CN110020725B - 一种服务于武器装备体系作战仿真的试验设计方法 - Google Patents
一种服务于武器装备体系作战仿真的试验设计方法 Download PDFInfo
- Publication number
- CN110020725B CN110020725B CN201910221874.2A CN201910221874A CN110020725B CN 110020725 B CN110020725 B CN 110020725B CN 201910221874 A CN201910221874 A CN 201910221874A CN 110020725 B CN110020725 B CN 110020725B
- Authority
- CN
- China
- Prior art keywords
- test
- individual
- optimal
- population
- test factor
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种服务于武器装备体系作战仿真的试验设计方法,基于改进的遗传算法,选择合适的染色体编码方式和有效的自适应度函数,使得最优样本点相似度尽可能小、投影特性尽可能大,支持混合水平设计,生成指定数目的试验设计组合样本,同时满足样本空间填充均匀性和投影均匀特性;通过一系列遗传算法操作,经过循环迭代就能找到具有代表性的试验因子组合,可操作性强,易于实现;自适应交叉操作,能够加快算法运行,快速求得最优试验因子组合;基于武器装备体系作战仿真中试验因子的独特取值性质,采用分段变异操作;灾变操作,通过保留最优个体和重新生成其他剩余个体,能够在很大程度上避免算法陷入局部最优。
Description
技术领域
本发明涉及计算机仿真、人工智能技术领域,尤其涉及一种服务于武器装备体系作战仿真的试验设计方法。
背景技术
武器装备体系作战试验是基于体系对抗的试验过程,涉及到参试各方大量的武器装备及战略部署信息,其参数包括装备的数量、装备的类型、装备性能参数、部署信息、电磁干扰、自然环境信息及相关战术参数等。在面向武器装备体系作战仿真的体系试验中,上述影响对抗过程的参数是试验参数,试验参数所有可能的取值组合构成一个武器装备体系作战试验参数集合,称为武器装备体系作战试验全样本空间。
在参数众多、参数水平数也多的情况下,全样本空间的规模是极其庞大的。假设有m种装备投入作战,分别对应m个装备参数(因子),每个装备参数有n种取值(水平数),则该全样本空间包含nm个试验样本。对全样本空间进行试验研究往往不必要,从工作量、周期、成本等多个角度分析,对全样本空间进行试验也难以实现,因此,需要对全样本空间进行压缩,选取对体系仿真分析目标有显著影响的试验参数和具有代表性的试验因子进行组合,生成均匀分布的作战试验样本空间。样本点能够同时满足均匀填充和均匀投影是非常重要的,与仅满足均匀填充的样本点相比,同时满足均匀填充和均匀投影的样本点能够提供关于目标函数的更多信息。
现有的空间均匀填充试验设计可以分为两类。第一类将样本点均匀填充整个设计空间。著名的最大最小化方法产生的样本点能够充满设计空间,同时在边界上布点较多,但这些样本点在两个维度上的投影会有重叠情况出现。第二类试验设计方法应用更为广泛,其生成的样本点不仅均匀填充整个设计空间,同时均匀填充低维投影空间。具有代表性的主要有正交设计、均匀设计、拉丁超立方试验设计等。
正交设计试验次数少、样本均衡分散,但限于因子水平不超过3的情况,且因子数不能过多。均匀试验设计不考虑因子间的交互作用,试验次数等于因子的水平数,能够使得试验样本均匀分布,但限于均匀表,因子数不能太多。一些学者采用遗传算法和粒子群算法对正交设计、均匀设计进行了优化,这类算法能够从初始种群出发,使得试验因子组合进化到较优的搜索空间中来,但对因子数较多的情况依然不适用,且要求因子具有相同的水平数。
传统的拉丁超立方试验设计(1979年提出)能够保证样本点均匀分布且样本点在一维上投影不重叠,具有较好的空间分布性和投影特性,可灵活选择试验次数,也便于与其他采样方法相结合。但这种方法要求水平数相等,试验次数等于水平数,不能生成较多的试验样本,空间填充度较低,时间复杂度达到(n!)m,n是因子水平数目,m为因子数。随后学者提出了多种优化方案,能够兼顾试验样本的空间均匀性和均匀投影特性,如最大最小化拉丁超立方试验设计(1995年提出),基于遗传算法的最大最小化拉丁超立方实验设计(2001年提出),一种基于分支定界法的二维度最大最小化拉丁超立方实验设计(2007年提出)。但这些设计方法在针对多因子、样本量大的情况时实现效率较低。2010年提出的平移传播拉丁超立方实验设计能够快速的生成近似最优的拉丁超立方试验设计,大大降低了算法的复杂度(算法复杂度为O(n)),但这种方法仅限于因子数不大于6的情况,且生成的样本点数不能过大。2015年的基于扩展的拉丁超立方试验设计,对平移传播拉丁超立方进行了改进,能够支持多样本、混合水平设计,但分层后每层需要平移的步幅没有统一的标准,且依然不能生成较多的试验样本。
面向武器装备体系作战仿真,试验设计常常面临因子水平数不等(混合水平数)、需求指定数目的因子组合样本数(有时样本数目需求较大)、需求样本具有均匀填充和均匀投影等难题,因此,亟需找到一种具有广泛适用性的试验设计方法来满足武器装备体系作战仿真的需求。
发明内容
有鉴于此,本发明实施例提供了一种服务于武器装备体系作战仿真的试验设计方法,用以解决武器装备体系作战仿真中试验设计常常面临试验因子水平取值不等、需求指定数目的试验因子组合样本、样本数目较大、需求样本具有均匀空间填充性和均匀投影特性等问题。
因此,本发明实施例提供了一种服务于武器装备体系作战仿真的试验设计方法,包括:
S101:加载武器装备体系作战仿真中的各试验因子与各所述试验因子的所有水平取值,归一化各所述试验因子的水平取值,编码染色体,初始化种群,设置算法参数;循环迭代步骤S102~步骤S111;
S102:计算适应度值;
S103:选择操作;
S104:自适应交叉操作;
S105:分段变异操作;
S106:更新种群;
S107:寻找种群的最优个体,将最优个体解码成试验因子组合,得到对应的最优试验因子组合;
S108:存储最优个体与最优适应度值;
S109:判断是否已经迭代了三次、连续三代的最优适应度值都相同且迭代次数小于最大迭代次数;若是,则执行步骤S110;若否,则回到步骤S102,进行下一次的循环迭代;
S110:灾变操作;
S111:判断是否达到最大迭代次数;若是,则执行步骤S112;若否,则回到步骤S102,进行下一次的循环迭代;
S112:降序排序适应度值,选取指定数目的最优试验因子组合;
通过上述步骤的执行,最终得到指定数目的最优试验因子组合。
在一种可能的实现方式中,在本发明实施例提供的上述试验设计方法中,步骤S101,加载武器装备体系作战仿真中的各试验因子与各所述试验因子的所有水平取值,归一化各所述试验因子的水平取值,编码染色体,初始化种群,设置算法参数,具体包括:
S201:设置最大迭代次数、指定生成的样本数目、种群规模和初始交叉概率;
S202:将每个试验因子作为一个变量,将每个试验因子的所有水平取值作为对应变量的取值元素,以此作为对应试验因子的表现形;
S203:染色体采用二进制编码,将所有试验因子的表现形串联起来构成染色体;
S204:初始化种群。
在一种可能的实现方式中,在本发明实施例提供的上述试验设计方法中,步骤S103,选择操作,具体包括:
S205:制造轮盘,选择较优个体,构成新的种群。
在一种可能的实现方式中,在本发明实施例提供的上述试验设计方法中,步骤S205,制造轮盘,选择较优个体,构成新的种群,具体包括:
S301:对种群中所有个体的适应度值求和,得到种群总适应度值;
S302:计算种群中每个个体的适应度值占种群总适应度值的比例;
S303:对种群中每个个体的适应度值占种群总适应度值的比例进行概率求和排序;
S304:根据概率求和排序中元素的大小和随机数的大小,选择较优个体;
循环迭代步骤S305~步骤S307;
S305:判断随机数是否小于概率求和排序中的元素;若是,则执行步骤S306;若否,则回到步骤S305,判断随机数是否小于概率求和排序中的下一个元素;
S306:将该元素保留下来,作为新种群的个体;
S307:判断是否达到最大迭代次数;若否,则回到步骤S305,进行下一次的循环迭代;若是,则执行步骤S308;
S308:结束选择操作流程。
在一种可能的实现方式中,在本发明实施例提供的上述设计方法中,步骤S104,自适应交叉操作,具体包括:
循环迭代步骤S401~步骤S404;
S401:判断随机数是否小于个体的交叉概率;若是,则执行步骤S402;若否,则执行步骤S403;
S402:随机生成一个不大于染色体长度的正整数,新个体中保留该正整数长度的染色体段,新个体中其余染色体段替换为最优个体对应的染色体段,得到的新个体用以构成新种群;
S403:保留该个体用以构成新种群;
S404:判断是否完成所有个体的对比;若否,则回到步骤S401,判断随机数是否小于下一个个体的交叉概率;若是,则执行步骤S405;
S405:结束自适应交叉操作流程。
在一种可能的实现方式中,在本发明实施例提供的上述试验设计方法中,步骤S105,分段变异操作,具体包括:
S206:将每个试验因子对应的每段染色体中为1的基因变为0,在该段染色体中随机挑选一个0基因位变为1。
在一种可能的实现方式中,在本发明实施例提供的上述试验设计方法中,步骤S107,寻找种群的最优个体,将最优个体解码成试验因子组合,得到对应的最优试验因子组合,具体包括:
S501:找到最优个体中基因位为1在整个染色体中的位置;
循环迭代步骤S502~步骤S503;
S502:将最优个体中基因位为1的位置和相应的试验因子的表现形中水平取值对应位置进行比对,得到试验因子组合中该试验因子的水平取值;
S503:判断是否完成所有试验因子的比对;若否,则回到步骤S502,将最优个体中基因位为1的位置和相应的下一个试验因子的表现形中水平取值对应位置进行比对;若是,则执行步骤S504;
S504:将所有试验因子的水平取值组合起来,最优个体解码为最优试验因子组合。
在一种可能的实现方式中,在本发明实施例提供的上述试验设计方法中,步骤S110,灾变操作,具体包括:
S601:获取对应最优适应度值的最优个体;
S602:保留最优个体;
S603:重新生成其他剩余个体;
S604:将保留的最优个体和重新生成的个体构成新的种群。
在一种可能的实现方式中,在本发明实施例提供的上述试验设计方法中,步骤S112,所述降序排序适应度值,选取指定数目的最优试验因子组合,具体包括:
S207:去掉存储的最优个体与最优适应度值中重复的试验因子组合及对应的适应度值,将试验因子组合按照适应度值的大小进行降序排列,选取靠前排列的指定数目的试验因子组合作为最优试验因子组合。
本发明实施例提供的上述试验设计方法,基于改进的遗传算法,选择合适的染色体编码方式和有效的自适应度函数,使得最优样本点相似度尽可能小、投影特性尽可能大,支持混合水平设计,生成指定数目的试验设计组合样本,同时满足样本空间填充均匀性和投影均匀特性;通过一系列遗传算法操作,经过循环迭代就能找到具有代表性的试验因子组合,可操作性强,易于实现;自适应交叉操作,能够加快算法运行,快速求得最优试验因子组合;基于武器装备体系作战仿真中试验因子的独特取值性质,采用分段变异操作;灾变操作,通过保留最优个体和重新生成其他剩余个体,能够在很大程度上避免算法陷入局部最优;本发明实施例提供的上述设计方法可以应用于各种体系仿真的试验设计环节,也可扩展应用于其他相似应用领域中的试验设计方案生成。
附图说明
图1为本发明实施例提供的服务于武器装备体系作战仿真的试验设计方法的流程图之一;
图2为本发明实施例提供的服务于武器装备体系作战仿真的试验设计方法的流程图之二;
图3为本发明实施例提供的服务于武器装备体系作战仿真的试验设计方法中的步骤S103选择操作的流程图;
图4为本发明实施例提供的服务于武器装备体系作战仿真的试验设计方法中的步骤S104自适应交叉操作的流程图;
图5为本发明实施例提供的服务于武器装备体系作战仿真的试验设计方法中的步骤S107的流程图;
图6为本发明实施例提供的服务于武器装备体系作战仿真的试验设计方法中的步骤S110灾变操作的流程图;
图7为本发明实施例提供的服务于武器装备体系作战仿真的试验设计方法生成的最优样本组合2D可视化结果图;
图8为本发明实施例提供的服务于武器装备体系作战仿真的试验设计方法生成的最优样本组合3D可视化结果图。
具体实施方式
下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整的描述,显然,所描述的实施方式仅仅是作为例示,并非用于限制本申请。
本发明实施例提供的一种服务于武器装备体系作战仿真的试验设计方法,如图1所示,包括以下步骤:
S101:加载武器装备体系作战仿真中的各试验因子与各试验因子的所有水平取值,归一化各试验因子的水平取值,编码染色体,初始化种群,设置算法参数;循环迭代步骤S102~步骤S111;
S102:计算适应度值;
S103:选择操作;
S104:自适应交叉操作;
S105:分段变异操作;
S106:更新种群;
S107:寻找种群的最优个体,将最优个体解码成试验因子组合,得到对应的最优试验因子组合;
S108:存储最优个体与最优适应度值;
S109:判断是否已经迭代了三次、连续三代的最优适应度值都相同且迭代次数小于最大迭代次数;若是,则执行步骤S110;若否,则回到步骤S102,进行下一次的循环迭代;
S110:灾变操作;
S111:判断是否达到最大迭代次数;若是,则执行步骤S112;若否,则回到步骤S102,进行下一次的循环迭代;
S112:降序排序适应度值,选取指定数目的最优试验因子组合;
通过上述步骤的执行,最终得到指定数目的最优试验因子组合。
本发明实施例提供的上述试验设计方法,基于改进的遗传算法,选择合适的染色体编码方式和有效的自适应度函数,使得最优样本点相似度尽可能小、投影特性尽可能大,支持混合水平设计,生成指定数目的试验设计组合样本,同时满足样本空间填充均匀性和投影均匀特性;通过一系列遗传算法操作,经过循环迭代就能找到具有代表性的试验因子组合,可操作性强,易于实现;自适应交叉操作,能够加快算法运行,快速求得最优试验因子组合;基于武器装备体系作战仿真中试验因子的独特取值性质,采用分段变异操作;灾变操作,通过保留最优个体和重新生成其他剩余个体,能够在很大程度上避免算法陷入局部最优;本发明实施例提供的上述设计方法可以应用于各种体系仿真的试验设计环节,也可扩展应用于其他相似应用领域中的试验设计方案生成。
下面通过一个具体的实例对本发明实施例提供的上述试验设计方法的具体实施进行详细说明。武器装备体系作战仿真系统是一个多兵种分布式体系对抗仿真系统,涵盖了红蓝方典型的作战要素,包括海陆空各兵种各种用途的作战装备,该系统包含如下参数:m个装备,在体系作战过程中可配置不同数目的不同装备参战。该应用研究由试验设计方法生成具有一定代表性的各作战装备参战数目组合,然后将该组合作为该系统的输入,最后服务于体系仿真分析。该应用基于体系作战装备的属性参数,经过遗传算法的迭代寻优,最后生成具有一定代表性的试验因子组合。
