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。

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。

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。

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。

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。

武器目标分配问题研究进展:模型、算法与应用

武器目标分配问题是指挥控制与任务规划领域的关键难点之一,也是军事运筹领域的基础研究课题。经过多年研究,武器目标分配问题在陆海空天电等领域都得到了广泛研究,涌现出了大量模型和算法。系统梳理武器目标分配问题的典型作战样式、建模方法、求解算法和实验验证,掌握当前该领域的研究现状,在此基础上,结合智能化、无人化战争带来的新挑战,分析武器目标分配的发展趋势,为后续研究提供参考。

基于匈牙利-模拟退火算法的多阶段武器目标分配方法

针对现代化战争中远程精确制导武器成本高昂以及武器发射平台数量有限的问题,研究了多阶段武器目标分配问题,以最小化武器成本为优化目标,建立了混合整数非线性规划模型。设计了一种集成匈牙利和模拟退火的混合智能搜索算法,首先根据待攻击目标的时空状态与毁伤特性确定打击阶段、标记可松弛性。在模拟退火的框架下,基于目标的松弛性调整攻击阶段,再通过匈牙利算法计算每个阶段武器和目标的精确匹配方案。通过启发式算法和精确求解技术的结合,在保证求解质量的前提下,极大减少了计算时间。通过计算实验,与变邻域搜索算法进行了对比分析,验证了该算法在求解多阶段武器目标分配问题的有效性。仿真结果表明,所提算法在计算时间和求解效果上优于变邻域搜索算法。

基于粒子群优化的多导弹动态武器目标分配算法

针对复杂多变的未来战场环境,对空防御系统需要实现对多个目标进行武器分配。由于传统静态武器目标分配(Static weapon target assignment,SWTA)模型受到很多因素的限制,无法适应战场态势的快速变化。为了解决多导弹的动态武器目标分配(Dynamic weapon target assignment,DWTA)问题,将对空防御过程离散为多个阶段,并根据战场实时态势数据构建了DWTA的数学模型,提出了一种改进的粒子群优化算法,引入了武器转火时间窗等约束条件,在算法中考虑拦截概率和导弹耗费等多个指标。最后通过大量仿真实验,验证了粒子群算法进行多导弹目标分配的合理性和有效性。

改进蛙跳算法求解武器目标分配问题

针对武器目标分配问题,提出一种改进蛙跳算法来求解空间受限的武器目标分配。首先,基于武器目标分配原则建立多约束条件下武器目标分配模型,并将多目标优化问题转化为单目标优化问题;其次,采用基于非支配等级和拥挤度因子的精英选择策略改进初始种群的多样性和均匀度,提升算法最优解的质量;最后,通过合理的想定背景进行仿真计算,结果表明:该方法可有效平衡搜索时间和全局最优解质量,可作为编队防空作战时武器目标分配的一个不错选择,通过与SFLA算法和遗传算法进行比对分析,表明该算法相对SFLA算法求解的最优解质量高,相对遗传算法搜索效率高。

基于SDP的动态武器目标分配决策算法研究

武器目标分配是水面舰艇防空反导作战指挥决策的核心环节,决策结果的优劣直接影响了防空反导作战的最终防御效果与水面舰艇的生存能力。针对当前武器目标分配算法较少考虑拦截结果的不确定性和多梯次拦截的序贯分配需求,难以适应战场动态变化的问题,设计一种基于随机动态规划的动态武器目标分配决策算法。通过进制变换编码并计算目标状态和武器状态的变化规律,基于战场态势转移概率采用逆向迭代算法生成序贯拦截方案。最终精确求解面向多梯次拦截的动态武器目标分配最优策略,回答“谁来打”“打多少”和“何时打”的水面舰艇防空反导作战决策问题。通过算例验证和数值仿真表明,使用该算法能够获得比静态武器目标分配算法更好的拦截效能,在最好情况下能够降低空中来袭目标72%的威胁期望。

基于改进BBO算法和模糊期望效果的反导武器目标分配建模与实现

针对现有反导武器目标分配(weapon target allocation,WTA)由于忽略射击有利度和目标意图价值的不确定特征,而造成目标错分、漏分的问题,引入模糊期望理论,构建基于模糊期望效果的最大化费效比反导WTA模型。针对模型特点,提出基于改进型生物地理优化(improved biogeography-based optimization,IBBO)算法。该算法采用基于整数的矩阵编码方式,通过余弦动态自适应策略改进迁移操作。同时,引入共生生物搜索(symbiotic organisms search,SOS)算法中相互作用思想,设计基于共生策略的变异操作。此外,在IBBO算法基础上结合模糊模拟形成混合智能算法,对模型进行求解。仿真实例表明,所提算法较好地协调了集约化和多样化的能力,提升了求解的精度与效率,满足不确定环境下反导辅助决策对求解精度和时效性的要求。

改进多目标鲸鱼优化算法的武器目标分配研究

针对武器目标分配问题中存在求解精度低的问题,提出一种改进多目标鲸鱼优化算法(CMMWOA)的武器目标分配方法。通过分别计算鲸鱼个体的非支配等级和拥挤度大小,对鲸鱼种群进行排序,并在父代和子代个体中筛选出优秀个体组成下一代鲸鱼个体,同时加入交叉和变异机制,增加鲸鱼种群间多样性。仿真结果表明,CMMWOA在5个多目标测试函数中,具有更好的寻优能力,在武器目标分配模型中,CMMWOA与其他算法那相比,在相同的条件下得到的目标分配的打击效果也是最大,验证了CMMWOA的有效性。

