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)

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.

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.