CN108416441A - 一种基于遗传算法的舰船对岸打击火力分配方法 - Google Patents
一种基于遗传算法的舰船对岸打击火力分配方法 Download PDFInfo
- Publication number
- CN108416441A CN108416441A CN201810445805.5A CN201810445805A CN108416441A CN 108416441 A CN108416441 A CN 108416441A CN 201810445805 A CN201810445805 A CN 201810445805A CN 108416441 A CN108416441 A CN 108416441A
- Authority
- CN
- China
- Prior art keywords
- population
- fire unit
- naval vessel
- fire
- target
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法的舰船对岸打击火力分配方法,包括:以一艘舰船上的一种武器作为火力单元,将火力单元对岸上目标的火力分配数目作为编码位,采用随机分布生成法对每个火力单元进行编码,得到初始种群;利用适应度函数计算初始种群的种群适应度,根据种群适应度结合轮盘赌对初始种群进行选择,得到选择后种群,对选择后种群进行染色体交叉和变异,得到新的种群;利用新的种群更新初始种群后重复上一步,重复多次后,得到舰船对岸打击火力分配方案。本发明求解结果很稳定,耗时短、收敛速度快、初始种群生成容易。
Description
技术领域
本发明属于调度分配领域,更具体地,涉及一种基于遗传算法的舰船对岸打击火力分配方法。
背景技术
火力分配问题为当今作战系统工程的研究热点问题,由于该种问题为NP完全问题,没有多项式复杂度算法完成最优解的求取。舰船对岸打击火力分配问题,就是对于舰队编队,利用舰载的多种武器对岸上多个目标进行打击,获取较优作战效果的武器分配方案。获取较优解,可以用到各种现代数值求解算法例如传统遗传算法、蛙跳算法、模拟退火算法等。
在传统遗传算法求取火力分配方案,是一种可行的方案,定义适应度函数后可以获得较好的武器分配方案。但是传统遗传算法求解结果很不稳定,编码位过多会造成求解时间长、收敛速度慢、初始种群生成困难等问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于遗传算法的舰船对岸打击火力分配方法,由此解决传统遗传算法求解结果很不稳定,编码位过多会造成求解时间长、收敛速度慢、初始种群生成困难的技术问题。
为实现上述目的,本发明提供了一种基于遗传算法的舰船对岸打击火力分配方法,包括:
(1)以一艘舰船上的一种武器作为火力单元,将火力单元对岸上目标的火力分配数目作为编码位,采用随机分布生成法对每个火力单元进行编码,得到初始种群;
(2)利用适应度函数计算初始种群的种群适应度,根据种群适应度结合轮盘赌对初始种群进行选择,得到选择后种群,对选择后种群进行染色体交叉和变异,得到新的种群;
(3)利用新的种群更新初始种群后重复步骤(2),重复多次后,得到舰船对岸打击火力分配方案。
进一步地,步骤(1)包括:
(1-1)获取舰船和岸上目标的相关信息,所述相关信息包括:参战每一艘舰船的经纬度、舰船载有武器的种类、每种武器的数目、每一个岸上目标的战略价值和武器对岸上目标的命中毁伤概率;
(1-2)以一艘舰船上的一种武器作为火力单元,利用相关信息得到火力单元的地理位置、武器数量、武器射程和火力单元对岸上目标的毁伤概率矩阵;
(1-3)将火力单元对岸上目标的火力分配数目作为编码位,采用随机分布生成法对每个火力单元进行编码,得到初始种群,根据每一个岸上目标的战略价值和火力单元对岸上目标的毁伤概率矩阵,以岸上目标毁伤最大为目的,建立适应度函数。
进一步地,步骤(1-2)包括:
以一艘舰船上的一种武器作为火力单元,利用相关信息得到火力单元的地理位置、武器数量、武器射程;
所述地理位置为火力单元所在的经纬度,其中,东经为正,西经为负,经度的取值范围为(-180°,180°),北纬为正,南纬为负,纬度的取值范围为(0°,180°);
所述火力单元的数量为N,岸上目标的数量为M,火力单元i与岸上目标j的距离的Lij:
C=sin(lati)*sin(latj)*cos(loni-lonj)+cos(lati)*cos(latj)
Lij=R*Arccos(C)*Pi/180
其中,lati表示第i个火力单元的经度,loni表示第i个火力单元的纬度,火力单元i的武器射程为ri,对于岸上目标,武器射程如果大于等于火力单元与岸上目标之间的距离,即Lij≤ri,则火力单元对岸上目标的毁伤概率为pij,否则火力单元的毁伤概率为0,所有火力单元对岸上目标的毁伤概率pij构成火力单元对岸上目标的毁伤概率矩阵P,i=1,2,......,N;j=1,2,......,M。
进一步地,编码为对每个火力单元对M个岸上目标中的(M-1)个岸上目标进行编码。
