CN112163763A - 基于改进多目标hqpsoga算法求解武器目标分配方法 - Google Patents

基于改进多目标hqpsoga算法求解武器目标分配方法 Download PDF

Info

Publication number
CN112163763A
CN112163763A CN202011024717.1A CN202011024717A CN112163763A CN 112163763 A CN112163763 A CN 112163763A CN 202011024717 A CN202011024717 A CN 202011024717A CN 112163763 A CN112163763 A CN 112163763A
Authority
CN
China
Prior art keywords
target
algorithm
particles
diversity
particle
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
Application number
CN202011024717.1A
Other languages
English (en)
Other versions
CN112163763B (zh
Inventor
邱少明
冯江惠
杜秀丽
王建伟
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.)
Dalian University
Original Assignee
Dalian University
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 Dalian University filed Critical Dalian University
Priority to CN202011024717.1A priority Critical patent/CN112163763B/zh
Publication of CN112163763A publication Critical patent/CN112163763A/zh
Application granted granted Critical
Publication of CN112163763B publication Critical patent/CN112163763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)

Abstract

本发明提供一种基于改进多目标HQPSOGA算法求解武器目标分配方法，包括以下步骤：初始化种群和参数；计算粒子在每个目标函数上的适应度；初始化个体最优解和非劣解；将种群中的粒子基于改进量子行为粒子群算法和自适应遗传算法的混合概率分为两组，混合概率由一个[0,1]间的随机数r表示，r和1‑r分别表示用于改进量子行为粒子群算法和自适应遗传算法的种群中个体的比例；比较QPSO和AGA的全局最优位置，得到全局最优解，并得到最终的非劣解。本发明方法方法是改进算法具有更强的全局寻优能力，可有效提高求解质量，在武器‑目标分配问题上求解精度更高。

