CN103425840A - 一种基于改进多目标蛙跳算法的协同空战火力分配方法 - Google Patents
一种基于改进多目标蛙跳算法的协同空战火力分配方法 Download PDFInfo
- Publication number
- CN103425840A CN103425840A CN2013103547909A CN201310354790A CN103425840A CN 103425840 A CN103425840 A CN 103425840A CN 2013103547909 A CN2013103547909 A CN 2013103547909A CN 201310354790 A CN201310354790 A CN 201310354790A CN 103425840 A CN103425840 A CN 103425840A
- Authority
- CN
- China
- Prior art keywords
- frog
- value
- grid
- noninferior
- max
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于改进多目标蛙跳算法的协同空战火力分配方法,属于计算机仿真与方法优化技术领域,该方法首先通过协同空战编队指挥控制系统获取所需数据信息;其次建立协同空战火力分配的多目标优化模型;然后执行基于自适应网格法的多目标量子蛙跳算法,求解火力分配问题的Pareto非劣解集;最后根据最优分配方案自主选择规则,从非劣解集中选出最优火力分配方案。本发明的主要用途是,根据得到的最优火力分配方案,将执行攻击任务的战斗机上的武器分配给多个目标,使编队协同空战达到最优的协同攻击效果,获得最大的作战效能。
Description
技术领域
本发明属于计算机仿真与方法优化技术领域,主要用于协同空战中作战飞机上携带的武器资源对目标的分配调度问题,其涉及技术方法也适用于任务分配、车辆调度、物流运输等其他分配问题中。
背景技术
火力分配问题,也称为武器目标分配(Weapon Target Assignment,WTA)问题,已被证明是一个NP-complete问题。协同空战火力分配问题就是为本方编队内的战斗机制定出一个合理高效的武器对目标的分配方案,以确定哪些作战飞机上的哪些导弹武器对哪些敌方目标进行攻击。目前,国内外不少学者已对协同空战火力分配问题进行了很多研究,如采用禁忌搜索算法、遗传算法,蚁群算法、粒子群算法等。但目前绝大多数研究中所涉及的火力分配都是单目标优化问题,比如论文《改进的微分进化算法求解空战火力分配问题》、《基于混沌蚁群算法的多机协同空战火力分配》、《基于变异离散粒子群的协同空战攻击决策算法》等,其求解目标基本上是追求目标的毁伤概率越大越好或剩余威胁越小越好的一次性完全分配,很容易导致武器资源的浪费,从而无法满足后续空战的作战需求。
混洗蛙跳算法((Shuffled Frog Leaping Algorithm,SFLA)是一种基于群体智能的亚启发式协同搜索算法。SFLA结合了基于基因进化的模因演化算法和基于群体行为的粒子群算法两者的优点,具有概念简单、易于理解、参数少,全局搜索能力强、计算速度快等优点。在SFLA的种群初始化阶段,初始种群的分布性质将会影响整个算法的收敛性能。如果初始种群的分布性质差,比如随机生成的初始青蛙群体中的各青蛙很有可能集中在解空间的某些局部区域,不仅会造成算法收敛速度慢,而且会使算法陷入局部最优。另外,基本SFLA的局部搜索能力较差,使得算法具有求解精度较低、容易陷入局部最优极值的缺点。近年来,国内外不少学者对SFLA的改进和应用进行了很多研究,但是大多数的研究都是针对单目标优化问题,针对多目标优化问题的研究很少,并且目前仍没有见到针对火力分配问题方面的多目标蛙跳算法的相关研究文献。
发明内容
为了克服现有技术的不足,本发明提供一种基于改进多目标蛙跳算法的协同空战火力分配方法,能使得协同空战达到目标群的存活概率最低的同时所消耗的导弹数量最少的攻击效果。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤一、通过协同空战编队指挥控制系统获取所需数据信息,包括:我方编队投入作战的作战飞机的数量M,指控中心已指定攻击的目标数N,我方第i架UCAV上携带的中远距空空导弹数wi,i=1,2,…,M,我方编队内所有UCAV上所有可用来攻击目标的导弹总数W,且有W=w1+w2+…+WM,第j个目标的威胁系数Tj以及所有W枚导弹中第k枚导弹对第j个目标的杀伤概率pkj,j=1,2,…,N,k=1,2,…W;
步骤二、建立协同空战火力分配的多目标优化数学模型如下:
式中,xkj为火力分配的决策变量,xkj∈{0,1}表示xkj取值为0或1,xkj=1表示分配第k枚导弹攻击第j个目标,xkj=0表示不分配第k枚导弹攻击第j个目标,X为由决策变量xkj构成的火力分配的决策矩阵,即有X=[xkj]W×N,f(X)、g(X)为两个目标函数,f(X)表示目标群的存活概率值,g(X)表示所分配的导弹数量值,minf(X)表示目标群的存活概率值最小,ming(X)表示所分配的导弹数量值最少;
步骤三、执行基于自适应网格法的多目标量子蛙跳算法,包括以下步骤:
(1)设置如下算法参数:青蛙种群规模F、族群数m、每个族群内的青蛙数量n,且有F=m×n;Tent混沌变异代数Tmax;各族群的局部搜索最大迭代数Lmax;全局最大迭代次数Gmax;量子粒子群的收缩扩张系数β;外部存储器中的最优青蛙个体数Ne;目标空间中每一维度上的网格个数Ng;
令每只青蛙表示火力分配的一个解方案,设第i只青蛙的位置矢量表示为yi=(yi1,yi2,…,YiW),i=1,2,…,F,用蛙跳算法来求解火力分配问题的编码方法就是位置矢量的每一维的取值为一个目标编号或者为0,即yij的取值为{0,1,2,…,N)中任一整数,j=1,2,…,W;编码的长度等于导弹总数;
蛙跳算法来求解火力分配问题的解码形式如下:
(2)随机产生一个每维取值在[0,1]范围内的向量φ1=(φ11,φ12,…,φ1W),然后根据如下所示的Tent映射构造混沌模型:
上式中,φ(k)为第k次迭代混沌变量;上式连续迭代Tmax=F代,从而一共产生F个混沌分量φ1,φ2,…,φF,然后再根据下式表示的经验公式产生初始青蛙群体的位置矢量yij=aj+(bj-aj)*φij,式中,aj为青蛙位置的第j维上的取值下限,bj为青蛙位置的第j维上的取值上限;上式可以简化为yij=bj·φij;
