CN101908097B - 一种空战决策的粒子群优化方法 - Google Patents
一种空战决策的粒子群优化方法 Download PDFInfo
- Publication number
- CN101908097B CN101908097B CN2010102287582A CN201010228758A CN101908097B CN 101908097 B CN101908097 B CN 101908097B CN 2010102287582 A CN2010102287582 A CN 2010102287582A CN 201010228758 A CN201010228758 A CN 201010228758A CN 101908097 B CN101908097 B CN 101908097B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- particle
- neural network
- enemy
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种空战决策的粒子群优化方法,包括以下几个步骤:步骤一:从指控中心获取战场当前的态势;步骤二:根据当前战场态势得到飞行器之间的威胁因数;步骤三:设定粒子群的种群规模和最大迭代次数;步骤四:初始化种群中的所有粒子;步骤五:根据经验公式获取我方武器攻击后,敌方对我方的威胁程度;步骤六:构建BP神经网络;步骤七:更新种群历史最优位置和粒子的个体历史最优位置;步骤八:不断搜索空战决策方案,直到达到粒子群的最大迭代次数;步骤九:种群的历史最优位置坐标为得到的空战决策;本发明对BP神经网络的输入输出进行处理,使得决策方法可以在设定的解空间内进行移动,使得对最优解具有良好的搜索能力。
Description
技术领域
本发明涉及一种空战决策的粒子群优化方法,属于计算机仿真与方法优化技术领域。
背景技术
协同多目标攻击空战决策已成为现代战机实现超视距空战火控系统的关键技术之一,其研究具有重要的意义,协同多目标攻击空战决策是指一架飞机单独或多架飞机同时攻击空中多个分散目标。当空中目标数量急剧增加时,我方也需同时出动大量飞机对其进行拦截、攻击,从而形成了群机协同空战。协同多目标攻击空战决策的关键是根据我方资源为各友机分配目标,而空战态势评估和威胁分析是目标分配的基础,因此,空战态势评估、威胁分析、协同目标分配一起构成了协同多目标攻击空战决策的核心内容,而协同目标分配则是其中最重要的一部分。
协同多目标攻击空战决策的威胁分析目前主要是根据一些基本的经验公式,计算出飞行器之间的威胁因数;协同目标分配的方法主要有粒子群、神经网络、蚁群等,但普遍存在效率低下,不能收敛等缺点。粒子群优化方法(PSO)最早由Kennedy等在1995年提出的,它概念简单、容易实现、搜索范围大。但作为一种随机优化方法,也具有局部收敛,进化后期收敛速度慢,精度较差等缺点。
发明内容
本发明的目的是为了解决协同多目标攻击空战决策的协同目标分配的粒子群方法局部收敛,进化后期收敛速度慢,精度较差等缺点,提出一种新型的空战决策的粒子群优化方法,采纳了粒子群方法的基本思想,但粒子位置的调整并不是根据速度调整公式,而是使用BP神经网络,使粒子不断的向全局最优解移动。
一种空战决策的粒子群优化方法,包括以下几个步骤:
步骤一:从指控中心获取战场当前的态势;
步骤二:根据当前战场态势得到飞行器之间的威胁因数;
步骤三:设定粒子群的种群规模和最大迭代次数;
步骤四:初始化种群中的所有粒子;
步骤五:根据经验公式获取我方武器攻击后,敌方对我方的威胁程度;
步骤六:构建BP神经网络;
步骤七:更新种群历史最优位置和粒子的个体历史最优位置;
步骤八:不断搜索空战决策方案,直到达到粒子群的最大迭代次数;
步骤九:种群的历史最优位置坐标为得到的空战决策。
本发明的优点在于:
(1)将粒子群中粒子的位置坐标作为空战决策的决策方案,使得可以使用智能方法得到一个良好的空战决策;
(2)将BP神经网络与粒子群两种智能方法巧妙的结合起来,解决了粒子群方法的固有的缺点;
(3)对BP神经网络的输入输出进行处理,使得决策方法可以在设定的解空间内进行移动,使得对最优解具有良好的搜索能力。
