CN105590142A - 一种合成分队协同火力分配方法 - Google Patents

Abstract

一种合成分队协同火力分配方法，包括以下步骤，步骤一、通过武器识别传感器获取所需数据信息；步骤二、以敌目标对我方的整体威胁度最小，建立上层目标函数；步骤三、以敌目标战场价值生存最小，建立下层目标函数；步骤四、采用双层人工蜂群求解算法，对上层目标函数和下层目标函数进行交叉迭代求解，以得到协同火力分配的最优解；步骤五、根据最优解，对我方分队的每个武器平台分配敌目标进行火力打击。通过双层人工蜂群获得的火力协同分配方案能够使主攻力量和助攻力量之间有效协同，既提高整体的火力打击效能也减少目标对我方的整体威胁，大大提高了我方的整体作战效能。

Description

一种合成分队协同火力分配方法

技术领域

本发明涉及火力分配优化技术领域，特别涉及一种合成分队协同火力分配方法。

背景技术

合成分队是信息化条件下地面部队局部作战的主要作战力量形式。进行进攻战斗通常进行编组攻击：前沿攻击队、纵深攻击队、穿插迂回攻击队等。不同的作战力量之间需要进行有效协同，提高整体的火力打击能力，达到对目标打击效果最好，同时减少我方的损失。尤其是处于前沿交战的突击分队，能够直接对目标进行有效打击，但战场威胁也较大，只有既满足打击效果好，又满足所受威胁小，这两个指标才能说明火力分配方案的科学性。

发明内容

本发明设计开发了一种合成分队协同火力分配方法，目的是在解决协同作战中火力分配不佳的缺陷，使敌目标对我方的整体威胁度最小同时敌目标战场价值生存最小，达到最优的火力分配。

本发明的另一个目的是针对目标函数的求解难题，采用基于改进的双层人工蚁群算法，算法稳定性好，最优解效果更佳，为合成分队火力提高协同火力打击能力提供一种有效方法。

本发明提供的技术方案为：

一种合成分队协同火力分配方法，包括以下步骤

步骤一、通过武器识别传感器获取所需数据信息，所述数据信息包括：我方分队主攻方向上的敌目标武器平台数量M，我方分队助攻方向上的武器平台数量K，我方要打击的目标数量N；

步骤二、以敌目标对我方的整体威胁度最小，建立上层目标函数；

步骤三、以敌目标战场价值生存最小，建立下层目标函数；

步骤四、采用双层人工蜂群求解算法，对上层目标函数和下层目标函数进行交叉迭代求解，以得到协同火力分配的最优解；

步骤五、根据最优解，对我方分队的每个武器平台分配敌目标进行火力打击。

优选的是，所述上层目标函数为：

$\begin{array}{c}F(x,y)=\min \{\mathrm{\η}\underset{i=1}{\overset{N}{\Σ}}\left(\underset{j=1}{\overset{N}{\Σ}}\underset{i=1}{\overset{M}{\Π}}\right(1-x_{ij}\·q_{ij}^m\left)\underset{i=1}{\overset{K}{\Π}}\right(1-y_{ij}\·q_{ij}^a)\·T_{ij}^m)+\\ (1-\mathrm{\η})\·\underset{i=1}{\overset{K}{\Σ}}\left(\underset{j=1}{\overset{N}{\Σ}}\underset{i=1}{\overset{M}{\Π}}\right(1-x_{ij}\·q_{ij}^m\left)\underset{i=1}{\overset{K}{\Π}}\right(1-y_{ij}\·q_{ij}^a)\·T_{ij}^a)\}\end{array}$

$s.t.\left\{\begin{array}{cc}\underset{j=1}{\overset{N}{\Σ}}{x}_{ij}\≤N_i^m& i=1,2,\mathrm{...},M\\ \underset{i=1}{\overset{M}{\Σ}}{x}_{ij}\≤N_{fire}^m& j=1,2,\mathrm{...},N\\ x_{ij}\∈\{0,1\}& \end{array}\right\}$

式中，η为主攻力量重视程度；为主攻力量的打击武器数量约束；为主攻力量的集火规模约束；x_ij为主攻力量的火力分配决策变量，x_ij∈{0,1}；y_ij为助攻力量的火力分配决策变量，y_ij∈{0,1}；为主攻方向上武器对敌方武器毁伤概率；为助攻方向武器对敌方毁伤概率；为敌方目标对我方主攻方向上武器的威胁系数；为敌方目标对我方助攻方向上武器的威胁系数。

优选的是，所述下层目标函数为：

$f(x,y)=min\underset{j=1}{\overset{N}{\Σ}}(v_j\·\underset{i=1}{\overset{M}{\Π}}(1-x_{ij}\·q_{ij}^m)\underset{i=1}{\overset{K}{\Π}}\left(1-y_{ij}\·q_{ij}^a\right))$

$s.t.\left\{\begin{array}{cc}\underset{j=1}{\overset{N}{\Σ}}{y}_{ij}\≤N_i^a& i=1,2,\mathrm{...},K\\ \underset{i=1}{\overset{K}{\Σ}}{y}_{ij}\≤N_{fire}^a& j=1,2,\mathrm{...},N\\ y_{ij}\∈\{0,1\}& \end{array}\right.$

式中，为助攻力量的打击武器数量约束；为助攻力量的集火规模约束；y_ij为助攻力量的火力分配决策变量，y_ij∈{0,1}；v_i表示第i个目标在战场发挥作用的重要程度。

优选的是，步骤三中，双层人工蜂群求解算法采用全局迭代算法和上层、下层迭代算法。

优选的是，所述全局迭代算法包括以下步骤：

a、从下层初始种群中随机选择一个可行解Y_i，作为上层计算时已知下层决策参数；

b、进行上层的迭代计算，返回获得的上层最优解X_best；

c、获得的X_best作为已知上层决策参数，进入下层迭代计算，返回获得的下层最优解Y_best；

d、当全局迭代次数达到限定次数，输出最优解X_best和Y_best。

优选的是，所述上层、下层迭代算法采用人工蚁群算法，获取上层或下层迭代的最优解X_best或Y_best。

优选的是，在步骤四中还包括进行双层人工蜂群算法迭代的复杂度计算。

本发明的有益效果是：本发明提供了一种合成分队协同火力分配方法，以合成分队的火力协同分配为背景，提出了一种决策交互的双层武器目标分配模型，能够主攻力量和助攻力量之间有效协同，既提高整体的火力打击效能也减少目标对我方的整体威胁。本发明针对模型为双层非线性规划的这一求解难题，选用了结构简单、参数较少、寻优能力较好的人工蜂群算法，并对算法进行改进，通过构建上下层交互迭代的策略进行求解。算法采用了双层整数编码方式，利用迭代循环解决双层之间的交互式优化问题，通过自适应罚函数方法处理集火约束问题。通过改进双层人工蚁群算法进行求解，能获得更好的解，上下层的平均适应值都比粒子群算法小，解的质量更好，且双层人工蜂群算法的适应值的标准差相对较少，算法的稳定性更高。通过双层人工蜂群获得的火力协同分配方案对目标打击效能更高，同时我方所受的整体威胁也相对较小，提高了我方的整体作战效能。

附图说明

图1为本发明所述的合成分队协同火力分配方法流程图。

图2为本发明所述的双层人工蜂群算法迭代过程上层适应值与全局迭代次数关系图。

图3为本发明所述的双层人工蜂群算法迭代过程下层适应值与全局迭代次数关系图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供了一种合成分队协同火力分配方法，主要包括如下步骤：

步骤一S110：通过合成分队协同火力指挥系统获取所需数据信息。

我方所有武器平台上均设置有信息收发模块，通过该收发模块能够将武器平台的信息发送给火力指挥系统，使火力指挥系统实时了解我方武器平台是数量、种类、武器平台的性能以及当前该武器平台的状态。所述火力指挥系统上还设置有武器识别传感器，其能够识别出敌方武器的数量、种类、以及当前的状态。故通过火力指挥系统能够获取本发明所需的数据信息。

所需的信息包括：

我方分队主攻方向上的武器平台数量M，我方分队助攻方向上的武器平台数量K，我方要打击的目标数量N；

我方主攻和助攻方向的武器平台分别对目标的毁伤概率矩阵Q_main和Q_assist：

其中，表示主攻方向上第i个武器平台对第j个打击目标的毁伤概率；表示助攻方向上第i个武器平台对第j个打击目标的毁伤概率；

各目标分别对我方主攻和助攻武器平台的威胁度矩阵T_main和T_assist：

其中，为第j的目标对我方主攻方向上第i个武器平台的威胁系数，为第j的目标对我方助攻方向上第i个武器平台的威胁系数；

各目标的战场价值矩阵V，表示了每个目标在战场发挥作用的重要程度，

V＝[v₁v₂…v_n]。

其中，v_i表示第i个目标在战场发挥作用的重要程度。

然后建立合成分队双层火力分配模型，其过程包括：

步骤二S200：以敌目标对我方的整体威胁度最小，建立上层目标函数。

由于需要进行两个力量的协同，既需考虑满足火力打击效果又需要考虑目标对我方的整体威胁。

假设正面主攻打击力量和侧翼助攻打击力量的武器平台每次只能打击一个目标。设X和Y分别为主攻力量和助攻力量的决策矩阵。

x_ij和y_ij分别为主攻和助攻力量的火力分配决策变量，x_ij,y_ij∈{0,1}，为1表示第i个武器平台对第j个目标进行打击，为0表示不打击。

选取主攻方向为上层，助攻方向为下层，选取不同的目标函数：上层目标函数F(x,y)为敌目标对我方的整体威胁度最小，得到如下模型：

$\begin{array}{c}F(x,y)=\min \{\mathrm{\η}\underset{i=1}{\overset{M}{\Σ}}\left(\underset{j=1}{\overset{N}{\Σ}}\underset{i=1}{\overset{M}{\Π}}\right(1-x_{ij}\·q_{ij}^m\left)\underset{i=1}{\overset{K}{\Π}}\right(1-y_{ij}\·q_{ij}^a)\·T_{ij}^m)+\\ (1-\mathrm{\η})\·\underset{i=1}{\overset{K}{\Σ}}\left(\underset{j=1}{\overset{N}{\Σ}}\underset{i=1}{\overset{M}{\Π}}\right(1-x_{ij}\·q_{ij}^m\left)\underset{i=1}{\overset{K}{\Π}}\right(1-y_{ij}\·q_{ij}^a)\·T_{ij}^a)\}\end{array}$

$s.t.\left\{\begin{array}{cc}\underset{j=1}{\overset{N}{\Σ}}{x}_{ij}\≤N_i^m& i=1,2,\mathrm{...},M\\ \underset{i=1}{\overset{M}{\Σ}}{x}_{ij}\≤N_{fire}^m& j=1,2,\mathrm{...},N\\ x_{ij}\∈\{0,1\}& \end{array}\right\}$

步骤三S130、以敌目标战场价值生存最小，建立下层目标函数。

下层目标函数f(x,y)为敌目标战场价值生存最小，得到如下模型：

$f(x,y)=min\underset{j=1}{\overset{N}{\Σ}}(v_j\·\underset{i=1}{\overset{M}{\Π}}(1-x_{ij}\·q_{ij}^m\left)\underset{i=1}{\overset{K}{\Π}}\right(1-y_{ij}\·q_{ij}^a\left)\right)$

$s.t.\left\{\begin{array}{cc}\underset{j=1}{\overset{N}{\Σ}}{y}_{ij}\≤N_i^a& i=1,2,\mathrm{...},K\\ \underset{i=1}{\overset{K}{\Σ}}{y}_{ij}\≤N_{fire}^a& j=1,2,\mathrm{...},N\\ y_{ij}\∈\{0,1\}& \end{array}\right.$

式中，η为主攻力量重视程度；分别表示助攻力量和主攻力量的打击武器数量约束；分别表示助攻力量和主攻力量的集火规模约束；x_ij为主攻力量的火力分配决策变量，x_ij∈{0,1}；y_ij为助攻力量的火力分配决策变量，y_ij∈{0,1}；为主攻方向上武器对敌方武器毁伤概率；为助攻方向武器对敌方毁伤概率；为敌方目标对我方主攻方向上武器的威胁系数；为敌方目标对我方助攻方向上武器的威胁系数。

步骤三和步骤四中得到的双层目标目标函数模型的含义是：求得一个合理的主攻方向和助攻方向决策矩阵X和Y，以使得敌目标对我方的整体威胁度最小的同时，敌目标战场价值生存最小。

步骤四S140：执行双层人工蜂群求解算法，求解协同火力分配问题的最优解。

人工蜂群算法是模拟自然蜂群采蜜行为的一种群智能算法。相比于其他智能优化算法相比，人工蜂群算法具有结构简单、参数较少、易于实现等优点，在函数优化方面人工蜂群算法比遗传算法、粒子群算法、差分进化算法具有更好的优化性能。人工蜂群算法定义了3种蜜蜂：侦察蜂、工作蜂和观察蜂，工作蜂和观察蜂的数量相同。SN个工作蜂对应SN个食物源，任意工作蜂i在种群中随机选择一个工作蜂k做它的邻居，进行邻域搜索。V_i为工作蜂i的候选食物源

v_id＝x_id+φ_id(x_id-x_kd)

式中，φ_id是[-1,1]上的随机数，V_i和X_i之间通过贪婪策略进行选择。观察蜂根据工作蜂的食物源的蜂蜜量进行选择，选择概率值p_i的计算可按下式。

$p_i=\frac{{\mathrm{fit}}_i}{\underset{k=1}{\overset{SN}{\Σ}}{\mathrm{fit}}_i}$

观察蜂j通过轮盘赌的方法从工作蜂的食物源中选择食物源，对食物源的搜索方式与工作蜂相同。当某一食物源X_i的trial_i大于限定值trail_max时，侦查蜂就会随机生成一个新的食物源取代X_i

newx_id＝LB_d+(UB_d-LB_d)·rand

式中LB_d和UB_d是食物源第d维的上下界，rand为(0,1)之间的随机数。

双层人工蜂群算法的本质是两层算法的交互迭代循环，本发明双层目标函数构成的双层武器目标分配模型进行相应的改进。采用整数编码方式，主攻力量火力分配决策为上层，助攻力量火力分配决策为下层，假设每个武器平台只能一次打击一个目标，上层的武器平台数为M，下层的武器平台数为K，打击目标数为N。

两层独立编码，进行交互式嵌套迭代循环，求得最优解。由于每种武器平台每次只能打击一个目标，因此主攻方向求解问题编码为M维，助攻方向为K维，共同打击N个目标所以上下界都为1和N，主攻方向武器目标分配决策编码为X_i＝(x_i1,x_i2,…,x_iM)，x_ik∈[1,N]且x_ik∈Z，k＝1,2,…,M，x_ik表示主攻方向第k个武器平台打击目标的编号；助攻力量分配决策编码为Y_i＝(y_i1,y_i2,…,y_iK)，y_ik∈[1,N]且y_ik∈Z，k＝1,2,…,K，y_ik表示助攻方向第k个武器平台打击目标的编号。按照编码规则，进行种群初始化，上层的种群数为SN₁，下层种群数为SN₂，x_ik(i＝1,2,…,SN₁)和y_ik(i＝1,2,…,SN₂)为1-N的随机整数。

由于上下两层的解互相影响，因此需采用交互式迭代方式进行寻优。对于双层规划，智能方法求解主要有两种方式：一种是随机生成上层(下层)可行解X，然后代入下层(上层)迭代寻优，获得最优的Y，如此循环，获得Pareto最优的一组(X,Y)；另一种为随机生成上层(下层)可行解X代入下层求解获得最优解Y，再代入上层，如此循环，获得最优(X,Y)。第一种方法是双层的迭代，解算时间为乘积关系，代价较大；第二种方法为时间相加的关系，但容易陷入局部极值点，人工蜂群方法的可调节最大重复次数使侦查蜂的能够获得较好的全局搜索能力，因此本发明选用后一种方法。

首先任选一下层可行解Y_i，然后对上层变量种群X进行迭代求解，完成上层迭代次数GEN₁后，获得更新后的上层种群X_i(i＝1,2,…,SN₁)，取最优值X_best代入下层进行求解，同样完成下层迭代次数GEN₂获得下层更新种群Y_i(i＝1,2,…,SN₂)，选取最优值Y_best，然后将Y_best代入上层继续求解，直到完成设定的全局循环次数GEN。由于是逐步搜索获取最优解，所以每一次的上下层循环次数应当设置适当，设置过大会造成求解效率低，过小会降低局部搜索精度，一般可以通过试验确定。

算法的编码方式只需要考虑集火规模约束，其目的是为了防止火力浪费。罚函数是处理约束问题的有效方法，为了增加种群多样性，采用自适应罚函数，若实际的最大集火规模为N_max，集火约束为N_fire，设置相应的罚因子μ(L)

$\mathrm{\μ}\left(L\right)=\left\{\begin{array}{cc}1& N_{max}\≤N_{fire}\\ \frac{N_{max}}{N_{fire}}\·\frac{GEN}{GEN-L+1}& N_{max}>N_{fire}\end{array}\right.$

式中L∈(1,2,…,GEN)，罚因子μ(L)随全局迭代次数L逐渐增加，迭代开始可以保留种群的多样性，迭代后期可从种群中快速排除非可行解。

双层人工蜂群算法执行步骤包括全局迭代算法和上层/下层迭代算法。

全局迭代算法的执行步骤包括：

(1)分别设置上下层的种群规模SN₁和SN₂，最大重复次数trial_max，上下层迭代次数GEN₁、GEN₂和全局迭代次数GEN，确定上下层适应度函数，随机生成上下层的解构成初始种群；

(2)进入全局迭代计算，首先从下层初始种群中随机选择一个可行解Y_i，作为上层计算时已知下层决策参数；

(3)进行上层的迭代计算，返回获得的上层最优解X_best；

(4)将X_best作为已知上层决策参数，进入下层迭代计算，返回获得的下层最优解Y_best；

(5)判断全局迭代次数，如果没有达到限定次数GEN，则将Y_best作为已知参数，返回(3)，否则输出最优解X_best和Y_best。

上层/下层迭代算法的执行步骤包括：

(a)获取相关参数，进入迭代循环；

(b)工作蜂按照式搜索一个新蜜源，并计算适应度，采用贪婪选择策略，如果新位置不优于原来的位置，则重复次数trial_i加1；

(c)观察蜂根据式newx_id＝LB_d+(UB_d-LB_d)·rand选择一个工作蜂的蜜源位置，并根据式产生一个新位置，采用贪婪选择策略，如果没有优化，同样trial_i加1；

(d)如果重复次数trial_i大于最大限定值，放弃该蜜源，用随机生成的蜜源进行替换；

(e)记录当前搜索到的最优解，如果到达最大迭代次数，则结束循环，输出最优解，否则返回(b)。

通过以上计算，得到了火力分配决策的最优解。

步骤五S150、根据最优解，对我方分队的每个武器平台分配敌目标进行火力打击。

在执行双层人工蜂群算法执行步骤前需要对算法的时间复杂度进行分析。

双层人工蜂群算法迭代一次的时间复杂度可计算如下：

当SN＝1的时候，设单层人工蜂群算法的迭代一次所用时间为o(T)，则单层人工蜂群算法的一次计算时间复杂度为o(SN*T)。对于双层人工蜂群算法，上层迭代复杂度o(SN₁*T*GEN₁)，下层迭代时间复杂度为o(SN₂*T*GEN₂)，则全局迭代一次的时间复杂度为o((SN₁*GEN₁+SN₂*GEN₂)*T)。可以看出本发明的交互式迭代方法仅增加了上下层的循环迭代复杂度，即GEN₁和GEN₂的影响，时间代价可以接受。

下面以一个实施例表示本发明合成分队协同火力分配方法计算过程及结果。

在本实施例中，主攻和助攻方向中可用武器平台分别为12个W1-W12和5个A1-A5，协同打击敌11个目标E1-E11。目标战场价值如表1所示，目标毁伤概率矩阵如表2所示、各目标威胁度如表3所示。

表1目标战场价值

表2我方武器对敌目标毁伤概率

表3目标对我方武器平台威胁度

设定人工蜂群的种群数量为50，即SN＝25，上下层迭代次数都为GEN₁＝GEN₂＝20，最大重复次数trail_max＝15，全局迭代次数GEN＝150，按上述方法进行交互式迭代求解，每一次迭代过程均能够得到上层目标函数和下层目标函数的适应值，如图2、图3所示。完成迭代求解过程后，即可得到我方武器平台对目标的协同打击分配决策结果，如表4所示。

表4主攻和助攻力量协同火力分配结果

上述结果也可通过主攻力量和助攻力量的决策矩阵表示：

$X=\left[\begin{array}{ccccccccccc}1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 1& 0& 0& 0& 0& 0& 0\\ 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1\\ 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0\end{array}\right],Y=\left[\begin{array}{ccccccccccc}0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 0\end{array}\right]$

本发明以合成分队的火力协同分配为背景，提出了一种决策交互的双层武器目标分配模型，能够主攻力量和助攻力量之间有效协同，既提高整体的火力打击效能也减少目标对我方的整体威胁。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种合成分队协同火力分配方法，其特征在于，包括以下步骤

步骤一、通过武器识别传感器获取所需数据信息，所述数据信息包括：我方分队主攻方向上的敌目标武器平台数量M，我方分队助攻方向上的武器平台数量K，我方要打击的目标数量N；

步骤二、以敌目标对我方的整体威胁度最小，建立上层目标函数；

步骤三、以敌目标战场价值生存最小，建立下层目标函数；

步骤四、采用双层人工蜂群求解算法，对上层目标函数和下层目标函数进行交叉迭代求解，以得到协同火力分配的最优解；

步骤五、根据最优解，对我方分队的每个武器平台分配敌目标进行火力打击。

2.根据权利要求1所述的合成分队协同火力分配方法，其特征在于，所述上层目标函数为：

$\begin{array}{c}F(x,y)=\min \{\mathrm{\η}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Π}}}\right(1-x_{ij}\·q_{ij}^m)\underset{i=1}{\overset{K}{\mathrm{\Π}}}(1-y_{ij}\·q_{ij}^a)\·T_{ij}^m)+\\ (1-\mathrm{\η})\·\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{M}{\mathrm{\Π}}}\right(1-x_{ij}\·q_{ij}^m\left)\underset{i=1}{\overset{K}{\mathrm{\Π}}}\right(1-y_{ij}\·q_{ij}^a)\·T_{ij}^a)\}\end{array}$

$s.t.\left\{\begin{array}{cc}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{x}_{ij}\≤N_i^m& i=1,2,...,M\\ \underset{i=1}{\overset{M}{\mathrm{\Σ}}}{x}_{ij}\≤N_{fire}^m& j=1,2,...,N\\ x_{ij}\∈\{0,1\}& \end{array}\right\}$

式中，η为主攻力量重视程度；为主攻力量的打击武器数量约束；为主攻力量的集火规模约束；x_ij为主攻力量的火力分配决策变量，x_ij∈{0,1}；y_ij为助攻力量的火力分配决策变量，y_ij∈{0,1}；为主攻方向上武器对敌方武器毁伤概率；为助攻方向武器对敌方毁伤概率；为敌方目标对我方主攻方向上武器的威胁系数；为敌方目标对我方助攻方向上武器的威胁系数。

3.根据权利要求2所述的合成分队协同火力分配方法，其特征在于，所述下层目标函数为：

$f(x,y)=min\underset{j=1}{\overset{N}{\Σ}}(v_j\·\underset{i=1}{\overset{M}{\mathrm{\Π}}}(1-x_{ij}\·q_{ij}^m\left)\underset{i=1}{\overset{M}{\mathrm{\Π}}}\right(1-y_{ij}\·q_{ij}^a\left)\right)$

$s.t.\left\{\begin{array}{cc}\underset{j=1}{\overset{N}{\Σ}}{y}_{ij}\≤N_i^a& i=1,2,...,K\\ \underset{i=1}{\overset{K}{\Σ}}{y}_{ij}\≤N_{fire}^a& j=1,2,...,N\\ y_{ij}\∈\{0,1\}& \end{array}\right.$

式中，为助攻力量的打击武器数量约束；为助攻力量的集火规模约束；y_ij为助攻力量的火力分配决策变量，y_ij∈{0,1}；v_i表示第i个目标在战场发挥作用的重要程度。

4.根据权利要求3所述的合成分队协同火力分配方法，其特征在于，步骤三中，双层人工蜂群求解算法采用全局迭代算法和上层、下层迭代算法。

5.根据权利要求4所述的合成分队协同火力分配方法，其特征在于，所述全局迭代算法包括以下步骤：

a、从下层初始种群中随机选择一个可行解Y_i，作为上层计算时已知下层决策参数；

b、进行上层的迭代计算，返回获得的上层最优解X_best；

c、获得的X_best作为已知上层决策参数，进入下层迭代计算，返回获得的下层最优解Y_best；

d、当全局迭代次数达到限定次数，输出最优解X_best和Y_best。

6.根据权利要求5所述的合成分队协同火力分配方法，其特征在于，所述上层、下层迭代算法采用人工蚁群算法，获取上层或下层迭代的最优解X_best或Y_best。

7.根据权利要求1所述的合成分队协同火力分配方法，其特征在于，在步骤四中还包括进行双层人工蜂群算法迭代的复杂度计算。