CN110826877B - 一种针对多个点目标的火力分配方法 - Google Patents

Abstract

本发明公开了一种针对多个点目标的火力分配方法，包括：从武器系统数据采集模块获取源数据，所述源数据中包含火力分配的点目标数量、点目标位置向量、火力资源有效杀伤半径以及是否需要预先密度聚类；以所述点目标位置向量为样本并采用聚类算法得到覆盖所有点目标所需的最少火力资源数量；将覆盖所有点目标所需的最少火力资源数量输出至武器系统火力输出模块。采用K均值聚类算法通过逐步减少簇类数量，簇类数量对应火力资源使用数量，直至火力资源不能覆盖所有点目标为止，以此找到最少所需的火力资源使用数量，提供了一种简单易行的火力分配问题的解决方法。

Description

一种针对多个点目标的火力分配方法

技术领域

本发明涉及指挥控制辅助决策技术领域，具体的说，是一种针对多个点目标的火力分配方法。

背景技术

火力分配问题，又被称为武器目标分配问题，是指用m个武器打击n个目标的分配与配对方案问题，它有着防空作战目标分配和常规导弹目标分配等诸多应用场景。火力分配问题是一个整数型非线性组合优化问题，属于NP难问题[Naeem H,et al.An optionaldynamic threat evaluation and weapon scheduling technique[J].Knowledge-BasedSystems,2010,23(4):337-342]。传统的解决方法包括整数规划法、动态规划法、启发式搜索算法、禁忌搜索、遗传算法、粒子群算法、蚁群算法和模拟退火算法等。针对复杂度较高的多类型目标-多类型武器的联合火力分配问题，相应的解决方法也变得异常复杂。在火力分配问题中，打击目标是在地面上任意分布的n个等价值的点目标，火力资源为m(m≥n)个单一资源(例如，同一种导弹或者火箭弹等)，目的是使用最少的火力资源覆盖所有点目标。在同类型问题中，该问题的复杂度相对较低，但目前还缺乏相关研究以及与之匹配的简单易行的解决方法。

发明内容

本发明的目的在于提供一种针对多个点目标的火力分配方法，解决了采用最少单一火力资源覆盖在地面上任意分布的多个等价值点目标的火力分配问题。

本发明通过下述技术方案解决上述问题：

一种针对多个点目标的火力分配方法，应用武器目标分配，包括：

步骤S100：从武器系统数据采集模块获取源数据，所述源数据中包含火力分配的点目标数量、点目标位置向量、火力资源有效杀伤半径以及是否需要预先密度聚类；

步骤S200：以所述点目标位置向量为样本并采用聚类算法得到覆盖所有点目标所需的最少火力资源数量；

步骤S300：将覆盖所有点目标所需的最少火力资源数量输出至武器系统火力输出模块。

进一步地，所述步骤S200具体包括：将所述点目标位置向量作为样本集，当需要进行预先密度聚类时，进入步骤S210，否则进入步骤S260；

步骤S210：采用密度聚类算法对所述样本集进行聚类并保存聚类结果，所述聚类结果至少包含聚类算法得到的聚类簇和聚类簇数，所述聚类簇表示将样本集划分得到的某一类样本集合，所述聚类簇数表示聚类簇的数量；

进一步地，所述密度聚类算法采用DBSCAN密度聚类算法，所述DBSCAN密度聚类算法的邻域参数ε接近所述火力资源有效杀伤半径。所述样本集中某一样本的邻域表示该样本集中与该样本的欧式距离小于邻域参数ε的样本集合；

步骤S220：设置参数k等于聚类簇数；

步骤S230：利用K均值聚类算法将样本集划分为k个聚类簇，判断样本集中所有样本与其簇均值向量欧式距离的最大值是否超出所述火力资源有效杀伤半径，所述簇均值向量表示所述聚类簇的样本向量之和除以该聚类簇的样本数，如果是，进入步骤S240；否则，保存聚类结果并编号为k，进入步骤S250；

步骤S240：设置k＝k+1，利用K均值聚类算法将所述样本集划分为k个聚类簇，判断所有样本与其簇均值向量欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，重复步骤S240，否则，执行步骤S300；

步骤S250：设置k＝k-1，利用K均值聚类算法将所述样本集划分为k个聚类簇，判断所有样本与其簇均值向量欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，设置k＝k+1并执行步骤S300，否则，保存聚类结果并编号为k，重复执行步骤S250；

步骤S260：设置参数k等于所述点目标数量；

步骤S270：利用K均值聚类算法将所述样本集划分为k个聚类簇，判断所有样本与其簇均值向量欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，设置k＝k+1并执行步骤S300，否则，保存聚类结果并编号为k，设置k＝k-1并重复执行步骤S270。

S300：输出数据至武器系统火力输出模块以便对目标进行打击，该数据至少包含步骤S2执行结束后得到的编号为k的保存结果，其中k值对应本方法得到的覆盖所有点目标所需的最少火力资源数量，对应的簇均值向量对应于火力资源的落点位置。

本文将的火力分配问题建模为基于距离的聚类问题，K均值聚类基于欧式距离将n个点目标划分为k类，通过最小化点目标与对应的类簇均值向量的距离平方和，使得点目标围绕其类均值向量更加紧密。其中，k对应于火力资源使用数量；k≤m，m为火力资源数量，每类的簇均值向量对应于火力资源的落点位置，簇均值向量表示该类所含的点目标位置向量之和除以所含点目标的数量。通过逐步减少该算法的簇类数量(对应火力资源使用数量)直至火力资源不能覆盖所有点目标为止，以此找到最少所需的火力资源使用数量。

本发明与现有技术相比，具有以下优点及有益效果：

(1)本发明采用K均值聚类算法通过逐步减少簇类数量(对应火力资源使用数量)直至火力资源不能覆盖所有点目标为止，以此找到最少所需的火力资源使用数量，提供了一种简单易行的火力分配问题的解决方法。

(2)本发明利用密度聚类算法结合火力资源的有效杀伤半径等参数预先对点目标进行初步聚类，聚类结果反应出点目标在空间上的分布密集程度，能够初步估计打击所有点目标所需的火力资源数量，便于后续快速的得到最终的火力资源数量。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例1：

结合附图1所示，一种针对多个点目标的火力分配方法，包括以下步骤：

1.通过武器系统数据采集模块输入源数据并初始化聚类算法参数

(1.1)通过武器系统数据采集模块输入源数据，源数据至少包含所述火力分配问题的点目标数量、点目标位置向量、火力资源有效杀伤半径以及是否需要密度聚类；

(1.2)令DBSCAN密度聚类算法的邻域参数ε等于所述火力资源有效杀伤半径，邻域内至少含有1个其他样本的样本标记为核心对象；

(1.3)所述源数据中的点目标位置向量作为下述所有聚类算法的样本集；

2.判断是否需要密度聚类，如果是执行步骤(2.1)，否则执行步骤(2.2)

(2.1)数据处理(需要密度聚类的数据处理)

(2.1.1)利用DBSCAN密度聚类算法对所述样本集进行聚类并保存聚类簇和聚类簇数；

(2.1.2)设置k值并进行K均值聚类，该算法将所述样本集划分为k个聚类簇，这里将k值设置为步骤(2.1.1)得到的聚类簇数；

(2.1.3)判断所有样本与其簇均值向量之间的欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，则执行步骤(2.1.4)，否则，保存聚类结果并编号为k，而后执行步骤(2.1.5)；

(2.1.4)包括以下步骤：

(2.1.4.1)令k＝k+1后进行K均值聚类，将所述样本集划分为k个聚类簇；

(2.1.4.2)判断所有样本与其簇均值向量之间的欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，说明还需要继续增加聚类簇数k，重复执行本步骤，否则，说明已找到最小的聚类簇数，执行步骤(2.1.4.3)；

(2.1.4.3)保存步骤(2.1.4.2)执行后的聚类结果并编号为k，而后执行步骤(3)；

(2.1.5)令k＝k-1后进行K均值聚类，判断所有样本与其簇均值向量之间的欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，说明不能继续减少聚类簇数k，设置k＝k+1而后执行步骤(3)，否则，说明还可以继续减少聚类簇数k，保存聚类结果并编号为k，而后重复执行本步骤；

(2.2)数据处理(不需要密度聚类的数据处理)

(2.2.1)设置k值等于点目标数量；

(2.2.2)进行K均值聚类，判断所有样本与其簇均值向量之间的欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，说明不能继续减少聚类簇数k，设置k＝k+1，而后执行步骤(3)，否则，保存聚类结果并编号为k，而后令k＝k-1并重复执行本步骤；

当k等于点目标数或者说样本数时，每一个点目标位置向量或者样本其实就对应一个聚类簇，实际上不需要算法进行聚类。但依照算法流程，这种情形下，K均值聚类算法也能非常直接地得出聚类结果。所以，为了流程的简洁性，本实施例并没有针对上述聚类簇数等于样本数的情形做特殊处理。

在步骤(2.1)和步骤(2.2)中，为了节省存储空间，每当利用K均值聚类得到新的聚类结果并保存时，可将之前保存的聚类结果删除。

(3)输出数据至武器系统火力输出模块以便对目标进行打击，该数据至少包含编号为k的保存结果，其中k值对应本实施例得到的打击所有点目标所需的最少火力资源数量，每个簇类的簇均值向量对应于火力资源的落点位置。

3.输出数据至武器系统火力输出模块以便对目标进行打击。

尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (1)

1.一种针对多个点目标的火力分配方法，应用于武器目标分配，其特征在于，包括：

步骤S100：从武器系统数据采集模块获取源数据，所述源数据中包含火力分配的点目标数量、点目标位置向量、火力资源有效杀伤半径以及是否需要预先密度聚类；

步骤S200：以所述点目标位置向量为样本并采用聚类算法得到覆盖所有点目标所需的最少火力资源数量，具体包括：将所述点目标位置向量作为样本集，当需要进行预先密度聚类时，进入步骤S210，否则进入步骤S260；

步骤S210：采用密度聚类算法对所述样本集进行聚类并保存聚类结果，所述聚类结果至少包含聚类算法得到的聚类簇和聚类簇数，所述聚类簇表示将样本集划分得到的某一类样本集合，所述聚类簇数表示聚类簇的数量；

步骤S220：设置参数k等于聚类簇数；

步骤S230：利用K均值聚类算法将样本集划分为k个聚类簇，判断样本集中所有样本与其簇均值向量欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，进入步骤S240；否则，保存聚类结果并编号为k，进入步骤S250；

步骤S240：设置k＝k+1，利用K均值聚类算法将所述样本集划分为k个聚类簇，判断所有样本与其簇均值向量欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，重复步骤S240，否则，执行步骤S300；

步骤S250：设置k＝k-1，利用K均值聚类算法将所述样本集划分为k个聚类簇，判断所有样本与其簇均值向量欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，设置k＝k+1并执行步骤S300，否则，保存聚类结果并编号为k，重复执行步骤S250；

步骤S260：设置参数k等于所述点目标数量；

步骤S270：利用K均值聚类算法将所述样本集划分为k个聚类簇，判断所有样本与其簇均值向量欧式距离的最大值是否超出所述火力资源有效杀伤半径，如果是，设置k＝k+1并执行步骤S300，否则，保存聚类结果并编号为k，设置k＝k-1并重复执行步骤S270；

步骤S300：将覆盖所有点目标所需的最少火力资源数量输出至武器系统火力输出模块。

Images