数据链是一个复杂的战术信息分发系统,其特点是能够实时地为网络节点传输战术信息。动态时隙分配与优化是影响消息传输实时性的核心技术,也是解决有限时隙资源与激增通信业务量之间矛盾问题的关键,具有重要的研究意义。本文按照时隙需求预测、动态时隙分配与优化的步骤展开研究。首先,在分析了影响数据链时隙需求相关因素的基础上,设计了数据链动态时隙需求预测模型,采用基于回归模型的Ada Boost算法,得出时隙需求预测结果,并将时隙预测结果周期性传递给时隙资源分配与优化模型。其次,结合消息优先级和消息是否需要中继等限制性条件,构建基于消息传输效益最大化的时隙资源分配与优化模型。设计了改进的遗传算法,对时隙资源分配与优化模型中的目标函数进行求解,得出最优解以时隙分配表的形式周期性的传递给NPG,进而指导时隙资源的动态分配与优化。利用Python对基于回归模型的Ada Boost时隙需求预测算法进行仿真验证,从时隙需求预测值与时隙需求真实值之间的拟合度比较了Ada Boost回归算法、ARMA自回归算法、线性回归算法预测效果,得出Ada Boost回归算法具有最优的时隙需求预测性能。采用MATLAB对基于遗传算法和改进遗传算法的时隙优化分配算法进行仿真验证。实验结果表明,改进遗传算法具有较好的收敛性,且与改进前的算法相比实时性更好,更适用于数据链系统动态时隙分配。