附图说明
图1是本发明的方法流程;
图2是BP神经网络的结构示意图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
一种空战决策的粒子群优化方法,流程如图1所示,包括以下几个步骤:
步骤一:从指控中心获取战场当前的态势;
从指控中心获取战场当前的态势,包括:我方飞行器数目、敌方飞行器数目、飞行器的代号、每台飞行器携带的武器数目、当前战场上所有飞行器的位置和姿态、飞行器的当前飞行速度、飞行器雷达的最大跟踪距离和武器的有效作用距离。
步骤二:根据当前战场态势通过经验公式得到飞行器之间的威胁因数。
我方飞机i对敌方飞机j的威胁因数经验公式为:
其中:下标i代表我方飞行器,下标j代表敌方飞行器,thij表示我方飞机i对敌方飞机j的威胁因数,表示我方飞机i对敌方飞机j的距离威胁因子,表示我方飞机i对敌方飞机j的角度威胁因子,表示我方飞机i对敌方飞机j的速度威胁因子,ω1与ω2为非负的权重系数且满足ω1+ω2=1。
其中:Dij表示我方飞行器i到敌方飞行器j的距离,RaB表示我方武器的有效作用距离,TrB表示我方飞行器雷达的最大跟踪距离;
其中:εij表示敌方飞行器j相对于我方飞行器i的离轴角,λ1与λ2为正常数,取值一般在0到10之间;
同理,敌方飞机j对我方飞机i的威胁经验公式为:
其中,thji为敌方飞机j对我方飞机i的威胁因数,表示敌方飞机j对我方飞机i的距离威胁因子,表示敌方飞机j对我方飞机i的角度威胁因子,表示敌方飞机j对我方飞机i的速度威胁因子;与我方飞机i对敌方飞机j的威胁计算方法相同,将其中的我方飞机i对敌方飞机j参数换成敌方飞机j对我方飞机i的参数。
步骤三:设定粒子群的种群规模和最大迭代次数。
所述粒子群的种群规模即为粒子数目,表示初始决策方案的个数;所述迭代次数,表示对决策不断进行修改的次数,即对初始决策方案进行了多少次的修改。初始决策方案为指定我方每个武器攻击指定的地方飞行器。
步骤四:初始化种群中的所有粒子;
每个粒子有一个N维的位置坐标,N的数目为我方所有飞行器的武器数目之和,位置坐标为我方武器将要攻击的敌方目标飞行器代号。
例如当前我方有4个武器,所以粒子的位置为4维坐标(2,1,3,2),坐标值为敌方飞行器的代号,此粒子位置表示我方第一个武器攻击敌方代号为2的飞行器,第二个武器攻击敌方代号为1的飞行器等,以此类推。
步骤五:依据威胁因数,根据经验公式获取我方武器攻击后,敌方对我方的威胁程度;
依据威胁因数,根据威胁程度经验公式获取我方武器攻击后,敌方对我方的威胁程度,计算当前所有粒子的威胁程度,将其作为粒子的适应度,选出所有粒子中适应度最小的粒子,其位置作为全局最优位置。
威胁程度经验公式:
其中:N为敌方飞行器的总数目,M为我方飞行器的总数目,Z为我方武器的总数目,Xrj表示我方武器r是否攻击敌方飞行器j,若是则为1,若为否则为0。
步骤六:构建BP神经网络;
如图2所示,BP神经网络为带冲量的梯度下降BP神经网络模型,隐含层为一层,隐含层的神经元数目为输入层神经元数目加一,隐含层和输出层的神经元函数为logsin函数,BP神经网络的学习速率为0~1,优选为0.3,冲量为0~1,优选为0.7,设定BP神经网络的迭代次数为0,每使用一次BP神经网络,其迭代次数加一,而每当种群的迭代次数加一时,BP神经网络的迭代次数从新设为0,BP神经网络的迭代次数最大值为2~30,优选为10,通过BP神经网络的输出误差调整BP神经网络权值,实现对BP神经网络的训练。
BP神经网络的输入为当前粒子的坐标,输出为粒子位置的新坐标,BP神经网络的输出误差为粒子当前位置坐标与种群中的全局最优位置的坐标之差。
x′min=xmin/c
x′max=xmax×c,1<c<2
其中:xmin为粒子位置坐标中的最小值,xmax为粒子位置坐标中的最大值,c与a为正常数,x表示粒子当前位置,表示粒子经过处理后的位置,x′min与x′max表示粒子极值经过扩大后得到的新的极值,公式(7)主要实现了对粒子位置坐标的归一化处理,由于神经元函数为logsin函数,其输入为(-1,1)之间,所以输入要处理到(-1,1)之间,为了实现解空间的移动,通过公式(7)将输入处理到(-a,a)之间,实现了搜索空间的移动。
