CN103413186A - 一种基于混合优化算法的多飞行器协同目标分配方法 - Google Patents

Abstract

本发明提供了一种基于混合优化算法的多飞行器协同目标分配方法，包括以下步骤：（11）采集我方飞行器的飞行燃料消耗量和飞行时间长度；（12）建立离散粒子群算法中的适应度函数；（13）采用离散粒子群算法对我方飞行器进行目标分配。本发明基于混合优化算法的多飞行器协同目标分配方法，可以应对瞬息万变的战场态势，快速的确定出目标的分配方案，保证了该算法的实时性；同时，该分配方案能够保证与实际吻合，在随后的路径规划中得到印证，保证了该算法的适用性。

Description

一种基于混合优化算法的多飞行器协同目标分配方法

技术领域

本发明涉及计算机辅助空战以及电子模拟空战领域，特别是一种基于混合优化算法的多飞行器协同目标分配方法。

背景技术

目标分配算法是多飞行器协同作战的关键技术之一，其主要是依据战场态势，合理对敌方目标进行分配，有效提高战场的整体作战效能。目标分配是一个约束众多而复杂的组合优化问题，其解空间随着武器总数和任务总数的增加而呈几何级数增长，使其成为一个多参数、多约束的NP问题。

传统的求解方法是将目标分配问题简化为数学规划模型，然后采用穷举法、动态规划、分支定界等方法进行求解。然而问题的求解受维数的限制，当问题的维数增加时，运算复杂度将成指数增加，很难得到最优解。后来由于智能算法的发展，提出了大量用智能方法求解的思想，主要有遗传算法、遗传模拟退火算法、蚁群算法、粒子群算法及它们的混合算法。

潘寒尽等针对多机协同空战中目标分配的实时性和复杂性问题，提出了一种基于分布式计算的协同空战目标分配算法。该算法参考空中作战常见的三级指挥体制，构建了相应的分层任务分解结构和多智能体目标分配模型，将传统的集中控制、集中优化问题分布到多个作战控制单元进行计算，从而提高优化的性能。（潘寒尽，王威，邱学军等.基于分布式计算的多机协同空战目标分配算法.电光与控制，2013，20(1)：33-35）。

李红亮等针对反舰导弹预先目标分配无法应对战场环境动态变化的难题，提出了基于领弹、数据链、卫星定位技术的在线目标分配的设想。综合考虑影响反舰作战效能的各种因素，构建了目标分配优化模型和作战效能主要评价指标的技术模型。为了满足反舰导弹协同攻击在线目标分配的实时性要求，提出了一种改进的粒子群算法。（李红亮，孔丽，宋贵宝.基于改进粒子群算法的反舰导弹在线目标分配.战术导弹技术，2013，(1)：64-70）。

专利申请“一种空战多目标分配的启发式量子遗传方法”（专利申请号：201210147056.0）将协同多目标攻击空战决策问题的威胁经验公式进行变形转换，对我方武器分配方案进行量子位编码，扩大了可行解的表示范围；根据每个武器的多于攻击分配值，提出并设计出优先攻击分配值向量，使染色体按照分配值向量启发式的修正量子染色体，加快收敛速度。

总结国内外公开的基于混合优化算法的多飞行器协同目标分配方法相关文献和研究成果，存在以下两个方面的不足：

1)由于没有对分配策略本身做出改进，单纯以任务代价为优化目标得到的分配方案适应环境变化的能力较差。同时，现代战场上，需要应对瞬息万变的战场态势，态势的改变可能导致原有分配方案效率降低甚至不可行。

虽然目标分配问题的求解速度与精度得到很大提高，但是优化后的结果可能并不和实际吻合，或者说优化后的结果可能在随后的路径规划中得到否认。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于混合优化算法的多飞行器协同目标分配方法。

为了解决上述技术问题，本发明公开了一种基于混合优化算法的多飞行器协同目标分配方法，包括以下步骤：

（11）采集我方飞行器的飞行燃料消耗量和飞行时间长度；

（12）建立离散粒子群算法中的适应度函数；

（13）采用离散粒子群算法对我方飞行器进行目标分配。

本发明中，所述采集我方飞行器的飞行燃料消耗量和飞行时间长度（11）步骤具体为：

21）采用动态规划法进行轨迹优化：以我方飞行器燃料消耗量最小为性能指标，采用动态规划法对我方第ii架飞行器飞行至敌方第jj架飞行器的飞行轨迹进行优化，ii=1,2,…,m,jj=1,2,…,n，m为我方飞行器的数量，n为敌方飞行器的数量；

22）采集我方飞行器的飞行燃料消耗量和飞行时间长度：飞行轨迹优化结束后，计算我方第ii架飞行器飞行至敌方第jj架飞行器所需要的飞行燃料消耗量与飞行时间长度。

本发明中所述混合优化算法包括离散粒子群算法与动态规划法的混合。

本发明中，所述采用动态规划法进行轨迹优化（21）步骤中，每架我方飞行器轨迹优化方法包括以下步骤：

31）建立网格坐标系：在笛卡尔直角坐标系o-xyz中，按照我方飞行器的出发点和目标点建立网格坐标系，o为我方飞行器的出发点，X为横向，Y为高度方向，Z为纵向；

32）确定我方飞行器的移动空间走廊（X，Y，Z）：

$\left\{\begin{array}{c}{X}_{\min }\≤X\≤X_{\max }\\ Y_{\min }\≤Y\≤Y_{\max }\\ Z_{\min }\≤Z\≤Z_{\max }\end{array}\right.;$

式中：X_min、X_max分别为我方飞行器在笛卡尔直角坐标系X轴上的最小、最大距离，Y_min、Y_max分别为我方飞行器在笛卡尔直角坐标系Y轴上的最小、最大距离,Z_min、Z_max分别为我方飞行器在笛卡尔直角坐标系Z轴上的最小、最大距离；

33）对我方飞行器的移动空间走廊进行网格划分：在我方飞行器的移动空间走廊内，进行网格划分，将我方飞行器轨迹用网格上的点P(ik,jk,kk)表示，ik,jk,kk分别代表我方飞行器在网格坐标系中X,Y,Z方向的坐标，ik,jk,kk分别为自然数；

$\left\{\begin{array}{c}\mathrm{ik}=\mathrm{1,2}...,{\mathrm{ik}}_{\max }\\ \mathrm{jk}=\mathrm{1,2}...,{\mathrm{jk}}_{\max }\\ \mathrm{kk}=\mathrm{1,2}...,{\mathrm{kk}}_{\max }\end{array}\right.;$

34）建立我方飞行器的数学模型：

$\left\{\begin{array}{c}m\frac{\mathrm{dV}}{\mathrm{dt}}=P\cos \mathrm{\α}\cos \mathrm{\β}-X-\mathrm{mg}\sin \mathrm{\θ}\\ \mathrm{mV}\frac{\mathrm{d\θ}}{\mathrm{dt}}=P\sin \mathrm{\α}+Y-\mathrm{mg}\cos \mathrm{\θ}\\ -\mathrm{mV}\frac{{\mathrm{d\ψ}}_v}{\mathrm{dt}}=P\cos \mathrm{\α}\sin \mathrm{\β}\\ \frac{\mathrm{dx}}{\mathrm{dt}}=V\cos \mathrm{\θ}\cos {\mathrm{\ψ}}_v\\ \frac{\mathrm{dh}}{\mathrm{dt}}=V\sin \mathrm{\θ}\\ \frac{\mathrm{dz}}{\mathrm{dt}}=-V\cos \mathrm{\θ}\sin {\mathrm{\ψ}}_v\end{array}\right.,$

式中：P为我方飞行器的推力、

为我方飞行器的阻力、

为我方飞行器的升力、c_x、c_y分别为我方飞行器的阻力系数，升力系数、ρ为我方飞行器的所处高度的空气密度、V为我方飞行器的速度、S为我方飞行器的特征面积、θ为我方飞行器的轨迹倾角、ψ_v为我方飞行器的轨迹偏角、h为我方飞行器的高度、x为我方飞行器的横向距离、z为我方飞行器的侧向距离、α为我方飞行器的迎角、β为我方飞行器的侧滑角、m为我方飞行器的机体质量、t为我方飞行器的飞行时间；

35）确定性能指标J：我方飞行器燃料消耗量m_f最小，即：

J=minm_f；

36）计算我方飞行器在网格中各个节点段飞行的性能指标：基于我方飞行器的数学模型，分别计算我方飞行器在网格内各个节点段的性能指标，其中各个节点段包括：从原点到ik＝1层每个节点，从ik＝1层每个节点到ik＝2层每个节点，直到从ik＝ik_max－1层每个节点到ik＝ik_max层每个节点，从ik＝ik_max层每个节点到目标点；

37）优化我方飞行器轨迹：根据36）计算出的网格内各个节点段的性能指标，以我方飞行器燃料消耗量m_f最小为性能指标，我方飞行器进行轨迹优化。

本发明中，步骤（37）具体包括：

41）计算我方飞行器从ik＝ik_max－1层中每个节点到目标点的最优飞行轨迹及燃料消耗量，针对ik＝ik_max－1层中每个节点，比较我方飞行器从每个节点到目标点的所有飞行轨迹的燃料消耗量，得出并存储燃料消耗量最小的节点到目标点的最优飞行轨迹与燃料消耗量；

42）计算我方飞行器从ik＝ik_max－L层中每个节点到目标点的最优飞行轨迹及燃料消耗量：针对ik＝ik_max－L层中每个节点，我方飞行器从该节点按照步骤41）得出的在ik＝ik_max－(L-1)层中每个节点到目标点的最优飞行轨迹飞行，对上述所有飞行轨迹的燃料消耗量进行比较，得出并存储燃料消耗量最小的节点到目标点的最优轨迹及燃料消耗量，L＝2，3，…，ik_max－1；

43）判断ik＝1层是否完成，如果是，转到步骤44）；否则，返回步骤42）；

44）计算我方飞行器从起点到目标点的最优飞行轨迹及燃料消耗量：我方飞行器从起点按照步骤42）得出的在ik＝1层中每个节点到目标点的最优飞行轨迹飞行，对上述所有飞行轨迹的燃料消耗量进行比较，得出并存储燃料消耗量最小的节点到目标点的最优轨迹及燃料消耗量，该飞行轨迹及燃料消耗量即为我方飞行器从起点到目标点的最优飞行轨迹及性能指标。

本发明中，所述建立离散粒子群算法中的适应度函数（12）步骤中，所述的适应度函数具体为：

51）计算我方飞行器的燃料消耗程度C₁：我方飞行器的燃料消耗程度是指我方各飞行器在安全航路飞行，命中目标的前提下，通过最小化我方飞行器攻击敌方飞行器的燃料消耗量，引导目标分配向着减少我方飞行器燃料消耗程度的方向进行：

$C_1=\frac{m_{\mathrm{iijj}}}{m\_\max },$

式中，m_iijj为第ii架我方飞行器以步骤44）的飞行轨迹攻击敌方第jj架飞行器所用的燃料消耗量，m_max为攻击敌方第jj架飞行器中我方飞行器所用的最大的燃料消耗量；

52）计算我方飞行器飞行时间长度比值C₂：我方飞行器飞行时间长度比值是指我方各飞行器在安全航路飞行，命中目标的前提下，通过最小化我方飞行器攻击敌方飞行器的飞行时间引导目标分配向着减少我方飞行器飞行时间的方向进行：

$C_2=\frac{t_{\mathrm{iijj}}}{t\_\max }$

式中，t_iijj为第ii架我方飞行器以步骤44）的飞行轨迹攻击敌方第jj架飞行器所用的飞行时间，t_max为攻击敌方第jj架飞行器中我方飞行器所用的最长的飞行时间；

53）计算目标的价值收益C₃：目标价值收益最大指标通过对我方飞行器执行任务时所获取的目标价值的评估，来引导目标分配的优化和决策向着使作战效能最大化的方向进行，该指标使我方飞行器趋向于攻击高价值目标，目标的价值收益包括目标的价值v、我方飞行器对杀伤概率P_S，假设第ii架我方飞行器攻击敌方第jj架飞行器时计算公式为：

$C_3=v_{\mathrm{jj}}{P}_{S_{\mathrm{jj}}};$

54）计算我方飞行器使用均衡度C₄：假设m架我方飞行器攻击n个敌方飞行器，则计算公式为：

$\left\{\begin{array}{c}{C}_4=\underset{\mathrm{ii}=1}{\overset{m}{\mathrm{\Σ}}}(N_{\mathrm{ii}}-\stackrel{\‾}{N})/m\\ \stackrel{\‾}{N}=n/m\end{array}\right.,$

其中：N_ii表示第ii架我方飞行器攻击敌方飞行器的架次，

表示我方飞行器攻击敌方飞行器架次的平均数，我方飞行器使用均衡度越小，表示我方各型号飞行器使用越均衡；

55）建立离散粒子群算法中的适应度函数：根据我方飞行器的燃料消耗程度最小化指标，我方飞行器飞行时间的长度最小化指标，目标价值收益最大化指标，最小化我方飞行器使用均衡度，多飞行器协同目标分配的适应度函数C为：

C=ω₁C₁+ω₂C₂-ω₃C₃+ω₄C₄，

其中：ω₁,ω₂,ω₃,ω₄为权系数，且ω₁＝ω₂＝ω₃＝ω₄=0.25。

本发明中，所述采用离散粒子群算法对我方飞行器进行目标分配（13）步骤具体为：

61）设置种群大小、迭代次数；

62）随机初始化种群中各粒子的位置X_i和速度V_i：X_i=[x_i,1,x_i,2,…,x_i,d]，V_i=[v_i,1,v_i,2,…,v_i,d]；其中：i为粒子的序号，d为搜索空间的维度，维度的数量为敌方飞行器的架数，d=1,2,…,n；

63）计算种群中每个粒子的适应度：评价种群中所有粒子，将当前各粒子的位置和目标值存储于各粒子的P_i=[p_i,1,p_i,2,…,p_i,d]中，将所有P_i=[p_i,1,p_i,2,…,p_i,d]目标值最优的个体位置和目标值存储于P_g=[p_g,1,p_g,2,…,p_g,d]中；其中：P_i=[p_i,1,p_i,2,…,p_i,d]为第i个粒子的最优值，P_g=[p_g,1,p_g,2,…,p_g,d]为群体最优值；

64）按下式更新各个粒子的速度v_i,j和位置x_i,j：

$\left\{\begin{array}{c}{v}_{i,j}(t\_t+1)=\mathrm{int}[{\mathrm{\ωv}}_{i,j}(t\_t)+b_1{r}_1[p_{i,j}-x_{i,j}(t\_t)]+b_2{r}_2[p_{g,j}-x_{i,j}(t\_t)\left]\right]\\ x_{i,j}(t\_t+1)=x_{i,j}(t\_t)+v_{i,j}(t\_t+1)\\ j=\mathrm{1,2},...,n\end{array}\right.,$

其中：t_t表示粒子的迭代次数，ω=0.729为惯性权因子，b₁=2.05和b₂=2.05为正的加速常数，r₁和r₂为在0和1之间均匀分布的随机数，j表示维度；

对于m架我方飞行器攻击敌方n个目标，在第t_t次迭代时，第i个粒子的第j维的位置x_i,j和速度v_i,j取值范围为：

$\left\{\begin{array}{c}{v}_{i,j}(t\_t)>\mathrm{0,0}<x_{i,j}(t\_t)<m\\ j=\mathrm{1,2},...,n\end{array}\right.;$

65)计算种群中每个粒子的适应度，评价种群中所有粒子；

66)更新最优值P_i：比较种群中每个粒子当前目标值与其最优值P_i的目标值，若当前目标值更优，则用粒子的当前位置和目标值更新最优值P_i；

67)更新最优值P_g：比较当前所有最优值P_i和最优值P_g的目标值，更新最优值P_g；

68)若迭代次数达到最大值，则输出最优值P_g及其目标值并结束，否则返回步骤64)。

本发明基于由离散粒子群算法与动态规划法组合的混合优化算法的多飞行器协同目标分配方法，可以应对瞬息万变的战场态势，快速的确定出目标的分配方案，保证了该算法的实时性；同时，该分配方案能够保证与实际吻合，在随后的路径规划中得到印证，保证了该算法的适用性。

本发明与现有技术相比：具有以下显著的特点：

1)为了保证分配算法的实时性，采用离散粒子群算法用于多飞行器协同目标分配方案的制定；

2)为了保证分配算法的适用性，采用动态规划法粗略优化计算每架飞行器到每个目标的路径。

下面结合附图对本发明作进一步详细描述。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是基于混合优化算法的多飞行器协同目标分配方法的流程图。

