CN113435108A - 一种基于改进的鲸鱼优化算法的战场目标分群方法 - Google Patents

Abstract

本发明公开了一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，包括以下步骤：步骤1由战场不同批次目标组成待分群集合X＝{x₁,x₂,……x_N}；步骤2：对步骤1中的属性集合进行归一化处理，消除不同量纲的影响；步骤3：计算集合中两两属性之间的相似度，构成相似度矩阵，初始化r[a,b]＝0，A[a,b]＝0；步骤4：确定待寻优的偏向参数搜索空间[p_min,p_max]；步骤5：设置将Silhouette评价指标作为适应度函数，构建循环，利用改进的鲸鱼优化算法搜索全局最优参数；步骤6：将选取的全局最优参数带入AP算法，输出战场目标分群结果。

Description

一种基于改进的鲸鱼优化算法的战场目标分群方法

技术领域

本发明属军事指挥控制辅助决策应用技术领域，具体涉及一种基于改进的鲸鱼优化算法的战场目标分群方法。

背景技术

目标分群是战场态势感知领域中的重要内容，是后续态势理解和态势预测的基础。在信息化的战场上，战场空间和维度被指数型的拉大，各种作战力量错综复杂、相互交错，如果不对探测到的目标信息进行有效地归类和精炼，势必将使指挥员陷入“战争炫目”，不能很好地理解态势布局。因此，需要借助一定的数据挖掘和信息提取技术，将战场态势中敌我目标情况有序、清晰、有层次地提取出来并展现给指挥员，便于指挥员从全局整体把握战场态势，以制定科学而合理的作战决策，最终将信息优势转变为决策优势。

针对目标分群问题，1999年美国学者Blackman在研究目标跟踪问题时，最先将其看作是聚类问题。此后，有很多学者应用聚类方法为解决目标分群问题提出了新的见解和思路。李伟楠等人针对目标间相似性度量问题，就快速搜索和发现密度峰值的聚类算法(ClusteringbyFast Search andFind ofDensity Peaks,CFSFDP)进行了改进，将其应用到战场目标分群中，取得了不错的效果，但对于空间中存在多密度峰值的数据无法进行准确聚类。陈奎就传统k-means算法进行了改进，引入了熵权重的概念，通过计算属性权重值，对在聚类过程中各自属性的重要性进行区分，优化了目标分群效果，但容易陷入局部最优。李慧玲针对迭代自组织数据分析算法(Iterative Self-organizing DataAnalysis,ISODATA)对初始聚类中心敏感的问题，利用最大最小距离算法对其进行了改进，但应对复杂、不规则式的目标分布时，聚类效果较不明显。邢晨则将Chameleon算法应用到目标分群中，进行空间群的划分，但仍存在手动输入阈值的问题，影响到目标分群的求解精度。总的来看，尽管上述算法能够运用相应模型进行目标识别与分群，但在识别效率和精度上都有提升的空间。此外，上述算法参数大多需要人工确定，因此不具备在未知战场环境背景下自动聚类的能力。近邻传播算法是2007年提出的一种新颖的基于划分的聚类算法，运行时间短，误差平方和低，对初始值选择不敏感，反复执行算法得到的结果趋于一致，鲁棒性和稳定性好，对于大型数据集也有较好的聚类效果等优点，适用于智能化战场环境下目标分群。但存在偏向参数需要人工确定的问题。

鲸鱼优化算法是2016年提出一种基于种群的元启发式算法，模拟座头鲸气泡网策略，通过包围收缩、随机捕猎、更新螺旋位置以捕食猎物(最优解)。调节参数较少(A和C)，收敛速度较好，适用于解决各类优化问题。但在对全局最优解缺乏任何先验知识的条件下，采用随机方法初始化种群个体，不能保证能有效地提取解空间的有用信息，因此可能会造成初始种群分布不均，从而在一定程度上会影响算法的求解效率。

发明内容

针对上述存在的不足，本发明提出一种基于改进的鲸鱼优化算法的战场目标分群方法。

本发明采用的技术方案是：

一种基于改进的鲸鱼优化算法的战场目标分群方法，包括以下步骤：

步骤1：由战场不同批次目标组成待分群的数据集合X＝{x₁,x₂,……x_N}；

步骤2：对步骤1中的数据集合进行归一化处理，消除不同量纲的影响；

步骤3：计算数据集中两两元素之间的相似度，构成相似度矩阵，初始化r[a,b]＝0，A[a,b]＝0；

步骤4：确定偏向参数搜索空间[p_min,p_max]；

步骤5：将偏向参数作为待寻优参数，将Silhouette评价指标作为适应度函数，构建循环，利用改进的鲸鱼优化算法搜索全局最优参数；

步骤6：将选取的全局最优参数带入AP算法，输出战场目标分群结果。

优选的，在步骤1和2中，数据集合X＝{x₁,x₂,……x_N}，其中x表示战场上的目标实体，每一个目标的属性信息用x_i(i＝1,2,3......n)表示，则

x_i＝{x_i1,x_i2,x_i3......x_im} (1)

其中，x_im为第i个目标的第m个特征信息，包括批号、速度、位置、类型、敌我属性信息；

对数据集合进行归一化处理，具体公式如下：

其中，x(i,j)表示此时战场环境下第i批目标的第j维属性，可以是批号、速度、位置高度或其他特征信息，x_min指所有批次目标在第j维属性上的最小值，x_max指所有批次目标在第j维属性上的最大值。

优选的，在步骤3中，不同批次目标之间的相似度计算公式如下：

优选的，在步骤4中，偏向参数搜索空间[p_min,p_max]，其中p_min表示所有样本相似度的最小值，

p_m代表所有样本相似度的中位数，保证总的分群簇数N处于一个合理的限定空间内，

n代表样本规模。

优选的，在步骤5中，Silhouette评价指标如下所示：

由于需要将某一战场时刻的将所有目标划分为N个簇C_i(i＝1,2,……N)，将a(t)设置为C_i中战场目标t与其相同簇中其他战场目标的平均不相似度或距离，d(t,C_i)为簇C_i的目标t到另一个簇C_j的所有目标的平均不相似度或距离，b(t)＝min{d(t,C_j)}(i≠j)，计算所有样本Silhouette指标的平均值作为目标函数，如下所示：

优选的，在步骤5中，改进鲸鱼优化算法搜索全局最优参数的具体过程如下：

步骤501：根据预设的种群规模，通过混沌方式产生一个新的初始化种群，包括N个候选的偏向参数值用于寻优；

步骤502：计算新产生的鲸鱼种群中每只个体的适应度值，并进行排序，记录最佳个体的适应度值和其所在的位置；

步骤503：调整A、d(t)与a参数的值；

步骤504：引入非线性惯性权重w对鲸鱼个体位置更新策略进行调整；

步骤505：更新每次迭代中的随机数p和|A|，选择下一步位置更新策略；

步骤506：计算每个个体的适应度值，将适应度值与之前迭代产生的最佳适应度值相比较，激素最优个体的适应度值Leader_score以及所在的位置Leader_pos作为候选的最佳偏向参数；

步骤507：判断循环次数是否达到最大迭代次数t_max，若是，则输出最优个体的适应度值Leader_score和所在的位置Leader_pos，执行以下步骤；若否，则调整鲸鱼优化算法中A,d(t),a的值，执行步骤506，同时t＝t+1；

步骤508：利用筛选后的偏向参数对数据集X进行聚类。

优选的，在步骤501中，设种群的规模为N，维数为D，总迭代次数为t_max，采用Cubic映射方式产生由候选的偏向参数值组成的混沌序列Z_n，采用的Circle映射方式表达式为：

其中，z_n表示最初随机生成的偏向参数，a＝0.5，b＝0.2，将混沌序列映射到求解空间中，得到种群Z＝{Z₁,Z₂......Z_i}(i＝1,2......N)，则混沌初始种群个体(待寻优的偏向参数)X_k可表示为：

X_k(0)＝X_min+z(t)(X_max-X_min) (7)

其中，其中，X_min表示所定义的搜索空间内偏向参数的最小值，X_max表示搜索空间内偏向参数的最大值。

优选的，在步骤503中，A、d(t)与a参数调整方式分别为：

A＝2·a·r-a (8)

d(t)＝|C·X′(t)-X(t)| (9)

其中，r是[0,1]之间的均匀分布的随机数，C是[0,2]之间均匀分布的随机数。

优选的，在步骤504中，非线性惯性权重具体形式如下：

其中，t为当前迭代次数，t_max为最大迭代次数。

优选的，在步骤505中，根据每次迭代中的p值和|A|值判断，鲸鱼个体位置更新策略如下所示：

X(t+1)＝ω*X′(t)-A*d(t) (p＜0.5 and|A|≤1) (12)

X(t+1)＝ω*X″(t)-A*d(t) (p＜0.5 and|A|＞1) (13)

X(t+1)＝D′·e^bl·cos(2πl)+ω*X′(t) (p＞0.5) (14)

其中，X′(t)为目前得到的最优解的位置，X″(t)为随机一个鲸鱼个体的位置，D′为当前个体与最优个体之间的距离，D′＝|X′(t)-X(t)|，b是定义对数螺旋线形状的常数，l是[-1,1]之间的随机数。

本发明的有益效果：本发明将战场目标分群看作聚类问题，采用改进后的惊讶于优化算法进行对输入的数据集进行聚类，在整个过程中实现参数自动调整和优化，以输出最佳的聚类效果。相比原算法，收敛速度和寻优精度都得到了提高，对于解决单峰和多峰问题具有更好的实际效果。

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作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的一种基于改进的鲸鱼优化算法的战场目标分群方法的流程图；

图2为本发明中改进的鲸鱼优化算法的流程图；

图3为本发明所采用的混沌映射得到的序列分布比较图；(a)Logistic映射；(b)circle映射；(c)混沌映射；

图4为改进后的鲸鱼优化算法(CPIW-WOA)和其他算法在不同基准函数下的对比图；a)f₁(x)4种算法的收敛曲线对比图；(b)f₂(x)4种算法的收敛曲线对比图；(c)f₃(x)4种算法的收敛曲线对比图；

图5为在Wine数据集上分别运行不同聚类算法的结果比较图；(a)原数据集分布；(b)AP算法聚类图；(c)改进算法聚类图；

图6为在Two-moon数据集上分别运行不同聚类算法的结果比较图；(a)原数据集分布；(b)AP算法聚类图；(c)改进算法聚类图；

图7为利用本发明的算法进行战场目标分群的结果示意图；a)t时刻的目标分群结果图；(b)t2时刻的目标分群结果图。

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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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，一种基于改进的鲸鱼优化算法的战场目标分群方法，包括以下步骤：

步骤1：由战场不同批次目标组成待分群集合X＝{x₁,x₂,……x_N}；

数据集合X＝{x₁,x₂,……x_N}，其中x表示战场上的目标实体，每一个目标的属性信息用x_i(i＝1,2,3......n)表示，则

x_i＝{x_i1,x_i2,x_i3......x_im} (1)

其中，x_im为第i个目标的第m个特征信息，包括批号、速度、位置、类型、敌我属性信息。

步骤2：对步骤1中的数据集合进行归一化处理，消除不同量纲的影响；

具体公式如下：

其中，x(i,j)表示此时战场环境下第i批目标的第j维属性，可以是批号、速度、位置高度或其他特征信息，x_min指所有批次目标在第j维属性上的最小值，x_max指所有批次目标在第j维属性上的最大值。

步骤3：计算数据集中两两元素之间的相似度，构成相似度矩阵，初始化r[a,b]＝0，A[a,b]＝0；

相似度计算公式如下：

步骤4：确定偏向参数搜索空间[p_min,p_max]；其中p_min表示所有样本相似度的最小值，

p_m代表所有样本相似度的中位数，保证总的分群簇数N处于一个合理的限定空间内，

n代表样本规模；

步骤5：将偏向参数作为待寻优参数，将Silhouette评价指标作为适应度函数，构建循环，利用改进的鲸鱼优化算法搜索全局最优参数；

如图2所示，改进鲸鱼优化算法搜索全局最优参数的具体过程如下：

步骤501：根据预设的种群规模N，通过改进的混沌方式产生一个初始化种群，包括N个候选的偏向参数值用于寻优，具体方式如下；

设种群的规模为N，维数为D，总迭代次数为t_max，采用Cubic映射方式产生混沌序列Z_n，采用的Circle映射方式表达式为：

其中，z_n表示最初随机生成的偏向参数，a＝0.5，b＝0.2，将混沌序列映射到求解空间中，得到种群Z＝{Z₁,Z₂......Z_i}(i＝1,2......N)，则混沌初始种群个体(待寻优的偏向参数)X_k可表示为：

X_k(0)＝X_min+z(t)(X_max-X_min) (7)

其中，X_min表示所定义的搜索空间内偏向参数的最小值，X_max表示搜索空间内偏向参数的最大值

步骤502：计算新产生偏向参数对应的适应度值，并进行排序，记录最佳个体的适应度值和其所在的位置；

步骤503：调整原鲸鱼优化算法中A、d(t)与a参数的值；具体方式如下：

A＝2·a·r-a (8)

d(t)＝|C·X′(t)-X(t)| (9)

其中，r是[0,1]之间的均匀分布的随机数，C是[0,2]之间均匀分布的随机数。

步骤504：引入非线性惯性权重w对各偏向参数的位置更新策略进行调整；具体方式如下：

非线性惯性权重具体形式如下：

其中，t为当前迭代次数，t_max为最大迭代次数。

步骤505：更新鲸鱼优化算法中每次迭代中的p值和|A|值，选择下一步位置更新策略；具体方式如下：

X(t+1)＝ω*X′(t)-A*d(t) (p＜0.5 and|A|≤1) (12)

X(t+1)＝ω*X″(t)-A*d(t) (p＜0.5 and|A|＞1) (13)

X(t+1)＝D′·e^bl·cos(2πl)+ω*X′(t) (p＞0.5) (14)

其中，X′(t)为目前得到的最优解的位置，X″(t)为随机一个鲸鱼个体的位置，D′为当前个体与最优个体之间的距离，D′＝|X′(t)-X(t)|，b是定义对数螺旋线形状的常数，l是[-1,1]之间的随机数。

步骤506：计算每个新产生偏向参数对应的适应度值，将适应度值与之前迭代产生的最佳适应度值相比较，记录最优个体的适应度值Leader_score和所在的位置Leader_pos；

步骤507：判断改进的鲸鱼优化算法是否达到最大迭代次数t_max，若是，则输出最优个体的适应度值Leader_score和所在的位置Leader_pos，执行以下步骤；若否，则调整IWOA中A,d(t),a的值，执行步骤6.1，同时t＝t+1；

步骤508：利用筛选后的偏向参数对数据集X进行聚类。

步骤6：将选取的全局最优参数带入AP算法，输出战场目标分群结果。

Silhouette评价指标如下所示：

由于需要将某一战场时刻的将所有目标划分为N个簇C_i(i＝1,2,……N)，将a(t)设置为C_i中战场目标t与其相同簇中其他战场目标的平均不相似度或距离，d(t,C_i)为簇C_i的目标t到另一个簇C_j的所有目标的平均不相似度或距离，b(t)＝min{d(t,C_j)}(i≠j)，计算所有样本Silhouette指标的平均值作为目标函数，如下所示：

由于聚类质量的不同，样本的Silhouette的值会在[-1,1]之间变动。一般来说，Silhouette值越大，聚类质量越好。

假设上界和下界分别为0和1。当每种混沌方法运行1000次后，各自的序列分布如图3所示。横轴"值"代表个体的值，纵轴"次数"代表落入某个范围的个体数量。在图3(a)中，序列落入[0,0.1]和[0.9,1]范围的次数较多，这意味着这种混沌方法产生的序列将很有可能集中在这两个区域。在图3(b)中，序列主要集中在中间部分，即[0.2,0.5]范围内。在图3(c)中，该序列落入每个范围的个体数量大多相同，所以序列分布比较均匀。

在元启发式算法中，初始化种群的分布会极大地影响后续的探索和开发过程。与图3(a)和图3(b)中生成的序列相比，我们改进后的方法生成的序列在[0,1]范围内的分布更合理，可遍历性更强。因此，可以说明我们改进的方法是有效的。

如图4所示，本发明中所提出的改进鲸鱼优化算法在收敛效率和求解精度上均优于其他比较的算法。其中，基准函数的基本信息如表1所示。此外，实验参数设置如下：鲸鱼种群大小为30，最大迭代次数为500，其他参数保持相同。

表1基准函数

表明在改进的初始化种群生成方式以及引入了非线性惯性权重之后，算法的局部搜索能力和全局开发能力得到了加强，同时具备了更强的跳出局部最优的能力，因此收敛效率更为突出。

如图5所示，Wine数据集共有178个样本，初始维度为13，共分为3类，各类样本数量分别为59、71、48。应用PCA将数据集降至3维，3类样本分别用×形、□形和◇形表示。可以看出，在第二类和第三类离群点的处理上，AP算法将下方3个以及左上方2个属于第二类的样本划分至第三类，而本发明中所提出的APBWOA则划分正确，这说明该算法具有一定的鲁棒性和抗噪性。此外，在线性不可分数据点的处理上，AP算法将13个属于第三类的点划分至第一类，并将18个属于第二类的点划分至第三类，而APBWOA仅将12个属于第二类的样本错误划分至第一类，在第三类上划分正确，显示出较好的性能，说明该算法具有较好的处理分析线性不可分问题能力。

设定在某一时刻t，接到上级指示，甲方1-5号战机自西北方向进入战场，沿南偏东60方向飞行，甲方6-10号飞机自西南方向进入战场，沿北偏东60度方向飞行，乙方11-15号飞机自正东侧进入战场，呈“一字型”排列。在t1时刻，甲方3、4、5、6、7、8号飞机接到上级命令，临时改变航向，1-2号飞机沿南偏东30度方向飞行，9-10号飞机沿北偏东30度方向飞行，乙方飞机航向不变。在t2时刻，甲方3、4、5、6、7、8号飞机合并成群，同时甲方飞机对乙方飞机完成半包围。在t2时刻甲方指挥信息系统获取的战场目标状态信息如表2所示。

表2目标状态信息表

结合图6所示，在Two-moon数据集中包含500个数据点，由两个半圆随机生成，有两个不同的聚类。从聚类结果来看，传统的AP算法在处理这种密度敏感的数据分布时，显然表现不佳。因此，AP算法产生的聚类比实际情况中存在的聚类多。而本发明中所提出的改进算法对于识别此类样本具有更高的准确性，验证了APBWOA在处理复杂结构的稳定性和准确性。

如图7所示，运用本发明所提出的算法进行目标分群时取得了准确的结果。在t时刻，将不同批次目标正确划分为3个簇，如图7(a)所示。在t2时刻，将不同批次目标正确划分为4个簇。在整个过程中，没有出现错误划分的目标，和预期的想定情况一致。这验证了算法对于处理战场目标分群问题具有较好的稳定性和准确性。

以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，包括以下步骤：

步骤1：由战场不同批次目标组成待分群的数据集合X＝{x₁,x₂,……x_N}；

步骤2：对步骤1中的数据集合进行归一化处理，消除不同量纲的影响；

步骤3：计算数据集合中两两元素之间的相似度，构成相似度矩阵，初始化r[a,b]＝0，A[a,b]＝0；

步骤4：确定偏向参数搜索空间[p_min,p_max]；

步骤5：将偏向参数作为待寻优参数，将Silhouette评价指标作为适应度函数，构建循环，利用改进的鲸鱼优化算法搜索全局最优参数；

步骤6：将选取的全局最优参数带入AP算法，输出战场目标分群结果。

2.根据权利要求1所述的一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，在步骤1和2中，数据集合X＝{x₁,x₂,……x_N}，其中x表示战场上的目标实体，每一个目标的属性信息用x_i(i＝1,2,3......n)表示，则

x_i＝{x_i1,x_i2,x_i3......x_im} (1)

其中，x_im为第i个目标的第m个特征信息，包括批号、速度、位置、类型、敌我属性信息；

对数据集合进行归一化处理，具体公式如下：

其中，x(i,j)表示此时战场环境下第i批目标的第j维属性，可以是批号、速度、位置高度或其他特征信息，x_min指所有批次目标在第j维属性上的最小值，x_max指所有批次目标在第j维属性上的最大值。

3.根据权利要求1所述的一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，在步骤3中，不同批次目标之间的相似度计算公式如下：

4.根据权利要求1所述的一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，在步骤4中，偏向参数搜索空间[p_min,p_max]，其中p_min表示所有样本相似度的最小值，

p_m代表所有样本相似度的中位数，保证总的分群簇数N处于一个合理的限定空间内，

n代表样本规模。

5.根据权利要求1所述的一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，在步骤5中，Silhouette评价指标如下所示：

由于需要将某一战场时刻的将所有目标划分为N个簇C_i(i＝1,2,......N)，将a(t)设置为C_i中战场目标t与其相同簇中其他战场目标的平均不相似度或距离，d(t,C_i)为簇C_i的目标t到另一个簇C_j的所有目标的平均不相似度或距离，b(t)＝min{d(t,C_j)}(i≠j)，计算所有样本Silhouette指标的平均值作为目标函数，如下所示：

6.根据权利要求1所述的一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，在步骤5中，改进鲸鱼优化算法搜索全局最优参数的具体过程如下：

步骤501：根据预设的种群规模，通过混沌方式产生一个新的初始化种群，包括N个候选的偏向参数值用于寻优；

步骤502：计算新产生的鲸鱼种群中每只个体的适应度值，并进行排序，记录最佳个体的适应度值和其所在的位置；

步骤503：调整A、d(t)与a参数的值；

步骤504：引入非线性惯性权重w对鲸鱼个体位置更新策略进行调整；

步骤505：更新每次迭代中的随机数p和|A|，选择下一步位置更新策略；

步骤506：计算每个个体的适应度值，将适应度值与之前迭代产生的最佳适应度值相比较，激素最优个体的适应度值Leader_score以及所在的位置Leader_pos作为候选的最佳偏向参数；

步骤507：判断循环次数是否达到最大迭代次数t_max，若是，则输出最优个体的适应度值Leader_score和所在的位置Leader_pos，执行以下步骤；若否，则调整鲸鱼优化算法中A,d(t),a的值，执行步骤506，同时t＝t+1；

步骤508：利用筛选后的偏向参数对数据集X进行聚类。

7.根据权利要求6所述的一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，在步骤501中，设种群的规模为N，维数为D，总迭代次数为t_max，采用Cubic映射方式产生由候选的偏向参数值组成的混沌序列Z_n，采用的Circle映射方式表达式为：

其中，z_n表示最初随机生成的偏向参数，a＝0.5，b＝0.2，将混沌序列映射到求解空间中，得到种群Z＝{Z₁,Z₂......Z_i}(i＝1,2......N)，则混沌初始种群个体(待寻优的偏向参数)X_k可表示为：

X_k(0)＝X_min+z(t)(X_max-X_min) (7)

其中，其中，X_min表示所定义的搜索空间内偏向参数的最小值，X_max表示搜索空间内偏向参数的最大值。

8.根据权利要求6所述的一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，在步骤503中，A、d(t)与a参数调整方式分别为：

A＝2·a·r-a (8)

d(t)＝|C·X′(t)-X(t)| (9)

其中，r是[0,1]之间的均匀分布的随机数，C是[0,2]之间均匀分布的随机数。

9.根据权利要求6所述的一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，在步骤504中，非线性惯性权重具体形式如下：

其中，t为当前迭代次数，t_max为最大迭代次数。

10.根据权利要求6所述的一种基于改进的鲸鱼优化算法的战场目标分群方法，其特征在于，在步骤505中，根据每次迭代中的p值和|A|值判断，鲸鱼个体位置更新策略如下所示：

X(t+1)＝ω*X′(t)-A*d(t) (p＜0.5 and|A|≤1) (12)

X(t+1)＝ω*X″(t)-A*d(t) (p＜0.5 and|A|＞1) (13)

X(t+1)＝D′·e^bl·cos(2πl)+ω*X′(t) (p＞0.5) (14)

其中，X′(t)为目前得到的最优解的位置，X″(t)为随机一个鲸鱼个体的位置，D′为当前个体与最优个体之间的距离，D′＝|X′(t)-X(t)|，b是定义对数螺旋线形状的常数，l是[-1,1]之间的随机数。

Images