BP神经网络的输出经过公式(8)后,作为粒子的新的位置坐标。
x′min=xmin/c
x′max=xmax×c,1<c<2
步骤七:对每个粒子的位置坐标进行移动,更新种群历史最优位置和粒子的个体历史最优位置;
将每一个粒子输入至神经网络,更新其位置坐标,实现种群中所有粒子位置的移动,更新种群的历史最优位置和粒子的个体历史最优位置。
一个粒子的位置移动,具体包括以下几个步骤:
(1)粒子的当前位置坐标与种群历史最优位置相减,得到一个新的位置坐标,将此位置坐标通过公式(7)计算,得到的结果作为BP神经网络的输出误差调整神经网络的权值。
(2)粒子的当前位置经公式(7)处理后作为BP神经网络的输入,BP神经网络的输出经公式(8)处理后作为粒子的新位置,BP神经网络迭代次数加一。
(3)判断BP神经网络模块是否达到最大迭代次数,如果达到,终止对此粒子位置的移动。如果不是则进行步骤(4)。
(4)判断粒子的新位置的适应度是否优于粒子个体的历史最优位置,若为是,则停止对此粒子位置的移动,如果为否,则转步骤(1)。
更新种群的历史最优位置和粒子的个体历史最优位置,包括以下几个步骤:
1)将每个粒子的位置带入公式(6)中,计算得到的值为粒子的适应度。
2)比较所有粒子的适应度,找出最小的适应度值,并与记录的种群历史最优位置的适应度值比较,如果小于记录的种群历史最优位置的适应度值,则用新的位置取代记录的记录的种群历史最优位置,得到新的种群历史最优位置。
3)将每个粒子的历史最优位置与新位置的适应度进行比较,如果新位置优于粒子个体的历史最优位置,则将新位置作为粒子个体最优位置。
步骤八:重复进行步骤七,不断搜索空战决策方案,直到达到粒子群的最大迭代次数。
步骤九:种群的历史最优位置坐标为得到的空战决策;
得到的空战决策为在超视距条件下协同空战过程中的一种优化分配方案,将战场上的敌方飞行器分配给我方各个飞行器,力求使攻击效果最优。
Claims (3)
1.一种空战决策的粒子群优化方法,其特征在于,包括以下几个步骤:
步骤一:从指控中心获取战场当前的态势;
包括我方飞行器数目、敌方飞行器数目、飞行器的代号、每台飞行器携带的武器数目、当前战场上所有飞行器的位置和姿态、飞行器的当前飞行速度、飞行器雷达的最大跟踪距离和武器的有效作用距离;
步骤二:根据当前战场态势通过经验公式得到飞行器之间的威胁因数;
我方飞行器i对敌方飞行器j的威胁因数经验公式为:
其中:下标i代表我方飞行器,下标j代表敌方飞行器,thij表示我方飞行器i对敌方飞行器j的威胁因数,表示我方飞行器i对敌方飞行器j的距离威胁因子,表示我方飞行器i对敌方飞行器j的角度威胁因子,表示我方飞行器i对敌方飞行器j的速度威胁因子,ω1与ω2为非负的权重系数且满足ω1+ω2=1;
其中:Dij表示我方飞行器i到敌方飞行器j的距离,RaB表示我方武器的有效作用距离,TrB表示我方飞行器雷达的最大跟踪距离;
其中:εij表示敌方飞行器j相对于我方飞行器i的离轴角,λ1与λ2为正常数;
同理,敌方飞行器j对我方飞行器i的威胁经验公式为:
其中,thji为敌方飞行器j对我方飞行器i的威胁因数,表示敌方飞行器j对我方飞行器i的距离威胁因子,表示敌方飞行器j对我方飞行器i的角度威胁因子,表示敌方飞行器j对我方飞行器i的速度威胁因子;与我方飞行器i对敌方飞行器j的威胁因数计算方法相同,将其中的我方飞行器i对敌方飞行器j参数换成敌方飞行器j对我方飞行器i的参数;
步骤三:设定粒子群的种群规模和最大迭代次数;
所述粒子群的种群规模即为粒子数目,表示初始决策方案的个数;所述迭代次数,表示对决策不断进行修改的次数,即对初始决策方案进行了多少次的修改;初始决策方案为指定我方每个武器攻击指定的敌方飞行器;
步骤四:初始化种群中的所有粒子;
每个粒子有一个N维的位置坐标,N的数目为我方所有飞行器的武器数目之和,位置坐标为我方武器将要攻击的敌方目标飞行器代号;
步骤五:依据威胁因数,根据经验公式获取我方武器攻击后,敌方对我方的威胁程度;
依据威胁因数,根据威胁程度经验公式获取我方武器攻击后,敌方对我方的威胁程度,计算当前所有粒子的威胁程度,将其作为粒子的适应度,选出所有粒子中适应度最小的粒子,其位置作为全局最优位置;
威胁程度经验公式:
其中:N为敌方飞行器的总数目,M为我方飞行器的总数目,Z为我方武器的总数目,Xrj表示我方武器r是否攻击敌方飞行器j,若是则为1,若为否则为0;
步骤六:构建BP神经网络;
BP神经网络为带冲量的梯度下降BP神经网络模型,隐含层为一层,隐含层的神经元数目为输入层神经元数目加一,设定BP神经网络的迭代次数为0,每使用一次BP神经网络,其迭代次数加一,而每当种群的迭代次数加一时,BP神经网络的迭代次数从新设为0,设定BP神经网络的最大迭代次数,通过BP神经网络的输出误差调整BP神经网络权值,实现对BP神经网络的训练;
BP神经网络的输入为当前粒子的坐标,输出为粒子位置的新坐标,BP神经网络的输出误差为粒子当前位置坐标与种群中的全局最优位置的坐标之差;
x′min=xmin/c
x′max=xmax×c,1<c<2
BP神经网络的输出经过公式(8)后,作为粒子的新的位置坐标;
x′min=xmin/c
x′max=xmax×c,1<c<2
其中:表示神经网络的输出,y表示经过处理后得到的粒子的新位置;
步骤七:对每个粒子的位置坐标进行移动,更新种群历史最优位置和粒子的个体历史最优位置;
将每一个粒子输入至神经网络,更新其位置坐标,实现种群中所有粒子位置的移动,更新种群的历史最优位置和粒子的个体历史最优位置;
一个粒子的位置移动,具体包括以下几个步骤:
(1)粒子的当前位置坐标与种群历史最优位置相减,得到一个新的位置坐标,将此位置坐标通过公式(7)计算,得到的结果作为BP神经网络的输出误差调整神经网络的权值;
(2)粒子的当前位置经公式(7)处理后作为BP神经网络的输入,BP神经网络的输出经公式(8)处理后作为粒子的新位置,BP神经网络迭代次数加一;
(3)判断BP神经网络模块是否达到最大迭代次数,如果达到,终止对此粒子位置的移动,如果不是则进行步骤(4);
(4)判断粒子的新位置的适应度是否优于粒子个体的历史最优位置,若为是,则停止对此粒子位置的移动,如果为否,则转步骤(1);
更新种群的历史最优位置和粒子的个体历史最优位置,包括以下几个步骤:
1)将每个粒子的位置带入公式(6)中,计算得到的值为粒子的适应度;
2)比较所有粒子的适应度,找出最小的适应度值,并与记录的种群历史最优位置的适应度值比较,如果小于记录的种群历史最优位置的适应度值,则用新的位置取代记录的种群历史最优位置,得到新的种群历史最优位置;
3)将每个粒子的历史最优位置与新位置的适应度进行比较,如果新位置优于粒子个体的历史最优位置,则将新位置作为粒子个体最优位置;
步骤八:重复进行步骤七,不断搜索空战决策方案,直到达到粒子群的最大迭代次数;
步骤九:种群的历史最优位置坐标为得到的空战决策;
得到的空战决策为在超视距条件下协同空战过程中的一种优化分配方案,将战场上的敌方飞行器分配给我方各个飞行器。
2.根据权利要求1所述的一种空战决策的粒子群优化方法,其特征在于,所述步骤二中λ1和λ2取值在0到10之间。
3.根据权利要求1所述的一种空战决策的粒子群优化方法,其特征在于,所述步骤六中的BP神经网络隐含层和输出层的神经元函数为1ogsin函数,学习速率为0~1,冲量为0~1,BP神经网络的迭代次数最大值为2~30。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102287582A CN101908097B (zh) | 2010-07-13 | 2010-07-13 | 一种空战决策的粒子群优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102287582A CN101908097B (zh) | 2010-07-13 | 2010-07-13 | 一种空战决策的粒子群优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101908097A CN101908097A (zh) | 2010-12-08 |
CN101908097B true CN101908097B (zh) | 2012-03-21 |
Family
ID=43263555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102287582A Expired - Fee Related CN101908097B (zh) | 2010-07-13 | 2010-07-13 | 一种空战决策的粒子群优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101908097B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222412B (zh) * | 2011-05-26 | 2013-10-16 | 北京航空航天大学 | 一种引入空域容量的航路汇聚点布局优化方法 |
CN102298728B (zh) * | 2011-08-17 | 2014-01-22 | 电子科技大学 | 一种目标威胁程度评估方法 |
CN102298673A (zh) * | 2011-09-20 | 2011-12-28 | 北京像素软件科技股份有限公司 | 一种非玩家控制角色的行为决策方法 |
CN102722751B (zh) * | 2012-05-11 | 2014-07-30 | 北京航空航天大学 | 一种空战多目标分配的启发式量子遗传方法 |
CN103246818A (zh) * | 2013-05-15 | 2013-08-14 | 西北工业大学 | 基于信息熵的topsis法多目标威胁排序方法 |
CN103645636B (zh) * | 2013-11-25 | 2016-01-06 | 南京航空航天大学 | 一种pid控制器参数优化方法 |
CN105005820B (zh) * | 2015-04-03 | 2017-02-22 | 北京理工大学 | 一种基于种群爆炸粒子群算法的目标分配优化方法 |
CN105469139B (zh) * | 2016-01-11 | 2017-12-01 | 昆明理工大学 | 一种基于嵌入式控制的无人机空中实时协同制导方法 |
CN106020215B (zh) * | 2016-05-09 | 2018-08-31 | 北京航空航天大学 | 一种基于单步预测矩阵博弈的近距空战自主决策方法 |
CN108319132B (zh) * | 2018-01-11 | 2021-01-26 | 合肥工业大学 | 用于无人机空中对抗的决策系统及方法 |
CN109116864A (zh) * | 2018-09-07 | 2019-01-01 | 佛山皖和新能源科技有限公司 | 一种无人机集群地面信息采集识别管理方法 |
CN110083971B (zh) * | 2019-05-08 | 2023-05-12 | 南京航空航天大学 | 一种基于作战推演的自爆式无人机集群作战兵力分配方法 |
CN111688192B (zh) * | 2020-06-24 | 2022-06-17 | 西安文理学院 | 一种选区激光熔化主要工艺参数匹配优化方法 |
CN112464549B (zh) * | 2020-07-06 | 2021-05-14 | 中国人民解放军军事科学院评估论证研究中心 | 对抗单位的动态分配方法 |
CN112464548B (zh) * | 2020-07-06 | 2021-05-14 | 中国人民解放军军事科学院评估论证研究中心 | 对抗单位的动态分配装置 |
CN112801403A (zh) * | 2021-02-10 | 2021-05-14 | 武汉科技大学 | 基于ssa-bp的空中目标潜在威胁度预测方法及系统 |
CN114330115B (zh) * | 2021-10-27 | 2023-06-09 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于粒子群搜索的神经网络空战机动决策方法 |
CN114043476B (zh) * | 2021-11-04 | 2023-03-31 | 同济大学 | 一种拒止环境下基于粒子群算法的群体机器人控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136081B (zh) * | 2007-09-13 | 2010-06-02 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
-
2010
- 2010-07-13 CN CN2010102287582A patent/CN101908097B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101908097A (zh) | 2010-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101908097B (zh) | 一种空战决策的粒子群优化方法 | |
Zhang et al. | Grey wolf optimizer for unmanned combat aerial vehicle path planning | |
CN102506863B (zh) | 一种基于万有引力搜索的无人机航路规划方法 | |
CN106705970A (zh) | 一种基于蚁群算法的多无人机协同路径规划方法 | |
CN108549402B (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
CN102880186B (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
CN103744290B (zh) | 一种多无人机编队分层目标分配方法 | |
CN103425840A (zh) | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 | |
CN108318032A (zh) | 一种考虑攻防对抗的无人机航迹智能规划方法 | |
Hu et al. | Improved ant colony optimization for weapon‐target assignment | |
CN109269502A (zh) | 一种基于多策略改进粒子群算法的无人机三维航路规划方法 | |
CN107832885A (zh) | 一种基于自适应迁移策略bbo算法的舰艇编队火力分配方法 | |
CN111766901A (zh) | 多无人机协同目标分配攻击方法 | |
CN101893441A (zh) | 基于离差最大化及灰色关联分析的无人机航迹优选方法 | |
CN106779161A (zh) | 一种气动外形约束下分布式三维阵的阵列布局优化方法 | |
Su et al. | An improved adaptive differential evolution algorithm for single unmanned aerial vehicle multitasking | |
CN114638339A (zh) | 基于深度强化学习的智能体任务分配方法 | |
Qingwen et al. | Cooperative jamming resource allocation of UAV swarm based on multi-objective DPSO | |
CN113031650A (zh) | 一种不确定环境下的无人机集群协同目标分配设计方法 | |
CN112666981A (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
CN110765586A (zh) | 一种基于改进粒子群算法的雷达组网优化布站方法 | |
Sun et al. | Multi-missile interception for multi-targets: Dynamic situation assessment, target allocation and cooperative interception in groups | |
CN113608546B (zh) | 量子海狮机制的无人机群任务分配方法 | |
CN116661496B (zh) | 一种基于智能算法的多巡飞弹协同航迹规划方法 | |
CN111709584A (zh) | 一种基于人工蜂群算法的雷达组网优化部署方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120321 Termination date: 20130713 |