(3)分别计算每只青蛙的适应度值f(X)和g(X),简记为f和g,确定青蛙个体相互之间的Pareto支配关系;对于第i只青蛙,其适应值分别简记为fi和gi,当不存在其他青蛙的适应度值f和g均优于该青蛙时,将该青蛙作为非劣集,并存入外部档案集中;
构造自适应网格法的网格空间,方法如下:
(3.1)确定外部档案集中的非劣解在目标函数f(X)、g(X)上的最大值fmax、gmax和最小值fmin、gmin,计算网格空间的边界(fmin,fmax)和(gmin,gmax);
(4)当全局迭代次数T≤Gmax时,对所有青蛙个体进行Pareto最优个体排序,否则直接转移到步骤四;
对所有青蛙个体进行Pareto最优个体排序的步骤如下:
(4.2)计算
(4.3)所有青蛙根据各自的Npx值按升序排序;
(5)将青蛙种群分成不同的族群,并进行局部迭代更新;
种群按照所生成的排序序列按照Hi={Xi+m(l-1)∈U|1≤l≤n},1≤i≤m分为m个族群,每个族群具有n个青蛙个体;种群中的第一只青蛙被分到第一个族群,第二只青蛙被分到第二个族群……第m只青蛙被分到第m个族群,第m+1只青蛙被分到第一个种群,第m+2只青蛙被分到第二个种群……直到所有F只青蛙被分配完毕;
分组完毕之后每个族群按照如下步骤进行局部迭代更新,直到达到最大局部迭代更新次数Lmax为止:
(5.1)族群分组完毕后,选择每个族群中Nped最小而Np最多的青蛙作为当前族群中的最优个体,其位置设为yb;族群中Nped最大而Np最小的青蛙作为当前族群中的最差个体,其位置设为yw;
(5.2)计算步骤(3)中已构建的网格空间中每个网格的适应值,如果某个网格中只有一个非劣解,则将该非劣解的适应值作为网格的适应值;如果某个网格中具有两个以上非劣解,则将这个网格的所有非劣集的平均适应值作为该网格的适应值;然后,根据所有网格的适应值采用轮盘赌法来选择一个网格,如果所选网格中有两个以上非劣解,则随机选择其中一个作为领导青蛙yg;如果所选网格中只有一个非劣解,则将之直接作为领导青蛙yg;
(5.3)对每个族群中的最差青蛙个体按照下列公式进行局部迭代更新,直至达到局部最大迭代代数Lmax为止:
Pi(t)=a×yb(t)+(1-a)×yg(t)
其中t为当前局部迭代次数,a、u为(0,1)间均匀分布的随机数;β为收缩扩张系数,控制算法的收敛速度;在迭代过程中,上式中的±是由u的取值决定的,如果u大于0.5则为正,否则为负;
如果yw(t+1)支配yw(t),则yw(t+1)=yw(t+1);否则yw(t+1)=yw(t);
(6)当每个族群都完成局部搜索后,将所有族群中的所有青蛙个体混合成新的种群,并重新计算种群中每个青蛙的适应度值f和g;
当新一代种群中的青蛙支配外部档案集中某个或某几个非劣解时,将之作为非劣解存入外部档案集中,并根据自适应网格法对外部档案集中的非劣解进行更新。首先判断该青蛙的适应值f和g是否在网格空间的边界(fmin,fmax)和(gmin,gmax)的范围内,若是则直接定位于己构建的网格中,否则需要根据该青蛙的适应值的最大值或最小值重新计算并自动调整网格空间中网格的模,然后根据新的网格空间重新定位外部档案集中所有非劣解于相应的网格中;
如果存入新非劣解和删除被支配的非劣解后,外部档案集中非劣解的个数已超过最大容量Ne时,对外部档案集中的非劣解进行裁剪操作,以保证非劣解的数量在最大容量内,否则仅执行添加新非劣解和删除被支配的非劣解的操作;外部档案集中非劣解的裁剪操作步骤如下:
(6.1)选择包含非劣解个数最多的网格,如果只有一个这样的网格,则裁剪该网格中的非劣解;如果非劣解个数最多的网格同时有几个,则根据这几个网格的适应值采用轮盘赌法确定被裁剪非劣解所在的网格;
(6.2)根据(6.1)确定的网格,随机选取该网格中一个非劣解移出外部档案集;
(6.3)判断外部档案集中非劣解个数是否仍然超出最大容量,若是则转至(6.1),否则结束裁剪操作。
如果达到全局最大迭代次数Gmax,则结束算法,输出外部档案集的非劣解集;否则转入步骤(4)继续迭代;
步骤四、计算步骤三中最终所得非劣解集中所有非劣解的适应值f和g,然后根据协同空战编队指挥控制系统提供的适应度值f和g的权重值q1和q2,q1+q2=1,计算所有非劣解的自主选择优先值然后选择Z值最小的非劣解作为火力分配问题的最优解,将该最优解按照蛙跳算法来求解火力分配问题的解码形式进行解码,得到武器对目标的最优火力分配方案。
本发明的有益效果是:
(1)所建立的火力分配多目标优化模型能使得协同空战达到目标群的存活概率最低的同时所消耗的导弹数量最少的攻击效果;
(2)利用能产生均匀序列且迭代速度快的Tent映射构造混沌模型,提高初始种群的遍历性和随机性以及多样性,从而提高初始解的质量,可以避免SFLA随机生成的初始群体种的某些青蛙集中在解空间的某些局部区域以致使算法陷于局部最优;
(3)结合量子粒子群算法的寻优能力强、收敛速度快、控制参数少等的优点,将量子粒子群算法引入到SFLA的局部进化搜索过程中,以增强SFLA的局部搜索能力,提高多目标蛙跳算法的求解精度以及收敛速度;
(4)基于自适应网格法维护外部档案集中非劣解的多样性,使得多目标蛙跳算法具有很好的收敛性和分布性的同时,具有快速的寻优速度。
(5)采用自适应网格和轮盘赌法相结合的选择机制为每个族群中的最差青蛙个体选择领导青蛙,从而实现领导青蛙参与最差青蛙的更新过程。
(6)所提出的最优分配方案自主选择规则能从多个非劣解最终选出一个可使作战效能最优的分配方案,不仅有效减轻决策者的负担,而且增强了战机指挥控制系统的自主决策的能力。
附图说明
图1是本发明的方法流程图;
图2是基于自适应网格的多目标量子蛙跳算法的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明主要针对协同空战火力分配问题中现有技术存在的一次性火力分配容易导致武器资源浪费的不足之处,对火力分配多目标优化模型的建立、火力分配多目标优化模型的求解算法以及火力分配多目标优化问题中的最优解自主选择三个主要方面进行改进和创新。相应的技术思路描述如下。
火力分配多目标优化模型的建立:建立了一种使目标存活概率最小和所消耗武器资源最少的火力分配多目标优化模型,其约束条件是每个目标都必须进行分配且保证每个目标都能分配到至少一枚导弹武器进行攻击;