Description

基于改进多目标HQPSOGA算法求解武器目标分配方法
技术领域
本发明涉及技术领域，具体而言，尤其涉及基于改进多目标HQPSOGA算法求解武器目标分配方法。
背景技术
进化算法求解过程中，多样性的保持对求解效果有很大的影响，多样性的提高可以一定程度上克服算法陷入早熟收敛的问题。在多样性的改进中：
1、文献《Modified particle swarm optimization for BMDS interceptorresource planning.Applied Intelligence.》中提出一种“反向预测器”资源规划粒子群算法，迭代时将粒子位置进行扰动，增加粒子多样性；
2、文献《A new PSO-based algorithm for multi-objective optimizationwith continuous and discrete design variables.Structural andMultidisciplinary Optimization.》设置程序挑选引导粒子更新种群，保证算法多样性和快速收敛性；
3、文献《量子行为粒子群优化算法研究》提出基于势阱的量子行为粒子群优化算法(Quantum-behavior Particle Swarm Optimization,QPSO)，给出描述量子空间中粒子行为的量子模型，粒子具有更强的不确定性；针对QPSO的早熟收敛现象，提出多样性控制的QPSO算法；
4、文献《一种求解武器目标分配问题的量子粒子群算法》根据聚集度判断早熟停滞，并用慢变函数克服早熟收敛,保持了种群多样性；
5、文献《融合社会学习和莱维飞行的改进QPSO算法》针对QPSO粒子间信息共享机制单一等问题，利用社会学习策略和莱维飞行策略提高算法的收敛精度和速度等。
在多目标优化方面，文献《Optimal allocation of cooperative jammingresource based on hybrid quantum-behaved particle swarm optimisation andgenetic algorithm》将QPSO与遗传算法相结合，提出混合量子行为粒子群和可调节遗传算法(HQPSOGA)，作用于雷达干扰资源优化多目标分配模型，求解精度和收敛速度都有所提高，为干扰机的形成提供了更好的整体干扰能力。
但是QPSO算法在求解多目标优化问题时，收敛速度快也易过早丧失解的多样性，陷入早熟收敛，所以很有必要对多目标QPSO算法的多样性进行改进，提高HQPSOGA的求解精度。
发明内容
根据上述提出的技术问题，而提供一种基于改进多目标HQPSOGA算法求解武器目标分配方法。本发明主要利用基于改进多目标HQPSOGA算法求解武器目标分配方法，其特征在于，包括：
步骤S1：初始化种群和参数；
步骤S2：计算粒子在每个目标函数上的适应度；
所述适应度的计算方式为：
Figure BDA0002701803350000021
Figure BDA0002701803350000022
其中，f1'为目标函数f1取自然对数，
Figure BDA0002701803350000023
f2'由对目标函数f2均值归一化，将结果映射到[0,1]范围内，
Figure BDA0002701803350000024
f1为表示目标生存概率的函数，其中，qij为第i种武器打击目标j时目标j的生存概率，Vj为目标j的价值，武器对目标的数量分配矩阵X：
Figure BDA0002701803350000031
xij表示分配给目标j的第i种武器的数量，f2表示武器弹药消耗的函数，
Figure BDA0002701803350000032
表示武器i对于目标j的价值，max(f2)和min(f2)分别是种群中个体的f2的最大值和最小值；
步骤S3：初始化个体最优解和非劣解；
步骤S4：将种群中的粒子基于改进量子行为粒子群算法和自适应遗传算法的混合概率分为两组，混合概率由一个[0,1]间的随机数r表示，r和1-r分别表示用于改进量子行为粒子群算法和自适应遗传算法的种群中个体的比例；再判断是否达到最大迭代次数；当达到最大迭代次数时，则输出最优解集；当未达到最大迭代次数时，则执行步骤S5；
步骤S5：将种群中的个体按照S4中的参数r分为两部分，分别用改进的量子行为粒子群和自适应遗传算法求解，其中，比例为r的个体；
步骤S6：比较QPSO和AGA的全局最优位置，得到全局最优解，并得到最终的非劣解；
Gpso是改进的QPSO中全局最优解的适应度值，Gga是AGA中最优解的适应度值，比较Gpso和Gga，如果Gpso支配Gga，则全局最佳位置为Gbestpso，Gbestga被替换为Gbestpso，Gga被替换为Gpso，否则，全局最佳位置为Gbestga，Gbestpso由Gbestga替换，Gpso由Gga替换。
进一步地，所述计算种群中粒子的多样性贡献度值具体还包括以下步骤：
步骤S21：通过用基于随机选择的聚类算法将粒子分为k类，用式(12)计算粒子与聚类中心的距离，作为粒子的第一部分多样性贡献度；k表示当前非劣解个数，每个非劣解代表一个多样性的方向，为找到多个多样性的方向，用非劣解初始化各聚类中心，则每个多样性方向上相似性大的粒子归为一簇；
步骤S22：从簇中随机选择非当前点，更新聚类中心，为平衡解的质量和求解效率，用参数δ计算每个簇中选择聚类中心的次数tRand，计算式表示为：
tRand＝δ*cl(11)；
其中，cl表示当前簇中粒子的数量，tRand∈[1,cl]；
粒子到聚类中心的距离D计算式表示为：
Figure BDA0002701803350000041
其中，
Figure BDA0002701803350000042
表示粒子到聚类中心的余弦距离和欧氏距离，D表示目标函数上粒子的多样性贡献度，xi和yi分别表示两目标函数下第i个个体的x坐标和y坐标的值，x1i和x2i分别表示两目标函数下个体i的的x坐标和y坐标的值，ρ表示权重系数，Nf表示目标数；
步骤S23：利用式(5)的距离贴近度计算粒子的第二部分多样性贡献度：
Figure BDA0002701803350000043
通过所述聚类中心作为模型，同一个簇中的其它粒子作为待识别对象，计算结果表示粒子与聚类中心的相似程度，则粒子多样性贡献度表示为：
Figure BDA0002701803350000044
其中，β表示两种距离所占比例，通常β＝0.5；
通过综合比较多样性贡献度小的粒子与引入的随机新增粒子来改善个体最优解，具体计算方式为：先计算多样性贡献度的界限值b，计算式为：
b＝(max(divContri)-min(divContri))*(MAX_Iter-iter+1)/MAX_Iter (15)；
其中，iter表示当前迭代次数，divContri表示粒子多样性贡献度矩阵。
较现有技术相比，本发明具有以下优点：
针对进化算法求解多目标问题时易过早丧失种群多样性，造成早熟收敛的问题，提出一种粒子多样性判别方法。基于随机选择的聚类算法与模糊贴近度原则综合求解粒子多样性贡献度，用于混合量子行为粒子群和可调节遗传算法的粒子群迭代中，结合随机新增粒子更新个体最优解，引导粒子向Pareto最优解靠近。仿真表明，所提方法是一种有效的多样性保持方法，改进算法具有更强的全局寻优能力，可有效提高求解质量，在武器-目标分配问题上求解精度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明DCI-HQPSOGA流程图。
图2为本发明在QPSO和HQPSOGA及其对比算法中的性能测试图。
图3为本发明在WTA问题中CLARANS算法随机系数不同取值下的收敛效果。
图4为本发明的Pareto分布曲线。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-4所示，本发明提供了一种基于改进多目标HQPSOGA算法求解武器目标分配方法，其特征在于，包括：
步骤S1：初始化种群和参数；
步骤S2：计算粒子在每个目标函数上的适应度；
所述适应度的计算方式为：
Figure BDA0002701803350000061
Figure BDA0002701803350000062
其中，f1'为目标函数f1取自然对数，
Figure BDA0002701803350000063
f2'由对目标函数f2均值归一化，将结果映射到[0,1]范围内，
Figure BDA0002701803350000064
f1为表示目标生存概率的函数，其中，qij为第i种武器打击目标j时目标j的生存概率，Vj为目标j的价值，武器对目标的数量分配矩阵X：
Figure BDA0002701803350000065
xij表示分配给目标j的第i种武器的数量，f2表示武器弹药消耗的函数，
Figure BDA0002701803350000066
表示武器i对于目标j的价值，max(f2)和min(f2)分别是种群中个体的f2的最大值和最小值；
步骤S3：初始化个体最优解和非劣解；
步骤S4：将种群中的粒子基于改进量子行为粒子群算法和自适应遗传算法的混合概率分为两组，混合概率由一个[0,1]间的随机数r表示，r和1-r分别表示用于改进量子行为粒子群算法和自适应遗传算法的种群中个体的比例。目前大多数研究的判断标准有两种，第一种是在规定迭代次数内解的变化小于某个很小的数值时，迭代结束，第二种是事先规定一定的迭代次数，本发明的判断标准是第二种，最大迭代次数参考现有研究中的最大迭代次数确定，在武器目标分配问题中可以是3000次，再判断是否达到最大迭代次数；当达到最大迭代次数时，则输出最优解集；当未达到最大迭代次数时，则执行步骤S5；
步骤S5：将种群中的个体按照S4中的参数r分为两部分，分别用改进的量子行为粒子群和自适应遗传算法求解，其中，比例为r的个体；
步骤S6：比较QPSO和AGA的全局最优位置，得到全局最优解，并得到最终的非劣解；
Gpso是改进的QPSO中全局最优解的适应度值，Gga是AGA中最优解的适应度值，比较Gpso和Gga，如果Gpso支配Gga，则全局最佳位置为Gbestpso，Gbestga被替换为Gbestpso，Gga被替换为Gpso，否则，全局最佳位置为Gbestga，Gbestpso由Gbestga替换，Gpso由Gga替换。
作为一种优选的实施方式，+所述计算种群中粒子的多样性贡献度值具体还包括以下步骤：
步骤S21：通过用基于随机选择的聚类算法将粒子分为k类，用式(12)计算粒子与聚类中心的距离，作为粒子的第一部分多样性贡献度；k表示当前非劣解个数，每个非劣解代表一个多样性的方向，为找到多个多样性的方向，用非劣解初始化各聚类中心，则每个多样性方向上相似性大的粒子归为一簇；
步骤S22：从簇中随机选择非当前点，更新聚类中心，为平衡解的质量和求解效率，用参数δ计算每个簇中选择聚类中心的次数tRand，计算式表示为：
tRand＝δ*cl(11)；
其中，cl表示当前簇中粒子的数量，tRand∈[1,cl]；
粒子到聚类中心的距离D计算式表示为：
Figure BDA0002701803350000081
其中，
Figure BDA0002701803350000082
表示粒子到聚类中心的余弦距离和欧氏距离，D表示目标函数上粒子的多样性贡献度，xi和yi分别表示两目标函数下第i个个体的x坐标和y坐标的值，x1i和x2i分别表示两目标函数下个体i的的x坐标和y坐标的值，ρ表示权重系数，Nf表示目标数；
步骤S23：利用式(5)的距离贴近度计算粒子的第二部分多样性贡献度：
Figure BDA0002701803350000083
通过所述聚类中心作为模型，同一个簇中的其它粒子作为待识别对象，计算结果表示粒子与聚类中心的相似程度，则粒子多样性贡献度表示为：
Figure BDA0002701803350000084
其中，β表示两种距离所占比例，通常β＝0.5；
通过综合比较多样性贡献度小的粒子与引入的随机新增粒子来改善个体最优解，具体计算方式为：先计算多样性贡献度的界限值b，计算式为：
b＝(max(divContri)-min(divContri))*(MAX_Iter-iter+1)/MAX_Iter (15)；
其中，iter表示当前迭代次数，divContri表示粒子多样性贡献度矩阵。
b保证在增加多样性的同时，不破坏粒子向最优方向移动。记录贡献度小于b的粒子，将这些粒子组成的种群称为pop，引入随机新增粒子popR，令popR与pop的规模相等，计算两者对应位置粒子的适应度值，保留较优粒子。
作为本申请一种有优选的实施方式，在本申请中，用改进的量子行为粒子群算法求解步骤为：
首先更新膨胀-收缩系数，并根据粒子位移更新方程，更新粒子位置；进而判断粒子是否满足武器目标分配问题中求解时对个体分配情况的约束条件？当不满足约束条件时，对粒子进行边界修复，修复后执行下一步骤；当粒子满足约束条件时，执行下一步骤；
其中约束条件为：
1)武器数目矩阵为C＝[c1,...,ci,...,cm]，第i种武器的数目为ci，i＝1,...,m，为起到防御效果，武器总数不得小于目标总数n，即
Figure BDA0002701803350000091
2)每种武器的分配数不能超过该种武器的最大数量，即
Figure BDA0002701803350000092
3)各武器数必须是整数，即
Figure BDA0002701803350000093
4)第i种武器用于目标j的最大数量满足约束xij≤sij，sij∈S，数量约束矩阵S为：
Figure BDA0002701803350000094
sij的具体计算公式为：
Figure BDA0002701803350000095
该毁伤目标所需的最大数量的计算方法参考了文献《基于回合制的火力分配优化问题建模方法研究》，作者薛辉等，ωij表示第i种武器对目标j的命中概率，pij表示第i种武器对目标j的毁伤概率，假定武器对目标的命中概率即毁伤概率，该假定参考了文献《基于自适应遗传算法的反坦克导弹阵地武器目标分配研究》作者是赵成旺等，则：
Figure BDA0002701803350000096
作为本申请优选地，计算种群中粒子的多样性贡献度值；
多样性贡献度值分为两步进行计算，第一步，从个体目标函数的角度计算个体间的相似性：
先用基于随机选择的聚类算法(CLARANS)将粒子分为k类，用式(5)计算粒子与聚类中心的距离，距离越小，相似性越大，多样性贡献度越小。k为当前非劣解个数，用非劣解初始化各聚类中心,每个非劣解代表一个多样性的方向。
然后从簇中随机选择非当前点，更新聚类中心，为平衡解的质量和求解效率，用参数δ计算每个簇中选择聚类中心的次数tRand，计算式表示为：
tRand＝δ*cl (4)
式中：cl表示当前簇中粒子的数量，tRand∈[1,cl]。
粒子到聚类中心的距离D计算式如式(5)所示：
Figure BDA0002701803350000101
式中的两部分分别表示粒子到聚类中心的余弦距离和欧氏距离，第一部分的余弦距离中，xi和yi分别表示两目标函数下第i个个体的x坐标和y坐标的值，x1i和x2i分别表示两目标函数下个体i的的x坐标和y坐标的值，ρ表示权重系数，Nf表示目标数。
第二步，从个体决策空间的角度计算个体间的相似性：
利用式(5)的距离贴近度计算粒子的第二部分多样性贡献度，其中
Figure BDA0002701803350000104
为个体A与B的第k个对应值，原先的个体决策空间在整数域，通过将个体决策空间利用归一化映射到[0,1]区间，表示个体在每个决策向量下的模糊贴近度。
Figure BDA0002701803350000102
用第一步的聚类中心作为模型，同一个簇中的其它粒子作为待识别对象，计算结果表示粒子与聚类中心的相似程度。
综上，粒子多样性贡献度表示如式(7)所示：
Figure BDA0002701803350000103
式中：β表示两种距离所占比例，通常β＝0.5。14、根据所述粒子的多样性贡献度值，引入随机粒子；
先计算多样性贡献度的界限值b，计算式为：
b＝(max(divContri)-min(divContri))*(MAX_Iter-iter+1)/MAX_Iter (8)
式中：iter是当前迭代次数，divContri是粒子多样性贡献度矩阵，记录贡献度小于b的粒子，将这些粒子组成的种群称为pop，引入随机新增粒子popR，令popR与pop的规模相等，计算两者对应位置粒子的适应度值，保留较优粒子。
进而计算粒子适应度值，具体步骤与S2相同；在通过更新个体最优解；再将个体最优解和非劣解合并，更新非劣解；从所述更新后的非劣解中选择粒子作为全局最优解；
比例为1-r的个体，用自适应遗传算法求解步骤如下：自适应选择、交叉、变异操作；
该部分不是本发明的创新部分，具体步骤在文献《Optimal allocation ofcooperative jamming resource based on hybrid quantum-behaved particle swarmoptimisation and genetic algorithm》中有所阐述，其中选择操作与标准GA算法相同，交叉和变异操作与自适应遗传算法中的自适应交叉操作和自适应变异操作相同，交叉概率pc和变异概率pm会随着迭代进行变化，具体变化公式如下：
pc＝Pc1-(Pc1-Pc2)*(f1-favg)/(fmax*favg) (9)
pm＝|Pm1-(Pm1-Pm2)*(fmax*f)/(fmax*favg)| (10)
式中，Pc1和Pc2是两个交叉概率参数，Pm1和Pm2是两个变异概率参数，fmax和favg分别是所有个体适应度值的最大值和平均值，因为是两目标函数，所以将迭代过程中的两个适应度值加权求和，用来计算pc和pm。
作为本申请优选的实施方式，产生新的种群；计算粒子适应度值，具体计算步骤与S2相同；更新个体最优解；进而将所述更新后的个体最优解和非劣解，更新非劣解，这部分非劣解指的是自适应遗传算法对应子种群的非劣解；从非劣解中选择粒子作为全局最优解。
实施例1
首先对于改进算法进行了性能测试，采用两目标测试函数ZDT1～ZDT4对比分析QPSO、DCI-QPSO、NSGA-II、HQPSOGA和DCI-HQPSOGA的性能，四个测试函数是2目标最小化问题，其中ZDT4具有219局部最优值，干扰全局Pareto前沿的搜索，可检测算法克服陷入局部最优的能力；再用GD(世代距离)、IGD(反世代距离)、HV(超体积指标)和Spacing(均匀性度量指标)检测算法收敛性和多样性，GD度量解的收敛性，Spacing度量解分布的均匀性，IGD和HV综合度量解的收敛性和多样性，多样性包括体现粒子分布均匀程度的均匀性和整个解集在目标空间中分布广泛程度的广泛性，GD、Spacing和IGD值越小越好，HV值越大越好。实验种群数和迭代次数均为100，取20次运行的最好结果测试效果见附图2和表1～4。
表1五种算法在GD指标上的比较
Figure BDA0002701803350000121
表2五种算法在IGD指标上的比较
Figure BDA0002701803350000122
表3五种算法在HV指标上的比较
Figure BDA0002701803350000123
表4五种算法在Spacing指标上的比较
Figure BDA0002701803350000124
附图2中可见五种算法在ZDT1～ZDT4都能找到Pareto前沿，在ZDT4上，QPSO只找到少量最优解，DCI-QPSO、NSGA-II和HQPSOGA的解分布不均匀，DCI-HQPSOGA的解在Pareto前沿均匀分布。
表1～4中可分析得到GD指标中，QPSO在ZDT1～3值最小，说明QPSO的收敛性最好，但在ZDT4中效果较差，说明多目标条件下的QPSO易陷入局部最优，DCI-HQPSOGA在ZDT4表现最优，说明DCI-HQPSOGA在易陷入局部最优的环境下收敛性最好；IGD和HV指标中，NSGA-II在ZDT4优于QPSO，但不如HQPSOGA和DCI-HQPSOGA，DCI-HQPSOGA在ZDT4表现最优，且DCI-QPSO在ZDT4优于QPSO，说明文中多样性判别方法有效提高了算法多样性，不易陷入局部最优，Spacing指标中，NSGA-II优于HQPSOGA，说明NSGA-II中拥挤距离排序方法使种群在目标空间上分布更加均匀，DCI-QPSO表现最优，说明DCI-QPSO分布性较好，且DCI-HQPSOGA的分布性优于HQPSOGA，说明在本发明多样性判别方法的影响下，DCI-HQPSOGA迭代中个体的分布更加广泛。由此验证DCI-HQPSOGA在种群多样性保持方面的各项指标上有明显优势，可较好地克服粒子陷入局部最优的缺点。
其次针对DCI-HQPSOGA在WTA中的应用进行了仿真验证，各类型武器对目标的毁伤概率表和目标价值表如表5和表6所示，Wi表示第i种武器。迭代次数MAX_Iter＝3000，武器种类数m＝10，每种武器数对应为C＝[3,1,1,5,1,1,1,8,1,10]，目标数n＝8。第iter次迭代的膨胀-收缩系数
Figure BDA0002701803350000131
采用线性减小策略，phe∈[0.5,1]，phemax＝1，phemin＝0.5，如式(12)：
Figure BDA0002701803350000132
表5武器对目标毁伤概率值表
Figure BDA0002701803350000133
Figure BDA0002701803350000141
表6目标价值表
目标 T<sub>1</sub> T<sub>2</sub> T<sub>3</sub> T<sub>4</sub> T<sub>5</sub> T<sub>6</sub> T<sub>7</sub> T<sub>8</sub>
价值 0.65 0.32 0.43 0.26 0.48 0.34 0.11 0.10
由于CLARANS嵌套在QPSO迭代过程中，为降低算法整体复杂度，δ分别取0.1、0.25、0.5、0.75和1，计算平均求解时间和算法收敛情况，所花时间如表7所示，收敛情况如附图3所示。
表7δ取0.1，0.25，0.5，0.75，1时所花时间表
δ 0.1 0.25 0.5 0.75 1
时间(s) 67.29 2863.20 3326.94 4436.85 5684.12
附图3中，δ＝0.5时结果最好，其次是δ＝0.25、δ＝0.75、δ＝1，虽然δ＝0.1效果较差，但与δ＝0.5的差值<0.002，考虑对求解效率的要求，δ＝0.1是最好的选择策略，因此取δ＝0.1，用DCI-HQPSOGA求解WTA问题，表8展示了非劣解对应的4种方案。
表8 DCI-HQPSOGA求解WTA问题的分配方案
第一种 第二种 第三种 第四种
目标1 W<sub>1</sub>、W<sub>4</sub>*2、W<sub>8</sub>*2、W<sub>10</sub> W<sub>1</sub>、W<sub>4</sub>*2 W<sub>1</sub>、W<sub>2</sub>、W<sub>3</sub>、W<sub>4</sub>、W<sub>7</sub> W<sub>1</sub>、W<sub>3</sub>、W<sub>4</sub>、W<sub>10</sub>*2
目标2 W<sub>5</sub>、W<sub>10</sub>*2 W<sub>4</sub>、W<sub>6</sub>、W<sub>8</sub>、W<sub>10</sub>*2 W<sub>1</sub>、W<sub>4</sub>、W<sub>10</sub>*3 W<sub>8</sub>、W<sub>10</sub>*4
目标3 W<sub>4</sub>、W<sub>6</sub>、W<sub>8</sub>*2、W<sub>9</sub>、W<sub>10</sub>*2 W<sub>2</sub>、W<sub>4</sub>、W<sub>8</sub>*3、W<sub>10</sub>*2 W<sub>10</sub>*2 W<sub>4</sub>*2、W<sub>10</sub>*3
目标4 W<sub>2</sub>、W<sub>7</sub>、W<sub>8</sub>、W<sub>10</sub>*2 W<sub>1</sub>*2、W<sub>4</sub>、W<sub>8</sub>*2、W<sub>9</sub> W<sub>10</sub>*2 W<sub>6</sub>、W<sub>8</sub>、W<sub>9</sub>
目标5 W<sub>1</sub>、W<sub>10</sub>*2 W<sub>10</sub> W<sub>4</sub>、W<sub>5</sub>、W<sub>8</sub>*2、W<sub>10</sub>、 W<sub>2</sub>、W<sub>4</sub>*2、
目标6 W<sub>4</sub>、W<sub>8</sub> W<sub>10</sub>*2 W<sub>1</sub>、W<sub>4</sub>、W<sub>6</sub>、W<sub>8</sub>、W<sub>10</sub> W<sub>1</sub>、W<sub>8</sub>*2
目标7 W<sub>1</sub>、W<sub>3</sub>、W<sub>8</sub>*2、W<sub>10</sub> W<sub>3</sub>、W<sub>5</sub>、W<sub>7</sub>、W<sub>10</sub>*2 W<sub>8</sub>*2、W<sub>9</sub>、W<sub>10</sub> W<sub>5</sub>、W<sub>7</sub>、W<sub>8</sub>
目标8 W<sub>4</sub> W<sub>8</sub>*2、W<sub>10</sub> W<sub>4</sub>、W<sub>8</sub>*3 W<sub>1</sub>、W<sub>8</sub>*3、W<sub>10</sub>
f<sub>1</sub> -0.6003 -0.6562 -0.6845 -0.7258
f<sub>2</sub> -0.7519 -0.7246 -0.6813 -0.6021
对比DCI-HQPSOGA与QPSO、DCI-QPSO、NSGA-II、HQPSOGA的Pareto分布曲线，观察各算法的收敛情况，从附图4可以看出，NSGA-II最差，可能的原因是分配矩阵较为稀疏，减弱了交叉和变异过程，使迭代寻优过程减慢，DCI-QPSO的解优于QPSO，DCI-HQPSOGA和HQPSOGA都可以取得较好的解，优于其它三种算法，且DCI-HQPSOGA的解最优，说明了文发明中多样性判别方法的有效性，并且在DCI-HQPSOGA中引入文中多样性判别方法后，在WTA问题中具有较好的寻优能力，有效提高了求解精度。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (2)

1.基于改进多目标HQPSOGA算法求解武器目标分配方法，其特征在于，包括以下步骤：
S1：初始化种群和参数；
S2：计算粒子在每个目标函数上的适应度；
所述适应度的计算方式为：
Figure FDA0002701803340000011
Figure FDA0002701803340000012
其中，f1'为目标函数f1取自然对数，
Figure FDA0002701803340000013
f′2由对目标函数f2均值归一化，将结果映射到[0,1]范围内，
Figure FDA0002701803340000014
f1为表示目标生存概率的函数，其中，qij为第i种武器打击目标j时目标j的生存概率，Vj为目标j的价值，武器对目标的数量分配矩阵X：
Figure FDA0002701803340000015
xij表示分配给目标j的第i种武器的数量，f2表示武器弹药消耗的函数，
Figure FDA0002701803340000016
表示武器i对于目标j的价值，max(f2)和min(f2)分别是种群中个体的f2的最大值和最小值；
S3：初始化个体最优解和非劣解；
S4：将种群中的粒子基于改进量子行为粒子群算法和自适应遗传算法的混合概率分为两组，混合概率由一个[0,1]间的随机数r表示，r和1-r分别表示用于改进量子行为粒子群算法和自适应遗传算法的种群中个体的比例；再判断是否达到最大迭代次数；当达到最大迭代次数时，则输出最优解集；当未达到最大迭代次数时，则执行步骤S5；
S5：将种群中的个体按照S4中的参数r分为两部分，分别用改进的量子行为粒子群和自适应遗传算法求解，其中，比例为r的个体；
S6：比较QPSO和AGA的全局最优位置，得到全局最优解，并得到最终的非劣解；
Gpso是改进的QPSO中全局最优解的适应度值，Gga是AGA中最优解的适应度值，比较Gpso和Gga，如果Gpso支配Gga，则全局最佳位置为Gbestpso，Gbestga被替换为Gbestpso，Gga被替换为Gpso，否则，全局最佳位置为Gbestga，Gbestpso由Gbestga替换，Gpso由Gga替换。
2.根据权利要求1所述的基于改进多目标HQPSOGA算法求解武器目标分配方法，其特征在于：
所述计算种群中粒子的多样性贡献度值具体还包括以下步骤：
S21：通过用基于随机选择的聚类算法将粒子分为k类，用式(12)计算粒子与聚类中心的距离，作为粒子的第一部分多样性贡献度；k表示当前非劣解个数，每个非劣解代表一个多样性的方向，为找到多个多样性的方向，用非劣解初始化各聚类中心，则每个多样性方向上相似性大的粒子归为一簇；
S22：从簇中随机选择非当前点，更新聚类中心，为平衡解的质量和求解效率，用参数δ计算每个簇中选择聚类中心的次数tRand，计算式表示为：
tRand＝δ*cl (11)；
其中，cl表示当前簇中粒子的数量，tRand∈[1,cl]；
粒子到聚类中心的距离D计算式表示为：
Figure FDA0002701803340000021
其中，
Figure FDA0002701803340000022
表示粒子到聚类中心的余弦距离和欧氏距离，D表示目标函数上粒子的多样性贡献度，xi和yi分别表示两目标函数下第i个个体的x坐标和y坐标的值，x1i和x2i分别表示两目标函数下个体i的的x坐标和y坐标的值，ρ表示权重系数，Nf表示目标数；
S23：利用式(5)的距离贴近度计算粒子的第二部分多样性贡献度：
Figure FDA0002701803340000031
通过所述聚类中心作为模型，同一个簇中的其它粒子作为待识别对象，计算结果表示粒子与聚类中心的相似程度，则粒子多样性贡献度表示为：
Figure FDA0002701803340000032
其中，β表示两种距离所占比例，通常β＝0.5；
通过综合比较多样性贡献度小的粒子与引入的随机新增粒子来改善个体最优解，具体计算方式为：先计算多样性贡献度的界限值b，计算式为：
b＝(max(divContri)-min(divContri))*(MAX_Iter-iter+1)/MAX_Iter (15)；
其中，iter表示当前迭代次数，divContri表示粒子多样性贡献度矩阵。
CN202011024717.1A 2020-09-25 2020-09-25 基于改进多目标hqpsoga算法求解武器目标分配方法 Active CN112163763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011024717.1A CN112163763B (zh) 2020-09-25 2020-09-25 基于改进多目标hqpsoga算法求解武器目标分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011024717.1A CN112163763B (zh) 2020-09-25 2020-09-25 基于改进多目标hqpsoga算法求解武器目标分配方法

Publications (2)

Publication Number Publication Date
CN112163763A true CN112163763A (zh) 2021-01-01
CN112163763B CN112163763B (zh) 2023-09-01

Family

ID=73863976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011024717.1A Active CN112163763B (zh) 2020-09-25 2020-09-25 基于改进多目标hqpsoga算法求解武器目标分配方法

Country Status (1)

Country Link
CN (1) CN112163763B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240170A (zh) * 2021-12-17 2022-03-25 中国航空研究院 一种面向多域作战的武器目标分配方法

Citations (5)

* Cited by examiner, † Cited by third party
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
US20150363734A1 (en) * 2013-02-08 2015-12-17 Mbda France Multiple objective optimisation method and device
CN110134006A (zh) * 2019-05-16 2019-08-16 西安石油大学 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法
CN110766125A (zh) * 2018-07-26 2020-02-07 深圳市白麓嵩天科技有限责任公司 一种基于人工鱼群算法的多目标武器——目标分配方法
CN110991683A (zh) * 2019-06-10 2020-04-10 中国人民解放军火箭军工程大学 一种基于粒子群算法优化解决武器-目标分配的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150363734A1 (en) * 2013-02-08 2015-12-17 Mbda France Multiple objective optimisation method and device
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
CN110766125A (zh) * 2018-07-26 2020-02-07 深圳市白麓嵩天科技有限责任公司 一种基于人工鱼群算法的多目标武器——目标分配方法
CN110134006A (zh) * 2019-05-16 2019-08-16 西安石油大学 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法
CN110991683A (zh) * 2019-06-10 2020-04-10 中国人民解放军火箭军工程大学 一种基于粒子群算法优化解决武器-目标分配的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李欣然;: "改进量子行为粒子群算法求解武器目标分配问题", 计算机系统应用, no. 07 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240170A (zh) * 2021-12-17 2022-03-25 中国航空研究院 一种面向多域作战的武器目标分配方法
CN114240170B (zh) * 2021-12-17 2024-05-24 中国航空研究院 一种面向多域作战的武器目标分配方法

Also Published As

Publication number Publication date
CN112163763B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN108564592B (zh) 基于动态多种群集成差分进化算法的图像分割方法
CN108549402A (zh) 基于量子乌鸦群搜索机制的无人机群任务分配方法
CN110290006A (zh) 基于节点重要度的指挥控制网络级联失效模型构建方法
CN105005820B (zh) 一种基于种群爆炸粒子群算法的目标分配优化方法
CN110907762A (zh) 一种非侵入式负荷匹配辨识方法
CN111062425B (zh) 基于c-k-smote算法的不平衡数据集处理方法
CN112883651B (zh) 基于改进pbi方法的系统级测试性设计多目标优化方法
CN111797966B (zh) 一种基于改进羊群算法的多机协同全局目标分配方法
CN114444398B (zh) 一种基于灰狼算法的组网雷达协同干扰资源分配方法
CN106599927B (zh) 基于模糊art划分的目标分群方法
CN104850867A (zh) 一种基于直觉模糊c均值聚类的目标识别方法
CN110908897B (zh) 基于自适应搜索方向的系统级测试性设计多目标优化方法
CN111562569A (zh) 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法
CN112070418A (zh) 一种多目标鲸鱼优化算法的武器目标分配方法
Cao et al. Density-based fuzzy C-means multi-center re-clustering radar signal sorting algorithm
CN110766125A (zh) 一种基于人工鱼群算法的多目标武器——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
Ahrari et al. A new prediction approach for dynamic multiobjective optimization
CN112163763A (zh) 基于改进多目标hqpsoga算法求解武器目标分配方法
CN113065094B (zh) 一种基于累积前景价值和三支决策的态势评估方法与系统
CN111782904B (zh) 一种基于改进smote算法的非平衡数据集处理方法及系统
CN107273914B (zh) 基于信源自适应动态选择的高效融合识别方法
CN115964640B (zh) 一种改进的基于模板匹配的二次目标分群方法
CN110942346A (zh) 一种基于粒子群算法的建筑工程造价动态化估算方法
CN115049010A (zh) 一种基于进化聚类的多目标分群技术

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