进一步地,编码的具体实现方式为:
对于火力单元i,火力单元的数量为N,岸上目标的数量为M,火力单元i装载的导弹数量为mi,火力单元i有(M-1)个编码位,当 xij≥0时,以随机分布生成法生成随机排列{a1,a2,......,aM},其中as,s≤M为基因位置的随机排列,按照随机排列进行火力单元对应基因的初始化,其中,rand(k)为产生(0-k)之间的整数,若as=M,即xiM=rand(mi-sum),XiM不出现在编码位中,对每一个火力单元进行上述编码操作,生成具有随机分布的初始种群。
进一步地,适应度函数为:
S(x)=F(x)*G(x)
其中,S(x)为适应度函数,F(x)为初始适应度函数,G(x)为指示函数,pij为火力单元i对岸上目标j的毁伤概率,N为火力单元的数量,M为岸上目标的数量,约束条件为i=1,2,......,N,xij≥0,j=1,2,......,M-1,wj为岸上目标j的战略价值,wM为岸上目标M的战略价值,piM为火力单元i对岸上目标M的毁伤概率,mi表示火力单元i装载的导弹数量。
进一步地,步骤(2)包括:
利用适应度函数计算初始种群的种群适应度为Pu为种群数量,累加种群适应度得到左间隔点总适应度为随机产生Pu个(0-ga)大小的随机数,将相邻的左间隔点作为一个区间,将随机数置于对应区间,得到选择后种群;
设置交换概率为Pc,将选择后的种群中的个体随机成对作为父代,对父代以Pc概率进行交换,产生随机数r1∈[0,1],如果r1<Pc则发生交换,从父代的染色体中选取随机一点为交叉点,交换交叉点之后的基因,获得子代;如果父代未发生交换,那么由父代直接产生子代;设置变异概率为Pm,对子代中的每一个体,以Pm概率进行变异,产生随机数r2∈[0,1],如果r2<Pm则发生变异,对该个体染色体中的任意一个基因位进行变异,得到新的种群。
进一步地,步骤(3)包括:
利用新的种群更新初始种群后重复步骤(2),重复多次,在每一代迭代过程中,记录该次迭代时的最大适应度值Sbest、迭代次数bestq和最优编码方案Xbest,Sbest=S(Xbest),对于当前迭代次数cur,若当前迭代时的适应度值Scur=S(Xcur),Scur>Sbest,更新当前迭代下的最大适应度值Sbest、迭代次数bestq和最优编码方案Xbest,即Xbest=Xcur,Sbest=S(Xcur),bestq=cur,若cur-bestq>预设迭代次数,那么就终止遗传算法,得到目标编码方案,通过目标编码方案得到舰船对岸打击火力分配方案。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明采用随机分布生成法对每个火力单元进行编码,得到初始种群;这样生成的初始种群很容易,同时本发明使用的改进的遗传算法为利用适应度函数计算初始种群的种群适应度,根据种群适应度结合轮盘赌对初始种群进行选择,得到选择后种群,对选择后种群进行染色体交叉和变异,得到新的种群;使得对此迭代后的求解结果很稳定。
(2)本发明采用减少一位编码的方式进行编码,使得迭代过程耗时短、收敛速度快,本发明的适应度函数充分考虑了减少一位编码的操作,同时结合约束函数,使得最后得到的舰船对岸打击火力分配方案准确、稳定性强。
附图说明
图1是本发明实施例提供的一种基于遗传算法的舰船对岸打击火力分配方法的流程图;
图2是本发明实施例提供的遗传算法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种基于遗传算法的舰船对岸打击火力分配方法,包括:
(1)以一艘舰船上的一种武器作为火力单元,将火力单元对岸上目标的火力分配数目作为编码位,采用随机分布生成法对每个火力单元进行编码,得到初始种群;
(2)利用适应度函数计算初始种群的种群适应度,根据种群适应度结合轮盘赌对初始种群进行选择,得到选择后种群,对选择后种群进行染色体交叉和变异,得到新的种群;
(3)利用新的种群更新初始种群后重复步骤(2),重复多次后,得到舰船对岸打击火力分配方案。
如图2所示,步骤(1)包括:
(1-1)获取舰船和岸上目标的相关信息,所述相关信息包括:参战每一艘舰船的经纬度、舰船载有武器的种类、每种武器的数目、每一个岸上目标的战略价值和武器对岸上目标的命中毁伤概率;
(1-2)以一艘舰船上的一种武器作为火力单元,利用相关信息得到火力单元的地理位置、武器数量、武器射程;
所述地理位置为火力单元所在的经纬度,其中,东经为正,西经为负,经度的取值范围为(一180°,180°),北纬为正,南纬为负,纬度的取值范围为(0°,180°);
所述火力单元的数量为N,岸上目标的数量为M,火力单元i与岸上目标j的距离的Lij:
C=sin(lati)*sin(latj)*cos(loni-lonj)+cos(lati)*cos(latj)
Lij=R*Arccos(C)*Pi/180
其中,lati表示第i个火力单元的经度,loni表示第i个火力单元的纬度,火力单元i的武器射程为ri,对于岸上目标,武器射程如果大于等于火力单元与岸上目标之间的距离,即Lij≤ri,则火力单元对岸上目标的毁伤概率为pij,否则火力单元的毁伤概率为0,所有火力单元对岸上目标的毁伤概率pij构成火力单元对岸上目标的毁伤概率矩阵P,i=1,2,......,N;j=1,2,......,M。
(1-3)将火力单元对岸上目标的火力分配数目作为编码位,采用随机分布生成法对每个火力单元进行编码,得到初始种群,对于火力单元i,火力单元的数量为N,岸上目标的数量为M,火力单元i装载的导弹数量为mi,火力单元i有(M-1)个编码位,当xij≥0时,以随机分布生成法生成随机排列{a1,a2,......,aM},其中as,s≤M为基因位置的随机排列,按照随机排列进行火力单元对应基因的初始化,其中,rand(k)为产生(0-k)之间的整数,若as=M,即xiM=rand(mi-sum),xiM不出现在编码位中,对每一个火力单元进行上述编码操作,生成具有随机分布的初始种群,设置种群容量为Pu=100。
根据每一个岸上目标的战略价值和火力单元对岸上目标的毁伤概率矩阵,以岸上目标毁伤最大为目的,建立适应度函数。
适应度函数为:
S(x)=F(x)*G(x)
其中,S(x)为适应度函数,F(x)为初始适应度函数,G(x)为指示函数,pij为火力单元i对岸上目标j的毁伤概率,N为火力单元的数量,M为岸上目标的数量,约束条件为i=1,2,......,N,xij≥0,j=1,2,......,M-1,wj为岸上目标j的战略价值,wM为岸上目标M的战略价值,piM为火力单元i对岸上目标M的毁伤概率,mi表示火力单元i装载的导弹数量。
步骤(2)包括:
利用适应度函数计算初始种群的种群适应度为Pu为种群数量,累加种群适应度得到左间隔点总适应度为随机产生Pu个(0-ga)大小的随机数,将相邻的左间隔点作为一个区间,将随机数置于对应区间,得到选择后种群;具有高适应度的解具有更高的几率被选择到,用于后面的交叉和变异过程中,以生成子代。种群容量保持Pu=100。
设置交换概率为Pc=0.95,将选择后的种群中的个体随机成对作为父代,对父代以Pc概率进行交换,产生随机数r1∈[0,1],如果r1<Pc则发生交换,从父代的染色体中选取随机一点为交叉点,交换交叉点之后的基因,获得子代;如果父代未发生交换,那么由父代直接产生子代;设置变异概率为Pm,对子代中的每一个体,以Pm=0.05概率进行变异,产生随机数r2∈[0,1],如果r2<Pm则发生变异,对该个体染色体中的任意一个基因位进行变异,得到新的种群。
具体地:
交叉为一点交叉。
变异:采用一点变异策略,对于要变异的个体xu,随机选取两点1≤i1≤N,1≤j1≤M-1,则i1对应的基因那么更新这里rand(y)为取0-y的整数。
步骤(3)包括:
利用新的种群更新初始种群后重复步骤(2),重复多次,在每一代迭代过程中,记录该次迭代时的最大适应度值Sbest、迭代次数bestq和最优编码方案Xbest,Sbest=S(Xbest),对于当前迭代次数cur,若当前迭代时的适应度值Scur=S(Xcur),Scur>Sbest,更新当前迭代下的最大适应度值Sbest、迭代次数bestq和最优编码方案Xbest,即Xbest=Xcur,Sbest=S(Xcur),bestq=cur,若cur-bestq>100,那么就终止遗传算法,得到目标编码方案,通过目标编码方案得到舰船对岸打击火力分配方案。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于遗传算法的舰船对岸打击火力分配方法,其特征在于,包括:
(1)以一艘舰船上的一种武器作为火力单元,将火力单元对岸上目标的火力分配数目作为编码位,采用随机分布生成法对每个火力单元进行编码,得到初始种群;
(2)利用适应度函数计算初始种群的种群适应度,根据种群适应度结合轮盘赌对初始种群进行选择,得到选择后种群,对选择后种群进行染色体交叉和变异,得到新的种群;
(3)利用新的种群更新初始种群后重复步骤(2),重复多次后,得到舰船对岸打击火力分配方案。
2.如权利要求1所述的一种基于遗传算法的舰船对岸打击火力分配方法,其特征在于,所述步骤(1)包括:
(1-1)获取舰船和岸上目标的相关信息,所述相关信息包括:参战每一艘舰船的经纬度、舰船载有武器的种类、每种武器的数目、每一个岸上目标的战略价值和武器对岸上目标的命中毁伤概率;
(1-2)以一艘舰船上的一种武器作为火力单元,利用相关信息得到火力单元的地理位置、武器数量、武器射程和火力单元对岸上目标的毁伤概率矩阵;
(1-3)将火力单元对岸上目标的火力分配数目作为编码位,采用随机分布生成法对每个火力单元进行编码,得到初始种群,根据每一个岸上目标的战略价值和火力单元对岸上目标的毁伤概率矩阵,以岸上目标毁伤最大为目的,建立适应度函数。
3.如权利要求2所述的一种基于遗传算法的舰船对岸打击火力分配方法,其特征在于,所述步骤(1-2)包括:
以一艘舰船上的一种武器作为火力单元,利用相关信息得到火力单元的地理位置、武器数量、武器射程;
