CN113112079B - 基于启发式动态加深优化算法的任务分配方法 - Google Patents

基于启发式动态加深优化算法的任务分配方法 Download PDF

Info

Publication number
CN113112079B
CN113112079B CN202110417130.5A CN202110417130A CN113112079B CN 113112079 B CN113112079 B CN 113112079B CN 202110417130 A CN202110417130 A CN 202110417130A CN 113112079 B CN113112079 B CN 113112079B
Authority
CN
China
Prior art keywords
task
node
alternative
weapons
task allocation
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
CN202110417130.5A
Other languages
English (en)
Other versions
CN113112079A (zh
Inventor
王才红
高军强
许馨月
宫树香
董茜
何浩东
杜林峰
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.)
26th Unit 96901 Unit Chinese Pla
Original Assignee
26th Unit 96901 Unit Chinese Pla
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 26th Unit 96901 Unit Chinese Pla filed Critical 26th Unit 96901 Unit Chinese Pla
Priority to CN202110417130.5A priority Critical patent/CN113112079B/zh
Publication of CN113112079A publication Critical patent/CN113112079A/zh
Application granted granted Critical
Publication of CN113112079B publication Critical patent/CN113112079B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于启发式动态加深优化算法的任务分配方法，包括任务分配模型的建立和任务分配模型的求解，其包括步骤S1建立基于意图偏离度、指挥复杂度、对抗威胁度和作战风险度的任务分配模型；步骤S2任务分配模型的求解，其包括步骤S2.1解空间构造与初始化；步骤S2.2创建待扩展节点。与现有技术相比，应用本发明提出的基于启发式动态加深优化算法的任务分配方法，针对多部队使用多种武器打击多目标的任务分配问题，能够实现对上级意图实现程度、指挥控制复杂程度、对抗生存威胁程度和作战风险高低程度的综合量化评估，通过奖励值启发、迭代加深和动态记忆等混合优化策略实现模型的快速求解，可快速、有效给出任务分配方案。

Description

基于启发式动态加深优化算法的任务分配方法
技术领域
本发明涉及资源分配技术领域，尤其是基于启发式动态加深优化算法的任务分配方法。
背景技术
任务分配是各级指挥机构开展作战指挥与决策活动的关键环节，其主要基于可用的资源约束，明确使用的战场、打击目标点、发射武器种类和数量的过程。任务分配须满足武器性能、可用资源和战场环境等多项约束，并达成实现上级意图、有利部队行动指挥并降低武器攻击过程面临的对抗威胁和作战风险等多个期望目标。显然，该问题是一类典型的多约束多目标非线性NP优化问题。
资源分配是经典的优化问题，对于多目标、多约束、非线性资源分配方法的研究主要集中在数学规划方法和搜索算法这两方面：一是数学规划方法，主要包括动态规划、整数规划或非线性规划等，均须满足一定的条件才可以使用。其中，动态规划方法需要建立无后效性序列，目前对于单个种类武器的任务分配方法可以推导动态规划递推序列，但是对于多种类武器任务分配问题，由于决策变量多、影响因素复杂，无法构建无后效性序列，因而无法使用动态规划算法。整数规划方法通过界定决策变量的上下界，采用分支定界算法实现，其本质上属于广度搜索算法，在解空间巨大的情况下，算法效率很低，因而常规的整数规划方法无法满足使用要求。二是搜索算法，主要包括随机搜索算法和确定性搜索算法。随机搜索算法主要是指以遗传算法、粒子群算法等为代表的现代智能优化算法，其主要思想都是通过设置一定规模的种群，种群中的个体按特定规则变异或行进以搜索可行解，直至找到满意解。由于随机搜索算法计算过程的随机性，导致其计算速度和计算结果不可控，不适宜解决问题复杂、规模较大且处理时间要求严格的工程问题。确定性搜索算法主要是通过一定规则对解空间进行遍历，进而得到问题的可行解，其中以回溯法最为知名和常用，其基本思想是：从一条路往前走，能进则进，不能进就退回来，换一条路再试。由于回溯法本质上属于深度搜索算法，其计算时间复杂度为问题解空间的幂方关系，导致无法保证在有限时间内找到满意解。因此，搜索算法也无法满足使用要求。
随着新技术和新武器的快速发展和现代战场复杂性的增加，武器种类规模、可打击目标数量的不断增加导致任务分配问题的规模呈指数增长，建模求解难度极大，对于多部队使用多种武器打击多目标的任务分配问题，尚无有效、快速的解决方案。
发明内容
针对上述问题，本申请提出基于启发式动态加深优化算法的任务分配方法，建立基于意图偏离度、指挥复杂度、对抗威胁度和作战风险度的任务分配模型，通过设计启发式动态加深搜索算法实现了模型的快速求解，有效解决多支队伍使用多武器打击多目标条件下的任务分配难题。
本发明所述基于启发式动态加深优化算法的任务分配方法，包括任务分配模型的建立和任务分配模型的求解。
其中，任务分配模型的求解包括解空间构造与初始化、创建待扩展任务节点、确定后续搜索起始节点和退出条件检查。
步骤S1建立任务分配模型
建立基于意图偏离度、指挥复杂度、对抗威胁度和作战风险度的任务分配模型；具体为：
Figure BDA0003026370850000021
Figure BDA0003026370850000022
Figure BDA0003026370850000023
Figure BDA0003026370850000024
Figure BDA0003026370850000025
其中
Figure BDA0003026370850000026
上述式中，f(x)为任务分配方案的适应度函数；f1(x)为意图偏离度函数；f2(x)为指挥复杂度函数；f3(x)为对抗威胁度函数；f4(x)为作战风险度函数；
Figure BDA0003026370850000027
分别为各目标函数权重；
xi表示第i个备选任务是否启用(0≤i≤L，L为备选任务数量，xi∈[0，1]，xi＝1表示启用该备选任务，反之表示不启用)；
mi表示为第i个备选任务分配的武器数量；
si表示为第i个备选任务需要的发射武器数量；
ei表示为第i个备选任务要求的抵达武器数量；
T为部队数量；dik描述第i个备选任务是否使用了第k个部队；
Z为可用战场数量；qik描述第i个备选任务是否使用了第k个战场；
pi为第i个备选任务中武器的被拦截概率；
δi为第i个备选任务中部队面临的生存威胁强度；
εi为第i个备选任务中武器面临的干扰威胁强度；
Wx为当前任务分配结果对应的各部队所需打击波次数量的最大值；
N1为最大允许打击波次数量；N2为输入的全部飞行航迹数量；
N3为输入的全部需规避的敏感设施数量；
Aij表示第j个备选任务的打击路线是否与第i个备选任务的打击路线空间交叉；
Ri表示可能被第i个备选任务的打击路线附带毁伤的敏感设施数量。
步骤S2任务分配模型的求解
步骤S2.1解空间构造与初始化
定义：X＝[x1，···，xt，···，xL]，表示问题解向量。
xt为第t个备选任务的启用状态，L为备选任务数量。
NODEt，表示解空间中对应第i层备选任务TASKt启用状态的可搜索节点。
则
Figure BDA0003026370850000031
对应“启用”TASKt的节点，
Figure BDA0003026370850000032
对应“不启用”TASKt的节点。
NODEt具备以下4个属性：
X：备选任务启用状态向量。记录按特定路线搜索至当前节点时前序i个搜索节点对应备选任务启用状态，X＝[x1，···，xt，0，···，0]，xt＝0或1；
Nd：分配武器数量。记录为备选任务TASKt所分配的武器数量；
f：适应度函数值。记录对应X的适应度函数计算结果；
ω：奖励值。记录当前适应度函数值f与第t+1层至第L层搜索节点在不同启用状态下可能取得的最小适应度函数值之和，奖励值越小表明从该搜索节点往下扩展得到最优解的可能性越大。
NODES，表示可扩展搜索节点队列。用于记录搜索过程中遍历过的每一个可继续向下一层级扩展的搜索节点。
则，由L个备选任务启用状态所构成的L+1层二叉树构成该问题解空间。
从第0层空节点开始进行搜索，此时：NODEcur＝NODE0，NODE0＝NULL，NODES0＝NULL，且NODE0的属性为：
Figure BDA0003026370850000033
步骤S2.2创建待扩展节点
步骤S2.2.1创建启用备选任务TASKt的待扩展节点
Figure BDA0003026370850000034
按下述条件检查是否可“启用”TASKt(包括但不限于)：
为TASKt所打击的目标点累计分配武器数量已大于要求使用的武器数量，不可“启用”TASKt；
TASKt所使用的任务部队所发射的武器数量超过该部队单次最多可发射的武器数量，不可“启用”TASKt；
TASKt所使用的武器数量超过该武器的最大可用数量，不可“启用”TASKt；
当不可“启用”TASKt时，
Figure BDA0003026370850000041
反之，
Figure BDA0003026370850000042
且按下式计算属性：
Figure BDA0003026370850000043
其中，
Figure BDA0003026370850000044
nt为剩余须分配的要求发射武器数量，mt为备选任务TASKt所使用的部队能够用于完成该任务的剩余武器数量，N发射为备选任务TASKt所打击目标点要求的发射武器数量，
Figure BDA0003026370850000045
为前(t-1)个节点针对该打击目标点累计已完成分配的武器数量，M编配为备选任务TASKt所使用部队编配相应种类武器的数量，
Figure BDA0003026370850000046
为前(t-1)个节点累计投入的该部队相应种类武器的数量。
步骤S2.2.2创建不启用备选任务TASKt的待扩展节点
Figure BDA0003026370850000047
为TASKt所打击的目标点累计分配武器数量小于要求的抵达武器数量，且第t+1个至第L个备选任务均再不打击该目标点，则不可“启用”TASKt；
当不可“不启用”TASKt时，
Figure BDA0003026370850000048
反之，
Figure BDA0003026370850000049
且按下式计算属性：
Figure BDA00030263708500000410
其中，
Figure BDA00030263708500000411
为基于确定的前t层备选任务节点启用状态得到的适应度函数值，
Figure BDA00030263708500000412
为后续第t+1层至第L层备选任务节点可能达到的最小适应度函数值。
步骤S2.2.3确定后续搜索起始节点
按以下四种情况确定下一步搜索的扩展节点：
Figure BDA00030263708500000413
其中，
Figure BDA0003026370850000051
为左、右分枝待扩展节点中奖励值较小者，
Figure BDA0003026370850000052
为可扩展搜索节点队列NODES中奖励值最小的节点。
步骤S2.2.4退出条件检查：
如果满足下述条件a)、b)之一，则退出搜索并输出任务分配方案：反之，重复执行步骤S2.2.2至步骤S2.2.4，直至满足退出条件，生成任务分配方案。
a)可扩展搜索节点队列NODES为空；
b)已完成全部L层备选任务节点搜索。
附图说明
图1为本发明所述基于启发式动态加深优化算法的任务分配方法的一优选实施例的总体流程图；
图2为图1所示实施例的模型求解详细流程图；
图3为图1所示实施例的问题解空间示意图。
具体实施方式
以下结合实施例对本发明所述基于启发式动态加深优化算法的任务分配方法进行进一步的详细说明。
实施例1.基于启发式动态加深优化算法的任务分配方法，如图1所示，包括任务分配模型的建立和任务分配模型的求解。
其中，任务分配模型的求解包括解空间构造与初始化、创建待扩展任务节点、确定后续搜索起始节点和退出条件检查。
步骤1.任务分配模型的建立
步骤1.1通过指挥信息系统获取上级任务、兵力阵地、战场环境、武器对目标打击路线信息和弹目规划结果等数据，所述上级任务信息包括打击目标及要求，兵力阵地信息包括部队、战场、可用武器种类及数量等，战场环境信息包括气象预报、敏感设施、敌方拦截武器部署、敌方电子干扰武器部署等，弹目规划结果信息包括打击每个目标使用的武器种类和要求抵达数量等，武器对目标打击路线信息包括不同战场发射的武器对目标的打击路线及对敏感设施附带毁伤情况等。
步骤1.2建立基于意图偏离度、指挥复杂度、对抗威胁度和作战风险度的任务分配模型，具体为：
Figure BDA0003026370850000053
Figure BDA0003026370850000054
Figure BDA0003026370850000055
Figure BDA0003026370850000056
Figure BDA0003026370850000061
其中：
Figure BDA0003026370850000062
式中，f(x)为任务分配方案的适应度函数；f1(x)为意图偏离度函数；f2(x)为指挥复杂度函数；f3(x)为对抗威胁度函数；f4(x)为作战风险度函数；
Figure BDA0003026370850000063
分别为各优化目标函数所占权重，通常由指挥员或规划人员根据上级要求或决策偏好明确；xi表示第i个备选任务是否启用(0≤i≤L，L为备选任务数量，xi∈[0，1]，xi＝1表示启用该备选任务，反之表示不启用)；mi表示为第i个备选任务分配的武器数量；si表示为第i个备选任务需要的发射武器数量；ei表示为第i个备选任务要求的抵达武器数量；T为部队数量；dik描述第i个备选任务是否使用了第k个部队；Z为可用战场数量；qik描述第i个备选任务是否使用了第k个战场；pi为第i个备选任务中武器在敌方典型拦截模式下的被拦截概率，通过武器战术技术指标获取；δi为第i个备选任务中部队面临的地面生存威胁强度；εi为第i个备选任务中武器在敌方典型电子干扰手段下的干扰威胁强度；Wx为当前任务分配结果对应的各部队所需打击波次数量的最大值；N1为最大允许打击波次数量，由指挥员指定；N2为输入的全部打击路线数量；N3为输入的全部敏感设施数量；Aij表示第j个备选任务的打击路线是否与第i个备选任务的飞行航迹空间交叉，如果两条打击路线的地面投影存在交叉点则判定为交叉；Ri表示可能被第i个备选任务的打击路线附带毁伤的敏感设施数量。
地面生存威胁强度可按高(0.8-1.0)、中(0.5-0.8)、低(0.2-0.5)进行指定，武器在敌方典型电子干扰手段下的干扰威胁强度可根据敌电子干扰装备部署情况按高(0.8-1.0)、中(0.5-0.8)、低(0.2-0.5)进行指定。
步骤2任务分配模型的求解
任务分配模型求解详细流程如图2所示，其包括：
步骤2.1解空间构造与初始化
定义：
X＝[x1，···，xt，···，xL]，表示问题解向量。xt为第t个备选任务的启用状态，L为备选任务数量。
NODEt，表示解空间中对应第i层备选任务TASKt启用状态的可搜索节点。则
Figure BDA0003026370850000064
对应“启用”TASKt的节点，
Figure BDA0003026370850000065
对应“不启用”TASKt的节点。NODEt具备以下4个属性：
a)X：备选任务启用状态向量。记录按特定路线搜索至当前节点时前序i个搜索节点对应备选任务启用状态，X＝[x1，···，xt，0，···，0]，xt＝0或1；
b)Nd：分配武器数量。记录为备选任务TASKt所分配的发射武器数量；
c)f：适应度函数值。记录对应X的适应度函数计算结果；
d)ω：奖励值。记录当前适应度函数值f与第t+1层至第L层搜索节点在不同启用状态下可能取得的最小适应度函数值之和，奖励值越小表明从该搜索节点往下扩展得到最优解的可能性越大。
NODES，表示可扩展搜索节点队列。用于记录搜索过程中遍历过的每一个可继续向下一层级扩展的搜索节点。
显然，根据输入条件生成备选任务清单是构建问题解空间的基础，备选任务清单的生成主要包括以下三个步骤：
第1步：提取并生成待打击点列表。依据每个目标点和使用的武器种类，生成全部待打击点列表，每个待打击点对应一个打击目标点和一种武器；
第2步：生成初始任务列表。依据待打击点列表，结合部队可用战场及部署武器种类，将可用首区与待打击目标点进行配对，生成初始任务列表；
第3步：生成备选任务清单。根据武器射程、气象条件等满足情况分析初始任务是否可行，提取可行的初始任务并生成备选任务清单。
则有，按上述方法生成的L个备选任务启用状态所构成的L+1层二叉树构成该问题的解空间，如图3所示。
问题求解时，将从第0层空节点开始进行搜索，此时：NODEcur＝NODE0，NODE0＝NULL，NODES0＝NULL，NODEcur表示当前搜索节点；NODE0表示初始搜索节点；NODES0表示初始可扩展节点队列；且NODE0的属性为：
Figure BDA0003026370850000071
步骤2.2创建待扩展节点
步骤2.2.1创建启用备选任务TASKt的待扩展节点
Figure BDA0003026370850000074
按下述条件检查是否可“启用”TASKt(包括但不限于)：
a)为TASKt所打击的目标点累计分配武器数量已大于要求使用的武器数量，不可“启用”TASKt；
b)TASKt所使用的任务部队所发射的武器数量超过该部队单次最多可发射武器数量，不可“启用”TASKt；
c)TASKt所使用的武器数量超过该武器的最大可用数量，不可“启用”TASKt。
当不可“启用”TASKt时，
Figure BDA0003026370850000072
反之，
Figure BDA0003026370850000073
且按下式计算属性：
Figure BDA0003026370850000081
式中，
Figure BDA0003026370850000082
nt为剩余须分配的要求发射武器数量，mt为备选任务TASKt所使用的部队能够用于完成该任务的剩余武器数量，N发射为备选任务TASKt所打击目标点要求的发射武器数量，
Figure BDA0003026370850000083
为前(t-1)个节点针对该打击目标点累计已完成分配的武器数量，M编配为备选任务TASKt所使用部队编配相应种类武器的数量，
Figure BDA0003026370850000084
为前(t-1)个节点累计投入的该部队相应种类武器的数量。
步骤2.2.2，创建不启用备选任务TASKt的待扩展节点
Figure BDA0003026370850000085
为TASKt所打击的目标点累计分配武器数量小于要求使用的武器数量，且第t+1个至第L个备选任务均再不打击该目标点，不可“启用”TASKt。当不可“不启用”TASKt时，
Figure BDA0003026370850000086
反之，
Figure BDA0003026370850000087
且按下式计算属性：
Figure BDA0003026370850000088
其中，
Figure BDA0003026370850000089
为基于确定的前t层备选任务节点启用状态得到的适应度函数值，
Figure BDA00030263708500000810
为后续第t+1层至第L层备选任务节点可能达到的最小适应度函数值。
步骤2.2.3，确定后续搜索起始节点
按以下四种情况确定下一步搜索的扩展节点：
情况一：
Figure BDA00030263708500000811
目
Figure BDA00030263708500000812
时，取
Figure BDA00030263708500000813
中奖励值较小者作为下一步的搜索节点NODEcue，将奖励值较大者加入可扩展搜索节点队列NODES。
情况二：
Figure BDA00030263708500000814
且
Figure BDA00030263708500000821
对，将
Figure BDA00030263708500000815
作为后续搜索的起始节点。
情况三：
Figure BDA00030263708500000816
且
Figure BDA00030263708500000820
时，将
Figure BDA00030263708500000817
作为后续搜索的起始节点。
情况四：
Figure BDA00030263708500000818
且
Figure BDA00030263708500000819
时，从可扩展搜索节点队列NODES中出栈奖励值最小的节点作为下一步的搜索起始节点。
即：
Figure BDA0003026370850000091
其中，
Figure BDA0003026370850000092
为左、右分枝待扩展节点中奖励值较小者，
Figure BDA0003026370850000093
为可扩展搜索节点队列NODES中奖励值最小的节点。
步骤2.2.4退出条件检查
如果满足下述条件之一，则退出搜索并输出任务分配方案：
a)可扩展搜索节点队列NODES为空；
b)已完成全部L层备选任务节点搜索。
反之，重复执行步骤2.2.2至步骤2.2.4，直至满足退出条件，生成任务分配方案。
与现有技术相比，应用本发明提出的基于启发式动态加深优化算法的任务分配方法，针对多队伍使用多种武器打击多目标的任务分配问题，能够实现对上级意图实现程度、指挥控制复杂程度、对抗生存威胁程度和作战风险高低程度的综合量化评估，通过奖励值启发、迭代加深和动态记忆等混合优化策略实现模型的快速求解，可快速、有效给出任务分配方案。
本发明的有益效果是考虑因素全、收敛速度快、鲁棒性好。

Claims (6)

1.基于启发式动态加深优化算法的任务分配方法，包括任务分配模型的建立和任务分配模型的求解，其特征在于：
步骤S1建立任务分配模型
建立基于意图偏离度、指挥复杂度、对抗威胁度和作战风险度的任务分配模型；具体为：
Figure FDA0003026370840000011
Figure FDA0003026370840000012
Figure FDA0003026370840000013
Figure FDA0003026370840000014
Figure FDA0003026370840000015
其中，f(x)为任务分配方案的适应度函数；f1(x)为意图偏离度函数；f2(x)为指挥复杂度函数；f3(x)为对抗威胁度函数；f4(x)为作战风险度函数；
Figure FDA0003026370840000016
分别为各目标函数权重；
xi表示第i个备选任务是否启用，0≤i≤L，L为备选任务数量，xi∈[0，1]，xi＝1表示启用该备选任务，反之表示不启用；
mi表示为第i个备选任务分配的武器数量；
si表示为第i个备选任务需要的发射武器数量；
ei表示为第i个备选任务要求的抵达武器数量；
T为部队数量；dik描述第i个备选任务是否使用了第k个部队；
Z为可用战场数量；qik描述第i个备选任务是否使用了第k个战场；
pi为第i个备选任务中武器的被拦截概率；
δi为第i个备选任务中部队面临的生存威胁强度；
εi为第i个备选任务中武器面临的干扰威胁强度；
Wx为当前任务分配结果对应的各部队所需打击波次数量的最大值；
N1为最大允许打击波次数量；N2为输入的全部飞行航迹数量；
N3为输入的全部需规避的敏感设施数量；
Aij表示第j个备选任务的打击路线是否与第i个备选任务的打击路线空间交叉；
Ri表示可能被第i个备选任务的打击路线附带毁伤的敏感设施数量；
步骤S2任务分配模型的求解：
步骤S2.1解空间构造与初始化
令X＝[x1，···，xt，···，xL]，表示问题解向量；
xt为第t个备选任务的启用状态，L为备选任务数量；
NODEt，表示解空间中对应第i层备选任务TASKt启用状态的可搜索节点；
则
Figure FDA0003026370840000021
对应“启用”TASKt的节点，
Figure FDA0003026370840000022
对应“不启用”TASKt的节点；
步骤S2.2创建待扩展节点。
2.如权利要求1所述基于启发式动态加深优化算法的任务分配方法，其特征在于：采用可扩展搜索节点队列NODES记录搜索过程中遍历过的每一个可继续向下一层级扩展的搜索节点；
由L个备选任务启用状态所构成的L+1层二叉树构成该问题解空间；
从第0层空节点开始进行搜索，此时：NODEcur＝NODE0，NODE0＝NULL，NODES0＝NULL，
其中，NODEcur表示当前搜索节点；NODE0表示初始搜索节点；NODES0表示初始可扩展节点队列。
3.如权利要求1所述基于启发式动态加深优化算法的任务分配方法，其特征在于：步骤S2.2包括：
步骤S2.2.1创建启用备选任务TASKt的待扩展节点
Figure FDA0003026370840000023
步骤S2.2.2创建不启用备选任务TASKt的待扩展节点
Figure FDA0003026370840000024
为TASKt所打击的目标点累计分配武器数量小于要求的抵达武器数量，且第t+1个至第L个备选任务均再不打击该目标点，则不可“启用”TASKt；
当不可“不启用”TASKt时，
Figure FDA0003026370840000025
反之，
Figure FDA0003026370840000026
步骤S2.2.3确定后续搜索起始节点；
步骤S2.2.4退出条件检查
如果满足条件a)、b)之一，则退出搜索并输出任务分配方案：
a)可扩展搜索节点队列NODES为空；
b)已完成全部L层备选任务节点搜索；
反之，重复执行步骤S2.2.2至步骤S2.2.4，直至满足退出条件，生成任务分配方案。
4.如权利要求1所述基于启发式动态加深优化算法的任务分配方法，其特征在于：步骤S2.2.1按下述条件检查是否可“启用”TASKt：
为TASKt所打击的目标点累计分配武器数量已大于要求使用的武器数量，不可“启用”TASKt；
TASKt所使用的任务部队所发射的武器数量超过该部队单次最多可发射的武器数量，不可“启用”TASKt；
TASKt所使用的武器数量超过该武器的最大可用数量，不可“启用”TASKt；
当不可“启用”TASKt时，
Figure FDA0003026370840000031
5.如权利要求4所述基于启发式动态加深优化算法的任务分配方法，其特征在于：当不可“启用”TASKt时，
Figure FDA0003026370840000032
按下式计算属性：
Figure FDA0003026370840000033
其中，
Figure FDA0003026370840000034
nt为剩余须分配的要求发射武器数量，
mt为备选任务TASKt所使用的部队能够用于完成该任务的剩余武器数量，
N发射为备选任务TASKt所打击目标点要求的发射武器数量，
Figure FDA0003026370840000035
为前(t-1)个节点针对该打击目标点累计已完成分配的武器数量，
M编配为备选任务TASKt所使用部队编配相应种类武器的数量，
Figure FDA0003026370840000036
个节点累计投入的该部队相应种类武器的数量。
6.如权利要求3-5中任一项所述基于启发式动态加深优化算法的任务分配方法，其特征在于：步骤S2.2.3按以下四种情况确定下一步搜索的扩展节点：
Figure FDA0003026370840000037
其中，
Figure FDA0003026370840000038
为左、右分枝待扩展节点中奖励值较小者，
Figure FDA0003026370840000039
为可扩展搜索节点队列NODES中奖励值最小的节点。
CN202110417130.5A 2021-04-19 2021-04-19 基于启发式动态加深优化算法的任务分配方法 Active CN113112079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110417130.5A CN113112079B (zh) 2021-04-19 2021-04-19 基于启发式动态加深优化算法的任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110417130.5A CN113112079B (zh) 2021-04-19 2021-04-19 基于启发式动态加深优化算法的任务分配方法

Publications (2)

Publication Number Publication Date
CN113112079A CN113112079A (zh) 2021-07-13
CN113112079B true CN113112079B (zh) 2022-11-15

Family

ID=76718714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110417130.5A Active CN113112079B (zh) 2021-04-19 2021-04-19 基于启发式动态加深优化算法的任务分配方法

Country Status (1)

Country Link
CN (1) CN113112079B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010112907A1 (en) * 2009-03-31 2010-10-07 Bae Systems Plc Assigning weapons to threats
CN112181608A (zh) * 2019-07-03 2021-01-05 中南大学 一种基于局部信息的多点动态集结任务分布式分配算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010112907A1 (en) * 2009-03-31 2010-10-07 Bae Systems Plc Assigning weapons to threats
CN112181608A (zh) * 2019-07-03 2021-01-05 中南大学 一种基于局部信息的多点动态集结任务分布式分配算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于SAGWO算法的UCAVs动态协同任务分配;魏政磊等;《北京航空航天大学学报》;20180131(第08期);全文 *
针对多空中威胁目标的联合火力协同分配打击策略;付博雯等;《科学技术与工程》;20200828(第24期);全文 *

Also Published As

Publication number Publication date
CN113112079A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN112329348B (zh) 一种面向非完全信息条件下军事对抗博弈的智能决策方法
US6497169B1 (en) Method for automatic weapon allocation and scheduling against attacking threats
Hu et al. Improved Ant Colony Optimization for Weapon‐Target Assignment
CN106779210A (zh) 基于蚁群算法的火力分配方法
Khosla Hybrid genetic approach for the dynamic weapon-target allocation problem
CN107832885A (zh) 一种基于自适应迁移策略bbo算法的舰艇编队火力分配方法
Leboucher et al. Novel evolutionary game based multi-objective optimisation for dynamic weapon target assignment
CN104504440A (zh) 一种基于解释结构模型知识求精的弹药消耗预测系统及其方法
CN112070418B (zh) 一种多目标鲸鱼优化算法的武器目标分配方法
CN110874413A (zh) 一种基于关联规则挖掘的防空多武器系统效能评估指标体系建立方法
CN113112079B (zh) 基于启发式动态加深优化算法的任务分配方法
Ha et al. A stochastic game-based approach for multiple beyond-visual-range air combat
CN116050515B (zh) 一种基于XGBoost的平行推演多分支态势预测方法
Liu et al. A Time-Driven Dynamic Weapon Target Assignment Method
Wu et al. Heterogeneous networks topology optimization based on simulated annealing algorithm
CN114861417A (zh) 基于变邻域搜索的多阶段武器目标分配方法
CN116485039B (zh) 一种基于强化学习的打击序列智能规划方法
Lytvyn et al. Ontology Using for Decision Making in a Competitive Environment
Zou et al. Solving multi-stage weapon target assignment problems by C-TAEA
Chen et al. Research on multiple kill vehicles firepower distribution strategy based on adjust genetic algorithm
CN114565261B (zh) 基于gmqn的协同作战控制方法、系统、设备及介质
Li et al. Dynamic weapon target assignment based on deep q network
CN114880857B (zh) 基于混合智能搜索的武器资源多阶段优化分配方法
Wang et al. Clustering-Assisted Preselection Multiobjective Optimization for Equipment Portfolio
Khosla et al. Hybrid evolutionary algorithms for network-centric command and control

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