CN104950673A - 一种无人机群协作打击目标分配方法 - Google Patents
一种无人机群协作打击目标分配方法 Download PDFInfo
- Publication number
- CN104950673A CN104950673A CN201510317900.3A CN201510317900A CN104950673A CN 104950673 A CN104950673 A CN 104950673A CN 201510317900 A CN201510317900 A CN 201510317900A CN 104950673 A CN104950673 A CN 104950673A
- Authority
- CN
- China
- Prior art keywords
- particle
- fitness
- value
- function
- aerial vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000002245 particle Substances 0.000 claims abstract description 93
- 230000006870 function Effects 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000003920 cognitive function Effects 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 230000006978 adaptation Effects 0.000 claims description 47
- 230000009466 transformation Effects 0.000 claims description 7
- 238000003339 best practice Methods 0.000 claims description 5
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 206010010144 Completed suicide Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Abstract
本发明涉及一种无人机群协作打击目标分配方法,属实时嵌入式领域。首先初始化粒子群,根据评价标准制定适应度函数,保存每个粒子的适应度值,判断是否达到最优的目标分配方案,如果没有则分别用随机函数、认知函数和社会函数对粒子进行更新,并计算当前粒子的适应度值,更新个体最佳适应度的粒子或全局最佳适应度的粒子;用更新后的粒子个体适应度值和整体适应度值与初始个体最佳适应度值和全局最佳适应度值比较,然后所有粒子更新完后进化至下一代,并重新判断是否达到最优的目标分配方案。本发明建立无人机群和目标之间的粒子矩阵,通过不断的自我学习,能快速高效的解决无人机群对目标的分配问题,实现单机对多目标打击,方法简单便捷。
Description
技术领域
本发明涉及一种无人机群协作打击目标分配方法,属于实时嵌入式技术领域。
背景技术
随着新军事变革的不断推进,基于实时嵌入式的无人机已经向高智能,高精度,协作化方向发展。作为协作化的关键技术之一的合作式攻击,是指两架或多架无人机之间通过战场信息网络和制导网络进行相互合作,完成武器打击,对超远距空中目标、中/远距目标和地面目标等进行打击的新型攻击方式。
目前无人机的火力控制及目标分配方法要求具有很高的实时性,在尽可能短的时间内完成对目标的攻击。遗传算法、蚁群算法也被广泛应用在无人机目标分配问题上,但其在解算的过程中容易产生不满足约束条件的解,虽然可以利用约束中的启发式信息对解进行检查,但却增加了算法的时间消耗,不利于实时性任务的及时响应,并局限于解决单机针对单目标的问题,不能实现单机多目标的求解。
发明内容
本发明提供了一种无人机群协作打击目标分配方法,以用于解决无人机群对目标的分配问题,算法简便,耗时短,并实现单机对多目标打击,方法实现简单便捷。
本发明无人机群协作打击目标分配方法是这样实现的:所述方法的具体步骤如下:
Step1、初始化粒子群,将无人机群与目标之间的关系转化为粒子矩阵形式作为一个粒子,并按照约束条件进行随机初始化;
Step2、根据评价标准制定适应度函数f(x),并计算每个粒子的适应度值;
Step3、保存每个粒子的适应度值,并从所有的粒子适应度值中选择初始个体最佳适应度值和全局最佳适应度值进行保存;
Step4、判断是否达到最优的目标分配方案,即MAXf(x),MAXf(x)为攻击收益与战损之差的最大值,若没有计算得到适应度函数f(x)的最大值MAXf(x),则进行步骤Step5,如果计算得到适应度函数f(x)的最大值MAXf(x),计算出该最大值MAXf(x)的粒子即为目标分配的最优方法;
Step5、分别用随机函数、认知函数和社会函数对粒子进行更新,并计算当前粒子的适应度值;
Step6、更新个体最佳适应度的粒子或全局最佳适应度的粒子;用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较;
若更新后的粒子的适应度值超过初始保存的个体适应度值,则用更新后的粒子的适应度值替换初始的个体适应度值并保存,