所述地理位置为火力单元所在的经纬度,其中,东经为正,西经为负,经度的取值范围为(-180°,180°),北纬为正,南纬为负,纬度的取值范围为(0°,180°);
所述火力单元的数量为N,岸上目标的数量为M,火力单元i与岸上目标j的距离的Lij:
C=sin(lati)*sin(latj)*cos(loni-lonj)+cos(lati)*cos(latj)
Lij=R*Arccos(C)*Pi/180
其中,lati表示第i个火力单元的经度,loni表示第i个火力单元的纬度,火力单元i的武器射程为ri,对于岸上目标,武器射程如果大于等于火力单元与岸上目标之间的距离,即Lij≤ri,则火力单元对岸上目标的毁伤概率为pij,否则火力单元的毁伤概率为0,所有火力单元对岸上目标的毁伤概率pij构成火力单元对岸上目标的毁伤概率矩阵P,i=1,2,......,N;j=1,2,......,M。
4.如权利要求2或3所述的一种基于遗传算法的舰船对岸打击火力分配方法,其特征在于,所述编码为对每个火力单元对M个岸上目标中的(M-1)个岸上目标进行编码。
5.如权利要求4所述的一种基于遗传算法的舰船对岸打击火力分配方法,其特征在于,所述编码的具体实现方式为:
对于火力单元i,火力单元的数量为N,岸上目标的数量为M,火力单元i装载的导弹数量为mj,火力单元i有(M-1)个编码位,当 xij≥0时,以随机分布生成法生成随机排列{a1,a2,......,aM},其中as,s≤M为基因位置的随机排列,按照随机排列进行火力单元对应基因的初始化,其中,rand(k)为产生(0-k)之间的整数,若as=M,即xiM=rand(mi-sum),xiM不出现在编码位中,对每一个火力单元进行上述编码操作,生成具有随机分布的初始种群。
6.如权利要求5所述的一种基于遗传算法的舰船对岸打击火力分配方法,其特征在于,所述适应度函数为:
S(x)=F(x)*G(x)
其中,S(x)为适应度函数,F(x)为初始适应度函数,G(x)为指示函数,pij为火力单元i对岸上目标j的毁伤概率,N为火力单元的数量,M为岸上目标的数量,约束条件为wj为岸上目标j的战略价值,wM为岸上目标M的战略价值,piM为火力单元i对岸上目标M的毁伤概率,mi表示火力单元i装载的导弹数量。
7.如权利要求1或2所述的一种基于遗传算法的舰船对岸打击火力分配方法,其特征在于,所述步骤(2)包括:
利用适应度函数计算初始种群的种群适应度为Pu为种群数量,累加种群适应度得到左间隔点总适应度为随机产生Pu个(0-ga)大小的随机数,将相邻的左间隔点作为一个区间,将随机数置于对应区间,得到选择后种群;
设置交换概率为Pc,将选择后的种群中的个体随机成对作为父代,对父代以Pc概率进行交换,产生随机数r1∈[0,1],如果r1<Pc则发生交换,从父代的染色体中选取随机一点为交叉点,交换交叉点之后的基因,获得子代;如果父代未发生交换,则由父代直接产生子代;设置变异概率为Pm,对子代中的每一个体,以Pm概率进行变异,产生随机数r2∈[0,1],如果r2<Pm则发生变异,对该个体的染色体中的任意一个基因位进行变异,得到新的种群。
8.如权利要求1或2所述的一种基于遗传算法的舰船对岸打击火力分配方法,其特征在于,所述步骤(3)包括:
利用新的种群更新初始种群后重复步骤(2),重复多次,在每一代迭代过程中,记录该次迭代时的最大适应度值Sbest、迭代次数bestq和最优编码方案Xbest,Sbest=S(Xbest),对于当前迭代次数cur,若当前迭代时的适应度值Scur=S(Xcur),Scur>Sbest,更新当前迭代下的最大适应度值Sbest、迭代次数bestq和最优编码方案Xbest,即Xbest=Xcur,Sbest=S(Xcur),bestq=cur,若cur-bestq>预设迭代次数,那么就终止遗传算法,得到目标编码方案,通过目标编码方案得到舰船对岸打击火力分配方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810445805.5A CN108416441B (zh) | 2018-05-10 | 2018-05-10 | 一种基于遗传算法的舰船对岸打击火力分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810445805.5A CN108416441B (zh) | 2018-05-10 | 2018-05-10 | 一种基于遗传算法的舰船对岸打击火力分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416441A true CN108416441A (zh) | 2018-08-17 |
CN108416441B CN108416441B (zh) | 2020-05-19 |
Family