基于多目标鲸鱼优化算法的动态武器目标分配

针对传统动态武器目标分配模型以武器打击收益最大化为目标,考虑过于单一,并且现有智能算法在求解该模型存在收敛精度低的问题,提出一种非支配排序多目标鲸鱼优化算法(non-dominated sorting multi-objective whale optimization algorithm, NSMWOA)求解动态武器目标分配模型。首先为提高初始解的质量,引入2次logistic映射初始化种群,合并父代与子代个体,通过计算个体的非支配等级和拥挤度大小对个体进行排序,其次为筛选优秀个体,实验结果表明,在与NSGA-Ⅱ和MOPSO算法的对比中,非支配排序多目标鲸鱼优化算法函数测试中的得出Pareto前沿更接近真实Pareto前沿,寻优精度更高,在动态武器目标分配模型中,能够得出更优的分配方案。

基于改进多目标简化群优化算法求解动态武器目标分配问题

针对动态武器目标分配算法中计算耗时较长,在动态多目标条件下应用智能算法时普遍存在求解效率低的问题,提出一种多目标简化群优化算法。该算法将简化群优化算法扩展到多目标领域,将全变量更新机制与谐波步长策略相结合,来平衡算法的探索和开发能力,将算法与其他算法用多目标优化测试函数进行多样性和收敛性对比测试分析。实验结果表明,该算法在求解多样性和收敛性上有一定优势,应用于动态武器目标分配问题求解,具有良好的计算效率和求解精度。

基于改进蚁群算法的防空作战武器目标分配方法

针对防空作战中传统武器目标分配模型的不足,提出了防空作战的WTA模型。同时,根据蚁群计算在解决武器目标分解问题上的缺陷,提出了把混沌变换运用到蚁群计算中来处理该问题的新思路,即通过改进遗传算法并引入混沌算子,运用混沌变换的特性选择了蚁群计算的起始部分:随机性、遍历性和规则,使初始类型产生了多样化,进而形成了良好的计算公式,进而提升了计算的寻优效率,进而提升了全局角度收敛性。经过仿真实验,该方法是优于原算法的。

基于扩展合同网协议的分布式武器目标分配方法

以网络化防空导弹体系为研究背景,对分布式武器目标分配(dynamic weapon target assignment,DWTA)问题进行了描述,从招标条件、招标策略、投标策略、中标策略、协议机制及合同类型六个方面对合同网协议(contract net protocol,CNP)进行了扩展,构建了基于扩展CNP协同机制的DWTA体系结构,提出了基于扩展CNP的DWTA算法。通过某一作战想定,分别从整体效能变化、协同交战次数和通信量三方面对基于CNP和扩展CNP的DWTA算法进行了比较,实验结果证明了后者的有效性和优越性。

动态武器目标分配问题的研究现状与展望

动态武器目标分配(DWTA)是现代指控系统亟待解决的重要理论问题,由于时间因素和随机事件的影响,使得解决该问题的复杂程度进一步增加。在介绍DWTA问题研究基本内容的基础上,重点归纳和分析了目前解决DW-TA问题的一系列方法,包括分阶段求解法、马尔可夫决策过程及anytime算法等,提出了现阶段对于DWTA问题研究的不足和未来尚需解决的问题,并指出在充分考虑时空约束的基础上,寻求一种具有任意时间特性且能灵活处理随机事件的智能算法是解决DWTA问题的有效途径。

基于IDPSO的武器目标分配优化算法

针对武器目标分配(weapon-target allocation,WTA)优化问题的特点,对改进型离散粒子群(improve discrete particle swarm optimization,IDPSO)算法应用于WTA的若干问题进行研究。首先建立了资源受限条件下最大化效费比的WTA优化模型。然后,构建了一种针对多约束WTA问题的粒子编码方案,在此基础上,改进传统粒子群算法的位置和速度更新方式,提出了带怀疑因子和斥力因子的IDPSO算法。仿真实例表明,该算法具有更强的全局寻优能力和更快的收敛速度,能够有效求解大规模WTA问题,适应现代战争中辅助决策对实时性的要求。

基于遗传算法的一类武器目标分配方法研究

针对联合作战的武器目标分配问题,建立了资源受限条件下的多组武器目标分配数学模型,并研究了用遗传算法求解模型的方法。该遗传算法通过设计一种满足约束条件的染色体编码格式,把求解问题转化为无约束的组合优化表现形式,从而可以利用单点随机定位算术交叉和变异运算以及精华选择策略来求解。仿真计算结果表明了模型和所提算法的有效性。

装甲分队动态武器目标分配中蚁群算法终止控制

针对较大规模静态武器目标分配问题中算法实时性差、分配方案不适用于发生变化的战场态势的问题,分析了装甲分队动态武器目标分配问题的特点,以解效用最大为目标函数,提出了一种算法终止控制策略,其综合考虑了解的质量、继续计算改善解质量的效率、模型参数变化的影响。将该策略应用于一种改进蚁群算法中,仿真结果表明,应用此种策略可在确保一定解质量的前提下,避免解失效并有效提高解效用,减少计算迭代次数,缩短计算时间。