CN112284188A - 一种基于自适应步长离散狼群算法的无人机攻防决策方法 - Google Patents
一种基于自适应步长离散狼群算法的无人机攻防决策方法 Download PDFInfo
- Publication number
- CN112284188A CN112284188A CN202011021817.9A CN202011021817A CN112284188A CN 112284188 A CN112284188 A CN 112284188A CN 202011021817 A CN202011021817 A CN 202011021817A CN 112284188 A CN112284188 A CN 112284188A
- Authority
- CN
- China
- Prior art keywords
- wolf
- unmanned aerial
- aerial vehicle
- threat
- enemy
- 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.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41H—ARMOUR; ARMOURED TURRETS; ARMOURED OR ARMED VEHICLES; MEANS OF ATTACK OR DEFENCE, e.g. CAMOUFLAGE, IN GENERAL
- F41H11/00—Defence installations; Defence devices
- F41H11/02—Anti-aircraft or anti-guided missile or anti-torpedo defence installations or systems
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于自适应步长离散狼群算法的无人机攻防决策方法,包括:S1、获取空战态势、战机性能、目标意图,建立综合威胁函数;S2、根据我方无人机所拥有导弹数目m和敌方无人机数目n确定人工狼编码长度L,根据约束条件,建立无人机攻防分配模型;S3、设计自适应步长离散狼群算法,以综合威胁函数作为自适应步长离散狼群算法的适应度指计算公式执行自适应步长离散狼群算法,求出相应的最优解;S4、根据相应的最优解进行无人机攻防决策;本发明通过定义交叉算子和运动算子,描述离散狼群算法的智能行为,并采用自适应奔袭步长方式加快离散狼群算法的收敛速度,解决了当问题规模过大,无人机攻防决策速度难以满足实时空战要求的问题。
Description
技术领域
本发明涉及无人机智能决策技术领域,特别是涉及一种基于自适应步长离散狼群算法的无人机攻防决策方法。
背景技术
攻防决策是指战机在空战过程中,将我方无人机导弹分配给敌方无人机,进而对敌方无人机进行毁伤,从而保证我方空战态势优势,甚至取得空战胜利的过程。近年来,无人机技术的快速发展,空中战场无人机化逐渐成为现实。
随着各种高新技术的发展,不同无人机、导弹武器被投放到空中战场中,空战规模逐渐增大。同时无人机相较于有人机,缺乏飞行员的实时指导,在攻防决策过程中要求有更高的自主性、快速性和合理性,能够在复杂的空战环境中,对敌方不同目标进行快速打击。消除敌方无人机对我方无人机的威胁,从而在毁伤敌方无人机的同时保证我方无人机的安全。近年来,研究无人机攻防决策问题的研究人员越来越多,但无人机空战攻防决策仍存在很多需要解决的实际问题。如复杂空战环境下无人机威胁建模问题、空战规模增大影响攻防决策快速性和准确性问题,因此,进一步研究在复杂空战环境下,大规模无人机空战攻防决策问题具有重要的理论意义和研究价值。
狼群算法作为新兴的元启发式算法,通过游走行为、召唤行为、围攻行为对搜索空间进行全面的全局搜索和细致的局部搜索,同时具有良好最优跳出机制。目前,在故障诊断、图像处理、路径优化等多个方向取得较好的效果。另外在解决背包问题、旅行商等离散问题上相较于其他算法也有一定的优越性,具有较好的广度开拓和深度开采能力,能够较好的解决离散组合优化问题,但目前狼群算法尚未应用到无人机攻防决策问题上,针对无人机攻防决策问题,设计相应的狼群编码方式与智能行为有待进一步研究。
综上所述,为了无人机攻防决策的快速性和准确性,应继续研究复杂空战环境中,空战规模不断增大的情况下,无人机攻防决策问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于自适应步长离散狼群算法的无人机攻防决策方法,主要解决的问题是:由于攻防决策问题规模增大而导致的决策结果容易陷入局部最优,求解速度慢的无人机攻防决策问题.
为实现上述的目的,本发明提供如下的技术方案:
一种基于自适应步长离散狼群算法的无人机攻防决策方法,包括:
S1、获取空战态势、战机性能、目标意图,建立综合威胁函数;
S2、根据我方无人机所拥有导弹数目m和敌方无人机数目n确定人工狼编码长度L,将人工狼长度设置为我方导弹数量,即L=m,根据约束条件,建立无人机攻防分配模型;
S3、设计自适应步长离散狼群算法,以综合威胁函数作为自适应步长离散狼群算法的适应度指计算公式执行自适应步长离散狼群算法,求出相应的最优解;
S4、根据相应的最优解进行无人机攻防决策。
优选的,所述综合威胁函数的表达式如下:
T=α1Td+α2Ta+α3Tv+α4Tu+α5Te (1)
在公式(1)中,Td表示距离威胁子函数,Ta表示角度威胁子函数,Tv表示速度威胁子函数,Tu表示战机性能威胁子函数,Te表示为目标意图威胁参数;α1、α2、α3、α4、α5分别是Td、Ta、Tv、Tu、Te的加权系数。
优选的,所述距离威胁子函数的表达式如下:
在公式(2)中,Td表示距离威胁子函数,d表示我机与敌机的距离,Rmin表示敌机武器的最小打击距离,Rmax表示敌机武器的最大打击距离,R0=(Rmin+Rmax)/2;
所述角度威胁子函数的表达式如下:
所述速度威胁子函数的表达式如下:
在公式(4)中,Tv表示速度威胁子函数,vo表示我方无人机速度,vt表示敌方无人机速度;
所述战机性能威胁子函数的表达式如下:
在公式(5)中,Tu表示战机性能威胁子函数,wt表示敌方无人机战机性能,wo表示我方无人机战机性能;无人机战机性能通过参数法求取;
所述目标意图威胁参数的取值根据敌方无人机的战术意图来进行确定,具体为:
敌方无人机的战术意图为攻击时,目标意图威胁参数为0.9;
敌方无人机的战术意图为侦察时,目标意图威胁参数为0.5;
敌方无人机的战术意图为监视时,目标意图威胁参数为0.6;
敌方无人机的战术意图为佯攻时,目标意图威胁参数为0.7;
敌方无人机的战术意图为突防时,目标意图威胁参数为0.3;
敌方无人机的战术意图为防御时,目标意图威胁参数为0.1;
敌方无人机的战术意图为电子干扰时,目标意图威胁参数为0.6;
敌方无人机的战术意图为不明,目标意图威胁参数为0.5。
优选的,在所述S2步骤中,所述约束条件为:每架敌方无人机应当分配一枚导弹,其次每一枚导弹仅可打击一架无人机,最后我方导弹数量需大于敌方无人机数量,即m>n;
所述无人机攻防分配模型的表达式如下:
在公式(6)中,n代表是敌方无人机的数量、m为我方导弹的数量;xij表示我方第i机受到敌方第j号导弹的威胁程度,Tij表示当我方第i架无人机受敌方第j枚导弹的综合威胁。
优选的,在所述S3步骤中,所述自适应步长离散狼群算法包括如下步骤:
S301、参数初始化,具体包括如下:
设定狼群初始规模N,人工狼初始位置Xi,步长stepa、stepb、stepc,算法最大迭代次数kmax,探狼最大游走次数Tmax,距离判定因子ω,探狼比例因子α,更新比例因子β;
S302、探狼游走,具体包括如下:
选择适应度适应度值最大的人工狼为头狼,选择除头狼外适应度值最佳的S_num匹人工狼视为探狼,探狼数量S_num的取值范围为S_num=[N/(α+1),N/α],α为探狼比例因子,N为人工狼数目;
记录每个探狼i在当前位置Xi的适应度值为Yi,头狼适应度值为Ylead,判断Yi是否大于Ylead,若Yi≥Ylead,则该探狼i取代头狼位置成为新头狼;若Yi<Ylead,则探狼i试探性地向h个方向前进一步进行侦查,即随机执行h次运动算子Θ(Xi,stapa),其中stapa为游走步长,然后记录每次所感知到的猎物气味浓度;所述运动算子Θ(Xi,stapa)表示随机生成stapa个交换算子并按交换算子顺序将对应位数编码的数值进行交换;
然后令向第p个方向前进后所感知到的猎物气味浓度为Yip,p∈{1,2,…,h},另外Yip′=max{Yip,p∈H},若Yip′>Yi,则选择方向p′方向前进一步,即Yi=Yip′,重复以上过程直至Yi>Ylead或者游走次数T超过限值Tmax,然后进行步骤S303;
S303、猛狼奔袭,具体包括如下:
头狼发起召唤行为,指挥猛狼i向头狼s所处位置Xs迅速靠近,其中猛狼是除头狼外所有人工狼;猛狼以步长stepb向头狼位置迅速奔袭,stepb为奔袭步长,具体操作为:在头狼中随机取出长度为stepb的子序列,替换猛狼序列中相同位置的编码值,并对其他编码进行调整;
猛狼在奔袭过程中,若感知到猎物气味浓度Yi>Ylead,则该猛狼取代头狼成为新头狼,即Ylead=Yi;若Yi<Ylead,则猛狼i继续响应头狼的召唤,继续执行奔袭行为直到dis<dnear时转入步骤S304,其中,dis表示猛狼i与头狼s的距离;dnear表示判定距离,其中ω为距离判定因子,为向上取整;
S304、猛狼围攻,具体包括如下:
除头狼外,所有人工狼参与围攻行为,具体操作为随机生成交换算子Θ(Xi,stapc),参与围攻的人工狼执行交换算子操作,stepc为猛狼采取围攻行为时的行走步长;所述交换算子Θ(Xi,stapc)表示随机生成stepc个交换算子并按交换算子顺序将对应位数编码的数值进行交换;
S305、狼群更新,具体包括如下:
按照头狼的产生规则更新头狼的位置,所述头狼的产生规则为适应度值最高的人工狼为头狼;按照狼群更新机制,对整个群体进行更新,所述狼群更新机制为:去除适应度值最低的M匹人工狼,并重新随机生成相应数量的人工狼,其中N为人工狼数目,β为更新比例因子,为向下取整,为向上取整;
S306、判断是否达到终止条件,若达到终止条件,则输出本次迭代过程头狼的位置Xs与感知到的猎物气味浓度Ylead,即最优攻防决策方案与所获得的综合威胁值,若没有达到,转到步骤S302,进行新一次的迭代,直到达到算法最大迭代次数kmax,然后输出该次迭代过程中头狼的位置Xs与感知到的猎物气味浓度Ylead;
所述终止条件为当迭代次数达到kmax或者算法连续迭代多代头狼位置均未改变,具体需要连续迭代几代,根据具体的战斗场景来进行设定,优选的,迭代10代。
本发明的有益效果是:
本发明通过定义交叉算子和运动算子,描述离散狼群算法的智能行为,并采用自适应奔袭步长方式加快离散狼群算法的收敛速度,解决了当问题规模过大时,无人机攻防决策速度难以满足实时空战要求的问题。
附图说明
图1为无人机攻防决策特征因素图。
图2为人工狼编码示意图。
图3为基于自适应步长离散狼群算法攻防决策流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
也为了更清楚表述本发明的技术方案,先定义交换算子、人工狼距离和运动算子;具体如下:
交换算子:设人工狼i的位置为Xi={xi1,xi2,…,xiL},取其中任意两个互不相同的元素xij和xik,组成一个二维数组(xij,xik),其中j,k=1,2,…,L且j≠k,该二维数组即为交换算子。
人工狼距离:人工狼p与q之间的距离定义为两个人工狼编码Xp与Xq的序列距离,若Xp最少需要r次交换操作才能转换成Xq,则人工狼的距离为r。
运动算子:设人工狼i的位置为Xi={xi1,xi2,…,xiL};r表示进行交换算子的次数,可理解为人工狼的行走步长,运动算子Θ(Xi,r)表示随机生成r个交换算子并按交换算子顺序将对应位数编码的数值进行交换。例如Xi={5,3,1,4,2},r=1,随机生成交换算子为{3,4},则Θ(Xi,r)={5,4,1,3,2}。
参见图1、图2和图3,本发明公开了一种基于自适应步长离散狼群算法的无人机攻防决策方法,包括如下步骤:
S1、获取空战态势、战机性能、目标意图,建立综合威胁函数;
综合威胁包括三大威胁特征:空战态势威胁、战机性能威胁、目标意图威胁;空战态势威胁、战机性能威胁和目标意图威胁又包括各项子威胁;具体包括哪些子威胁,请见图1。
综合威胁函数的表达式如下:
T=α1Td+α2Ta+α3Tv+α4Tu+α5Te (1)
在公式(1)中,Td表示距离威胁子函数,Ta表示角度威胁子函数,Tv表示速度威胁子函数,Tu表示战机性能威胁子函数,Te表示为目标意图威胁参数;α1、α2、α3、α4、α5分别是Td、Ta、Tv、Tu、Te的加权系数。
距离威胁子函数的表达式如下:
在公式(2)中,Td表示距离威胁子函数,d表示我机与敌机的距离,Rmin表示敌机武器的最小打击距离,Rmax表示敌机武器的最大打击距离,R0=(Rmin+Rmax)/2。
角度威胁子函数的表达式如下:
速度威胁子函数的表达式如下:
在公式(4)中,Tv表示速度威胁子函数,vo表示我方无人机速度,vt表示敌方无人机速度。
战机性能威胁子函数的表达式如下:
在公式(5)中,Tu表示战机性能威胁子函数,wt表示敌方无人机战机性能,wo表示我方无人机战机性能;无人机战机性能通过参数法求取。
目标意图威胁参数的取值根据敌方无人机的战术意图来进行确定,具体为:
敌方无人机的战术意图为攻击时,目标意图威胁参数为0.9;
敌方无人机的战术意图为侦察时,目标意图威胁参数为0.5;
敌方无人机的战术意图为监视时,目标意图威胁参数为0.6;
敌方无人机的战术意图为佯攻时,目标意图威胁参数为0.7;
敌方无人机的战术意图为突防时,目标意图威胁参数为0.3;
敌方无人机的战术意图为防御时,目标意图威胁参数为0.1;
敌方无人机的战术意图为电子干扰时,目标意图威胁参数为0.6;
敌方无人机的战术意图为不明时,目标意图威胁参数为0.5。
敌方无人机战术意图代表着敌方无人机未来时刻可能进行的战术动作,而考虑敌方未来时刻战术意图威胁可以提前对敌方无人机未来时刻战术动作进行警备,从而提高无人机攻防决策的综合效益。
S2、根据我方无人机所拥有导弹数目m和敌方无人机数目n确定人工狼编码长度L,根据约束条件,建立无人机攻防分配模型;将人工狼长度设置为我方导弹数量,即L=m;约束条件为:每架敌方无人机应当分配一枚导弹,其次每一枚导弹仅可打击一架无人机,最后我方导弹数量需大于敌方无人机数量,即m>n;为了描述方便,假设我方8个导弹,敌方5个目标,增加3个虚目标,对我方威胁设为0,人工狼编码示意图如图2所示。
无人机攻防分配模型的表达式如下:
在公式(6)中,n代表是敌方无人机的数量、m为我方导弹的数量;xij表示我方第i机受到敌方第j号导弹的威胁程度,Tij表示当我方第i架无人机受敌方第j枚导弹的综合威胁。
S3、设计自适应步长离散狼群算法,以综合威胁函数作为自适应步长离散狼群算法的适应度指计算公式执行自适应步长离散狼群算法,求出相应的最优解;
自适应步长离散狼群算法包括如下步骤:
S301、参数初始化,具体包括如下:
设定狼群初始规模N,人工狼初始位置Xi,步长stepa、stepb、stepc,算法最大迭代次数kmax,探狼最大游走次数Tmax,距离判定因子ω,探狼比例因子α,更新比例因子β。
S302、探狼游走,具体包括如下:
选择适应度值最大的人工狼为头狼,选择除头狼外适应度值最佳的S_num匹人工狼视为探狼,探狼数量S_num的取值范围为S_num=[N/(α+1),N/α],α为探狼比例因子,N为人工狼数目;记录每个探狼i在当前位置Xi的适应度值为Yi,头狼适应度值为Ylead,判断Yi是否大于Ylead,若Yi≥Ylead,则该探狼i取代头狼位置成为新头狼;若Yi<Ylead,则探狼i试探性地向h个方向前进一步进行侦查,即随机执行h次运动算子Θ(Xi,stapa),其中stapa为游走步长,然后记录每次所感知到的猎物气味浓度;所述游走步长式中,L为编码长度,λ∈(0,1],为向上取整;所述运动算子Θ(Xi,stapa)表示随机生成stapa个交换算子并按交换算子顺序将对应位数编码的数值进行交换;然后令向第p个方向前进后所感知到的猎物气味浓度为Yip,p∈{1,2,…,h},另外Yip′=max{Yip,p∈H},若Yip′>Yi,则选择方向p′方向前进一步,即Yi=Yip′,重复以上过程直至Yi>Ylead或者游走次数T超过限值Tmax,然后进行步骤S303;由于探狼存在个体差异,其搜于猎物的能力也不尽相同,h的取值也存在着差异,具体可取[hmin,hmax],h越大,搜索精度越高,但是搜索时间代价越高。
S303、猛狼奔袭,具体包括如下:
头狼发起召唤行为,指挥猛狼i向头狼s所处位置Xs迅速靠近,其中猛狼是除头狼外所有人工狼;猛狼以步长stepb向头狼位置迅速奔袭,stepb为奔袭步长,奔袭步长式中,dis为猛狼i与头狼s的距离,dnear为围攻判定距离,为向下取整,为向上取整。具体操作为:在头狼中随机取出长度为stepb的子序列,替换猛狼序列中相同位置的编码值,并对其他编码进行调整;猛狼在奔袭过程中,若感知到猎物气味浓度Yi>Ylead,则该猛狼取代头狼成为新头狼,即Ylead=Yi;若Yi<Ylead,则猛狼i继续响应头狼的召唤,继续执行奔袭行为直到dis<dnear时转入步骤S304,其中,dis表示猛狼i与头狼s的距离;dnear表示判定距离,其中ω为距离判定因子,为向上取整。
S304、猛狼围攻,具体包括如下:
除头狼外,所有人工狼参与围攻行为,具体操作为随机生成交换算子Θ(Xi,stapc),参与围攻的人工狼执行交换算子操作,stepc为猛狼采取围攻行为时的行走步长;所述交换算子Θ(Xi,stapc)表示随机生成stepc个交换算子并按交换算子顺序将对应位数编码的数值进行交换;围攻行为可以理解为狼群在优秀猎物周围进行小范围的群体运动,对优秀解域进行精细搜索,同时增加种群多样性,避免算法早熟。
S305、狼群更新,具体包括如下:
按照头狼的产生规则更新头狼的位置,所述头狼的产生规则为适应度值最高的人工狼为头狼;按照狼群更新机制,对整个群体进行更新,所述狼群更新机制为:去除适应度值最低的M匹人工狼,并重新随机生成相应数量的人工狼,其中N为人工狼数目,β为更新比例因子,为向下取整,为向上取整。
S306、判断是否达到终止条件,若达到终止条件,则输出本次迭代过程头狼的位置Xs与感知到的猎物气味浓度Ylead,即最优攻防决策方案与所获得的综合威胁值,若没有达到,转到步骤S302,进行新一次的迭代,直到达到算法最大迭代次数kmax,然后输出该次迭代过程中头狼的位置Xs与感知到的猎物气味浓度Ylead;
上述终止条件为,当迭代次数达到kmax或者算法连续迭代多代头狼位置均未改变,具体需要连续迭代几代,根据具体的战斗场景来进行设定,在本实施例中迭代10代。
S4、根据相应的最优解进行无人机攻防决策。具体的说,头狼位置Xs,表示我方无人机与敌方无人机的分配方案,也即攻防决策结果,按照该方案进行无人机分配,能获得最优的战斗效能;
本发明未详述之处,均为本领域技术人员的公知技术。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种基于自适应步长离散狼群算法的无人机攻防决策方法,其特征在于,包括如下步骤:
S1、获取空战态势、战机性能、目标意图,建立综合威胁函数;
S2、根据我方无人机所拥有导弹数目m和敌方无人机数目n确定人工狼编码长度L,将人工狼长度设置为我方导弹数量,即L=m,根据约束条件,建立无人机攻防分配模型;
S3、设计自适应步长离散狼群算法,以综合威胁函数作为自适应步长离散狼群算法的适应度指计算公式执行自适应步长离散狼群算法,求出相应的最优解;
S4、根据相应的最优解进行无人机攻防决策。
2.根据权利要求1所述一种基于自适应步长离散狼群算法的无人机攻防决策方法,其特征在于,所述步骤S1中,所述综合威胁函数的表达式如下:
T=α1Td+α2Ta+α3Tv+α4Tu+α5Te (1)
在公式(1)中,Td表示距离威胁子函数,Ta表示角度威胁子函数,Tv表示速度威胁子函数,Tu表示战机性能威胁子函数,Te表示为目标意图威胁参数;α1、α2、α3、α4、α5分别是Td、Ta、Tv、Tu、Te的加权系数。
3.根据权利要求2所述一种基于自适应步长离散狼群算法的无人机攻防决策方法,其特征在于,所述距离威胁子函数的表达式如下:
在公式(2)中,Td表示距离威胁子函数,d表示我机与敌机的距离,Rmin表示敌机武器的最小打击距离,Rmax表示敌机武器的最大打击距离,R0=(Rmin+Rmax)/2;
所述角度威胁子函数的表达式如下:
所述速度威胁子函数的表达式如下:
在公式(4)中,Tv表示速度威胁子函数,vo表示我方无人机速度,vt表示敌方无人机速度;所述战机性能威胁子函数的表达式如下:
在公式(5)中,Tu表示战机性能威胁子函数,wt表示敌方无人机战机性能,wo表示我方无人机战机性能;无人机战机性能通过参数法求取;
所述目标意图威胁参数的取值根据敌方无人机的战术意图来进行确定,具体为:
敌方无人机的战术意图为攻击时,目标意图威胁参数为0.9;
敌方无人机的战术意图为侦察时,目标意图威胁参数为0.5;
敌方无人机的战术意图为监视时,目标意图威胁参数为0.6;
敌方无人机的战术意图为佯攻时,目标意图威胁参数为0.7;
敌方无人机的战术意图为突防时,目标意图威胁参数为0.3;
敌方无人机的战术意图为防御时,目标意图威胁参数为0.1;
敌方无人机的战术意图为电子干扰时,目标意图威胁参数为0.6;
敌方无人机的战术意图为不明,目标意图威胁参数为0.5。
5.根据权利要求1所述一种基于自适应步长离散狼群算法的无人机攻防决策方法,其特征在于,在所述S3步骤中,所述自适应步长离散狼群算法包括如下步骤:
S301、参数初始化,具体包括如下:
设定狼群初始规模N,人工狼初始位置Xi,步长stepa、stepb、stepc,算法最大迭代次数kmax,探狼最大游走次数Tmax,距离判定因子ω,探狼比例因子α,更新比例因子β;
S302、探狼游走,具体包括如下:
选择适应度适应度值最大的人工狼为头狼,选择除头狼外适应度值最佳的S_num匹人工狼视为探狼,探狼数量S_num的取值范围为S_num=[N/(α+1),N/α],α为探狼比例因子,N为人工狼数目;
记录每个探狼i在当前位置Xi的适应度值为Yi,头狼适应度值为Ylead,判断Yi是否大于Ylead,若Yi≥Ylead,则该探狼i取代头狼位置成为新头狼;若Yi<Ylead,则探狼i试探性地向h个方向前进一步进行侦查,即随机执行h次运动算子Θ(Xi,stapa),其中stapa为游走步长,然后记录每次所感知到的猎物气味浓度;所述运动算子Θ(Xi,stapa)表示随机生成stapa个交换算子并按交换算子顺序将对应位数编码的数值进行交换;
然后令向第p个方向前进后所感知到的猎物气味浓度为Yip,p∈{1,2,…,h},另外Yip′=max{Yip,p∈H},若Yip′>Yi,则选择方向p′方向前进一步,即Yi=Yip′,重复以上过程直至Yi>Ylead或者游走次数T超过限值Tmax,然后进行步骤S303;
S303、猛狼奔袭,具体包括如下:
头狼发起召唤行为,指挥猛狼i向头狼s所处位置Xs迅速靠近,其中猛狼是除头狼外所有人工狼;猛狼以步长stepb向头狼位置迅速奔袭,stepb为奔袭步长,具体操作为:在头狼中随机取出长度为stepb的子序列,替换猛狼序列中相同位置的编码值,并对其他编码进行调整;
猛狼在奔袭过程中,若感知到猎物气味浓度Yi>Ylead,则该猛狼取代头狼成为新头狼,即Ylead=Yi;若Yi<Ylead,则猛狼i继续响应头狼的召唤,继续执行奔袭行为直到dis<dnear时转入步骤S304,其中,dis表示猛狼i与头狼s的距离;dnear表示判定距离,其中ω为距离判定因子,为向上取整;
S304、猛狼围攻,具体包括如下:
除头狼外,所有人工狼参与围攻行为,具体操作为随机生成交换算子Θ(Xi,stapc),参与围攻的人工狼执行交换算子操作,stepc为猛狼采取围攻行为时的行走步长;所述交换算子Θ(Xi,stapc)表示随机生成stepc个交换算子并按交换算子顺序将对应位数编码的数值进行交换;
S305、狼群更新,具体包括如下:
按照头狼的产生规则更新头狼的位置,所述头狼的产生规则为适应度值最高的人工狼为头狼;按照狼群更新机制,对整个群体进行更新,所述狼群更新机制为:去除适应度值最低的M匹人工狼,并重新随机生成相应数量的人工狼,其中N为人工狼数目,β为更新比例因子,为向下取整,为向上取整;
S306、判断是否达到终止条件,若达到终止条件,则输出本次迭代过程头狼的位置Xs与感知到的猎物气味浓度Ylead,即最优攻防决策方案与所获得的综合威胁值,若没有达到,转到步骤S302,进行新一次的迭代,直到达到算法最大迭代次数kmax,然后输出该次迭代过程中头狼的位置Xs与感知到的猎物气味浓度Ylead;所述终止条件为当迭代次数达到kmax或者算法连续迭代多代头狼位置均未改变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021817.9A CN112284188A (zh) | 2020-09-25 | 2020-09-25 | 一种基于自适应步长离散狼群算法的无人机攻防决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021817.9A CN112284188A (zh) | 2020-09-25 | 2020-09-25 | 一种基于自适应步长离散狼群算法的无人机攻防决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112284188A true CN112284188A (zh) | 2021-01-29 |
Family
ID=74421441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011021817.9A Pending CN112284188A (zh) | 2020-09-25 | 2020-09-25 | 一种基于自适应步长离散狼群算法的无人机攻防决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112284188A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625739A (zh) * | 2021-08-25 | 2021-11-09 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于试探机动选择算法的专家系统优化方法 |
CN113741508A (zh) * | 2021-06-29 | 2021-12-03 | 南京航空航天大学 | 基于改进狼群算法的无人机任务分配方法 |
CN113988399A (zh) * | 2021-10-22 | 2022-01-28 | 石河子大学 | 综合能源调度方法、装置、电子设备及存储介质 |
CN116225049A (zh) * | 2022-12-21 | 2023-06-06 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种多无人机狼群协同作战攻防决策算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722751A (zh) * | 2012-05-11 | 2012-10-10 | 北京航空航天大学 | 一种空战多目标分配的启发式量子遗传方法 |
CN105117769A (zh) * | 2015-09-14 | 2015-12-02 | 杭州电子科技大学 | 基于差分进化狼群算法的欺骗干扰识别方法 |
WO2015188831A1 (en) * | 2014-06-10 | 2015-12-17 | Aarhus Universitet | Method for removing animals from a field |
CN106779210A (zh) * | 2016-12-13 | 2017-05-31 | 中国人民解放军国防科学技术大学 | 基于蚁群算法的火力分配方法 |
CN110069076A (zh) * | 2019-04-23 | 2019-07-30 | 北京航空航天大学 | 一种基于猛狼围捕行为的无人机集群空战方法 |
-
2020
- 2020-09-25 CN CN202011021817.9A patent/CN112284188A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722751A (zh) * | 2012-05-11 | 2012-10-10 | 北京航空航天大学 | 一种空战多目标分配的启发式量子遗传方法 |
WO2015188831A1 (en) * | 2014-06-10 | 2015-12-17 | Aarhus Universitet | Method for removing animals from a field |
CN105117769A (zh) * | 2015-09-14 | 2015-12-02 | 杭州电子科技大学 | 基于差分进化狼群算法的欺骗干扰识别方法 |
CN106779210A (zh) * | 2016-12-13 | 2017-05-31 | 中国人民解放军国防科学技术大学 | 基于蚁群算法的火力分配方法 |
CN110069076A (zh) * | 2019-04-23 | 2019-07-30 | 北京航空航天大学 | 一种基于猛狼围捕行为的无人机集群空战方法 |
Non-Patent Citations (3)
Title |
---|
刘森琪等: "基于信息素启发狼群算法的UAV 集群火力分配", 《北京航空航天大学学报》 * |
刘钻东等: "非完备信息下无人机空战目标意图预测", 《中国科学:信息科学》 * |
夏鹏程: "多机协同任务规划与非完备信息下攻击决策技术", 《中国优秀硕士学位论文全文数据库 社会科学Ⅰ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113741508A (zh) * | 2021-06-29 | 2021-12-03 | 南京航空航天大学 | 基于改进狼群算法的无人机任务分配方法 |
CN113741508B (zh) * | 2021-06-29 | 2023-03-17 | 南京航空航天大学 | 基于改进狼群算法的无人机任务分配方法 |
CN113625739A (zh) * | 2021-08-25 | 2021-11-09 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于试探机动选择算法的专家系统优化方法 |
CN113988399A (zh) * | 2021-10-22 | 2022-01-28 | 石河子大学 | 综合能源调度方法、装置、电子设备及存储介质 |
CN116225049A (zh) * | 2022-12-21 | 2023-06-06 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种多无人机狼群协同作战攻防决策算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112284188A (zh) | 一种基于自适应步长离散狼群算法的无人机攻防决策方法 | |
Zhang et al. | An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning | |
CN112269396B (zh) | 一种仿鹰鸽智能博弈的无人机集群协同对抗控制方法 | |
CN113741508B (zh) | 基于改进狼群算法的无人机任务分配方法 | |
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
CN108459616B (zh) | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 | |
CN114020031B (zh) | 基于改进鸽群优化的无人机集群协同动态目标搜索方法 | |
CN114397911B (zh) | 一种基于多智能体的无人机集群对抗决策方法 | |
CN109709981B (zh) | 一种无人机群竞技对抗方法 | |
CN116360503B (zh) | 一种无人机博弈对抗策略生成方法、系统及电子设备 | |
CN113485456A (zh) | 一种无人机群分布式在线自适应任务规划方法 | |
Yan et al. | Multi-UAV objective assignment using Hungarian fusion genetic algorithm | |
CN116225049A (zh) | 一种多无人机狼群协同作战攻防决策算法 | |
Liu et al. | Task assignment in ground-to-air confrontation based on multiagent deep reinforcement learning | |
Li et al. | Multi-uav air combat weapon-target assignment based on genetic algorithm and deep learning | |
CN113608546B (zh) | 量子海狮机制的无人机群任务分配方法 | |
CN113324545A (zh) | 一种基于混合增强智能的多无人机协同任务规划方法 | |
Liu et al. | Evolutionary algorithm-based attack strategy with swarm robots in denied environments | |
CN112818496B (zh) | 基于蚁群算法的要地防空策略 | |
Liu et al. | Deep reinforcement learning task assignment based on domain knowledge | |
CN114167899A (zh) | 一种无人机蜂群协同对抗决策方法及系统 | |
Simonjan et al. | Inducing defenders to mislead an attacking uav swarm | |
Bian et al. | Cooperative strike target assignment algorithm based on deep reinforcement learning | |
Simonjan et al. | Reinforcement Learning-based Countermeasures against Attacking UAV Swarms | |
Wu et al. | Research on multi-UAV task assignment method based on reinforcement learning |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |