IRST系统的单站机动目标跟踪算法研究

在传统的IRST（红外搜索与跟踪）系统的角测量基础上,增加了红外探测器对目标红外辐射的响应信息这一测量项,且将相邻两次测量的目标红外光谱辐射功率之比作为伪测量,以消除目标红外光谱辐射强度不确定所产生的影响,并由此构造了机动目标跟踪的IMM（交互多模型）算法. 通过跟踪一个高机动目标的仿真过程,对算法性能进行了检验.仿真结果表明:当测量误差较小时,误差的变化对跟踪精度的影响不大,整个跟踪过程中,单个坐标轴上的均方差不超过7 m,而且,大多数时刻上的均方误差不超过3 m;当测量误差较大时,近距离（航迹前段和中段）的跟踪精度也是很高的,单个坐标轴上的均方差不超过5 m,但是,远距离的跟踪精度下降很快,最大误差达到110 m;速度误差与位置误差也有类似的结果.     

正交饱和效应模型及其统计分析

文\cite{14}讨论了2水平正交饱和设计的一种统计分析方法---零效应搜索法, 本文将此方法推广到一般的饱和模型---正交饱和效应模型. 首先给出正交饱和效应模型的定义及其相关的参数估计和平方和分解, 然后用零效应搜索法对显著效应的检验问题进行分析, 模拟结果显示效果很好.     

一个带有线搜索的新信赖域方法及其收敛性

本文利用一个修正的BFGS公式,提出了一个结合Armijo线搜索条件技术的BFGS信赖域方法,并在一定条件下证明了该方法的全局收敛性和超线性收敛性.初步的数值实验结果表明该方法是有效的.     

一类新的非单调记忆梯度法及其全局收敛性

在非单调Armijo线搜索的基础上提出一种新的非单调线搜索,研究了一类在该线搜索下的记忆梯度法,在较弱条件下证明了其全局收敛性。与非单调Armijo线搜索相比,新的非单调线搜索在每次迭代时可以产生更大的步长,从而使目标函数值充分下降,降低算法的计算量。     

Wolfe线搜索下一类混合共轭梯度法的全局收敛性

本文给出了一个新的共轭梯度公式,新公式在精确线搜索下与DY公式等价,并给出了新公式的相关性质.结合新公式和DY公式提出了一个新的混合共轭梯度法,新算法在Wolfe线搜索下产生一个下降方向,并证明了算法的全局收敛性,并给出了数值例子.     

A new kernel function yielding the best known iteration bounds for primal-dual interior-point algorithms

Kernel functions play an important role in defining new search directions for primal-dual interior-point algorithm for solving linear optimization problems. In this paper we present a new kernel function which yields an algorithm with the best known complexity bound for both large- and small-update methods.     

无记忆非拟 Newton 算法的导出和全局收敛性

In this paper, a new class of memoryless non-quasi-Newton method for solving unconstrained optimization problems is proposed, and the global convergence of this method with inexact line search is proved. Furthermore, we propose a hybrid method that mixes both the memoryless non-quasi-Newton method and the memoryless Perry-Shanno quasi-Newton method. The global convergence of this hybrid memoryless method is proved under mild assumptions. The initial results show that these new methods are efficient for the given test problems. Especially the memoryless non-quasi-Newton method requires little storage and computation, so it is able to efficiently solve large scale optimization problems.     

基于扭共轭搜索问题的有偏比特承诺北大核心CSCD

提出了基于扭共轭搜索问题的有偏比特承诺方案.(双)扭共轭搜索问题是指:已知G上的一对自同态(?),ψ及G中两元素w,t,找出s∈G,使得:t=ψ(s^(-1))w(?)(s).(假设至少存在一个这样的s.)给出了方案的正确性,安全性的证明,并且在一个具体的平台上讨论了密钥空间,参数设置,并且给出了安全性分析.     

无约束多目标优化的记忆梯度法

基于无约束单目标记忆梯度法,本文提出了一种无约束多目标优化问题的记忆梯度法,并证明了算法在Armijo线性搜索下的收敛性。数据试验结果验证了该算法的有效性。     

考虑均衡性的不确定时间车辆调度问题研究

本文针对车辆调度实际运行过程中时间的不确定性问题,提出了包含时间窗口、车辆容量约束的配送服务线路随机规划模型,以最小化调用的车辆数目和运行距离,降低顾客的不满意度并且尽可能保证每条路线的均衡性。结合模型,给出了基于禁忌搜索的混合启发式算法,并且生成多个算例,依据算例结果说明模型和算法优越性,同时说明可以在不降低顾客满意度和不提高总运输成本的基础上,降低各条线路之间的时间差异。