若更新后的粒子群中选择出的一个适应度值超过了初始的整体适应度值,则用更新后的粒子群适应度值替换初始的整体适应度值并保存;
Step7、所有粒子更新完后进化至下一代,并转步骤Step4重新判断是否达到最优的目标分配方案。
所述步骤Step1中的粒子,采用粒子矩阵构成。
所述步骤Step2中的适应度函数为f(x)=αT-βG;其中α,β为可调节参数,用来调整进攻和存活的权重,α∈(0,1),β∈(0,1),T为总有益指标,G为总战损指标。
本发明的有益效果是:本发明建立无人机群和目标之间的粒子矩阵,通过不断的自我学习,能够快速高效的解决无人机群对目标的分配问题,并实现单机对多目标打击,方法实现简单便捷。
附图说明
图1为本发明中的流程图;
图2为本发明与遗传算法的对比曲线图。
具体实施方式
实施例1:如图1所示,一种无人机群协作打击目标分配方法,所述方法的具体步骤如下:
Step1、初始化粒子群,将无人机群与目标之间的关系转化为粒子矩阵形式作为一个粒子,并按照约束条件进行随机初始化;
Step2、根据评价标准制定适应度函数f(x),并计算每个粒子的适应度值;
Step3、保存每个粒子的适应度值,并从所有的粒子适应度值中选择初始个体最佳适应度值和全局最佳适应度值进行保存;
Step4、判断是否达到最优的目标分配方案,即MAXf(x),MAXf(x)为攻击收益与战损之差的最大值,若没有计算得到适应度函数f(x)的最大值MAXf(x),则进行步骤Step5,如果计算得到适应度函数f(x)的最大值MAXf(x),计算出该最大值MAXf(x)的粒子即为目标分配的最优方法;
Step5、分别用随机函数、认知函数和社会函数对粒子进行更新,并计算当前粒子的适应度值;
Step6、更新个体最佳适应度的粒子或全局最佳适应度的粒子;用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较;
若更新后的粒子的适应度值超过初始保存的个体适应度值,则用更新后的粒子的适应度值替换初始的个体适应度值并保存,
若更新后的粒子群中选择出的一个适应度值超过了初始的整体适应度值,则用更新后的粒子群适应度值替换初始的整体适应度值并保存;
Step7、所有粒子更新完后进化至下一代,并转步骤Step4重新判断是否达到最优的目标分配方案。
实施例2:如图1所示,一种无人机群协作打击目标分配方法,所述方法的具体步骤如下:
Step1、初始化粒子群,将无人机群与目标之间的关系转化为粒子矩阵形式作为一个粒子,并按照约束条件进行随机初始化;
Step2、根据评价标准制定适应度函数f(x),并计算每个粒子的适应度值;
Step3、保存每个粒子的适应度值,并从所有的粒子适应度值中选择初始个体最佳适应度值和全局最佳适应度值进行保存;
Step4、判断是否达到最优的目标分配方案,即MAXf(x),MAXf(x)为攻击收益与战损之差的最大值,若没有计算得到适应度函数f(x)的最大值MAXf(x),则进行步骤Step5,如果计算得到适应度函数f(x)的最大值MAXf(x),计算出该最大值MAXf(x)的粒子即为目标分配的最优方法;
Step5、分别用随机函数、认知函数和社会函数对粒子进行更新,并计算当前粒子的适应度值;
Step6、更新个体最佳适应度的粒子或全局最佳适应度的粒子;用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较;
若更新后的粒子的适应度值超过初始保存的个体适应度值,则用更新后的粒子的适应度值替换初始的个体适应度值并保存,
若更新后的粒子群中选择出的一个适应度值超过了初始的整体适应度值,则用更新后的粒子群适应度值替换初始的整体适应度值并保存;
Step7、所有粒子更新完后进化至下一代,并转步骤Step4重新判断是否达到最优的目标分配方案。
具体实施步骤如下:
步骤S1:初始化粒子群;
利用约束条件对粒子群进行初始化,将无人机与目标的关系转化为粒子矩阵,粒子矩阵中的元素只能为0或1,即无人机对目标是否进行攻击,每一个粒子矩阵代表一种攻击分配方式,同时也作为粒子群中一个粒子。约束条件为:1、每个目标只能分配给一架无人机且每架无人机都要分配目标;2、无人机攻击目标的数量由携弹量决定;3、所有的目标都要分配给无人机群;
步骤S2:制定适应度函数并计算每个粒子的适应度值;
为了对计算结果进行评价,需要制定适应度函数;评价标准包括有益指标和战损指标;设目标Sj的价值为vj,无人机Ai命中目标Sj的概率为Pij,则整个无人机群的总有益指标为设无人机Ai攻击目标Sj的存活概率为Qij,无人机Ai的价值为ui,则整个无人机群的总战损指标为适应度函数f(x)=αT-βG,差值越大收益越高,根据适应度函数f(x)=αT-βG计算出每个粒子的适应度值。其中α,β为可调节参数,以此来调整进攻和存活的权重,甚至可以让无人机进行自杀攻击,α∈(0,1),β∈(0,1)。
步骤S3:确定初始个体最佳适应度和全局最佳适应度;
根据步骤S2的计算结果,确定初始个体最佳适应度和全局最佳适应度并保存起来;
Step4、判断是否达到最优的目标分配方案,即MAXf(x),MAXf(x)为攻击收益与战损之差的最大值,若没有计算得到适应度函数f(x)的最大值MAXf(x),则进行步骤Step5,如果计算得到适应度函数f(x)的最大值MAXf(x),计算出该最大值MAXf(x)的粒子即为目标分配的最优方法;
步骤S5:用随机函数、认知函数和社会函数对粒子进行更新并计算当前粒子的适应度值;
