оценки радиоэлектронной обстановки и алгоритм выбора рабочих частот группировки радиоэлектронных средств
Тип статьи: научная статья
УДК: 537.86; 621.396.96
Авторы:

Н. С. Акиншин – д.т.н., профессор, Центральное конструкторское бюро аппаратостроения (г. Тула) E-mail: cdbae@cdbae.ru

Р. П. Быстров – д.т.н., профессор, вед. науч. сотрудник, Институт радиотехники и электроники им. В.А. Котельникова РАН E-mail: rudolf@cplire.ru

О. В. Есиков – д.т.н., профессор, Центральное конструкторское бюро аппаратостроения (г. Тула)

В. Л. Румянцев – д.т.н., профессор, Центральное конструкторское бюро аппаратостроения (г. Тула)

Аннотация:

Предложена математическая модель определения электромагнитной совместимости группы радиоэлектронных средств, на основе которой формализована задача выбора значений рабочих частот радиоэлектронных средств. Для решения формализованной задачи предложен и экспериментально проверен алгоритм метода роя частиц, обеспечивающий получение квазиоптимального решения за приемлемое время и обладающий невысокой вычислительной сложностью.

Страницы: 39-43
Список источников
  1. Козирацкий Ю.Л., Иванцов А.В. Алгоритм оперативной оценки радиоэлектронной обстановки в интересах обеспечения электромагнитной совместимости // Технологии ЭМС. 2015. №2 (53). С. 18–21.
  2. Князев А.Д. Элементы теории и практики электромагнитной совместимости радиоэлектронных средств. М.: Радио и связь. 1984.
  3. Модели информационного конфликта средств поиска и обнаружения / Под ред. Ю.Л. Козирацкого. М.: Радиотехника. 2013.
  4. Управление радиочастотным спектром и электромагнитной совместимостью радиосистем / Под ред. М.А. Быховского. М.: Эко-Трендз. 2006.
  5. Ильюшко С.Г. Анализ и методика расчета электромагнитной совместимости в системах связи, радиолокации и телевидения. Учеб. пособие. Петропавловск-Камчатский: КамчатГТУ. 2007.
  6. Андреев А.В., Румянцев В.Л., Есиков О.В. Оценка эффективности адаптивной схемы репродукции в генетическом алгоритме при решении задачи выбора рабочих частот радиотехнических средств систем управления воздушным движением// Материалы Всеросс. конф. «Радиоэлектронные средства получения, обработки и визуализации информации». Москва. 2015. С. 117–121.
  7. Сергиенко И.В., Гуляницкий Л.Ф., Сиренко С.И. Классификация прикладных методов комбинаторной оптимизации / Кибернетика и системный анализ. 2009. № 5. С. 71–83.
  8. Карпенко А.П. Популяционные алгоритмы глобальной поисковой оптимизации. Обзор новых и малоизвестных алгоритмов // Информационные технологии. 2012. № 7. С. 13–15.
  9. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы. М.: ФИЗМАТЛИТ. 2006.
  10. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер. с пол. И.Д. Рудинского. М.: Горячая линия–Телеком. 2004.
  11. Holland J.H. Adaptation in natural and artificial systems. 2nd Ed. Cambridge, MA: MIT Press. 1992.
  12. Eberhart R.C., Kennedy J. Particle swarm optimization // Proc. IEEE Intern. Conf. on Neural Networks. Piscataway (NJ): IEEE Service Center. 1995. V. 4. P. 1942–1948.
  13. Clerc M. Particle swarm optimization. Hoboken (NJ): Wiley-Interscience. 2006.
  14. Bastos-Filho C.J.A., Lima-Neto F.B., Lins A., Nascimento A., Lima M. Fish school search // Nature-Inspired Algorithms for Optimisation. SCI. Springer, Heidelberg. 2009. V. 193. P. 261–277.
  15. Cavalcanti-J’unior G.M., Bastos-Filho C.J.A., Lima-Neto F.B., Castro R.M.C.S. A hybrid algorithm based on fish school search and particle swarm optimzation for dynamic problems / Proceedings of the International Conference on Swarm Intelligence. 2011. Springer-Verlag, Berlin, Heidelberg. P. 543–552.
Дата поступления: 15 июля 2017 г.