基于竞争蛙跳算法的联合火力打击任务规划方法

针对联合火力打击任务规划中兵力、火力和目标之间的动态分配最优化困难问题,设计了一种基于竞争蛙跳的智能优化算法,并将其引入到联合火力打击任务规划问题中。竞争蛙跳算法在标准蛙跳算法基础上,引入遗传算法的寿终正寝和优胜劣汰机制,设计自然寿命和淘汰系数,使多代迭代后的最优个体快速逼近全局最优,而后通过熵权法和理想点法搭配获取联合火力打击任务规划的综合评分。仿真实验结果表明,竞争蛙跳算法不仅能够在有效时间内获取联合火力打击任务规划的最优解,且优化速度和收敛代数优于标准蛙跳算法和标准遗传算法。

基于信息素遗传算法的联合火力打击任务规划

从智能优化视角出发解决联合火力打击任务规划中动态兵力、火力、目标最优化分配问题,设计了信息素遗传算法并将其引入到联合火力打击任务规划问题的求解。信息素遗传算法作为标准遗传算法的改进算法,借鉴了蚁群算法中信息素浓度概念,用信息素浓度控制种群个体变异方向,使用可控变异替代标准遗传算法中的随机变异,使最优个体快速收敛。同时使用熵权法和理想点法将联合火力打击任务规划的众多评估指标融合为可量化对比的综合评分,为任务规划提供评估参考指标。仿真实验结果表明,信息素遗传算法能够有效应用于联合火力打击任务规划问题求解,相较于标准遗传算法具有更高的收敛效率和综合评分。

基于进化粒子群算法的联合火力打击任务规划方法

针对联合火力打击任务规划中对兵力、火力与目标动态分配优化困难的问题,提出一种基于粒子群算法的联合火力打击任务规划智能优化算法。该算法以粒子群算法为基础,模拟鸟群的觅食行为设计智能优化算法,并在标准算法基础上引入遗传算法中的生物优胜劣汰机制,提升算法的迭代效率和全局寻优精度,根据联合火力打击任务规划的内在制约条件设计了衡量任务规划各方面综合性能的评估指标模型,并通过熵权法和理想点法获取联合火力打击任务规划综合评分。仿真结果表明:进化粒子群算法较标准粒子群算法和遗传算法具有更优越的迭代收敛效率和全局寻优能力,具备解决联合火力打击任务规划智能优化问题的能力。

基于改进熵权法的联合火力打击任务规划综合评估

针对联合作战火力打击任务规划综合评估量化分析与评定标准制定困难的问题,提出一种基于专家评分法和熵权法相结合的融合评分算法。通过层次分析法梳理联合火力打击任务规划的主观和客观评估指标,通过构造数学模型和专家评分的方法获取评估指标,通过熵权法获取熵权重,进而计算出综合评分,通过仿真实验验证了方法的有效性。仿真结果表明:该方法能够快速实现联合作战火力打击任务规划的综合评估,并兼顾了指挥员临机指挥的主观决策倾向,相比于现行的联合火力打击任务规划综合评估方法具有明显优势。