CN111581878B - 基于改进pso算法的开阔地反无人机火力部署方法 - Google Patents

基于改进pso算法的开阔地反无人机火力部署方法 Download PDF

Info

Publication number
CN111581878B
CN111581878B CN202010347778.5A CN202010347778A CN111581878B CN 111581878 B CN111581878 B CN 111581878B CN 202010347778 A CN202010347778 A CN 202010347778A CN 111581878 B CN111581878 B CN 111581878B
Authority
CN
China
Prior art keywords
deployment
fire
firepower
algorithm
matrix
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
Application number
CN202010347778.5A
Other languages
English (en)
Other versions
CN111581878A (zh
Inventor
程光权
黄魁华
陈超
黄亭飞
孙博良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010347778.5A priority Critical patent/CN111581878B/zh
Publication of CN111581878A publication Critical patent/CN111581878A/zh
Application granted granted Critical
Publication of CN111581878B publication Critical patent/CN111581878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于改进PSO算法的开阔地反无人机火力部署方法，包括以下步骤：获取防区地理空间数据、武器装备火力数据和要地防护权重数据；建立针对防区的火力部署规划模型；采用改进PSO算法对所述的火力部署规划模型求解；根据求解结果，对防区进行武器装备的火力部署。本发明针对开阔地场景下反小型无人机火力部署的问题，旨在将无人机防御于要地之外，同时考虑局部重点区域的部署要求，建立以基于密度的毁伤能力为指标的部署模型，针对所述模型，采用改进的PSO算法求解，使用具有局部算法思想的模块作为扰动结构，提升模型的全局搜索能力，改进算法陷入局部最优解的缺陷。

Description

基于改进PSO算法的开阔地反无人机火力部署方法
技术领域
本发明属于火力规划部署技术领域，具体涉及基于改进PSO算法(Particle SwarmOptimization，粒子群优化算法)的开阔地反无人机火力部署方法。
背景技术
小型无人机是指，飞行速度在50m/s以下，飞行高度在100m左右，以及无人机的体积在0.06m3以下。这些属性导致小型无人机具有低空飞行、飞行路线随意等特点。同时，也使得小型无人机的火力部署问题也比传统军事领域针对来袭战斗机或者导弹的区域防空问题复杂和困难。
开阔地反无人机的场景多见于机场、军事重地、禁飞区等。与常见的防空问题不同之处在于，以往防空火力部署会允许目标在防空重点区域上空飞行，而反无人机考虑部署时则要禁止这种情况。因为相较于军事领域防空区域一般为几百公里的范围，小型无人机的防控区域一般在十公里甚至几公里范围以内，一旦无人机介入到防空区域上空，则留给反无人机装备的处置时间将很短，很可能拦截失败，同时由于小型无人机的飞行高度较低，又可以装载一定的杀伤性武器或高精密的侦察设备，会对防护区域产生较大影响。另外，反无人机火力部署时，越靠近防护目标的区域，其防护等级越高，其对应火力分配权重越高。因此，针对反无人机问题，必须要针对无人机的飞行或攻击特点进行新的火力部署问题研究。
发明内容
有鉴于此，本发明的目的在于提供基于改进PSO算法的开阔地反无人机火力部署方法，所述方法针对开阔地场景下反小型无人机火力部署的问题，旨在将无人机防御于要地之外，同时考虑局部重点区域的部署要求，建立以基于密度的毁伤能力为指标的部署模型，针对所述模型，采用改进的PSO算法求解，使用具有局部算法思想的模块作为扰动结构，提升模型的全局搜索能力，改进算法陷入局部最优解的缺陷。
基于上述目的，基于改进PSO算法的开阔地反无人机火力部署方法，包括以下步骤：
步骤1，获取防区地理空间数据、武器装备火力数据和要地防护权重数据；
步骤2，建立针对防区的火力部署规划模型；
步骤3，采用改进PSO算法对所述的火力部署规划模型求解；
步骤4，根据求解结果，对防区进行武器装备的火力部署。
所述的防区地理空间数据包括防区的经纬度，所述的武器装备火力数据包括武器种类，杀伤范围和杀伤能力，所述的要地防护权重数据是指防区中每一个要地的防护等级权重；
具体地，步骤2中所述的火力部署规划模型的建立，包括以下步骤：
步骤201，将防区离散化，将防区划分为n*m个要地；
步骤202，建立部署矩阵AK,n,m，所述的部署矩阵中的元素ak,i,j值为0或1，表示相应的要地是否在该武器的防护范围；
步骤203，建立火力覆盖矩阵B，所述的火力覆盖矩阵阶数与部署矩阵的行列数相同，火力覆盖矩阵的元素bi,j表示相应要地的守护能力，bi,j的计算公式为：
Figure BDA0002470812380000021
其中，fd表示武器d对要地(i,j)目标的毁伤能力；ad,i,j表示要地(i,j)是否在武器d的防护范围；c表示可以对此要地进行火力打击的武器数量；
步骤204，建立要地防护权重矩阵E，要地防护权重矩阵中的元素ei,j表示相应的要地的防护等级，即此要地的重要系数，ei,j∈(0,10)；
步骤205，火力部署规划模型的目标函数为：
Figure BDA0002470812380000031
火力部署规划模型的约束条件为：
i＝1,2,…,m；j＝1,2,…,n；d＝1,2,…,c。
具体地，所述的改进PSO算法中的种群个体采用矩阵元素的中标表示形式，每一个个体表示为一个二维的数组，对应的是一个完整的解，表示为X＝(class,position)
class的值为[0,k]之间的整数，代表武器的类别，position是一个整数形式的坐标，表示此类武器的在防区矩阵网格中的坐标；其中矩阵元素xc,p表示使用类别为c的武器打击坐标为p的位置，p是一个直角坐标值，常规表示为(x,y)。
所述的改进PSO算法中的适应度函数为：
Figure BDA0002470812380000032
所述的改进PSO算法中的粒子的速度更新公式为：
v＝rand()*v+c1*r1*(p-X)+c2*r2*(g-X)
其中，v为粒子的速度；rand()为[0,1]之间的随机值，数据维度与X相同；c1为自我学习因子；c2为社会学习因子；r1和r2相同，为[0,1]之间的随机数，数据维度与X相同；p为粒子群中的个体最优位置，g为全局最优位置，X为粒子的位置。
所述的改进PSO算法中还包括随机扰动模块，即在粒子更新全局位置之后，进行是否扰动的判断，如果符合，对粒子位置进行一个扰动，增加算法的全局优化能力；否则跳过；所述的随机扰动模块的随机扰动结构的公式如下：
X2＝X+rand()×n
X2为扰动更新之后的解集；X为全局位置更新之后的解集，rand()为[0,1]之间的随机值，数据维度与X相同；n为选定的扰动幅度，为正整数。
所述的随机扰动模块包括扰动模块1和扰动模块2，扰动模块1是在标准PSO算法下尚未完成局部优化之时运行；扰动模块2则是在局部优化完成之后运行。
本发明运用离散化思想将开阔地的防御区域划分为一定数量的矩形网格，对部署位置、火力覆盖能力以及空间约束进行量化处理，提出了要地防护系数来平衡火力部署时火力单元的位置，建立了有关部署问题的数学模型。同时提出了一个基于改进PSO算法的优化算法，更改其速度更新公式，并且增加一个随机局部搜索模块用来增加解的多样性。
附图说明
图1为本发明方法的整体流程示意图；
图2为本发明实施例中矩形防区的网格化示意图；
图3为本发明实施例的PSO算法的流程示意图；
图4为本发明实施例的某机场的网格化示意图；
图5为本发明实施例的实验1的结果示意图；
图6为本发明实施例的实验1的部署结果图；
图7为本发明实施例的实验2的结果示意图；
图8为本发明实施例的实验2的部署结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，基于改进PSO算法的开阔地反无人机火力部署方法，包括以下步骤：
步骤1，获取防区地理空间数据、武器装备火力数据和要地防护权重数据；
步骤2，建立针对防区的火力部署规划模型；
步骤3，采用改进PSO算法对所述的火力部署规划模型求解；
步骤4，根据求解结果，对防区进行武器装备的火力部署。
所述的防区地理空间数据包括防区的经纬度，所述的武器装备火力数据包括武器种类，杀伤范围和杀伤能力，所述的要地防护权重数据是指防区中每一个要地的防护等级权重；
具体地，步骤2中所述的火力部署规划模型的建立，包括以下步骤：
步骤201，将防区离散化，将防区划分为n*m个要地。
实际作战环境中的防区是连续的，并且只要满足地理与装备性能的约束，都可以作为部署火力单元的位置。这些符合要求位置的数量，大多数情况下是无限的，在进行优化计算的时候会形成一定的阻碍。为了便于进行优化计算，本发明选择将防区进行离散化处理，即按照防区要求与武器性能使用一定要求的网格对防区进行划分，网格相交的点用作部署位置，以此获得装备部署位置的有限表示形式。
一般来讲，网格越密集，可选择的位置也就越多，计算量也随之增加得更多，优化函数解的质量也就越高。要地防空的防区部署一般是矩形，环形和扇形。矩形防区的网格化如图2所示：
相比于环形与扇形的防区，矩形网格的大小是不变的，环形与扇形的防区是越往中心，网格越小，同时网格也越密集。为了弥补矩形防区的这个缺点，一般采用对网格添加权重的做法，即对防区内的网格进行重要等级的评定。
本发明选择将防区离散化为矩形网格，同时将防区网格的交叉点作为部署位置，即模型的解集。
步骤202，建立部署矩阵AK,n,m，所述的部署矩阵中的元素ak,i,j值为0或1，表示相应的要地是否在该武器的防护范围。
将防区进行网格化之后，建立一个K*n*m阶的矩阵AK,n,m，K和武器数量相同，n和m与防区网格化之后的行列数相同。矩阵中的元素ak,i,j值为0或1，表示相应的网格行列交点对应的部署位置是否在该武器的防护范围。ak,i,j＝0时，相应网格节点没有武器部署，ak,i,j＝1时，相应网格节点已部署武器。其中，i＝1,2,3,…,n；j＝1,2,3,…,m。
同时，需要注意：本发明分析的防空问题为反无人机，并且选定的场景为机场。因此，在机场区域，无法部署防空武器。首先，当无人机飞入机场范围时，此次防空任务则宣布失败；其次，机场范围内，时刻都有航班起降，武器无法正常发挥甚至是不能使用。所以，必定存在某些网格节点的值始终为0。
步骤203，建立火力覆盖矩阵B，所述的火力覆盖矩阵阶数与部署矩阵的行列数相同，火力覆盖矩阵的元素bi,j表示相应要地的守护能力，bi,j的计算公式为：
Figure BDA0002470812380000071
其中，fd表示武器d对要地(i,j)目标的毁伤能力；ad,i,j表示要地(i,j)是否在武器d的防护范围；c表示可以对此要地进行火力打击的武器数量。
与部署问题的定量描述类似，为了量化武器对要地的守护能力，本发明也建立了一个表示火力覆盖能力的矩阵B。
步骤204，建立要地防护权重矩阵E，要地防护权重矩阵中的元素ei,j表示相应的要地的防护等级，即此要地的重要系数，ei,j∈(0,10)。
在进行火力单元部署优化的时候，大多情况下，防区面积远远大于武器所能覆盖的区域，或者是受限于武器的数量，防区内的每个位置都不可能达到要地的防护要求。此时，需要根据实际情况对武器的部署进行调整，优先防护重点的保护区域。为了量化防区不同网格的重要性，本发明建立了表示要地防护权重的矩阵E。
步骤205，火力部署规划模型的目标函数为：
Figure BDA0002470812380000072
火力部署规划模型的约束条件为：
i＝1,2,…,m；j＝1,2,…,n；d＝1,2,…,c。
到此，数学模型建立完毕，经过转换之后，可以将约束问题转换为非约束问题进行求解。但是，该离散空间组合优化问题是属于NP难的，即求解这类问题时，计算机的时间复杂度是指数变量。简言之，模型的复杂度较大，无法直接求解。研究者大多数采用启发式算法来求解，本发明采用的是改进PSO算法。
所述的改进PSO算法中的种群个体采用矩阵元素的中标表示形式，每一个个体表示为一个二维的数组，对应的是一个完整的解，表示为X＝(class,position)
class的值为[0，k]之间的整数，代表武器的类别，position是一个整数形式的坐标，表示此类武器的在防区矩阵网格中的坐标；其中矩阵元素xc,p表示使用类别为c的武器打击坐标为p的位置，p是一个直角坐标值，常规表示为(x,y)。
所述的改进PSO算法中的适应度函数为：
Figure BDA0002470812380000081
其中，在计算单个武器在防区的毁伤能力时，采用空间约束对毁伤能力进行赋值，取消了优化问题的约束，使其变成了标准无约束问题。
所述的改进PSO算法中的粒子的速度更新公式为：
v＝rand()*v+c1*r1*(p-X)+c2*r2*(g-X)
v为粒子的速度；rand()为[0,1]之间的随机值，数据维度与X相同；c1为自我学习因子；c2为社会学习因子；r1和r2相同，为[0,1]之间的随机数，数据维度与X相同；p为粒子群中的个体最优位置，g为全局最优位置，X为粒子的位置。
粒子当前的位置X加上当前的速度v，即可得到下一状态的位置X'，公式表示为：X'＝X+v。
所述的改进PSO算法中还包括随机扰动模块，即在粒子更新全局位置之后，进行是否扰动的判断，如果符合，对粒子位置进行一个扰动，增加算法的全局优化能力；否则跳过；所述的随机扰动模块的随机扰动结构的公式如下：
X2＝X+rand()×n
X2为扰动更新之后的解集；X为全局位置更新之后的解集，rand()为[0,1]之间的随机值，数据维度与X相同；n为选定的扰动幅度，为正整数。
扰动模块的本质是一个随机局部搜索算法，通过一组解来产生另一组解。算法可以描述为：首先利用PSO局部优化收敛迅速的特点完成求解，其次，在搜索到一定程度之后，对解集进行扰动使其跳出本次解的邻域，在其他邻域重新进行局部优化，重复此过程，直至达到终止条件。
由于POS算法是属于随机搜索的算法，会产生不可行解，因此需要最后对全局最优解进行转换，同时，转换之后有时会使得解的适应度数值提升，提高优化质量。
在实验中，针对本发明仿真的特点，选择了两种扰动模块，扰动模块1是在标准PSO算法下尚未完成局部优化之时运行；扰动模块2则是在局部优化完成之后运行。
基于改进PSO算法的求解流程如图3所示。
仿真实验中防区以某机场为例，机场的非建筑范围是一个长4.8km，宽1.2km的矩形。因此，我们建立一个部署范围为3×9km的防区。其中，防区中的机场不能部署武器，如图4所示：
图中的灰色部分即为机场的飞机形式区域，考虑到武器的反应时间以及二次打击间隔，还有无人机野外飞行速度的问题，我们将网格的长度设定为300m。
在部署时，暂时将防护要地的权重设为相同，即不考虑权重的影响。
PSO的种群数量为30，在标准PSO中设置惯性因子为0.6，自我学习因子和社会学习因子均为2，粒子的初始化为[0,2]的随机数，算法的最大迭代次数为1000，粒子的初始位置根据火力单元的限制随机产生。同时，粒子扰动的触发条件分别设为迭代次数为100和50。测试何种设置会使得解的质量更好。
火力单元的数量为三种武器各4个，同时火力单元的相关参数见表1。
表1红方作战环网的网络特征参数
Figure BDA0002470812380000101
仿真结果如图5所示。
图中，原点虚线表示的是标准PSO算法的运行的结果，可以看出，算法在迭代至600次左右才开始收敛；实线的表示的是在迭代次数大于0且每隔50次，进行一次粒子位置的扰动，可以看出，该算法在300次迭代的时候收敛；条形虚线表示的是在迭代次数大于0且每隔100次，进行一次粒子位置的扰动，可以看出，该算法收敛最快，在220次迭代时就完成了收敛，除此之外，算法的求出解的质量也最高。
在不考虑防区位置权重时，原点虚线的极值为265.12，条形虚线的极值为265.82，实线的极值为265.77。实验1的火力部署图如图6所示。
图6展示的是随机扰动条件为step＝100的算法部署结果，加粗虚线大圆圈表示的是激光武器，实线大圆圈表示的是无线电武器，实线小圆圈表示的是拦截网武器。
算法部署的结果完全满足实验的约束条件；同时防区内部的平均火力覆盖能力为0.9167，有效覆盖点占整个防区的99％以上。
实验1中的要地防护权重全部为1，是火力部署的特殊情况，实验还需要算法对不同权重防区进行测试；同时，实验一所使用的武器数量过多，一般情况下的火力部署没有如此之多的资源。需要考虑到火力资源的不足场景。因此，研究中需要对实验内容进行补充。
机场的飞机形式区域的三个开阔地方向900m以内，设为重点防护区域，权重设为10，其他区域的权重为1。同时，本次仿真实验的武器数量为9，三种武器各3个。
图7中，原点虚线表示的是标准PSO算法的运行结果，可以看出，算法在迭代至420次左右才开始收敛；实线的表示的是在迭代次数大于0且每隔50次，进行一次粒子位置的扰动，可以看出，该算法在200次迭代的时候收敛；条形虚线表示的是在迭代次数大于0且每隔100次，进行一次粒子位置的扰动，可以看出，该算法收敛最快，在100次迭代时就完成了收敛。值得注意的是，在本次实验中，实线代表的算法的求出解的质量是最高的。仿真结果如图7所示。
后期多次通过仿真实验分析其原因，发现为算法求解的复杂度过低，收敛速度过快，导致在100迭代时，算法已陷入过拟合，最终导致随机扰动模块无法发挥作用。
在考虑防区位置权重时，可以看出，实线代表算法的结果不仅考虑到重点区域的火力覆盖，还兼顾非重点区域的火力。
原点虚线的极值为236.61，重点区域的适应度数值为128.24，非重点区域的数值为108.37；
条形虚线的极值为246.62.82，重点区域的适应度数值为127.68，非重点区域的数值为118.94；
实线的极值为245.34，重点区域的适应度数值为128.1，非重点区域的数值为117.24。
图8展示的是随机扰动条件为step＝50的算法部署结果，加粗虚线大圆圈表示的是激光武器，实线大圆圈表示的是无线电武器，实线小圆圈表示的是拦截网武器。
需要注意的是在图上只有两个实线小圆圈，表示有一个拦截网的位置和其他的重叠了，为图8中右边的实线小圆圈。实验1的火力部署图如图8所示。
算法部署的结果完全满足实验的约束条件；同时防区内部的平均火力覆盖能力为0.846，有效覆盖点占整个防区的99％以上。
算法部署的结果完全满足实验的约束条件；同时防区内部的平均火力覆盖能力为0.9167，有效覆盖点占整个防区的94.48％。
实验结果表明,本发明提出的节点部署数学模型和改进的PSO算法可以有效结合,并能够很好地解决网络化防空火控系统中的优化布阵问题.
由发明内容和实施例可知，本发明针对开阔地场景中反无人机系统的火力单元部署问题进行了研究,提出了一种基于改进PSO算法的要地防空优化部署算法。同时运用离散化思想将开阔地的防御区域划分为一定数量的矩形网格网格,对部署位置、火力覆盖能力以及空间约束进行量化处理，提出了要地防护系数来平衡火力部署时火力单元的位置，建立了有关部署问题的数学模型。同时提出了一个基于改进PSO算法的优化算法，更改其速度更新公式，并且增加一个随机局部搜索模块用来增加解的多样性。最后，针对具体的防区环境以及部署资源进行了仿真实验,实验结果证明了算法的有效性和可行性。同时，本算法可以在不同类型火力单元的混合部署以及其它的防空部署研究。

