传感器/武器——目标分配问题的两种规划模型及求解

通过分析现代火力打击作战中传感器——目标分配与武器——目标分配间的相互关系,在武器——目标分配问题基础上提出了传感器/武器——目标分配问题。依据目标被毁伤概率的两种计算方法,给出了该问题的两种规划模型,在武器目标分配时一种模型考虑所有可能被截获的目标,而另一种模型则只考虑被传感器截获的期望目标集合。根据模型特点在应用遗传算法对问题进行求解时,设计了异体交换算子和段内交换算子等两种新的遗传操作算子。最后通过仿真算例对两种模型进行了验证。

基于人工蜂群算法的大规模武器目标分配研究

针对大规模武器目标分配问题,本文提出一种改进的多目标武器目标分配模型,该模型将武器平台泛化为武器,并将武器平均飞行时间作为第2个优化目标。为有效解决这类问题,本文还提出了改进的自适应离散多目标人工蜂群算法。该算法基于人工蜂群算法和非支配排序策略,引入了自适应算子操作数、重用蜜源探索信息的变异概率策略,并通过蜜源之间、蜜源与外部解集之间的交互以提高算法的收敛性,通过算子的随机选择保持种群多样性。最后通过不同规模武器目标分配的对比实验,证明了所提自适应算子操作数与重用蜜源探索次数的变异概率策略的有效性,并与MOABC、MOPSO、NSGA-II算法在反向世代距离、超体积、时间3个方面进行比较,本文算法能够在保证时效性的前提下得到质量更好的Pareto解集。

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

基于多目标进化算法的防空导弹武器目标分配

有效的武器目标分配(weapon-target assignment,WTA)方法对减少作战损失,提高防御效果具有重要意义。针对防空资源分配问题建立合理的数学模型,以最大化目标毁伤效能和最小化雷达资源消耗为优化目标,同时考虑雷达通道数上限等多个约束,在基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)基础上进行改进,种群进化过程中自适应调整交叉与变异的概率以提高个体的质量,最终得到一组可供决策者使用的最优解集。实验结果表明:与其他多目标进化算法相比,该算法能得到适应度更高且分布性良好的结果,能够为防空导弹武器目标分配问题提供可行方案。

改进萤火虫算法的武器目标分配问题研究

武器目标分配(WTA)是指挥控制和任务规划领域的关键问题之一,萤火虫算法求解武器目标分配问题具有参数设置简单、执行效率高等优点。针对传统萤火虫算法易陷入局部极值,收敛速度和精度不高的弊端,从以下三个方面进行改进:初始化萤火虫序列编码时融入PWLCM混沌优化以提高全局搜索能力;设置受迭代次数控制的服从半高斯分布的非均匀步长因子以兼顾算法的搜索能力和收敛性;设计基于排序的萤火虫更新策略同时融入交叉变异操作以提高算法的效率和准确性。为验证改进算法的先进性,先利用其求解4种典型测试函数的最优解,再求解WTA问题,并与传统萤火虫算法进行对比,仿真实验结果表明,改进后算法的评价函数值提高了2.1%,迭代次数减少了52.9%,改善了传统算法易陷入局部极值的缺点,提高了收敛速度和精度,提升了武器目标分配的效果。

一种面向动态场景的要地武器目标分配方法

针对动态场景条件下要地武器目标分配中目标数量、武器数量可变特点,提出了一种基于深度强化学习的建模方法。通过在状态建模中引入最大目标数量与目标存活状态两个新变量,在模型训练中引入可变武器数量样本,较好实现了模型收敛。实验表明,相较于粒子群算法和遗传算法,所提方法计算的要地完好率分别提高了14%和10%,平均计算用时分别为基于粒子群算法和基于遗传算法的10‰和7‰,具有一定的优势。所提方法对于解决动态场景条件下的要地武器目标分配问题具有一定的参考与实用价值。

基于贪心策略的改进动态搜索方法在武器目标分配中的应用

数学中最优化理论是解决分配管理问题的一种常用手段。在战略中对武器目标的分配为了得到最好的效益,通常会将其建立分配优化模型。当构建诸多模型时,往往代价成本都比较大,因此经常划分若干过程进行求解。传统算法设计上,较为突出的就是动态规划,它是一个多阶段决策问题。论文分析武器目标分配的数学背景以及最优化理论的应用策略,分析了动态规划等策略的实际求解过程在武器装备分配问题上的应用。并提出了一种基于贪心策略的改进动态搜索方法,这种方法在处理规模已定的情况下,查找精确值的效率相比动态规划方法具有明显的提升。在作战软件的算法设计上有良好的借鉴价值。

基于指数型累积毁伤律的武器目标分配问题快速寻优

针对联合火力打击背景,基于考虑毁伤累积效果的指数型累积毁伤律,建立了多发次武器对目标的毁伤能力量化函数,给出了相应武器目标分配问题的数学模型。为提高求解效率和性能,根据个体的适应度值,采用自适应调整交叉率和变异率策略的自适应遗传算法,解决标准遗传算法早熟、收敛速度慢的缺点。针对包括5种武器类型(共41发)和6个目标的具体实例,采用自适应遗传算法进行求解仿真,仿真结果表明:与标准遗传算法相比,自适应遗传算法能求解出更优、更收敛的近似最优解,能实现联合火力打击场景下考虑毁伤累积的武器目标分配问题的快速寻优。

面向动态毁伤概率和目标价值的武器目标分配方法

面向毁伤和目标价值动态变化条件下的大规模武器目标动态分配问题,提出了一种基于深度强化学习的武器目标分配求解方法。该方法采用双神经网络结构,基于武器目标分配目标函数设计了一套简单、直观的状态与奖励建模方法。通过仿真实验对所提方法进行了验证,结果表明,所提方法能够较快实现收敛,且整体毁伤和计算效率上优于基于粒子群的方法。所提方法能够有效应对毁伤概率和目标价值动态变化条件下的武器目标分配问题,说明了其良好的拓展性。该方法可应用于作战任务规划、仿真单元自动交火等场景下的武器目标分配快速求解。

二分图匹配模型下的武器目标分配问题

武器目标分配问题是研究双方交战时,按照一定分配原则将武器分配给多个能造成威胁的对方目标,从而达到最佳打击效果的问题,也是军事运筹学领域经典的组合优化问题。提出了二分图匹配模型下的武器目标分配问题,并建立了相关的数学模型,最后运用结合了贪心策略的Kuhn-Munkres算法对模型进行求解。通过使用随机生成的20个规模不同的实例来测试所提模型与算法的有效性。计算实验结果表明,提出的模型与算法求解精度高、求解速度快,可以满足武器目标分配问题快速做出最优决策的要求。

基于改进模拟退火算法的防空武器集群打击目标动态分配

传统的防空武器集群打击目标动态分配方法由于设定的约束条件不够全面,导致该方法在分配效果上表现不佳;因此,文章提出了一种基于改进模拟退火算法的防空武器集群打击目标动态分配方法;该方法综合考虑作战效果、作战成本和作战效率等多个因素,确定了相应的目标函数,并设定了相应的约束条件;通过计算打击目标的状态转移概率,并对打击目标的状态准则进行判定,定义了打击目标的状态转移方程;在改进的模拟退火算法的指导下,确定了最优的打击目标分配方案;实验结果分析表明,与传统的防空武器集群打击目标动态分配方法相比,文章设计的基于改进模拟退火算法的方法在实际应用中表现出较低的资源损耗量,均不高于4%,且具有良好的分配效果。

基于遗传蚁群算法的武器目标分配优化方法

针对演化算法求解武器目标分配求解精度不高的问题,提出了结合蚁群优化的遗传蚁群算法。使用混沌映射随机初始化方法,通过逻辑混沌映射初始化种群,提升初始种群的多样性;通过多样性交换策略,交换染色体部分区域值,进一步提高算法的多样性;基于蚁群优化思想,提出蚁群重组准则,利用蚂蚁的搜索行为增强算法的收敛性。使用12个测试用例进行消融实验,证明了各策略的有效性;与7种典型方法进行对比实验,验证了所提方法的优越性。

基于拍卖算法的传感器协同目标分配方法

针对体系化多域联合作战背景下的异构平台协同目标分配问题,以任务需求为牵引,总结了典型的传感器协同探测模式,建立了基于我方探测优势和敌方威胁程度的目标协同探测效能函数;由此提出一种改进分布式拍卖算法以适应不同的目标任务分配问题,通过优化随机竞拍顺序生成过程,实现整体探测效能最优。通过仿真验证了改进算法的有效性,为算法在实际场景中的参数设置提供了可借鉴的思路和规律。

空面多目标攻击中武器-目标最优分配

在多目标空对地攻击中,合理高效的武器-目标分配能显著提升飞机的攻击效率,降低飞机在战场滞留的时间,对于提升飞机的作战效率与生存性能有着重要的意义。本文基于攻击模式、目标毁伤概率、武器成本、飞行航路等约束,构建武器-目标最优分配模型,设计了一种强化局部搜索能力的自适应遗传算法,解决了求解复杂规划问题时的过量冗余迭代与停滞问题。对多组随机目标进行了仿真验证,仿真结果证明,改进算法能够为作战任务提供优质的武器-目标分配方案,且明显提升了求解的运行效率与质量。

水下传感器网络目标跟踪时的非短视比特优化分配算法

由于水下传感器网络(Underwater Sensor Network,USN)的能量、带宽有限,传输原始量测数据前需要进行量化处理。面向目标跟踪,在传输比特数据量的约束下,提出了非短视量化比特分配算法。首先,推导了量化量测下的条件后验克拉美罗下界,并将其设为优化目标,建立了比特分配优化模型。在此基础上,提出了一种双层近似动态规划的算法来实现比特分配的优化,在所设时间窗内利用第一层近似动态规划分配各个时刻的比特,并利用第二层近似动态规划在各分支上实现水下传感器节点的比特分配,进一步提升了计算效率。仿真结果表明,所提算法在满足实时性的要求下具有更稳定的跟踪性能。

基于深度强化学习的舰船导弹目标分配方法

针对对抗环境下的海上舰船防空反导导弹目标分配问题,本文提出了一种融合注意力机制的深度强化学习算法.首先,构建了舰船多类型导弹目标分配模型,并结合目标多波次拦截特点将问题建模为马尔可夫决策过程.接着,基于编码器–解码器框架搭建强化学习策略网络,融合多头注意力机制对目标进行编码,并在解码中结合整体目标和单个目标编码信息实现舰船可靠的导弹目标分配.最后,对导弹目标分配收益、分配时效以及策略网络训练过程进行了仿真实验.实验结果表明,本文方法能生成高收益的导弹目标分配方案,相较于对比算法的大规模决策计算速度提高10%~94%,同时其策略网络能够快速稳定收敛.

多阶段传感器–武器–目标分配问题的建模与优化求解

本文在静态传感器–武器–目标分配(S–WTA)问题的基础上,将作战过程分为多个拦截阶段,以最小化来袭目标的剩余威胁的期望值为目标,建立了一种多阶段S–WTA问题模型.为了求解该问题,本文将多阶段S–WTA问题分解为两类作战资源分配子问题.首先,提出了一种基于知识的增量式构造型启发式算法对多阶段武器–目标分配子问题进行求解.根据已确定的多阶段武器–目标分配方案,提出了一种基于边际损失的构造型启发式算法求解多阶段传感器–目标分配子问题.结合两种低复杂度、快速构造型启发式算法实现多阶段S–WTA问题的有效求解.本文选取了基于随机排列(RP)的随机采样算法作为对比算法,并通过仿真实验验证了算法的有效性.实验结果表明,本文提出的算法在大部分算例的求解质量和时间成本上都优于RP算法.

空地多目标攻击武器-目标分配与制导序列优化

武器-目标分配(WTA)与空地导弹的接力制导规划是远距离空地多目标攻击中亟需解决的难题,具有参数复杂、约束多、非线性强等特点。为此,建立多目标、多约束武器-目标分配与制导序列优化模型,优化目标为目标综合生存概率最小和总用弹量最少,约束条件涉及攻击机导弹配置、导弹毁伤能力、目标毁伤要求、制导站性能。对带精英策略的非支配排序遗传算法(NSGA-Ⅱ)进行改进,提出基于双序列编码的多种群NSGA-Ⅱ(DSMPNSGA-Ⅱ),通过优化WTA序列和制导站序列,实现WTA方案及各导弹制导序列的优化。在DSMPNSGA-Ⅱ中,使用深度优先搜索-Dijkstra算法搜索空地导弹制导序列,改进交叉和变异操作,以减少非可行解的产生,引入多种群策略提升算法性能。仿真结果表明,DSMPNSGA-Ⅱ能够获得有效的WTA与空地导弹接力制导方案,并且求解质量优于单种群NSGA-Ⅱ和多目标粒子群优化算法。

基于强化学习的多对多拦截目标分配方法

针对空中对抗环境中多对多拦截的武器目标分配问题,提出了一种基于强化学习的多目标智能分配方法。在多对多拦截交战场景下,基于交战态势评估构建了目标分配的数学模型。通过引入目标威胁程度和拦截有效程度的概念,充分反映了各目标的拦截紧迫性和各拦截器的拦截能力表征,从而全面评估了攻防双方的交战态势。在目标分配模型的基础上,将目标分配问题构建为马尔可夫决策过程,并采用基于深度Q网络的强化学习算法训练求解。依靠环境交互下的自学习和奖励机制,有效实现了最优分配方案的动态生成。通过数学仿真构建多对多拦截场景,并验证了该方法的有效性,经训练后的目标分配方法能够满足多对多拦截中连续动态的任务分配要求。

基于粒子群遗传禁忌的武器目标分配优化算法

针对传统的粒子群算法与遗传算法在解决武器目标分配优化时存在收敛精度不高的问题,提出了一种基于粒子群遗传禁忌的武器目标分配优化算法WTAO-PGT。通过引入自适应选择比例调控种群多样性,并改进遗传算法的交叉、变异算子以及禁忌搜索的邻域动作,使算法具有较强跳出局部极值的能力。仿真实验结果表明,所提算法在收敛精度上较粒子群禁忌混合搜索等算法有较大提升。