图2是采集我方飞行器的飞行燃料消耗量和飞行时间长度的流程图。

图3是采用动态规划法，对我方每架飞行器分别进行轨迹优化的总体框架流程图。

图4是采用动态规划法，优化我方飞行器轨迹的流程图。

图5是我方飞行器的燃料消耗程度，飞行时间的长度，目标价值收益。

图6是采用离散粒子群算法对我方飞行器进行目标分配的流程图。

具体实施方式

结合图1，本发明基于混合优化算法的多飞行器协同目标分配方法，步骤如下：

1）采集我方飞行器的飞行燃料消耗量和飞行时间长度，具体步骤如图2所示。

21）采用动态规划法进行轨迹优化：以我方飞行器燃料消耗量最小为性能指标，采用动态规划法对我方第ii架飞行器飞行至敌方第jj架飞行器的飞行轨迹进行优化，ii=1,2,…,m,jj=1,2,…,n，m为我方飞行器的数量，n为敌方飞行器的数量；例如：我方飞行器的数量：m＝6，敌方飞行器的数量：n＝12。具体步骤如图3所示。

31）建立网格坐标系：在笛卡尔直角坐标系o-xyz中，按照我方飞行器的出发点和目标点建立网格坐标系，o为我方飞行器的出发点，X为横向，Y为高度方向，Z为纵向。

32）确定我方飞行器的移动空间走廊：

$\left\{\begin{array}{c}{X}_{\min }\&le;X\&le;X_{\max }\\ Y_{\min }\&le;Y\&le;Y_{\max }\\ Z_{\min }\&le;Z\&le;Z_{\max }\end{array}\right.;$

式中：X_min、X_max分别为我方飞行器在笛卡尔直角坐标系X轴上的最小、最大距离，Y_min、Y_max分别为我方飞行器在笛卡尔直角坐标系Y轴上的最小、最大距离,Z_min、Z_max分别为我方飞行器在笛卡尔直角坐标系Z轴上的最小、最大距离。

网格的大小（ΔX,ΔY,ΔZ）是由飞行器的机动能力确定的，因为发动机的推力大小是受限制的，飞行空间走廊越来越大，因为随着发动机工作时间的增加，飞行器质量减小，使得飞行器机动能力增强。

例如：

第一架我方飞行器的移动空间走廊为：

0≤X≤10km，5km≤Y≤15km，-5km≤Z≤5km；

第二架我方飞行器的移动空间走廊为：

0≤X≤10km，5km≤Y≤15km，-5km≤Z≤5km；

第三架我方飞行器的移动空间走廊为：

0≤X≤10km，5km≤Y≤15km，-5km≤Z≤5km；

第四架我方飞行器的移动空间走廊为：

0≤X≤10km，5km≤Y≤15km，-5km≤Z≤5km。

33）对我方飞行器的移动空间走廊进行网格划分：在我方飞行器的移动空间走廊内，进行网格划分。将我方飞行器轨迹用网格上的点P(ik,jk,kk)表示，ik,jk,kk分别代表我方飞行器在网格坐标系中X,Y,Z方向的坐标，ik,jk,kk分别为自然数。

$\left\{\begin{array}{c}\mathrm{ik}=\mathrm{1,2}...,{\mathrm{ik}}_{\max }\\ \mathrm{jk}=\mathrm{1,2}...,{\mathrm{jk}}_{\max }\\ \mathrm{kk}=\mathrm{1,2}...,{\mathrm{kk}}_{\max }\end{array}\right.;$

网格划分越小，所得到的轨迹精度越高，但付出的代价是时间的花费。所以，应根据实际情况，在网格划分和时间的代价上折衷处理。

例如：

第一架我方飞行器在移动空间走廊网格划分为：1000×1000×1000；

第二架我方飞行器在移动空间走廊网格划分为：1000×1000×1000；

第三架我方飞行器在移动空间走廊网格划分为：1000×1000×1000；

第四架我方飞行器在移动空间走廊网格划分为：1000×1000×1000。

34）建立我方飞行器的数学模型：

$\left\{\begin{array}{c}m\frac{\mathrm{dV}}{\mathrm{dt}}=P\cos \mathrm{\&alpha;}\cos \mathrm{\&beta;}-X-\mathrm{mg}\sin \mathrm{\&theta;}\\ \mathrm{mV}\frac{\mathrm{d\&theta;}}{\mathrm{dt}}=P\sin \mathrm{\&alpha;}+Y-\mathrm{mg}\cos \mathrm{\&theta;}\\ -\mathrm{mV}\frac{{\mathrm{d\&psi;}}_v}{\mathrm{dt}}=P\cos \mathrm{\&alpha;}\sin \mathrm{\&beta;}\\ \frac{\mathrm{dx}}{\mathrm{dt}}=V\cos \mathrm{\&theta;}\cos {\mathrm{\&psi;}}_v\\ \frac{\mathrm{dh}}{\mathrm{dt}}=V\sin \mathrm{\&theta;}\\ \frac{\mathrm{dz}}{\mathrm{dt}}=-V\cos \mathrm{\&theta;}\sin {\mathrm{\&psi;}}_v\end{array}\right.;$

式中：P为我方飞行器的推力、

为我方飞行器的阻力、

为我方飞行器的升力、c_x、c_y分别为我方飞行器的阻力系数，升力系数、ρ为我方飞行器的所处高度的空气密度、V为我方飞行器的速度、S为我方飞行器的特征面积、θ为我方飞行器的轨迹倾角、ψ_v为我方飞行器的轨迹偏角、h为我方飞行器的高度、x为我方飞行器的横向距离、z为我方飞行器的侧向距离、α为我方飞行器的迎角、β为我方飞行器的侧滑角、m为我方飞行器的机体质量、t为我方飞行器的飞行时间。

35）确定性能指标：我方飞行器燃料消耗量m_f最小，即：

J=minm_f。

36）计算我方飞行器在网格中各个节点段飞行的性能指标：基于我方飞行器的数学模型，分别计算我方飞行器在网格内各个节点段的性能指标，其中各个节点段包括：从原点到ik＝1层每个节点，从ik＝1层每个节点到ik＝2层每个节点，…，从ik＝ik_max－1层每个节点到ik＝ik_max层每个节点，从ik＝ik_max层每个节点到目标点；

37）采用动态规划法，优化我方飞行器轨迹：根据36）计算出的网格内各个节点段的性能指标，以我方飞行器燃料消耗量m_f最小为性能指标，采用动态规划法对我方飞行器进行轨迹优化。具体步骤如图4所示：

41）计算我方飞行器从ik＝ik_max－1层中每个节点到目标点的最优飞行轨迹及性能指标：针对ik＝ik_max－1层中每个节点，比较我方飞行器从该节点到目标点的所有飞行轨迹的性能指标，得出并存储该节点到目标点的最优飞行轨迹及性能指标；

42）计算我方飞行器从ik＝ik_max－L层中每个节点到目标点的最优飞行轨迹及性能指标：针对ik＝ik_max－L层中每个节点，我方飞行器从该节点按照41）得出的在ik＝ik_max－(L-1)层中每个节点到目标点的最优飞行轨迹飞行，对上述所有飞行轨迹的性能指标进行比较，得出并存储该节点到目标点的最优轨迹及性能指标，L＝2，3，…，ik_max－1；

43）判断ik＝1层是否完成。如果是，转到44）；否则，转到42）。

44）计算我方飞行器从起点到目标点的最优飞行轨迹及性能指标：我方飞行器从起点按照42）得出的在ik＝1层中每个节点到目标点的最优飞行轨迹飞行，对上述所有飞行轨迹的性能指标进行比较，得出并存储该节点到目标点的最优轨迹及性能指标，该飞行轨迹及性能指标即为我方飞行器从起点到目标点的最优飞行轨迹及性能指标。

22）采集我方飞行器的飞行燃料消耗量和飞行时间长度：飞行轨迹优化结束后，对我方第ii架飞行器飞行至敌方第jj架飞行器所需要的飞行燃料消耗量与飞行时间长度两数据进行采集。该步骤采集的数据将作为步骤51）我方飞行器的燃料消耗程度和52）我方飞行器飞行时间长度比值的输入数据。

2）建立离散粒子群算法中的适应度函数，适应度函数具体为：

多飞行器协同目标分配是以整体作战效能最优为目的的，我方飞行器的燃料消耗程度、我方飞行器飞行时间的长度比值、目标的价值收益、我方飞行器的使用均衡度是评价目标分配好坏的主要指标。因此，衡量多飞行器协同目标分配方案优劣的适应度函数主要包括以下四方面：

51）我方飞行器的燃料消耗程度。

我方飞行器的燃料消耗程度是指我方各飞行器在安全航路飞行，命中目标的前提下，通过最小化我方飞行器攻击敌方飞行器的燃料消耗量引导目标分配向着减少我方飞行器燃料消耗程度的方向进行。该指标是通过动态规划法计算飞行器航迹规划得到的。设第ii架我方飞行器攻击敌方第jj架飞行器所用的燃料消耗量为m_iijj，则：

$C_1=\frac{m_{\mathrm{iijj}}}{m\_\max }$

式中，m_max为攻击敌方第jj架飞行器中我方飞行器所用的最大的燃料消耗量。m_iijj和m_max的数据由步骤22）采集我方飞行器的飞行燃料消耗量和飞行时间长度输入。

52）我方飞行器飞行时间长度比值

我方飞行器飞行时间长度比值是指我方各飞行器在安全航路飞行，命中目标的前提下，通过最小化我方飞行器攻击敌方飞行器的飞行时间引导目标分配向着减少我方飞行器飞行时间的方向进行。该指标是通过动态规划法计算我方飞行器航迹规划得到的。设第ii架我方飞行器攻击敌方第jj架飞行器所用的飞行时间为：t_iijj，则：

$C_2=\frac{t_{\mathrm{iijj}}}{t\_\max }$

式中，t_max为攻击敌方第jj架飞行器中我方飞行器所用的最长的飞行时间。t_iijj和t_max的数据由步骤22）采集我方飞行器的飞行燃料消耗量和飞行时间长度输入。

53）目标的价值收益

目标价值收益最大指标通过对我方飞行器执行任务时所获取的目标价值的评估，来引导目标分配的优化和决策向着使作战效能最大化的方向进行。该指标使我方飞行器趋向于攻击高价值目标。综合考虑目标的价值v、杀伤概率P_S，则第ii架我方飞行器攻击敌方第jj架飞行器时，目标的价值收益为：

$C_3=v_{\mathrm{jj}}{P}_{S_{\mathrm{jj}}}.$

式中：目标的价值v的取值范围：0<v<1，杀伤概率P_S的取值范围：0<P_S<1。

54）我方飞行器使用均衡度

我方飞行器使用均衡度C₄表示我方各飞行器利用率的均衡程度，定义为：

假设m架我方飞行器攻击n个敌方飞行器，则：

$\left\{\begin{array}{c}{C}_4=\underset{\mathrm{ii}=1}{\overset{m}{\mathrm{\&Sigma;}}}(N_{\mathrm{ii}}-\stackrel{\&OverBar;}{N})/m\\ \stackrel{\&OverBar;}{N}=n/m\end{array}\right.$

其中：N_ii表示第ii架我方飞行器攻击敌方飞行器的架次，表示我方飞行器攻击敌方飞行器架次的平均数。我方飞行器使用均衡度越小，表示我方各型号飞行器使用越均衡。

例如：我方飞行器的燃料消耗程度、我方飞行器飞行时间的长度比值、目标的价值收益如图5所示。

55）建立离散粒子群算法中的适应度函数：根据我方飞行器的燃料消耗程度最小化指标，我方飞行器飞行时间的长度最小化指标，目标价值收益最大化指标，最小化我方飞行器使用均衡度，多飞行器协同目标分配的适应度函数为：

C=ω₁C₁+ω₂C₂-ω₃C₃+ω₄C₄

其中：ω₁,ω₂,ω₃,ω₄为权系数，且ω₁＝ω₂＝ω₃＝ω₄=0.25，反映了每个指标的重要程度。

3）采用离散粒子群算法对我方飞行器进行目标分配，具体步骤如图6：

多飞行器协同目标分配的关键在于确定任务目标由哪架飞行器来执行。因此，本发明采用自然数编码方式来表达。

61）设置种群大小、迭代次数；

例如：种群大小为50个、迭代次数为100次

62）随机初始化种群中各粒子的位置和速度：X_i=[x_i,1,x_i,2,…,x_i,d]，V_i=[v_i,1,v_i,2,…,v_i,d]；其中：i为粒子的序号，d为搜索空间的维度，维度的数量为敌方飞行器的架数，d=1,2,…,n。

63）计算种群中每个粒子的适应度：评价种群中所有粒子，将当前各粒子的位置和目标值存储于各粒子的P_i=[p_i,1,p_i,2,…,p_i,d]中，将所有P_i=[p_i,1,p_i,2,…,p_i,d]中目标值最优的个体位置和目标值存储于P_g=[p_g,1,p_g,2,…,p_g,d]中；其中：

P_i=[p_i,1,p_i,2,…,p_i,d]为第i个粒子的最优值，P_g=[p_g,1,p_g,2,…,p_g,d]为群体最优值。

64）按下式更新各个粒子的速度和位置：

$\left\{\begin{array}{c}{v}_{i,j}(t\_t+1)=\mathrm{int}[{\mathrm{\&omega;v}}_{i,j}(t\_t)+c_1{r}_1[p_{i,j}-x_{i,j}(t\_t)]+c_2{r}_2[p_{g,j}-x_{i,j}(t\_t)\left]\right]\\ x_{i,j}(t\_t+1)=x_{i,j}(t\_t)+v_{i,j}(t\_t+1)\\ j=\mathrm{1,2},...,n\end{array}\right.$

其中：t_t表示粒子的迭代次数，ω=0.729为惯性权因子，c₁=2.05和c₂=2.05为正的加速常数，r₁和r₂为在0和1之间均匀分布的随机数；

对于m架我方飞行器攻击敌方n个目标，在第t_t次迭代时，第i个粒子的第j维的位置x_i,j和速度v_i,j取值范围为：

$\left\{\begin{array}{c}{v}_{i,j}(t\_t)>\mathrm{0,0}<x_{i,j}(t\_t)<m\\ j=\mathrm{1,2},...,n\end{array}\right.;$

65)计算种群中每个粒子的适应度，评价种群中所有粒子；

66)更新P_i：比较种群中每个粒子当前目标值与其P_i的目标值，若当前目标值更优，则用粒子的当前位置和目标值更新其P_i；

67)更新P_g：比较当前所有P_i和P_g的目标值，更新P_g；

68)若迭代次数达到最大值，则输出P_g及其目标值并停止算法，否则转向步骤64)。

例如：最优分配结果为：510134345220。

本发明提供了一种基于混合优化算法的多飞行器协同目标分配方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (6)

1.一种基于混合优化算法的多飞行器协同目标分配方法，其特征在于，包括以下步骤：

（11）采集我方飞行器的飞行燃料消耗量和飞行时间长度；

（12）建立离散粒子群算法中的适应度函数；

（13）采用离散粒子群算法对我方飞行器进行目标分配。

2.根据权利要求1所述的一种基于混合优化算法的多飞行器协同目标分配方法，其特征在于：所述采集我方飞行器的飞行燃料消耗量和飞行时间长度（11）步骤具体为：

21）采用动态规划法进行轨迹优化：以我方飞行器燃料消耗量最小为性能指标，采用动态规划法对我方第ii架飞行器飞行至敌方第jj架飞行器的飞行轨迹进行优化，ii=1,2,…,m,jj=1,2,…,n，m为我方飞行器的数量，n为敌方飞行器的数量；

22）采集我方飞行器的飞行燃料消耗量和飞行时间长度：飞行轨迹优化结束后，计算我方第ii架飞行器飞行至敌方第jj架飞行器所需要的飞行燃料消耗量与飞行时间长度。

3.根据权利要求2所述的一种基于混合优化算法的多飞行器协同目标分配方法，其特征在于：所述采用动态规划法进行轨迹优化（21）步骤中，每架我方飞行器轨迹优化方法包括以下步骤：

31）建立网格坐标系：在笛卡尔直角坐标系o-xyz中，按照我方飞行器的出发点和目标点建立网格坐标系，o为我方飞行器的出发点，X为横向，Y为高度方向，Z为纵向；

32）确定我方飞行器的移动空间走廊（X，Y，Z）：

$\left\{\begin{array}{c}{X}_{\min }\&le;X\&le;X_{\max }\\ Y_{\min }\&le;Y\&le;Y_{\max }\\ Z_{\min }\&le;Z\&le;Z_{\max }\end{array}\right.;$

式中：X_min、X_max分别为我方飞行器在笛卡尔直角坐标系X轴上的最小、最大距离，Y_min、Y_max分别为我方飞行器在笛卡尔直角坐标系Y轴上的最小、最大距离,Z_min、Z_max分别为我方飞行器在笛卡尔直角坐标系Z轴上的最小、最大距离；

33）对我方飞行器的移动空间走廊进行网格划分：在我方飞行器的移动空间走廊内，进行网格划分，将我方飞行器轨迹用网格上的点P(ik,jk,kk)表示，ik,jk,kk分别代表我方飞行器在网格坐标系中X,Y,Z方向的坐标，ik,jk,kk分别为自然数；

$\left\{\begin{array}{c}\mathrm{ik}=\mathrm{1,2}...,{\mathrm{ik}}_{\max }\\ \mathrm{jk}=\mathrm{1,2}...,{\mathrm{jk}}_{\max }\\ \mathrm{kk}=\mathrm{1,2}...,{\mathrm{kk}}_{\max }\end{array}\right.;$

34）建立我方飞行器的数学模型：

$\left\{\begin{array}{c}m\frac{\mathrm{dV}}{\mathrm{dt}}=P\cos \mathrm{\&alpha;}\cos \mathrm{\&beta;}-X-\mathrm{mg}\sin \mathrm{\&theta;}\\ \mathrm{mV}\frac{\mathrm{d\&theta;}}{\mathrm{dt}}=P\sin \mathrm{\&alpha;}+Y-\mathrm{mg}\cos \mathrm{\&theta;}\\ -\mathrm{mV}\frac{{\mathrm{d\&psi;}}_v}{\mathrm{dt}}=P\cos \mathrm{\&alpha;}\sin \mathrm{\&beta;}\\ \frac{\mathrm{dx}}{\mathrm{dt}}=V\cos \mathrm{\&theta;}\cos {\mathrm{\&psi;}}_v\\ \frac{\mathrm{dh}}{\mathrm{dt}}=V\sin \mathrm{\&theta;}\\ \frac{\mathrm{dz}}{\mathrm{dt}}=-V\cos \mathrm{\&theta;}\sin {\mathrm{\&psi;}}_v\end{array}\right.,$

式中：P为我方飞行器的推力、

为我方飞行器的阻力、

为我方飞行器的升力、c_x、c_y分别为我方飞行器的阻力系数，升力系数、ρ为我方飞行器的所处高度的空气密度、V为我方飞行器的速度、S为我方飞行器的特征面积、θ为我方飞行器的轨迹倾角、ψ_v为我方飞行器的轨迹偏角、h为我方飞行器的高度、x为我方飞行器的横向距离、z为我方飞行器的侧向距离、α为我方飞行器的迎角、β为我方飞行器的侧滑角、m为我方飞行器的机体质量、t为我方飞行器的飞行时间；

35）确定性能指标J：我方飞行器燃料消耗量m_f最小，即：

J=minm_f；

36）计算我方飞行器在网格中各个节点段飞行的性能指标：基于我方飞行器的数学模型，分别计算我方飞行器在网格内各个节点段的性能指标，其中各个节点段包括：从原点到ik＝1层每个节点，从ik＝1层每个节点到ik＝2层每个节点，直到从ik＝ik_max－1层每个节点到ik＝ik_max层每个节点，从ik＝ik_max层每个节点到目标点；

37）优化我方飞行器轨迹：根据36）计算出的网格内各个节点段的性能指标，以我方飞行器燃料消耗量m_f最小为性能指标，我方飞行器进行轨迹优化。

4.根据权利要求3所述的一种基于混合优化算法的多飞行器协同目标分配方法，其特征在于：步骤（37）具体包括：

41）计算我方飞行器从ik＝ik_max－1层中每个节点到目标点的最优飞行轨迹及燃料消耗量，针对ik＝ik_max－1层中每个节点，比较我方飞行器从每个节点到目标点的所有飞行轨迹的燃料消耗量，得出并存储燃料消耗量最小的节点到目标点的最优飞行轨迹与燃料消耗量；

42）计算我方飞行器从ik＝ik_max－L层中每个节点到目标点的最优飞行轨迹及燃料消耗量：针对ik＝ik_max－L层中每个节点，我方飞行器从该节点按照步骤41）得出的在ik＝ik_max－(L-1)层中每个节点到目标点的最优飞行轨迹飞行，对上述所有飞行轨迹的燃料消耗量进行比较，得出并存储燃料消耗量最小的节点到目标点的最优轨迹及燃料消耗量，L＝2，3，…，ik_max－1；

43）判断ik＝1层是否完成，如果是，转到步骤44）；否则，返回步骤42）；

44）计算我方飞行器从起点到目标点的最优飞行轨迹及燃料消耗量：我方飞行器从起点按照步骤42）得出的在ik＝1层中每个节点到目标点的最优飞行轨迹飞行，对上述所有飞行轨迹的燃料消耗量进行比较，得出并存储燃料消耗量最小的节点到目标点的最优轨迹及燃料消耗量，该飞行轨迹及燃料消耗量即为我方飞行器从起点到目标点的最优飞行轨迹及性能指标。

5.根据权利要求4所述的一种基于混合优化算法的多飞行器协同目标分配方法，其特征在于：所述建立离散粒子群算法中的适应度函数（12）步骤中，所述的适应度函数具体为：

51）计算我方飞行器的燃料消耗程度C₁：我方飞行器的燃料消耗程度是指我方各飞行器在安全航路飞行，命中目标的前提下，通过最小化我方飞行器攻击敌方飞行器的燃料消耗量，引导目标分配向着减少我方飞行器燃料消耗程度的方向进行：

$C_1=\frac{m_{\mathrm{iijj}}}{m\_\max },$

式中，m_iijj为第ii架我方飞行器以步骤44）的飞行轨迹攻击敌方第jj架飞行器所用的燃料消耗量，m_max为攻击敌方第jj架飞行器中我方飞行器所用的最大的燃料消耗量；

52）计算我方飞行器飞行时间长度比值C₂：我方飞行器飞行时间长度比值是指我方各飞行器在安全航路飞行，命中目标的前提下，通过最小化我方飞行器攻击敌方飞行器的飞行时间引导目标分配向着减少我方飞行器飞行时间的方向进行：

$C_2=\frac{t_{\mathrm{iijj}}}{t\_\max }$

式中，t_iijj为第ii架我方飞行器以步骤44）的飞行轨迹攻击敌方第jj架飞行器所用的飞行时间，t_max为攻击敌方第jj架飞行器中我方飞行器所用的最长的飞行时间；

53）计算目标的价值收益C₃：目标价值收益最大指标通过对我方飞行器执行任务时所获取的目标价值的评估，来引导目标分配的优化和决策向着使作战效能最大化的方向进行，该指标使我方飞行器趋向于攻击高价值目标，目标的价值收益包括目标的价值v、我方飞行器对杀伤概率P_S，假设第ii架我方飞行器攻击敌方第jj架飞行器时计算公式为：

$C_3=v_{\mathrm{jj}}{P}_{S_{\mathrm{jj}}};$

54）计算我方飞行器使用均衡度C₄：假设m架我方飞行器攻击n个敌方飞行器，则计算公式为：

$\left\{\begin{array}{c}{C}_4=\underset{\mathrm{ii}=1}{\overset{m}{\mathrm{\&Sigma;}}}(N_{\mathrm{ii}}-\stackrel{\&OverBar;}{N})/m\\ \stackrel{\&OverBar;}{N}=n/m\end{array}\right.,$

其中：N_ii表示第ii架我方飞行器攻击敌方飞行器的架次，

表示我方飞行器攻击敌方飞行器架次的平均数，我方飞行器使用均衡度越小，表示我方各型号飞行器使用越均衡；

55）建立离散粒子群算法中的适应度函数：根据我方飞行器的燃料消耗程度最小化指标，我方飞行器飞行时间的长度最小化指标，目标价值收益最大化指标，最小化我方飞行器使用均衡度，多飞行器协同目标分配的适应度函数C为：

C=ω₁C₁+ω₂C₂-ω₃C₃+ω₄C₄，

其中：ω₁,ω₂,ω₃,ω₄为权系数，且ω₁＝ω₂＝ω₃＝ω₄=0.25。

6.根据权利要求1所述的一种基于混合优化算法的多飞行器协同目标分配方法，其特征在于：所述采用离散粒子群算法对我方飞行器进行目标分配（13）步骤具体为：

61）设置种群大小、迭代次数；

62）随机初始化种群中各粒子的位置X_i和速度V_i：X_i=[x_i，1，x_i，2，…，x_i，d]，V_i=[v_i，1，v_i，2，…，v_i，d]；其中：i为粒子的序号，d为搜索空间的维度，维度的数量为敌方飞行器的架数，d=1,2,…,n；

63）计算种群中每个粒子的适应度：评价种群中所有粒子，将当前各粒子的位置和目标值存储于各粒子的P_i=[p_i，1，p_i，2，…,p_i，d]中，将所有P_i=[p_i，1，p_i，2，…，p_i，d]目标值最优的个体位置和目标值存储于P_g=[p_g，1，p_g，2，…，p_g，d]中；其中：P_i=[p_i，1，p_i，2，…，p_i，d]为第i个粒子的最优值，P_g=[p_g，1，p_g，2，…，p_g，d]为群体最优值；

64）按下式更新各个粒子的速度v_i,j和位置x_i,j：

$\left\{\begin{array}{c}{v}_{i,j}(t\_t+1)=\mathrm{int}[{\mathrm{\&omega;v}}_{i,j}(t\_t)+b_1{r}_1[p_{i,j}-x_{i,j}(t\_t)]+b_2{r}_2[p_{g,j}-x_{i,j}(t\_t)\left]\right]\\ x_{i,j}(t\_t+1)=x_{i,j}(t\_t)+v_{i,j}(t\_t+1)\\ j=\mathrm{1,2},...,n\end{array}\right.,$

其中：t_t表示粒子的迭代次数，ω=0.729为惯性权因子，b₁=2.05和b₂=2.05为正的加速常数，r₁和r₂为在0和1之间均匀分布的随机数，j表示维度；

对于m架我方飞行器攻击敌方n个目标，在第t_t次迭代时，第i个粒子的第j维的位置x_i,j和速度v_i,j取值范围为：

$\left\{\begin{array}{c}{v}_{i,j}(t\_t)>\mathrm{0,0}<x_{i,j}(t\_t)<m\\ j=\mathrm{1,2},...,n\end{array}\right.;$

65)计算种群中每个粒子的适应度，评价种群中所有粒子；

66)更新最优值P_i：比较种群中每个粒子当前目标值与其最优值P_i的目标值，若当前目标值更优，则用粒子的当前位置和目标值更新最优值P_i；

67)更新最优值P_g：比较当前所有最优值P_i和最优值P_g的目标值，更新最优值P_g；

68)若迭代次数达到最大值，则输出最优值P_g及其目标值并结束，否则返回步骤64)。

Images