Claims (5)

1.基于改进PSO算法的开阔地反无人机火力部署方法，其特征在于，包括以下步骤：
步骤1，获取防区地理空间数据、武器装备火力数据和要地防护权重数据；
步骤2，建立针对防区的火力部署规划模型；
步骤3，采用改进PSO算法对所述的火力部署规划模型求解；
步骤4，根据求解结果，对防区进行武器装备的火力部署；
所述的防区地理空间数据包括防区的经纬度，所述的武器装备火力数据包括武器种类，杀伤范围和杀伤能力，所述的要地防护权重数据是指防区中每一个要地的防护等级权重；
步骤2中所述的火力部署规划模型的建立，包括以下步骤：
步骤201，将防区离散化，将防区划分为n*m个要地；
步骤202，建立部署矩阵AK,n,m，所述的部署矩阵中的元素ak,i,j值为0或1，表示相应的要地是否在该武器的防护范围；
步骤203，建立火力覆盖矩阵B，所述的火力覆盖矩阵阶数与部署矩阵的行列数相同，火力覆盖矩阵的元素bi,j表示相应要地的守护能力，bi,j的计算公式为：
Figure FDA0002470812370000011
其中，fd表示武器d对要地(i,j)目标的毁伤能力；ad,i,j表示要地(i,j)是否在武器d的防护范围；c表示可以对此要地进行火力打击的武器数量；
步骤204，建立要地防护权重矩阵E，要地防护权重矩阵中的元素ei,j表示相应的要地的防护等级，即此要地的重要系数，ei,j∈(0,10)；
步骤205，火力部署规划模型的目标函数为：
Figure FDA0002470812370000012
火力部署规划模型的约束条件为：
i＝1,2,…,m；j＝1,2,…,n；d＝1,2,…,c。
2.根据权利要求1所述的开阔地反无人机火力部署方法，其特征在于，所述的改进PSO算法中的种群个体采用矩阵元素的中标表示形式，每一个个体表示为一个二维的数组，对应的是一个完整的解，表示为
X＝(class,position)
class的值为[0,k]之间的整数，代表武器的类别，position是一个整数形式的坐标，表示此类武器的在防区矩阵网格中的坐标；其中矩阵元素xc,p表示使用类别为c的武器打击坐标为p的位置，p是一个直角坐标值，常规表示为(x,y)。
所述的改进PSO算法中的适应度函数为：
Figure FDA0002470812370000021
3.根据权利要求2所述的开阔地反无人机火力部署方法，其特征在于，所述的改进PSO算法中的粒子的速度更新公式为：
v＝rand()*v+c1*r1*(p-X)+c2*r2*(g-X)
其中，v为粒子的速度；rand()为[0,1]之间的随机值，数据维度与X相同；c1为自我学习因子；c2为社会学习因子；r1和r2相同，为[0，1]之间的随机数，数据维度与X相同；p为粒子群中的个体最优位置，g为全局最优位置，X为粒子的位置。
4.根据权利要求2或3所述的开阔地反无人机火力部署方法，其特征在于，所述的改进PSO算法中还包括随机扰动模块，即在粒子更新全局位置之后，进行是否扰动的判断，如果符合，对粒子位置进行一个扰动，增加算法的全局优化能力；否则跳过；所述的随机扰动模块的随机扰动结构的公式如下：
X2＝X+rand()×n
X2为扰动更新之后的解集；X为全局位置更新之后的解集，rand()为[0，1]之间的随机值，数据维度与X相同；n为选定的扰动幅度，为正整数。
5.根据权利要求4所述的开阔地反无人机火力部署方法，其特征在于，所述的随机扰动模块包括扰动模块1和扰动模块2，扰动模块1是在标准PSO算法下尚未完成局部优化之时运行；扰动模块2则是在局部优化完成之后运行。
CN202010347778.5A 2020-04-28 2020-04-28 基于改进pso算法的开阔地反无人机火力部署方法 Active CN111581878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010347778.5A CN111581878B (zh) 2020-04-28 2020-04-28 基于改进pso算法的开阔地反无人机火力部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010347778.5A CN111581878B (zh) 2020-04-28 2020-04-28 基于改进pso算法的开阔地反无人机火力部署方法

Publications (2)

Publication Number Publication Date
CN111581878A CN111581878A (zh) 2020-08-25
CN111581878B true CN111581878B (zh) 2022-09-02

Family

ID=72113171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010347778.5A Active CN111581878B (zh) 2020-04-28 2020-04-28 基于改进pso算法的开阔地反无人机火力部署方法

Country Status (1)

Country Link
CN (1) CN111581878B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116684273B (zh) * 2023-06-08 2024-01-30 中国人民解放军国防科技大学 一种基于粒子群的机动通信网络结构自动规划方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991119A (zh) * 2019-12-13 2020-04-10 中国人民解放军火箭军工程大学 基于pso-ga混合算法的末端防御武器系统兵力部署优化方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991119A (zh) * 2019-12-13 2020-04-10 中国人民解放军火箭军工程大学 基于pso-ga混合算法的末端防御武器系统兵力部署优化方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进粒子群算法的舰载武器目标分配;陈曼等;《火力与指挥控制》;20181115(第11期);全文 *

Also Published As

Publication number Publication date
CN111581878A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN108415452A (zh) 一种中空长航时无人机任务规划系统
CN106779210B (zh) 基于蚁群算法的火力分配方法
CN110031004A (zh) 基于数字地图的无人机静态和动态路径规划方法
US20100145552A1 (en) Route planning using ground threat prediction
KR102279956B1 (ko) 감시영역 우선도 기반 소수무리최적화 이론을 활용한 복수 무인항공기의 3차원 감시경로설정 최적화 방법 및 장치
CN102929285A (zh) 多救援直升机多目标分配与航迹规划方法
CN107014384B (zh) 基于角度搜索的多机载雷达协同探测航路规划方法
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
Walter et al. UAV swarm control: Calculating digital pheromone fields with the GPU
CN111581878B (zh) 基于改进pso算法的开阔地反无人机火力部署方法
CN101893441A (zh) 基于离差最大化及灰色关联分析的无人机航迹优选方法
Qu et al. A UAV solution of regional surveillance based on pheromones and artificial potential field theory
RU161982U1 (ru) Научно-исследовательская модель прогнозирования вариантов построения ударов крылатыми ракетами
CN108445755A (zh) 基于改进优化算法的电子干扰机空域划设方法
CN110825105B (zh) 一种基于无人机的卫片图斑巡查方法及装置
CN116538865A (zh) 一种无人机系统
CN115903897A (zh) 一种虚实结合的集群仿真对抗系统
CN116384436A (zh) 一种无人机“蜂群”对抗方法
CN110986680A (zh) 一种城市环境中低慢小目标的复合拦截方法
Buyurgan et al. A terrain risk assessment method for military surveillance applications for mobile assets
CN114330862A (zh) 一种防空武器作战部署算法
Deng et al. Research on intelligent decision technology for Multi-UAVs prevention and control
Xue et al. Optimization method for coordination deployment of air defense system based on improved genetic algorithm
CN106019304A (zh) 一种预警探测临近空间高超声速飞行器的系统及方法
Fokina et al. UAV, sensor and mission matching approach using the visualization environment

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