设随机函数为R1=[xi(n),δ],xi(n)表示粒子i进化到第n代,δ为随机变换函数,δ={set(r(M),r(N)),exchange(r(O),r(P)),exchange(r(Q),r(S))},set(r(M),r(N))表示将第M行第N列位置上的元素置1,列中其他元素为0;exchange(r(O),r(P)),exchange(r(Q),r(S))表示随机交换某两行或者某两列;
设认知函数为统计生成的新矩阵中各列元素和不为零的列序号,并将其放入数组s1中随机排序,数组中的元素个数为q;ε为变换函数, select(s1,radom(q))表示从数组s1中随机选择1~q个元素,NOT为取反符号,被选出的元素(即生成的新矩阵中的列)对应由R1所生成矩阵的列,当被选中的列中元素为1时,R1生成矩阵中对应的元素取反;
设社会函数为统计生成的新矩阵中各列元素和不为零的列序号,并将其放入数组s2中随机排序,数组中的元素个数为t;φ为变换函数, select(s2,radom(t))表示从数组s2中随机选择1~t个元素,NOT为取反符号,被选出的元素(即生成的新矩阵中的列)对应由R2所生成矩阵的列,当被选中的列中元素为1时,R2生成矩阵中对应的元素取反;
其中,pm(n)为进化n代后获得个体适应度值较优的第m个粒子,pg(n)为进化n代后获得全体粒子中适应度值较优的第g个粒子;
具体实例:
设 设随机数交换结果为:
set(r(M),r(N))=set(1,2),exchange(r(O),r(P))=exchange(2,3),exchange(r(Q),r(S))=exchange(4,4),则随机函数
步骤S6:更新个体最佳适应度的粒子或全局最佳适应度的粒子;用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较;
即若当前粒子的适应度值大于pm(n)的适应度值,则将pm(n)替换为当前粒子,pm(n)始终为最佳个体适应度值的粒子;若当前粒子群的适应度值大于pg(n),则将pg(n)替换为当前粒子,pg(n)始终为整体最佳适应度值的粒子;
步骤S7:令n=n+1,转步骤S4,进化到下一代,重新判断结果是否满足结束条件。
实验对比:图2为本算法与遗传算法的对比曲线图,粒子群算法本身属于进化算法的一种,和遗传算法相似,它也是从随机解出发通过迭代寻找最优解,它也是通过适应度来评价解的品质,但它比遗传算法规则更为简单,它没有遗传算法的“交叉”和“变异”操作,因而算法更加简洁方便它通过追随当前搜索到的最优值来寻找全局最优。
从图2中可以看出,本算法在迭代次数达到49次时就收敛到最优解,而GA(遗传)算法则在87代时才开始收敛,且在求解过程中有收敛于局部最优解的倾向,如31代到53代间,因此本算法比GA算法的收敛速度更快,求解最优解的能力更强更高效。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种无人机群协作打击目标分配方法,其特征在于:所述方法的具体步骤如下:
Step1、初始化粒子群,将无人机群与目标之间的关系转化为粒子矩阵形式作为一个粒子,并按照约束条件进行随机初始化;
Step2、根据评价标准制定适应度函数f(x),并计算每个粒子的适应度值;
Step3、保存每个粒子的适应度值,并从所有的粒子适应度值中选择初始个体最佳适应度值和全局最佳适应度值进行保存;
Step4、判断是否达到最优的目标分配方案,即MAXf(x),MAXf(x)为攻击收益与战损之差的最大值,若没有计算得到适应度函数f(x)的最大值MAXf(x),则进行步骤Step5,如果计算得到适应度函数f(x)的最大值MAXf(x),计算出该最大值MAXf(x)的粒子即为目标分配的最优方法;
Step5、分别用随机函数、认知函数和社会函数对粒子进行更新,并计算当前粒子的适应度值;
Step6、更新个体最佳适应度的粒子或全局最佳适应度的粒子;用更新后的粒子的个体适应度值和整体适应度值与初始个体的个体最佳适应度值和全局最佳适应度值比较;
若更新后的粒子的适应度值超过初始保存的个体适应度值,则用更新后的粒子的适应度值替换初始的个体适应度值并保存,
若更新后的粒子群中选择出的一个适应度值超过了初始的整体适应度值,则用更新后的粒子群适应度值替换初始的整体适应度值并保存;
Step7、所有粒子更新完后进化至下一代,并转步骤Step4重新判断是否达到最优的目标分配方案。
2.根据权利要求1所述的无人机群协作打击目标分配方法,其特征在于:所述步骤Step1中的粒子,采用粒子矩阵构成。
3.根据权利要求1所述的无人机群协作打击目标分配方法,其特征在于:所述步骤Step2中的适应度函数为f(x)=αT-βG;其中α,β为可调节参数,用来调整进攻和存活的权重,α∈(0,1),β∈(0,1),T为总有益指标,G为总战损指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510317900.3A CN104950673A (zh) | 2015-06-11 | 2015-06-11 | 一种无人机群协作打击目标分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510317900.3A CN104950673A (zh) | 2015-06-11 | 2015-06-11 | 一种无人机群协作打击目标分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104950673A true CN104950673A (zh) | 2015-09-30 |
Family
ID=54165409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510317900.3A Pending CN104950673A (zh) | 2015-06-11 | 2015-06-11 | 一种无人机群协作打击目标分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104950673A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469139A (zh) * | 2016-01-11 | 2016-04-06 | 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 |
CN105956663A (zh) * | 2016-03-04 | 2016-09-21 | 安徽工程大学 | 异形零件下料的并行排样优化方法 |
CN109190978A (zh) * | 2018-09-01 | 2019-01-11 | 哈尔滨工程大学 | 一种基于量子鸟群演化机制的无人机资源分配方法 |
CN110232492A (zh) * | 2019-04-01 | 2019-09-13 | 南京邮电大学 | 一种基于改进离散粒子群算法的多无人机协同任务调度方法 |
CN111142553A (zh) * | 2019-12-11 | 2020-05-12 | 北京航空航天大学 | 基于生物捕食能量模型的无人机集群自主任务分配方法 |
CN111404746A (zh) * | 2020-03-14 | 2020-07-10 | 杭州鸿晶自动化科技有限公司 | 一种任务优化的方法和装置 |
CN111580564A (zh) * | 2020-04-30 | 2020-08-25 | 湖南科技大学 | 一种三维群无人机并行式多目标搜索协同作业方法 |
CN111766901A (zh) * | 2020-07-22 | 2020-10-13 | 哈尔滨工程大学 | 多无人机协同目标分配攻击方法 |
CN113919425A (zh) * | 2021-10-11 | 2022-01-11 | 中国兵器装备集团自动化研究所有限公司 | 一种空中目标自主分配方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279793A (zh) * | 2013-04-25 | 2013-09-04 | 北京航空航天大学 | 一种确定环境下的无人飞行器编队任务分配方法 |
CN105659893B (zh) * | 2011-06-24 | 2014-06-04 | 北京理工大学 | 一种多无人机任务分配的作战管理方法 |
-
2015
- 2015-06-11 CN CN201510317900.3A patent/CN104950673A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105659893B (zh) * | 2011-06-24 | 2014-06-04 | 北京理工大学 | 一种多无人机任务分配的作战管理方法 |
CN103279793A (zh) * | 2013-04-25 | 2013-09-04 | 北京航空航天大学 | 一种确定环境下的无人飞行器编队任务分配方法 |
Non-Patent Citations (5)
Title |
---|
HUI PENG,ET AL.: "Cooperative Area Search for Multiple UAVs based on RRT and Decentralized Receding Horizon Optimization", 《POCEEDINGS OF THE 7TH ASIAN CONTROL CONFERENCE》 * |
刘万俊 等: "有人机—无人机群协同空战目标分配算法", 《火力与指挥控制》 * |
叶文 等: "多UCAV协同目标分配算法研究", 《系统工程与电子技术》 * |
张雷 等: "基于粒子群优化的无人战斗机编队任务协调方法研究", 《系统工程与电子技术》 * |
李炜 等: "基于粒子群算法的多无人机任务分配方法", 《控制与决策》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469139A (zh) * | 2016-01-11 | 2016-04-06 | 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 |
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 |
CN105956663A (zh) * | 2016-03-04 | 2016-09-21 | 安徽工程大学 | 异形零件下料的并行排样优化方法 |
CN109190978A (zh) * | 2018-09-01 | 2019-01-11 | 哈尔滨工程大学 | 一种基于量子鸟群演化机制的无人机资源分配方法 |
CN109190978B (zh) * | 2018-09-01 | 2021-11-23 | 哈尔滨工程大学 | 一种基于量子鸟群演化机制的无人机资源分配方法 |
CN110232492B (zh) * | 2019-04-01 | 2021-06-18 | 南京邮电大学 | 一种基于改进离散粒子群算法的多无人机协同任务调度方法 |
CN110232492A (zh) * | 2019-04-01 | 2019-09-13 | 南京邮电大学 | 一种基于改进离散粒子群算法的多无人机协同任务调度方法 |
CN111142553A (zh) * | 2019-12-11 | 2020-05-12 | 北京航空航天大学 | 基于生物捕食能量模型的无人机集群自主任务分配方法 |
CN111404746A (zh) * | 2020-03-14 | 2020-07-10 | 杭州鸿晶自动化科技有限公司 | 一种任务优化的方法和装置 |
CN111580564A (zh) * | 2020-04-30 | 2020-08-25 | 湖南科技大学 | 一种三维群无人机并行式多目标搜索协同作业方法 |
CN111580564B (zh) * | 2020-04-30 | 2022-06-10 | 湖南科技大学 | 一种三维群无人机并行式多目标搜索协同作业方法 |
CN111766901A (zh) * | 2020-07-22 | 2020-10-13 | 哈尔滨工程大学 | 多无人机协同目标分配攻击方法 |
CN111766901B (zh) * | 2020-07-22 | 2022-10-04 | 哈尔滨工程大学 | 多无人机协同目标分配攻击方法 |
CN113919425A (zh) * | 2021-10-11 | 2022-01-11 | 中国兵器装备集团自动化研究所有限公司 | 一种空中目标自主分配方法及系统 |
CN113919425B (zh) * | 2021-10-11 | 2023-12-26 | 中国兵器装备集团自动化研究所有限公司 | 一种空中目标自主分配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104950673A (zh) | 一种无人机群协作打击目标分配方法 | |
CN106779210B (zh) | 基于蚁群算法的火力分配方法 | |
CN107832885B (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 | |
CN105005820B (zh) | 一种基于种群爆炸粒子群算法的目标分配优化方法 | |
Hu et al. | Improved ant colony optimization for weapon-target assignment | |
CN108416441B (zh) | 一种基于遗传算法的舰船对岸打击火力分配方法 | |
CN108549402A (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
CN108985549A (zh) | 基于量子鸽群机制的无人机任务分配方法 | |
CN109190978A (zh) | 一种基于量子鸟群演化机制的无人机资源分配方法 | |
CN108548538B (zh) | 多场站多无人机任务分配与飞行路径的规划方法及系统 | |
CN108416421A (zh) | 基于dde改进蝙蝠算法的动态火力分配方法 | |
CN116681223A (zh) | 一种基于增强moea/d的多阶段作战资源协同分配方法 | |
CN113553777A (zh) | 反无人机蜂群的防空部署方法、装置、设备和介质 | |
CN111797966B (zh) | 一种基于改进羊群算法的多机协同全局目标分配方法 | |
CN116090356B (zh) | 基于任务可靠性约束的异构弹群多目标任务规划方法 | |
CN109325598A (zh) | 一种面向资源分配的组合混沌遗传算法 | |
CN111773722B (zh) | 一种模拟环境中的战斗机规避机动策略集生成方法 | |
CN110782062A (zh) | 一种用于防空系统的多对多分组拦截目标分配方法及系统 | |
CN116088572A (zh) | 基于自适应灰狼优化算法的无人机协同攻击多目标任务分配方法 | |
Ruining et al. | Improved genetic algorithm for weapon target assignment problem | |
CN108734334B (zh) | 一种基于d数和威胁性优先的弹炮结合火力分配方法 | |
CN114167899B (zh) | 一种无人机蜂群协同对抗决策方法及系统 | |
CN111382896B (zh) | 一种自适应混沌并行克隆选择算法的wta目标优化方法 | |
CN113255234B (zh) | 一种对导弹群进行在线目标分配的方法 | |
Song et al. | Multi-uav cooperative multi-target allocation method based on differential evolutionary algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150930 |