在具体实施时,在执行本发明实施例提供的上述试验设计方法中的步骤S101,加载武器装备体系作战仿真中的各试验因子与各试验因子的所有水平取值,归一化各试验因子的水平取值,编码染色体,初始化种群,设置算法参数时,如图2所示,具体可以通过以下方式来实现:
S201:设置最大迭代次数、指定生成的样本数目、种群规模和初始交叉概率;
具体地,可以设置最大迭代次数为Max_gen,指定生成的样本数目为N1,种群规模为N,初始交叉概率为Pc0;
S202:将每个试验因子作为一个变量,将每个试验因子的所有水平取值作为对应变量的取值元素,以此作为对应试验因子的表现形;
归一化采用最大最小(Maxmin)方法,如下:
其中,xmax和xmin分别是所有试验因子水平取值中的最大值和最小值;
归一化方法也可以采用其他的替代方法,例如,标准分数(Z-score)方法;
S203:染色体采用二进制编码,将所有试验因子的表现形串联起来构成染色体;
具体地,染色体用Chrome表示,二进制编码如下:
这里规定构成染色体时每个试验因子对应的染色体段的基因位只有一个为1,其余都为0。为1表示该试验因子在试验因子组合中取得公式(2)中对应位置的水平取值,为0表示该试验因子在试验因子组合中不取得公式(2)中对应位置的水平值。以试验因子为例,若试验因子x1对应的染色体段为则表示试验因子x1在试验因子组合中的水平取值为第4个值3;
具体地,染色体的编码方式并非局限于二进制编码,还可以采用其他编码方式,例如,实数编码,一个试验因子的可能水平取值作为染色体中的一个基因,染色体的长度等于试验因子的个数,在此不做限定;
S204:初始化种群。具体地,将每个试验因子对应的染色体段为1的基因都变为0,在该段染色体中随机挑选一个0基因位变为1。
在具体实施时,在执行本发明实施例提供的上述试验设计方法中的步骤S102,计算适应度值时,具体可以通过以下方式来实现:
采用小生态技术来衡量个体在种群中的相似度,个体i和个体j之间的共享关系share_d(i,j)表示为:
其中,d(i,j)是个体i和个体j之间的欧式距离,r是小生态半径,分别表示如下:
r取所有样本点欧式距离的平均值,即
r=mean(d(i,j)) (5)
其中,Comb(i)是对应个体i的试验因子组合,Comb(i,k)是第i个试验因子组合中第k个试验因子的水平取值;
则个体i与种群其他个体j(j=1,2,…,N)之间的最小相似度水平为:
fcd(i)=min(share_d(i,j)1/2 (6)
个体i与种群其他个体j(j=1,2,…,N)在维度w(w=1,2,…,m)上的投影特性为:
个体i与种群其他个体j(j=1,2,…,N)在所有维度上的投影特性总和为:
为使得算法搜索到的个体在种群中的相似度尽量小,同时投影特性尽量大,种群个体i的适应度函数选为:
objvalue(i)=1./(1+fcd(i))+dmin(i) (9)
这里,适应度函数的选择有多种方法,但原则是使fcd(i)越小,dmin(i)越大,objvalue(i)越大,同时objvalue(i)非负。
适应度函数基于空间点的相似度水平和点低维投影特性,点相似度越小、低纬投影特性越大的点,其适应度函数越大,该点对应的种群个体越优。凡是能反映试验设计组合样本之间的空间分布特性的模型(个体拥挤度、基于密度的聚类方法等),都可以考虑作为适应度函数的替代方法。效果较差的一种替代方法,例如,只考虑反映样本分布特性的一种优化目标,如只考虑设计空间分布。
在具体实施时,在执行本发明实施例提供的上述试验设计方法中的步骤S103,选择操作时,如图2所示,具体可以通过以下方式来实现:
S205:制造轮盘,选择较优个体,构成新的种群。具体地,选择操作并非局限于这种方式,还可以选用一般或改进遗传算法中的其他选择操作,例如,锦标赛法、线性排名方法,在此不做限定。
在具体实施时,在执行本发明实施例提供的上述试验设计方法中的步骤S205,制造轮盘,选择较优个体,构成新的种群时,如图3所示,具体可以通过以下方式来实现:
S301:对种群中所有个体的适应度值求和,得到种群总适应度值;
S302:计算种群中每个个体的适应度值占种群总适应度值的比例;
S303:对种群中每个个体的适应度值占种群总适应度值的比例进行概率求和排序;
S304:根据概率求和排序中元素的大小和随机数的大小,选择较优个体;具体地,随机数取0~1之间;
循环迭代步骤S305~步骤307;
S305:判断随机数是否小于概率求和排序中的第j个元素;若是,则执行步骤S306;若否,则j+1,回到步骤S305,判断随机数是否小于概率求和排序中的下一个元素;
S306:将该元素保留下来,作为新种群的个体;
S307:判断是否达到最大迭代次数;若否,则回到步骤S305,进行下一次的循环迭代;若是,执行步骤S308;
S308:结束选择操作流程。
在具体实施时,在执行本发明实施例提供的上述试验设计方法中的步骤S104,自适应交叉操作时,如图4所示,具体可以通过以下方式来实现:
循环迭代步骤S401~步骤S404;
S401:判断随机数是否小于个体的交叉概率;若是,则执行步骤S402;若否,则执行步骤S403;
S402:随机生成一个不大于染色体长度的正整数,新个体中保留该正整数长度的染色体段,新个体中其余染色体段替换为最优个体对应的染色体段,得到的新个体用以构成新种群;
S403:保留该个体用以构成新种群;
S404:判断是否完成所有个体的对比;若否,则回到步骤S401,判断随机数是否小于下一个个体的交叉概率;若是,则执行步骤S405;
S405:结束自适应交叉操作流程。
具体地,可以采用如下自适应的交叉算子:
其中,pc(i)为第ith代个体的交叉概率,Q为新种群的规模,Qi为个体的数目,它们的适应度值优于历史最优个体的适应度值,pc0为初始的交叉概率,fmax和fmin分别为种群最差适应度值和最优适应度值,f(Gi)是第ith代个体的适应度值。
在种群演化的初始阶段,个体之间的差异较大,增大产生较优后代的交叉概率,有利于加快种群的演化速度,在种群演化的后期,随着最优个体越来越近,个体之间的差异性越来越小,为了保留良好的基因,交叉概率应该相应地减小。基于此,本发明实施例提供的上述试验设计方法中的自适应交叉操作,可以使得随着最优个体数目的增多,交叉概率相应变小,从而可以保留较优的个体。
在具体实施时,在执行本发明实施例提供的上述试验设计方法中的步骤S105,分段变异操作时,如图2所示,具体可以通过以下方式来实现:
S206:将每个试验因子对应的每段染色体中为1的基因变为0,在该段染色体中随机挑选一个0基因位变为1。
具体地,本发明实施例提供的上述试验设计方法中的步骤S101中,由武器装备体系作战仿真中的试验因子构成的染色体不同于遗传算法中的一般染色体构成,该染色体由各试验因子的表现形串联构成,要求每个试验因子对应的染色体段有且只有一个基因位取1,因此,基因变异时就不能采用传统的取染色体的两个基因位而变异它们之间的染色体段。应用于武器装备体系作战仿真试验设计中,就需要采用分段变异,对应每个因子的每段染色体,将为1的基因都变为0,然后随机变异该段染色体的一个0基因位为1。这种分段变异操作一次性使得多个染色体段得到变化,能够大大增加种群的多样性,从而更快地找到最优个体。
当然,也可以采用其他变异方法,例如,随机变异一段或多段染色体,在此不做限定。
对本发明实施例提供的上述试验设计方法中的步骤S104自适应交叉操作得到的新种群中的每个染色体Chrome都采用分段变异,对应每个试验因子的每段染色体,将为1的基因都变为0,例如中,由①标识的染色体到②标识的染色体的变异,然后随机变异该段染色体的一个基因为1,由②标识的染色体到③标识的染色体的变异,这样,就可以得到变异后新的染色体,最终得到变异后的新种群。
在具体实施时,本发明实施例提供的上述试验设计方法中的步骤S106,更新种群,作为步骤S110灾变操作和步骤S102计算适应度值的输入,也就是说,若后续执行步骤S110灾变操作,则将变异后的种群作为步骤S110灾变操作的部分输入,若后续不执行步骤S110灾变操作,则变异后的种群作为下一次循环迭代的种群,即返回步骤S102计算适应度值继续算法的寻优操作。
在具体实施时,在执行本发明实施例提供的上述试验设计方法中的步骤S107,寻找种群的最优个体,将最优个体解码成试验因子组合,得到对应的最优试验因子组合时,如图5所示,具体可以通过以下方式来实现:
S501:找到最优个体中基因位为1在整个染色体中的位置;具体地,种群中适应度值最大的个体即为最优个体;
循环迭代步骤S502~步骤S503;
S502:将最优个体中基因位为1的位置和相应的试验因子的表现形中水平取值对应位置进行比对,得到试验因子组合中该试验因子的水平取值;
S503:判断是否完成所有试验因子的比对;若否,则回到步骤S502,将最优个体中基因位为1的位置和相应的下一个试验因子的表现形中水平取值对应位置进行比对;若是,则执行步骤S504;
S504:将所有试验因子的水平取值组合起来,最优个体解码为最优试验因子组合。
在具体实施时,在执行本发明实施例提供的上述试验设计方法中的步骤S108,存储最优个体与最优适应度值时,可以将最优个体与最优适应度值作为一个整体存储到一起,这样,方便后续执行步骤S112。
当连续几代的最优个体相同时,说明算法最优解有可能陷入了局部最优,此时应对目前的种群进行灾变操作,使其跳出这个局限并重新开始最优解的搜索。具体来说就是,最优个体依然保留在新种群中,重新生成其他的个体作为大的扰动。基于此,在执行本发明实施例提供的上述试验设计方法中的步骤S110,灾变操作时,如图6所示,具体可以通过以下方式来实现:
S601:获取对应最优适应度值的最优个体;
S602:保留最优个体;
S603:重新生成其他剩余个体;
S604:将保留的最优个体和重新生成的个体构成新的种群。
在具体实施时,在执行本发明实施例提供的上述试验设计方法中的步骤S112,降序排序适应度值,选取指定数目的最优试验因子组合时,如图2所示,具体可以通过以下方式来实现:
S207:去掉存储的最优个体与最优适应度值中重复的试验因子组合及对应的适应度值,将试验因子组合按照适应度值的大小进行降序排列,选取靠前排列的指定数目的试验因子组合作为最优试验因子组合。
应用具体实例,如,试验因子有m=20个,试验因子的表现形分别是 对应的试验因子组合全样本有种可能。将试验因子的表现形串联成染色体,最后得到的最优个体按适应度值降序排序后为对应的试验因子组合顺序为设置算法最大迭代次数Max_gen=1000,初始交叉概率pc0=0.6,种群规模N=120,指定N1=40,则取前40个试验因子组合为最优试验因子组合。
最后,对算法产生的最优试验因子组合的空间填充均匀性和投影均匀性进行验证,以2、3维可视化结果为一个表现形式来直观地体现出最优试验因子组合的空间分布的均匀性,最优试验因子的可视化结果如图7和图8所示。
至此,本发明实施例提供的上述试验设计方法完成了对武器装备体系作战仿真中N1个具有空间填充均匀、投影特性均匀的试验因子组合的生成。
本发明实施例提供的上述设计方法,基于改进的遗传算法,选择合适的染色体编码方式和有效的自适应度函数,使得最优样本点相似度尽可能小、投影特性尽可能大,支持混合水平设计,生成指定数目的试验设计组合样本,同时满足样本空间填充均匀性和投影均匀特性;通过一系列遗传算法操作,经过循环迭代就能找到具有代表性的试验因子组合,可操作性强,易于实现;自适应交叉操作,能够加快算法运行,快速求得最优试验因子组合;基于武器装备体系作战仿真中试验因子的独特取值性质,采用分段变异操作;灾变操作,通过保留最优个体和重新生成其他剩余个体,能够在很大程度上避免算法陷入局部最优;本发明实施例提供的上述设计方法可以应用于各种体系仿真的试验设计环节,也可扩展应用于其他相似应用领域中的试验设计方案生成。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种服务于武器装备体系作战仿真的试验设计方法,其特征在于,包括:
S101:加载武器装备体系作战仿真中的各试验因子与各所述试验因子的所有水平取值,归一化各所述试验因子的水平取值,编码染色体,初始化种群,设置算法参数;循环迭代步骤S102~步骤S111;
S102:计算适应度值;
S103:选择操作;
S104:自适应交叉操作;
S105:分段变异操作;
S106:更新种群;
S107:寻找种群的最优个体,将最优个体解码成试验因子组合,得到对应的最优试验因子组合;
S108:存储最优个体与最优适应度值;
S109:判断是否已经迭代了三次、连续三代的最优适应度值都相同且迭代次数小于最大迭代次数;若是,则执行步骤S110;若否,则回到步骤S102,进行下一次的循环迭代;
S110:灾变操作;
S111:判断是否达到最大迭代次数;若是,则执行步骤S112;若否,则回到步骤S102,进行下一次的循环迭代;
S112:降序排序适应度值,选取指定数目的最优试验因子组合;
通过上述步骤的执行,最终得到指定数目的最优试验因子组合;
其中,步骤S102,计算适应度值,具体包括:
采用小生态技术来衡量个体在种群中的相似度,个体i和个体j之间的共享关系表示为:
其中,d(i,j)是个体i和个体j之间的欧式距离,r是小生态半径,分别表示如下:
r=mean(d(i,j)) (3)
其中,Comb(i)是对应个体i的试验因子组合,Comb(i,k)是第i个试验因子组合中第k个试验因子的水平取值;Comb(j)是对应个体j的试验因子组合,Comb(j,k)是第j个试验因子组合中第k个试验因子的水平取值;
个体i与种群其他个体j之间的最小相似度水平为:
fcd(i)=min(share_d(i,j)1/2) (4)
个体i与种群其他个体j在维度w上的投影特性为:
其中,w=1,2,…,m,Comb(i,w)是第i个试验因子组合中第w个试验因子的水平取值,Comb(j,w)是第j个试验因子组合中第w个试验因子的水平取值;
个体i与种群其他个体j在所有维度上的投影特性总和为:
种群个体i的适应度函数为:
objvalue(i)=1./(1+fcd(i))+dmin(i) (7)。
2.如权利要求1所述的试验设计方法,其特征在于,步骤S101,加载武器装备体系作战仿真中的各试验因子与各所述试验因子的所有水平取值,归一化各所述试验因子的水平取值,编码染色体,初始化种群,设置算法参数,具体包括:
S201:设置最大迭代次数、指定生成的样本数目、种群规模和初始交叉概率;
S202:将每个试验因子作为一个变量,将每个试验因子的所有水平取值作为对应变量的取值元素,以此作为对应试验因子的表现形;
S203:染色体采用二进制编码,将所有试验因子的表现形串联起来构成染色体;
S204:初始化种群。
3.如权利要求1所述的试验设计方法,其特征在于,步骤S103,选择操作,具体包括:
S205:制造轮盘,选择较优个体,构成新的种群。
4.如权利要求3所述的试验设计方法,其特征在于,步骤S205,制造轮盘,选择较优个体,构成新的种群,具体包括:
S301:对种群中所有个体的适应度值求和,得到种群总适应度值;
S302:计算种群中每个个体的适应度值占种群总适应度值的比例;
S303:对种群中每个个体的适应度值占种群总适应度值的比例进行概率求和排序;
S304:根据概率求和排序中元素的大小和随机数的大小,选择较优个体;
循环迭代步骤S305~步骤S307;
S305:判断随机数是否小于概率求和排序中的元素;若是,则执行步骤S306;若否,则回到步骤S305,判断随机数是否小于概率求和排序中的下一个元素;
S306:将该元素保留下来,作为新种群的个体;
S307:判断是否达到最大迭代次数;若否,则回到步骤S305,进行下一次的循环迭代;若是,则执行步骤S308;
S308:结束选择操作流程。
5.如权利要求4所述的试验设计方法,其特征在于,步骤S104,自适应交叉操作,具体包括:
循环迭代步骤S401~步骤S404;
S401:判断随机数是否小于个体的交叉概率;若是,则执行步骤S402;若否,则执行步骤S403;
S402:随机生成一个不大于染色体长度的正整数,新个体中保留该正整数长度的染色体段,新个体中其余染色体段替换为最优个体对应的染色体段,得到的新个体用以构成新种群;
S403:保留该个体用以构成新种群;
S404:判断是否完成所有个体的对比;若否,则回到步骤S401,判断随机数是否小于下一个个体的交叉概率;若是,则执行步骤S405;
S405:结束自适应交叉操作流程。
6.如权利要求1所述的试验设计方法,其特征在于,步骤S105,分段变异操作,具体包括:
S206:将每个试验因子对应的每段染色体中为1的基因变为0,在该段染色体中随机挑选一个0基因位变为1。
7.如权利要求1所述的试验设计方法,其特征在于,步骤S107,寻找种群的最优个体,将最优个体解码成试验因子组合,得到对应的最优试验因子组合,具体包括:
S501:找到最优个体中基因位为1在整个染色体中的位置;
循环迭代步骤S502~步骤S503;
S502:将最优个体中基因位为1的位置和相应的试验因子的表现形中水平取值对应位置进行比对,得到试验因子组合中该试验因子的水平取值;
S503:判断是否完成所有试验因子的比对;若否,则回到步骤S502,将最优个体中基因位为1的位置和相应的下一个试验因子的表现形中水平取值对应位置进行比对;若是,则执行步骤S504;
S504:将所有试验因子的水平取值组合起来,最优个体解码为最优试验因子组合。
8.如权利要求1所述的试验设计方法,其特征在于,步骤S110,灾变操作,具体包括:
S601:获取对应最优适应度值的最优个体;
S602:保留最优个体;
S603:重新生成其他剩余个体;
S604:将保留的最优个体和重新生成的个体构成新的种群。
9.如权利要求1所述的试验设计方法,其特征在于,步骤S112,降序排序适应度值,选取指定数目的最优试验因子组合,具体包括:
S207:去掉存储的最优个体与最优适应度值中重复的试验因子组合及对应的适应度值,将试验因子组合按照适应度值的大小进行降序排列,选取靠前排列的指定数目的试验因子组合作为最优试验因子组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910221874.2A CN110020725B (zh) | 2019-03-22 | 2019-03-22 | 一种服务于武器装备体系作战仿真的试验设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910221874.2A CN110020725B (zh) | 2019-03-22 | 2019-03-22 | 一种服务于武器装备体系作战仿真的试验设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110020725A CN110020725A (zh) | 2019-07-16 |
CN110020725B true CN110020725B (zh) | 2021-07-09 |
Family
ID=67189865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910221874.2A Active CN110020725B (zh) | 2019-03-22 | 2019-03-22 | 一种服务于武器装备体系作战仿真的试验设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020725B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163699B (zh) * | 2020-09-21 | 2023-06-16 | 西安建筑科技大学 | 一种基于负荷匹配的冷水机组台数控制优化方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964019A (zh) * | 2010-09-10 | 2011-02-02 | 北京航空航天大学 | 基于Agent技术的对抗行为建模仿真平台及仿真方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101349742B (zh) * | 2008-08-29 | 2010-12-29 | 西安电子科技大学 | 用于宽带相控阵阵元间距优化和频域多目标测频测向方法 |
CN104504719A (zh) * | 2015-01-05 | 2015-04-08 | 浪潮(北京)电子信息产业有限公司 | 一种图像边缘检测方法及设备 |
CN106156493B (zh) * | 2016-06-27 | 2018-08-17 | 中国人民解放军装甲兵工程学院 | 基于改进Kriging算法的顶置武器站结构优化方法 |
CN108364138B (zh) * | 2018-03-15 | 2021-08-06 | 中国人民解放军国防科技大学 | 基于对抗视角的武器装备发展规划建模与求解方法 |
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 |
-
2019
- 2019-03-22 CN CN201910221874.2A patent/CN110020725B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964019A (zh) * | 2010-09-10 | 2011-02-02 | 北京航空航天大学 | 基于Agent技术的对抗行为建模仿真平台及仿真方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110020725A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdel-Basset et al. | MOEO-EED: A multi-objective equilibrium optimizer with exploration–exploitation dominance strategy | |
CN110134007A (zh) | 多无人机协同目标分配方法 | |
CN110442143B (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN113313360B (zh) | 一种基于模拟退火-撒点混合算法的协同任务分配方法 | |
CN112180853A (zh) | 基于多种群策略的柔性作业车间调度混合优化方法 | |
CN110738362A (zh) | 一种基于改进的多元宇宙算法构建预测模型的方法 | |
CN114330659A (zh) | 一种基于改进aso算法的bp神经网络参数优化方法 | |
CN112070418A (zh) | 一种多目标鲸鱼优化算法的武器目标分配方法 | |
CN113435108A (zh) | 一种基于改进的鲸鱼优化算法的战场目标分群方法 | |
CN110020725B (zh) | 一种服务于武器装备体系作战仿真的试验设计方法 | |
CN116090357A (zh) | 多目标打击任务可行性快速评估方法 | |
CN115908909A (zh) | 基于贝叶斯卷积神经网络的进化神经架构搜索方法及系统 | |
CN105740949A (zh) | 一种基于随机性best策略的群体全局优化方法 | |
CN114626451A (zh) | 基于密度的数据预处理优化方法 | |
Yan et al. | A novel clustering algorithm based on fitness proportionate sharing | |
CN111831421B (zh) | 任务分配方法及终端设备 | |
Sastry et al. | Sub-structural niching in estimation of distribution algorithms | |
CN111813669A (zh) | 基于多目标群体智能的适应性随机测试用例生成方法 | |
CN116660756A (zh) | 基于条件生成对抗网络的电池容量衰减曲线生成方法 | |
CN116361917A (zh) | 一种火箭发动机喷管型面优化方法、装置及设备 | |
CN116010291A (zh) | 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 | |
CN113554144B (zh) | 用于多目标进化特征选择算法的自适应种群初始化方法和存储设备 | |
KR102103578B1 (ko) | 몬테카를로 유전자 알고리즘을 사용한 포트폴리오 자산 선택방법 | |
CN115146702A (zh) | 一种变压器故障诊断方法、介质及系统 | |
Mazurek et al. | Fleet mix computation using evolutionary multiobjective optimization |
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 |