ID=63138720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810445805.5A Active CN108416441B (zh) | 2018-05-10 | 2018-05-10 | 一种基于遗传算法的舰船对岸打击火力分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416441B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885401A (zh) * | 2019-01-27 | 2019-06-14 | 中国人民解放军国防科技大学 | 基于lpt局部优化的结构化网格负载平衡方法 |
CN110020725A (zh) * | 2019-03-22 | 2019-07-16 | 北京航空航天大学 | 一种服务于武器装备体系作战仿真的试验设计方法 |
CN110032902A (zh) * | 2019-03-12 | 2019-07-19 | 佛山市顺德区中山大学研究院 | 一种基于单亲遗传算法的阅读器防碰撞方法及其装置 |
CN113553777A (zh) * | 2021-09-18 | 2021-10-26 | 中国人民解放军国防科技大学 | 反无人机蜂群的防空部署方法、装置、设备和介质 |
CN113689087A (zh) * | 2021-08-03 | 2021-11-23 | 西北工业大学 | 一种基于遗传算法的远程空中支援载机目标火力分配方法 |
CN113887888A (zh) * | 2021-09-15 | 2022-01-04 | 中国电子科技南湖研究院 | 一种联合打击目标自适应评分及关联推荐方法和系统 |
CN114048637A (zh) * | 2022-01-11 | 2022-02-15 | 中国人民解放军96901部队 | 一种基于元范式的快速目标毁伤计算方法 |
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 |
CN116663867A (zh) * | 2023-07-31 | 2023-08-29 | 广东鉴面智能科技有限公司 | 基于遗传算法使用最少布控球监控的方法、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425840A (zh) * | 2013-08-14 | 2013-12-04 | 西北工业大学 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
CN105739304A (zh) * | 2016-01-28 | 2016-07-06 | 北京理工大学 | 一种基于对立思想改进遗传算法的多ucav在线打击目标分配方法 |
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 |
-
2018
- 2018-05-10 CN CN201810445805.5A patent/CN108416441B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425840A (zh) * | 2013-08-14 | 2013-12-04 | 西北工业大学 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
CN105739304A (zh) * | 2016-01-28 | 2016-07-06 | 北京理工大学 | 一种基于对立思想改进遗传算法的多ucav在线打击目标分配方法 |
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 |
Non-Patent Citations (1)
Title |
---|
胡正东 等: "《反舰导弹武器系统的火力分配方法研究》", 《战术导弹技术》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885401B (zh) * | 2019-01-27 | 2020-11-24 | 中国人民解放军国防科技大学 | 基于lpt局部优化的结构化网格负载平衡方法 |
CN109885401A (zh) * | 2019-01-27 | 2019-06-14 | 中国人民解放军国防科技大学 | 基于lpt局部优化的结构化网格负载平衡方法 |
CN110032902B (zh) * | 2019-03-12 | 2022-04-15 | 佛山市顺德区中山大学研究院 | 一种基于单亲遗传算法的阅读器防碰撞方法及其装置 |
CN110032902A (zh) * | 2019-03-12 | 2019-07-19 | 佛山市顺德区中山大学研究院 | 一种基于单亲遗传算法的阅读器防碰撞方法及其装置 |
CN110020725A (zh) * | 2019-03-22 | 2019-07-16 | 北京航空航天大学 | 一种服务于武器装备体系作战仿真的试验设计方法 |
CN113689087B (zh) * | 2021-08-03 | 2024-03-19 | 西北工业大学 | 一种基于遗传算法的远程空中支援载机目标火力分配方法 |
CN113689087A (zh) * | 2021-08-03 | 2021-11-23 | 西北工业大学 | 一种基于遗传算法的远程空中支援载机目标火力分配方法 |
CN113887888A (zh) * | 2021-09-15 | 2022-01-04 | 中国电子科技南湖研究院 | 一种联合打击目标自适应评分及关联推荐方法和系统 |
CN113553777B (zh) * | 2021-09-18 | 2021-11-30 | 中国人民解放军国防科技大学 | 反无人机蜂群的防空部署方法、装置、设备和介质 |
CN113553777A (zh) * | 2021-09-18 | 2021-10-26 | 中国人民解放军国防科技大学 | 反无人机蜂群的防空部署方法、装置、设备和介质 |
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 |
CN114048637B (zh) * | 2022-01-11 | 2022-04-08 | 中国人民解放军96901部队 | 一种基于元范式的快速目标毁伤计算方法 |
CN114048637A (zh) * | 2022-01-11 | 2022-02-15 | 中国人民解放军96901部队 | 一种基于元范式的快速目标毁伤计算方法 |
CN116663867A (zh) * | 2023-07-31 | 2023-08-29 | 广东鉴面智能科技有限公司 | 基于遗传算法使用最少布控球监控的方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108416441B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416441A (zh) | 一种基于遗传算法的舰船对岸打击火力分配方法 | |
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 | |
CN104936186B (zh) | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 | |
CN109587144B (zh) | 网络安全检测方法、装置及电子设备 | |
CN110162041A (zh) | 一种基于自适应遗传算法的机器人路径规划方法 | |
CN107275801A (zh) | 一种l型阵列天线的基于获得性遗传的阵元排布方法 | |
CN106685434B (zh) | 一种部分极化的polar码的构造方法 | |
CN107909152A (zh) | 一种交叉概率因子可变的差分进化算法 | |
CN114330715A (zh) | 一种智能弹药协同进化任务分配方法 | |
CN106991442A (zh) | 混合蛙跳算法的自适应核k‑means方法与系统 | |
Xiao et al. | Network security situation prediction method based on MEA-BP | |
CN110442146B (zh) | 无人机编队目标分配与空间占位联合决策方法及系统 | |
CN113792492B (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
CN109325598A (zh) | 一种面向资源分配的组合混沌遗传算法 | |
CN110518920A (zh) | 一种适用于量子密钥分发系统的纠错编解码方法 | |
CN116258357B (zh) | 一种基于多基因遗传算法的异构无人机协同目标分配方法 | |
CN115963731B (zh) | 一种基于改进遗传算法的指挥控制体系网络结构优化方法 | |
CN110505681B (zh) | 基于遗传方法的非正交多址接入场景用户配对方法 | |
CN108764448A (zh) | 一种改进免疫算法求解第一类装配线平衡问题的方法 | |
CN114070655B (zh) | 网络流量检测规则生成方法及装置、电子设备、存储介质 | |
CN110166247A (zh) | 能防污染攻击和定位中间节点合谋攻击的网络编码签名方法 | |
CN112765278B (zh) | 基于区块链的无线物联网系统 | |
CN107171712A (zh) | 大规模多输入多输出系统中发射端发射天线的选择方法 | |
CN107247461A (zh) | 考虑突发干扰的无人‑有人机编队信息分发处理方法 | |
Xue et al. | Optimization method for coordination deployment of air defense system based on improved genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |