基于优化蚁群算法的国民经济动员任务分配方法

针对国家国民经济动员中任务分配问题的复杂性特征,提出了以优化的蚁群劳动分工模型这种新颖的复杂系统建模手段研究经济动员中企业的运行过程,在企业运行特点与蚁群劳动分工模型进行对比分析的基础上,将企业单元定义为人工蚂蚁,根据企业运行的要求重新设计蚂蚁的属性特征、任务执行规则,并利用任务刺激值和动态响应阈值来引导企业参与任务执行。采用该模型对经济动员动态多任务情况下的任务分配进行建模和仿真,最后与风险模型进行对比实验。实验结果表明,该模型可以提高国家国民经济动员中任务分配的效率、任务的完成比例以及任务执行的稳定性。相较于传统方法,该模型方法可以减弱经济动员时任务分配过程对集中控制的依赖,提高企业执行任务的主动性,增强模型动态环境适应性和对动员任务执行情况的平衡能力。

基于蚁群劳动分工的无人机群搜寻打击策略

针对无人机集群在信息不对称条件下对地固定目标察打任务分配问题,受蚁群劳动分工群智能进化思想启发,设计了一种融合差分进化算法和动态蚁群劳动分工模型的动态搜寻打击策略。首先,将无人机搜寻打击目标的分配过程映射为蚁群觅食的劳动分工过程,综合分析无人机与目标相对距离、发现时间、暴露状态等因素对目标选择的影响,提出目标“诱惑度”。然后,充分考虑任务分配的马尔可夫性质,引入带有先验知识的精英保留策略的差分进化算法,在每次目标选择前,实时更新“诱惑度”,形成动态环境刺激更新机制。最后,建立信息不对称条件下对地固定目标察打任务分配仿真环境,采取对比实验方法,在确定的12种实验条件下对无人机搜寻打击方案进行验证。仿真结果表明,所提出的策略与两种传统策略相比,蓝方平均损失数提升3.78%、3.90%,红方任务平均消耗时间下降6.26%、6.39%,能够有效解决无人机集群在信息不对称条件下的任务分配问题,为提升无人机集群动态决策能力提供了算法支撑。

基于动态蚁群劳动分工模型的多AUV任务分配方法

多水下自主航行器(autonomous underwater vehicle, AUV)的动态任务分配问题具有高度非线性、动态不确定性以及多模态的特征,对多AUV任务分配方法的自组织性、鲁棒性以及快速性提出了更高的要求.动态蚁群劳动分工(dynamic ant colony’s labor division, DACLD)模型是一种采用分布式框架的群智能算法,众多行为简单的个体相互作用过程中涌现产生的整体智能行为能很好地适应复杂多变的环境,在解决任务分配问题上具有很好的柔性.引入动态蚁群劳动分工中的刺激-响应原理,建立动态蚁群劳动分工与多AUV任务分配问题之间的映射关系,将任务的状态预测纳入响应阈值,研究基于动态蚁群劳动分工模型的多AUV任务分配方法.同时,针对任务分配过程中可能出现的任务冲突现象,提出新的循环竞争方案以实现最大限度地利用AUV资源.仿真结果表明,所提出的方法能高效地完成任务分配过程,具有很好的自组织性、鲁棒性及快速性.