火力分配多目标优化模型的求解算法:为了能够快速准确地找到多目标优化火力分配问题的Pareto非劣解集且保证求得的非劣解的具有很好的分布性,提出了一种基于自适应网格法的多目标量子蛙跳算法来求解该火力分配模型。基于自适应网格法的多目标量子蛙跳算法,是对多目标蛙跳算法的改进。该算法通过对基本蛙跳算法中的青蛙排序、分组操作,以及族群最差青蛙个体和最优青蛙个体的确定做出相应改进的基础上,采用了如下几种重要改进措施。首先利用能产生均匀序列且迭代速度快的Tent映射构造混沌模型,进而基于产生的混沌序列生成青蛙的初始种群,提高初始种群的遍历性和随机性以及多样性,从而提高初始解的质量;其次针对基本SFLA局部搜索能力差、容易陷入局部最优的缺点,利用量子粒子群算法的寻优能力强、收敛速度快、控制参数少等优点,将量子粒子群算法引入到SFLA的局部进化搜索过程中,以增强SFLA的局部搜索能力;同时使用无需设置额外参数且计算代价低的自适应网格法来维护和更新外部存储器中的非劣解,并结合轮盘赌法从非劣解中筛为每个族群选出领导青蛙以参与族群的局部进化搜索。
火力分配多目标优化问题中的最优解自主选择:为了从所求出的Pareto最优解集中确定出最终的火力分配方案,增强火力分配最优方案的自主选择能力,结合协同空战火力分配的特点,定义了一种最优分配方案的自主选择规则,以便于从多个Pareto最优解中选出一个能使作战效能最优的火力分配方案。
一种有人机/无人机协同空战的火力分配方法,主要包括以下四个步骤:
(1)通过协同空战编队指挥控制系统获取所需数据信息;
(2)建立有人/无人机协同空战火力分配的多目标优化模型;
(3)执行基于自适应网格法的多目标量子蛙跳算法,求解火力分配问题的Pareto最优解;
(4)根据定义的最优分配方案自主选择规则,从Pareto最优解集中选出最优分配方案,输出火力分配方案。
如图1所示,一种基于改进多目标蛙跳算法的协同空战火力分配方法主要包括如下四个步骤:
步骤一:通过协同空战编队指挥控制系统获取所需数据信息;
相关数据信息包括:我方编队投入作战的作战飞机的数量M,指控中心已指定攻击的目标数N,我方第i(i=1,2,…,M)架UCAV上携带的中远距空空导弹数wi(i=1,2,…,M),我方编队内所有UCAV上所有可用来攻击目标的导弹总数W,且有W=w1+w2+…+wM,第j(j=1,2,…,N)个目标的威胁系数Tj(j=1,2,…,N),以及所有W枚导弹中第k(k=1,2,…W)枚导弹对第j(j=1,2,…,N)个目标的杀伤概率pkj。
步骤二:建立协同空战火力分配的多目标优化模型;
建立协同空战火力分配的多目标优化数学模型如下:
式中,xkj为火力分配的决策变量,xkj∈{0,1}表示xkj取值为0和1两个值,xkj=1表示分配第k枚导弹攻击第j个目标,xkj=0表示不分配第k枚导弹攻击第j个目标。X为由决策变量xkj构成的火力分配的决策矩阵,即有X=[xkj]W×N。f(X)、g(X)为两个目标函数,f(X)表示目标群的存活概率值,g(X)表示所分配的导弹数量值,minf(X)表示目标群的存活概率值最小,ming(X)表示所分配的导弹数量值最少。
该多目标优化模型的意义是,求取一个合理的导弹对目标的分配矩阵X=[xkj]W×N,以使得目标群的存活概率最小(即minf(X)的同时所分配的导弹数量最少(即ming(X),并且每个目标都必须分配导弹进行攻击且每个目标至少分配一枚导弹武器进行攻击(即式(3)表示的约束条件)。
步骤三:执行基于自适应网格法的多目标量子蛙跳算法,求解火力分配问题的Pareto最优解;
执行基于自适应网格法的多目标量子蛙跳算法,算法流程图如图2所示,具体包括以下几个步骤:
(1)进行相关算法参数的设置,确定算法的编码和解码方式;
基于自适应网格法的多目标量子蛙跳算法中,需要根据具体火力分配问题预先设置如下算法参数:青蛙种群规模F、族群数m、每个族群内的青蛙数量n,且有F=m×n;Tent混沌变异代数Tmax;各族群的局部搜索最大迭代数Lmax;全局最大迭代次数Gmax;量子粒子群的收缩扩张系数β;外部存储器中的最优青蛙个体数Ne;目标空间中每一维度上的网格个数Ng。
令每只青蛙表示火力分配的一个解方案,设第i(i=1,2,…,F)只青蛙的位置矢量表示为yi=(yi1,yi2,…,yiW),用蛙跳算法来求解火力分配问题的编码方法就是位置矢量的每一维的取值为一个目标编号或者为0,即yij(i=1,2,…,F;j=1,2,…W,)的取值为{0,1,2,…,N)中任一整数,编码的长度等于导弹总数W,蛙跳算法求解火力分配问题的编码形式表示如下:
为了使青蛙位置矢量yi与火力分配决策变量xkj相对应,规定蛙跳算法来求解火力分配问题的解码形式如下:
(2)利用Tent映射的混沌序列产生初始青蛙种群;
首先随机产生一个每维取值在[0,1]范围内的向量φ1=(φ11,φ12,…,φ1W),其维数等于导弹总数W。然后根据如下所示的Tent映射构造混沌模型:
上式中,φ(k)为第k次迭代混沌变量。根据式(5)连续迭代Tmax=F代,从而一共产生F个混沌分量φ1,φ2,…,φF,然后再根据下式表示的经验公式产生初始青蛙群体的位置矢量:
yij=aj+(bj-aj)*φij,i=1,2,…,F;j=1,2,…,W (6)
式中,aj为青蛙位置的第j维上的取值下限,bj为青蛙位置的第j维上的取值上限。在本发明所涉及的协同空战火力分配问题中,由于aj=0,bj=N,则式(6)简化为下式:
yij=bj·φij,i=1,2,…,F;j=1,2,…,W (7)
(3)确定青蛙个体之间的Pareto支配关系,筛选初始非劣解存入外部档案集中,构建初始网格空间;
确定青蛙个体之间Pareto支配关系,筛选初始非劣解。分别计算每只青蛙的适应度值f(X)和g(X)(以后简记为f和g),确定青蛙个体相互之间的Pareto支配关系。对于第i(i=1,2,…,F)只青蛙,其适应值分别简记为fi和gi,当不存在其他青蛙的适应度值f和g均优于该青蛙时,将该青蛙作为非劣集,并存入外部档案集中。
自适应网格法的网格空间的构造方法如下:
(3.1)确定外部档案集中的非劣解在目标函数f(X)、g(X)上的最大值fmax、gmax和最小值fmin、gmin,计算网格空间的边界(fmin,fmax)和(gmin,gmax);
(3.2)按下式计算每个网格的模,Ng为网格空间中每一维度上的网格个数:
(3.3)计算外部档案集中所有非劣解所在网格的编号,将非劣解定位于相应的网格中。对于第i个非劣解,其所在网格的编号为:
上式中,int(*)为取整函数,此处fi、gi分别表示外部档案集中第i个非劣解在两个目标函数上的适应值。
(4)当全局迭代次数T≤Gmax时,进行青蛙种群排序,否则直接转移到步骤四;
对所有青蛙个体进行Pareto最优个体排序的步骤如下:
(4.3)所有青蛙根据各自的Npx值按升序排序;
(5)将青蛙种群分成不同的族群,并进行局部迭代更新;
种群按照所生成的排序序列按照式(11)被分为m个族群,每个族群具有n个青蛙个体。种群中的第一只青蛙被分到第一个族群,第二只青蛙被分到第二个族群,同理,第m只青蛙被分到第m个族群,第m+1只青蛙被分到第一个种群,第m+2只青蛙被分到第二个种群。以此类推,直到所有F只青蛙被分配完毕。
Hi={Xi+m(l-1)∈U|1≤l≤n},1≤i≤m (11)
分组完毕之后每个族群按照如下步骤进行局部迭代更新,直到达到最大局部迭代更新次数Lmax为止:
(5.1)各族群中最优青蛙个体和最差青蛙个体的确定;
族群分组完毕后,选择每个族群中Nped最小而Np最多的青蛙作为当前族群中的最优个体,其位置设为yb。族群中Nped最大而Np最小的青蛙作为当前族群中的最差个体,其位置设为yw。
(5.2)基于自适应网格法和轮盘赌法选择每个族群的领导青蛙yg;
首先,计算步骤(3)中已构建的网格空间中的每个网格的适应值,如果某个网格中只有一个非劣解,则将该非劣解的适应值作为网格的适应值;如果某个网格中具有两个以上非劣解,则将这个网格的所有非劣集的平均适应值作为该网格的适应值。然后,根据所有网格的适应值采用轮盘赌法来选择一个网格,如果所选网格中有两个以上非劣解,则随机选择其中一个作为领导青蛙yg;如果所选网格中只有一个非劣解,则将之直接作为领导青蛙yg。
(5.3)引入量子粒子群算法对每个族群中的最差青蛙个体的进行改进;
对每个族群中的最差青蛙个体按照下列公式进行局部迭代更新,直至达到局部最大迭代代数Lmax为止:
Pi(t)=a×yb(t)+(1-a)×yg(t) (14)
其中t为当前局部迭代次数,a、u为(0,1)间均匀分布的随机数;β为收缩扩张系数,控制算法的收敛速度;在迭代过程中,式(12)中的±是由u的取值决定的,如果u大于0.5则为“+”,否则为“-”。
如果yw(t+1)支配yw(t),则yw(t+1)=yw(t+1);否则yw(t+1)=yw(t)。
(6)局部迭代更新结束后,对所有族群进行混合操作,并根据自适应网格法更新和维护外部档案集中的非劣解;
当每个族群都完成局部搜索后,将所有族群中的所有青蛙个体混合成新的种群,并重新计算种群中每个青蛙的适应度值f和g。
当新一代种群中的青蛙支配外部档案集中某个或某几个非劣解时,将之作为非劣解存入外部档案集中,并根据自适应网格法对外部档案集中的非劣解进行更新。首先判断该青蛙的适应值f和g是否在网格空间的边界(fmin,fmax)和(gmin,gmax)的范围内,若是则直接定位于己构建的网格中,否则需要根据该青蛙的适应值的最大值或最小值重新计算并自动调整网格空间中网格的模,然后根据新的网格空间重新定位外部档案集中所有非劣解于相应的网格中。
如果存入新非劣解和删除被支配的非劣解后,外部档案集中非劣解的个数已超过最大容量Ne时,对外部档案集中的非劣解进行裁剪操作,以保证非劣解的数量在最大容量内,否则仅执行添加新非劣解和删除被支配的非劣解的操作。外部档案集中非劣解的裁剪操作步骤如下:
(6.1)选择包含非劣解个数最多的网格,如果只有一个这样的网格,则裁剪该网格中的非劣解。如果非劣解个数最多的网格同时有几个,则根据这几个网格的适应值采用轮盘赌法确定被裁剪非劣解所在的网格;
(6.2)根据(6.1)确定的网格,随机选取该网格中一个非劣解移出外部档案集;
(6.3)判断外部档案集中非劣解个数是否仍然超出最大容量,若是则转至(6.1),否则结束裁剪操作。
如此循环进行,如果达到全局最大迭代次数Gmax,则结束算法,输出外部档案集的非劣解集;否则转入步骤(4)继续迭代。
步骤四、根据最优分配方案自主选择规则,从非劣解集中选出最优分配方案,输出分配结果。
首先计算步骤三中最终所得非劣解集中所有非劣解的适应值f和g,然后根据协同空战编队指挥控制系统提供的适应度值f和g的权重值q1和q2(q1+q2=1),按下式计算所有非劣解的自主选择优先值:
然后选择Z值最小的非劣解作为火力分配问题的最优解,将该最优解按照式(4)进行解码便得到武器对目标的最优火力分配方案。
Claims (1)
1.一种基于改进多目标蛙跳算法的协同空战火力分配方法,其特征在于包括下述步骤:
步骤一、通过协同空战编队指挥控制系统获取所需数据信息,包括:我方编队投入作战的作战飞机的数量M,指控中心已指定攻击的目标数N,我方第i架UCAV上携带的中远距空空导弹数wi,i=1,2,…,M,我方编队内所有UCAV上所有可用来攻击目标的导弹总数W,且有W=w1+w2+…+wM,第j个目标的威胁系数Tj以及所有W枚导弹中第k枚导弹对第j个目标的杀伤概率pkj,j=1,2,…,N,A=1,2,…W;
步骤二、建立协同空战火力分配的多目标优化数学模型如下:
式中,xkj为火力分配的决策变量,xkj∈{0,1}表示xkj取值为0或1,xkj=1表示分配第k枚导弹攻击第j个目标,xkj=0表示不分配第k枚导弹攻击第j个目标,X为由决策变量xkj构成的火力分配的决策矩阵,即有X=[xkj]W×N,f(X)、g(X)为两个目标函数,f(X)表示目标群的存活概率值,g(X)表示所分配的导弹数量值,minf(X)表示目标群的存活概率值最小,ming(X)表示所分配的导弹数量值最少;
步骤三、执行基于自适应网格法的多目标量子蛙跳算法,包括以下步骤:
(1)设置如下算法参数:青蛙种群规模F、族群数m、每个族群内的青蛙数量n,且有F=m×n;Tent混沌变异代数Tmax;各族群的局部搜索最大迭代数Lmax;全局最大迭代次数Gmax;量子粒子群的收缩扩张系数β;外部存储器中的最优青蛙个体数Ne;目标空间中每一维度上的网格个数Ng;
令每只青蛙表示火力分配的一个解方案,设第i只青蛙的位置矢量表示为yi=(yi1,yi2,…,yiW),i=1,2,…,F,用蛙跳算法来求解火力分配问题的编码方法就是位置矢量的每一维的取值为一个目标编号或者为0,即yij的取值为{0,1,2,…,N)中任一整数,j=1,2,…,W;编码的长度等于导弹总数;
蛙跳算法来求解火力分配问题的解码形式如下:
(2)随机产生一个每维取值在[0,1]范围内的向量φ1=(φ11,φ12,…,φ1W),然后根据如下所示的Tent映射构造混沌模型:
上式中,φ(k)为第k次迭代混沌变量;上式连续迭代Tmax=F代,从而一共产生F个混沌分量φ1,φ2,…,φF,然后再根据下式表示的经验公式产生初始青蛙群体的位置矢量yij=aj+(bj-aj)*φij,式中,aj为青蛙位置的第j维上的取值下限,bj为青蛙位置的第j维上的取值上限;上式可以简化为yij=bj·φij;
(3)分别计算每只青蛙的适应度值f(X)和g(X),简记为f和g,确定青蛙个体相互之间的Pareto支配关系;对于第i只青蛙,其适应值分别简记为fi和gi,当不存在其他青蛙的适应度值f和g均优于该青蛙时,将该青蛙作为非劣集,并存入外部档案集中;
构造自适应网格法的网格空间,方法如下:
(3.1)确定外部档案集中的非劣解在目标函数f(X)、g(X)上的最大值fmax、gmax和最小值fmin、gmin,计算网格空间的边界(fmin,fmax)和(gmin,gmax);
(4)当全局迭代次数T≤Gmax时,对所有青蛙个体进行Pareto最优个体排序,否则直接转移到步骤四;
对所有青蛙个体进行Pareto最优个体排序的步骤如下:
(4.2)计算
(4.3)所有青蛙根据各自的Npx值按升序排序;
(5)将青蛙种群分成不同的族群,并进行局部迭代更新;
种群按照所生成的排序序列按照Hi={Xi+m(l-1)∈U|1≤l≤n},1≤i≤m分为m个族群,每个族群具有n个青蛙个体;种群中的第一只青蛙被分到第一个族群,第二只青蛙被分到第二个族群……第m只青蛙被分到第m个族群,第m+1只青蛙被分到第一个种群,第m+2只青蛙被分到第二个种群……直到所有F只青蛙被分配完毕;
分组完毕之后每个族群按照如下步骤进行局部迭代更新,直到达到最大局部迭代更新次数Lmax为止:
(5.1)族群分组完毕后,选择每个族群中Nped最小而Np最多的青蛙作为当前族群中的最优个体,其位置设为yb;族群中Nped最大而Np最小的青蛙作为当前族群中的最差个体,其位置设为yw;
(5.2)计算步骤(3)中已构建的网格空间中每个网格的适应值,如果某个网格中只有一个非劣解,则将该非劣解的适应值作为网格的适应值;如果某个网格中具有两个以上非劣解,则将这个网格的所有非劣集的平均适应值作为该网格的适应值;然后,根据所有网格的适应值采用轮盘赌法来选择一个网格,如果所选网格中有两个以上非劣解,则随机选择其中一个作为领导青蛙yg;如果所选网格中只有一个非劣解,则将之直接作为领导青蛙yg;
(5.3)对每个族群中的最差青蛙个体按照下列公式进行局部迭代更新,直至达到局部最大迭代代数Lmax为止:
Pi(t)=a×yb(t)+(1-a)×yg(t)
其中t为当前局部迭代次数,a、u为(0,1)间均匀分布的随机数;β为收缩扩张系数,控制算法的收敛速度;在迭代过程中,上式中的±是由u的取值决定的,如果u大于0.5则为正,否则为负;
如果yw(t+1)支配yw(t),则yw(t+1)=yw(t+1);否则yw(t+1)=yw(t);
(6)当每个族群都完成局部搜索后,将所有族群中的所有青蛙个体混合成新的种群,并重新计算种群中每个青蛙的适应度值f和g;
当新一代种群中的青蛙支配外部档案集中某个或某几个非劣解时,将之作为非劣解存入外部档案集中,并根据自适应网格法对外部档案集中的非劣解进行更新。首先判断该青蛙的适应值f和g是否在网格空间的边界(fmin,fmax)和(gmin,gmax)的范围内,若是则直接定位于己构建的网格中,否则需要根据该青蛙的适应值的最大值或最小值重新计算并自动调整网格空间中网格的模,然后根据新的网格空间重新定位外部档案集中所有非劣解于相应的网格中;
如果存入新非劣解和删除被支配的非劣解后,外部档案集中非劣解的个数已超过最大容量Ne时,对外部档案集中的非劣解进行裁剪操作,以保证非劣解的数量在最大容量内,否则仅执行添加新非劣解和删除被支配的非劣解的操作;外部档案集中非劣解的裁剪操作步骤如下:
(6.1)选择包含非劣解个数最多的网格,如果只有一个这样的网格,则裁剪该网格中的非劣解;如果非劣解个数最多的网格同时有几个,则根据这几个网格的适应值采用轮盘赌法确定被裁剪非劣解所在的网格;
(6.2)根据(6.1)确定的网格,随机选取该网格中一个非劣解移出外部档案集;
(6.3)判断外部档案集中非劣解个数是否仍然超出最大容量,若是则转至(6.1),否则结束裁剪操作。
如果达到全局最大迭代次数Gmax,则结束算法,输出外部档案集的非劣解集;否则转入步骤(4)继续迭代;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103547909A CN103425840A (zh) | 2013-08-14 | 2013-08-14 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103547909A CN103425840A (zh) | 2013-08-14 | 2013-08-14 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103425840A true CN103425840A (zh) | 2013-12-04 |
Family
ID=49650571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103547909A Pending CN103425840A (zh) | 2013-08-14 | 2013-08-14 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103425840A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744290A (zh) * | 2013-12-30 | 2014-04-23 | 合肥工业大学 | 一种多无人机编队分层目标分配方法 |
CN104391447A (zh) * | 2014-12-03 | 2015-03-04 | 西北工业大学 | 伴飞诱饵干扰下的自杀式无人机最优攻击阈值控制算法 |
CN104467999A (zh) * | 2014-11-18 | 2015-03-25 | 北京邮电大学 | 一种基于量子蛙跳的频谱感知算法 |
CN105405118A (zh) * | 2015-10-16 | 2016-03-16 | 哈尔滨工程大学 | 基于量子衍生混合蛙跳的水下声纳图像目标检测方法 |
CN105590142A (zh) * | 2015-12-17 | 2016-05-18 | 中国人民解放军装甲兵工程学院 | 一种合成分队协同火力分配方法 |
CN105809279A (zh) * | 2016-03-03 | 2016-07-27 | 河海大学 | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 |
CN106020215A (zh) * | 2016-05-09 | 2016-10-12 | 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 |
CN106599537A (zh) * | 2016-11-17 | 2017-04-26 | 西北工业大学 | 一种基于多目标克隆进化算法的大规模武器‑目标分配方法 |
CN106597850A (zh) * | 2016-12-16 | 2017-04-26 | 新疆疆天航空科技有限公司 | 一种基于混沌蛙跳的植保无人机编队目标分配方法 |
CN107590744A (zh) * | 2016-07-08 | 2018-01-16 | 华北电力大学(保定) | 考虑储能和无功补偿的主动配电网分布式电源规划方法 |
CN107832885A (zh) * | 2017-11-02 | 2018-03-23 | 南京航空航天大学 | 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 |
CN108416441A (zh) * | 2018-05-10 | 2018-08-17 | 华中科技大学 | 一种基于遗传算法的舰船对岸打击火力分配方法 |
CN109917806A (zh) * | 2019-03-14 | 2019-06-21 | 北京航空航天大学 | 一种基于非劣解鸽群优化的无人机集群编队控制方法 |
CN110134146A (zh) * | 2019-06-14 | 2019-08-16 | 西北工业大学 | 一种不确定环境下的分布式多无人机任务分配方法 |
CN110991119A (zh) * | 2019-12-13 | 2020-04-10 | 中国人民解放军火箭军工程大学 | 基于pso-ga混合算法的末端防御武器系统兵力部署优化方法 |
CN111026051A (zh) * | 2019-11-29 | 2020-04-17 | 武汉理工大学 | 一种基于改进蛙跳算法的柔性铸造流水车间低碳调度方法 |
CN111091273A (zh) * | 2019-11-29 | 2020-05-01 | 上海航天控制技术研究所 | 一种基于能力预测的多弹协同任务规划方法 |
CN111240353A (zh) * | 2020-01-07 | 2020-06-05 | 南京航空航天大学 | 基于遗传模糊树的无人机协同空战决策方法 |
CN111382896A (zh) * | 2018-12-29 | 2020-07-07 | 陕西师范大学 | 一种自适应混沌并行克隆选择算法的wta目标优化方法 |
CN112000070A (zh) * | 2020-07-28 | 2020-11-27 | 西北工业大学 | 一种异构集群协同运动规划方法 |
CN112163763A (zh) * | 2020-09-25 | 2021-01-01 | 大连大学 | 基于改进多目标hqpsoga算法求解武器目标分配方法 |
CN112965525A (zh) * | 2021-02-10 | 2021-06-15 | 成都两江前沿科技有限公司 | 约束条件下的大规模固定翼无人机集群编队方法 |
CN113283727A (zh) * | 2021-05-17 | 2021-08-20 | 南京航空航天大学 | 基于量子启发式算法的机场滑行道调度方法 |
CN113298392A (zh) * | 2021-05-29 | 2021-08-24 | 西北工业大学 | 一种基于归纳法的异构武器目标分配方法 |
CN114358413A (zh) * | 2021-12-31 | 2022-04-15 | 北京理工大学 | 考虑目标分组和打击决心的火力分配方法 |
CN114880931A (zh) * | 2022-05-11 | 2022-08-09 | 福建和盛高科技产业有限公司 | 一种基于权重依赖度的配电网多目标优化方法 |
CN117556718A (zh) * | 2024-01-12 | 2024-02-13 | 西北工业大学 | 基于神经网络和多策略组合灰狼优化算法的火力分配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1848148A (zh) * | 2006-05-12 | 2006-10-18 | 孙玲 | 战场导弹火力快速高命中率分配的快速指挥控制方法 |
CN1848153A (zh) * | 2006-05-12 | 2006-10-18 | 孙玲 | 一种战场火炮火力快速分配的指挥控制方法 |
-
2013
- 2013-08-14 CN CN2013103547909A patent/CN103425840A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1848148A (zh) * | 2006-05-12 | 2006-10-18 | 孙玲 | 战场导弹火力快速高命中率分配的快速指挥控制方法 |
CN1848153A (zh) * | 2006-05-12 | 2006-10-18 | 孙玲 | 一种战场火炮火力快速分配的指挥控制方法 |
Non-Patent Citations (4)
Title |
---|
李俨等: "基于SA-DPSO混合优化算法的协同空战火力分配", 《航空学报》, vol. 31, no. 3, 30 March 2010 (2010-03-30), pages 626 - 631 * |
杨尚君等: "动态环境下的多UCAV协同任务分配研究", 《电光与控制》, vol. 19, no. 7, 31 July 2012 (2012-07-31) * |
王晓笛等: "改进的蛙跳算法在多目标优化问题中的应用", 《计算机工程与应用》, vol. 48, no. 30, 29 September 2011 (2011-09-29), pages 233 - 238 * |
裴兰珍等: "采用改进差分进化算法的防空导弹火力分配", 《计算机工程与应用》, vol. 48, no. 22, 29 July 2011 (2011-07-29), pages 235 - 238 * |
Cited By (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744290B (zh) * | 2013-12-30 | 2016-02-24 | 合肥工业大学 | 一种多无人机编队分层目标分配方法 |
CN103744290A (zh) * | 2013-12-30 | 2014-04-23 | 合肥工业大学 | 一种多无人机编队分层目标分配方法 |
CN104467999B (zh) * | 2014-11-18 | 2017-02-22 | 北京邮电大学 | 一种基于量子蛙跳的频谱感知算法 |
CN104467999A (zh) * | 2014-11-18 | 2015-03-25 | 北京邮电大学 | 一种基于量子蛙跳的频谱感知算法 |
CN104391447A (zh) * | 2014-12-03 | 2015-03-04 | 西北工业大学 | 伴飞诱饵干扰下的自杀式无人机最优攻击阈值控制算法 |
CN105405118A (zh) * | 2015-10-16 | 2016-03-16 | 哈尔滨工程大学 | 基于量子衍生混合蛙跳的水下声纳图像目标检测方法 |
CN105405118B (zh) * | 2015-10-16 | 2017-11-21 | 哈尔滨工程大学 | 基于量子衍生混合蛙跳的水下声纳图像目标检测方法 |
CN105590142B (zh) * | 2015-12-17 | 2021-09-24 | 中国人民解放军装甲兵工程学院 | 一种合成分队协同火力分配方法 |
CN105590142A (zh) * | 2015-12-17 | 2016-05-18 | 中国人民解放军装甲兵工程学院 | 一种合成分队协同火力分配方法 |
CN105809279A (zh) * | 2016-03-03 | 2016-07-27 | 河海大学 | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 |
CN105809279B (zh) * | 2016-03-03 | 2019-05-31 | 河海大学 | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 |
CN106020215A (zh) * | 2016-05-09 | 2016-10-12 | 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 |
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 |
CN107590744A (zh) * | 2016-07-08 | 2018-01-16 | 华北电力大学(保定) | 考虑储能和无功补偿的主动配电网分布式电源规划方法 |
CN107590744B (zh) * | 2016-07-08 | 2021-06-01 | 华北电力大学(保定) | 考虑储能和无功补偿的主动配电网分布式电源规划方法 |
CN106599537A (zh) * | 2016-11-17 | 2017-04-26 | 西北工业大学 | 一种基于多目标克隆进化算法的大规模武器‑目标分配方法 |
CN106599537B (zh) * | 2016-11-17 | 2019-03-29 | 西北工业大学 | 一种基于多目标克隆进化算法的大规模武器-目标分配方法 |
CN106597850B (zh) * | 2016-12-16 | 2019-10-18 | 新疆疆天航空科技有限公司 | 一种基于混沌蛙跳的植保无人机编队目标分配方法 |
CN106597850A (zh) * | 2016-12-16 | 2017-04-26 | 新疆疆天航空科技有限公司 | 一种基于混沌蛙跳的植保无人机编队目标分配方法 |
CN107832885B (zh) * | 2017-11-02 | 2022-02-11 | 南京航空航天大学 | 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 |
CN107832885A (zh) * | 2017-11-02 | 2018-03-23 | 南京航空航天大学 | 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 |
CN108416441A (zh) * | 2018-05-10 | 2018-08-17 | 华中科技大学 | 一种基于遗传算法的舰船对岸打击火力分配方法 |
CN108416441B (zh) * | 2018-05-10 | 2020-05-19 | 华中科技大学 | 一种基于遗传算法的舰船对岸打击火力分配方法 |
CN111382896B (zh) * | 2018-12-29 | 2023-10-31 | 陕西师范大学 | 一种自适应混沌并行克隆选择算法的wta目标优化方法 |
CN111382896A (zh) * | 2018-12-29 | 2020-07-07 | 陕西师范大学 | 一种自适应混沌并行克隆选择算法的wta目标优化方法 |
CN109917806A (zh) * | 2019-03-14 | 2019-06-21 | 北京航空航天大学 | 一种基于非劣解鸽群优化的无人机集群编队控制方法 |
CN109917806B (zh) * | 2019-03-14 | 2020-08-11 | 北京航空航天大学 | 一种基于非劣解鸽群优化的无人机集群编队控制方法 |
CN110134146B (zh) * | 2019-06-14 | 2021-12-28 | 西北工业大学 | 一种不确定环境下的分布式多无人机任务分配方法 |
CN110134146A (zh) * | 2019-06-14 | 2019-08-16 | 西北工业大学 | 一种不确定环境下的分布式多无人机任务分配方法 |
CN111091273A (zh) * | 2019-11-29 | 2020-05-01 | 上海航天控制技术研究所 | 一种基于能力预测的多弹协同任务规划方法 |
CN111026051B (zh) * | 2019-11-29 | 2021-01-01 | 武汉理工大学 | 一种基于改进蛙跳智能算法的柔性离散制造流水车间低碳调度方法 |
CN111091273B (zh) * | 2019-11-29 | 2023-08-11 | 上海航天控制技术研究所 | 一种基于能力预测的多弹协同任务规划方法 |
CN111026051A (zh) * | 2019-11-29 | 2020-04-17 | 武汉理工大学 | 一种基于改进蛙跳算法的柔性铸造流水车间低碳调度方法 |
CN110991119A (zh) * | 2019-12-13 | 2020-04-10 | 中国人民解放军火箭军工程大学 | 基于pso-ga混合算法的末端防御武器系统兵力部署优化方法 |
CN111240353A (zh) * | 2020-01-07 | 2020-06-05 | 南京航空航天大学 | 基于遗传模糊树的无人机协同空战决策方法 |
CN111240353B (zh) * | 2020-01-07 | 2021-06-15 | 南京航空航天大学 | 基于遗传模糊树的无人机协同空战决策方法 |
CN112000070A (zh) * | 2020-07-28 | 2020-11-27 | 西北工业大学 | 一种异构集群协同运动规划方法 |
CN112163763A (zh) * | 2020-09-25 | 2021-01-01 | 大连大学 | 基于改进多目标hqpsoga算法求解武器目标分配方法 |
CN112163763B (zh) * | 2020-09-25 | 2023-09-01 | 大连大学 | 基于改进多目标hqpsoga算法求解武器目标分配方法 |
CN112965525A (zh) * | 2021-02-10 | 2021-06-15 | 成都两江前沿科技有限公司 | 约束条件下的大规模固定翼无人机集群编队方法 |
CN112965525B (zh) * | 2021-02-10 | 2022-11-22 | 成都两江前沿科技有限公司 | 约束条件下的大规模固定翼无人机集群编队方法 |
CN113283727B (zh) * | 2021-05-17 | 2023-09-15 | 南京航空航天大学 | 基于量子启发式算法的机场滑行道调度方法 |
CN113283727A (zh) * | 2021-05-17 | 2021-08-20 | 南京航空航天大学 | 基于量子启发式算法的机场滑行道调度方法 |
CN113298392B (zh) * | 2021-05-29 | 2023-06-06 | 西北工业大学 | 一种基于归纳法的异构武器目标分配方法 |
CN113298392A (zh) * | 2021-05-29 | 2021-08-24 | 西北工业大学 | 一种基于归纳法的异构武器目标分配方法 |
CN114358413A (zh) * | 2021-12-31 | 2022-04-15 | 北京理工大学 | 考虑目标分组和打击决心的火力分配方法 |
CN114880931A (zh) * | 2022-05-11 | 2022-08-09 | 福建和盛高科技产业有限公司 | 一种基于权重依赖度的配电网多目标优化方法 |
CN114880931B (zh) * | 2022-05-11 | 2024-06-07 | 福建和盛高科技产业有限公司 | 一种基于权重依赖度的配电网多目标优化方法 |
CN117556718A (zh) * | 2024-01-12 | 2024-02-13 | 西北工业大学 | 基于神经网络和多策略组合灰狼优化算法的火力分配方法 |
CN117556718B (zh) * | 2024-01-12 | 2024-03-29 | 西北工业大学 | 基于神经网络和多策略组合灰狼优化算法的火力分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN103744290B (zh) | 一种多无人机编队分层目标分配方法 | |
CN102506863B (zh) | 一种基于万有引力搜索的无人机航路规划方法 | |
Wu et al. | Multi-UAV task allocation based on improved genetic algorithm | |
CN107579518B (zh) | 基于mhba的电力系统环境经济调度方法和装置 | |
CN108632831B (zh) | 一种基于动态航迹的无人机群频谱资源分配方法 | |
CN107769237B (zh) | 基于电动汽车接入的多能源系统协同调度方法及装置 | |
CN103279793B (zh) | 一种确定环境下的无人飞行器编队任务分配方法 | |
CN101908097B (zh) | 一种空战决策的粒子群优化方法 | |
CN109670650B (zh) | 基于多目标优化算法的梯级水库群调度模型的求解方法 | |
CN105929848A (zh) | 一种三维环境中的多无人机系统的航迹规划方法 | |
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 | |
CN103942612A (zh) | 基于自适应粒子群优化算法的梯级水库优化调度方法 | |
CN101136080A (zh) | 基于满意决策蚁群智能无人作战飞机自适应航路规划方法 | |
CN113885555A (zh) | 面向输电线路密集通道巡检的多机任务分配方法和系统 | |
Lin et al. | Improved artificial bee colony algorithm based on multi-strategy synthesis for UAV path planning | |
CN108989098A (zh) | 一种混合云环境面向时延优化的科学工作流数据布局方法 | |
CN102448123A (zh) | 无线传感器网络中基于节点性能的任务分配算法 | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
Wang et al. | An efficient clonal selection algorithm to solve dynamicweapon-target assignment game model in UAV cooperative aerial combat | |
Zhao et al. | Shuffled frog leaping algorithm with non-dominated sorting for dynamic weapon-target assignment | |
Chauhan et al. | Competitive Swarm Optimizer: A decade survey | |
Qiannan et al. | Path planning of UAVs formation based on improved ant colony optimization algorithm | |
Jia et al. | Improved Mixed Discrete Particle Swarms based Multi-task Assignment for UAVs | |
CN115657710A (zh) | 一种多目标量子北极熊机制的异构无人机大规模任务分配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20170111 |
|
AD01 | Patent right deemed abandoned |