CN113689087A - 一种基于遗传算法的远程空中支援载机目标火力分配方法 - Google Patents
一种基于遗传算法的远程空中支援载机目标火力分配方法 Download PDFInfo
- Publication number
- CN113689087A CN113689087A CN202110888462.1A CN202110888462A CN113689087A CN 113689087 A CN113689087 A CN 113689087A CN 202110888462 A CN202110888462 A CN 202110888462A CN 113689087 A CN113689087 A CN 113689087A
- Authority
- CN
- China
- Prior art keywords
- weapon
- target
- population
- probability
- chromosome
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002068 genetic effect Effects 0.000 title claims abstract description 9
- 210000000349 chromosome Anatomy 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 30
- 108090000623 proteins and genes Proteins 0.000 claims description 26
- 230000035772 mutation Effects 0.000 claims description 16
- 230000006378 damage Effects 0.000 claims description 13
- 230000006798 recombination Effects 0.000 claims description 7
- 238000005215 recombination Methods 0.000 claims description 7
- 230000002759 chromosomal effect Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- 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
-
- 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
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于遗传算法的远程空中支援载机目标火力分配方法,根据载机武器配置、武器参数和态势威胁评估结果进行火力分配,计算杀伤每个目标所需各型号武器数量。本发明优化了远程空中支援载机的目标火力分配方法,由于采用了基于遗传算法的火力分配技术方案,运用该方案可使远程空中支援载机利用多种武器打击多个目标时,在消耗较少武器数的同时有效地杀伤敌方目标编队,获得较优作战效果的武器分配方案,解决了传统火力分配方法收敛速度慢且难以获得最优解的技术难题,使远程空中支援载机可以更好的为我方战机提供精确且强大的火力支援。
Description
技术领域
本发明涉及载机目标火力分配领域,特别是面向远程空中支援载机的目标火力分配方法。
背景技术
在现代空战中,先进战斗机为了满足外形上的高度隐身,载弹量大受限制,然而面对多波次、多编队来袭的目标,现有战斗机载弹量往往难以满足作战需求。由轰炸机、战斗机等改造而成的远程空中支援载机,具有载弹量大、可发射武器类型多等优点。远程空中支援载机携带大批远程打击导弹,接收来自我方战斗机的敌方目标信息,并按照我方战斗机的指令不断发射武器,从而形成压倒性的火力优势。为了在杀伤敌方目标的同时尽可能减少武器损耗,需要对远程空中支援载机进行目标火力分配。
在远程空中支援载机目标火力分配中,需要考虑搭载的不同型号武器数量约束以及对敌方目标杀伤概率约束,传统的火力分配方法如穷举法、单纯形法等计算复杂、耗时长,且在复杂问题下难以得到最优解,不能满足空战过程中对火力分配的要求。基于遗传算法的目标火力分配方法比之传统的火力分配方法有自组织、自适应和自学习性,可以利用进化过程中获取的信息进行自行搜索,大大提高了火力分配的有效性和快速性。
发明内容
为了克服现有技术的不足,本发明提供一种基于遗传算法的远程空中支援载机目标火力分配方法,根据载机武器配置、武器参数和态势威胁评估结果进行火力分配,计算杀伤每个目标所需各型号武器数量。
本发明解决其技术问题所采用的技术方案的具体步骤如下:
步骤1:进行编码;
共有b个型号共计M枚武器,第i个型号的武器有Mi枚,其中i=1,2,...,b,则:
M1+M2+…+Mb=M
共有c个目标,目标编号按威胁程度降序排列,各武器对目标的杀伤各自独立,第i个型号武器的单枚武器杀伤概率为pi,第i个型号武器攻击j号目标的数量为xij,0≤xij≤Mi,设qj-min为第j个目标的最大毁伤概率,第j个目标总毁伤概率大于qj-min时,目标被杀伤,其中j=1,2,...,c;
用矩阵X=(xij)表示火力规划矩阵,将矩阵X按行拉直得到染色体编码,L为染色体长度,则有:
L=b×c;
步骤2:初始化种群;
设最大进化代数为T,T为正整数,设种群规模为N,N为正整数,即代表种群中共包含N个个体,每个个体包含一条染色体,一个染色体上分布有L个基因;
染色体中每个基因初始是随机生成的整数,由此形成初始种群;
步骤3:建立适应度函数;
为保证目标被杀伤的同时减少武器资源消耗,将消耗的武器总数作为目标函数;
设每条染色体所代表的消耗武器数量为Mw,其中Mw为该染色体上所有基因的数值求和,则有:
其中,xij为第i个型号武器攻击j号目标的数量,c为目标数量,b为武器型号的种类数量;
初始适应度函数为f0(x),则有:
其中,M为可用武器的总数;
建立约束:第i个型号的xij枚武器打击j号目标,造成毁伤的概率为βij,则有:
其中,pi为第i个型号武器的单枚武器杀伤概率;
那么,j号目标的总毁伤概率Qj则为:
约束条件分别为武器数量约束和杀伤概率约束,依次如下:
Qj≥qj-min j=1,2,…,c
指示函数为G(x),则有:
适应度函数为F(x),则有:
F(x)=f0(x)×G(x)
步骤4:“环境”选择;
初始种群作为父代种群,从初始种群中随机选择2个个体,根据每个个体的适应度值,选择其中适应度值较大的个体进入子代种群,重复该操作,直到子代种群规模达到父代种群规模;
步骤5:基因进行重组与变异;
步骤6:判断是否满足终止条件:
针对步骤5得到的新的种群,若进化代数小于T,则进化代数加1并返回步骤4;若进化代数等于T,则进入步骤7;
步骤7:输出适应度最优个体对应火力规划矩阵:
计算跳出循环后种群中每个个体的适应度F(x),选出适应度最高的个体作为最优个体,并由该最优个体的染色体编码得到所对应的火力规划矩阵Xf,通过火力规划矩阵Xf得到远程空中支援载机的火力分配方案。
所述矩阵X=(xij)表示火力规划矩阵,如表1所示:
表1火力规划矩阵
所述步骤5中,基因进行重组与变异的具体步骤为:
染色体交叉概率为pc,将步骤4得到的子代种群中的个体随机成对作为父代,对父代以pc概率进行交换,产生随机数r1∈[0,1],若r1<Pc则发生交换,从父代的染色体中选取随机一点为交叉点,交换交叉点之后的基因,获得子代;如果父代未发生交换,那么由父代产生子代;
染色体变异概率为pm,对子代中每个个体以变异概率pm进行变异,产生随机数r2∈[0,1],若r2<Pm则发生变异,随机确定变异发生的点位,将该点位上的基因变成随机整数,由子代组成新的种群。
本发明的有益效果在于优化了远程空中支援载机的目标火力分配方法。由于采用了基于遗传算法的火力分配技术方案,运用该方案可使远程空中支援载机利用多种武器打击多个目标时,在消耗较少武器数的同时有效地杀伤敌方目标编队,获得较优作战效果的武器分配方案,解决了传统火力分配方法收敛速度慢且难以获得最优解的技术难题,使远程空中支援载机可以更好的为我方战机提供精确且强大的火力支援。
附图说明
图1为基于遗传算法的火力规划矩阵求解流程图。
图2为染色体编码示意图。
图3为染色体交叉及变异示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明解决其技术问题所采用的技术方案的具体步骤如下:
步骤1:进行编码;
共有b个型号共计M枚武器,第i个型号的武器有Mi枚,其中i=1,2,...,b,则:
M1+M2+…+Mb=M
共有c个目标,目标编号按威胁程度降序排列,各武器对目标的杀伤各自独立,第i个型号武器的单枚武器杀伤概率为pi,第i个型号武器攻击j号目标的数量为xij,0≤xij≤Mi,设qj-min为第j个目标的最大毁伤概率,第j个目标总毁伤概率大于qj-min时,目标被杀伤,其中j=1,2,...,c;
用矩阵X=(xij)表示火力规划矩阵,将矩阵X按行拉直得到染色体编码,如图2所示;L为染色体长度,则有:
L=b×c;
步骤2:初始化种群;
设最大进化代数为T,T为正整数,设种群规模为N,N为正整数,即代表种群中共包含N个个体,每个个体包含一条染色体,一个染色体上分布有L个基因;
染色体中每个基因初始是随机生成的整数,由此形成初始种群。
步骤3:建立适应度函数;
为保证目标被杀伤的同时减少武器资源消耗,将消耗的武器总数作为目标函数;
设每条染色体所代表的消耗武器数量为Mw,其中Mw为该染色体上所有基因的数值求和,则有:
其中,xij为第i个型号武器攻击j号目标的数量,c为目标数量,b为武器型号的种类数量;
初始适应度函数为f0(x),则有:
其中,M为可用武器的总数;
建立约束:第i个型号的xij枚武器打击j号目标,造成毁伤的概率为βij,则有:
其中,pi为第i个型号武器的单枚武器杀伤概率;
那么,j号目标的总毁伤概率Qj则为:
约束条件分别为武器数量约束和杀伤概率约束,依次如下:
Qj≥qj-min j=1,2,…,c
指示函数为G(x),则有:
适应度函数为F(x),则有:
F(x)=f0(x)×G(x)
步骤4:“环境”选择;
初始种群作为父代种群,从初始种群中随机选择2个个体,根据每个个体的适应度值,选择其中适应度值较大的个体进入子代种群,重复该操作,直到子代种群规模达到父代种群规模;
步骤5:基因进行重组与变异;
步骤6:判断是否满足终止条件:
针对步骤5得到的新的种群,若进化代数小于T,则进化代数加1并返回步骤4;若进化代数等于T,则进入步骤7;
步骤7:输出适应度最优个体对应火力规划矩阵:
计算跳出循环后种群中每个个体的适应度F(x),选出适应度最高的个体作为最优个体,并由该最优个体的染色体编码得到所对应的火力规划矩阵Xf,通过火力规划矩阵Xf得到远程空中支援载机的火力分配方案。
所述矩阵X=(xij)表示火力规划矩阵,如表1所示:
表1火力规划矩阵
所述步骤5中,基因进行重组与变异的具体步骤为:
染色体交叉概率为pc,将步骤4得到的子代种群中的个体随机成对作为父代,对父代以pc概率进行交换,产生随机数r1∈[0,1],若r1<Pc则发生交换,从父代的染色体中选取随机一点为交叉点,交换交叉点之后的基因,获得子代;如果父代未发生交换,那么由父代产生子代;
染色体变异概率为pm,对子代中每个个体以变异概率pm进行变异,产生随机数r2∈[0,1],若r2<Pm则发生变异,随机确定变异发生的点位,将该点位上的基因变成随机整数,由子代组成新的种群;具体操作方法如图3所示。
本发明的实例包括以下几个步骤:
(1)编码:
设第1个型号的武器有5枚,第2个型号的武器有10枚,第3个型号的武器有10枚,即b=3,M=25,M1=5,M2=10,M3=10。设共有1,2,3,4号四个目标,即c=4,其中1号目标为长机,其余目标为僚机。设第1,2,3型武器的单枚武器杀伤概率分别为0.50,0.45和0.40,即p1=0.50,p2=0.45,p3=0.40,设第1个目标总毁伤概率大于0.95时目标被杀伤,即q1-min=0.95,设第2,3,4个目标总毁伤概率大于0.90时目标被杀伤,即q2-min=q3-min=q4-min=0.90。
(2)初始化种群:
取种群规模N=20,最大代数T=100,则种群中共包含20个个体,每个个体中包含一条染色体,一个染色体上分布有12个基因。染色体中每个基因初始是随机生成的整数,由此形成初始种群。
(3)建立适应度函数:
初始适应度函数为:
约束条件为:
指示函数为:
适应度函数为:
F(x)=f(x)×G(x)
(4)“环境”选择:
初始种群作为父代种群,从初始种群中随机选择2个个体,根据每个个体的适应度值,选择其中适应度值较大的个体进入子代种群。重复该操作,直到子代种群规模达到父代种群规模。
(5)基因重组,变异:
设染色体交叉概率为pc=0.8,将步骤4得到的子代种群中的个体随机成对作为父代,对父代以交叉概率0.8进行交换,从父代的染色体中选取随机一点为交叉点,交换交叉点之后的基因,获得子代;设染色体变异概率为pm=0.05,对子代中每个个体以变异概率0.05进行变异,随机确定变异发生的点位,将该点位上的基因变成随机整数,由变异后子代组成新的种群。
(6)判断是否满足终止条件:
针对新的种群,若进化代数小于100,则返回步骤(4)且进化代数加一;若进化代数等于100,则进入步骤7。
(7)输出适应度最有个体对应火力规划矩阵:
Claims (3)
1.一种基于遗传算法的远程空中支援载机目标火力分配方法,其特征在于包括下述步骤:
步骤1:进行编码;
共有b个型号共计M枚武器,第i个型号的武器有Mi枚,其中i=1,2,...,b,则:
M1+M2+…+Mb=M
共有c个目标,目标编号按威胁程度降序排列,各武器对目标的杀伤各自独立,第i个型号武器的单枚武器杀伤概率为pi,第i个型号武器攻击j号目标的数量为xij,0≤xij≤Mi,设qj-min为第j个目标的最大毁伤概率,第j个目标总毁伤概率大于qj-min时,目标被杀伤,其中j=1,2,...,c;
用矩阵X=(xij)表示火力规划矩阵,将矩阵X按行拉直得到染色体编码,L为染色体长度,则有:
L=b×c;
步骤2:初始化种群;
设最大进化代数为T,T为正整数,设种群规模为N,N为正整数,即代表种群中共包含N个个体,每个个体包含一条染色体,一个染色体上分布有L个基因;
染色体中每个基因初始是随机生成的整数,由此形成初始种群;
步骤3:建立适应度函数;
为保证目标被杀伤的同时减少武器资源消耗,将消耗的武器总数作为目标函数;
设每条染色体所代表的消耗武器数量为Mw,其中Mw为该染色体上所有基因的数值求和,则有:
其中,xij为第i个型号武器攻击j号目标的数量,c为目标数量,b为武器型号的种类数量;
初始适应度函数为f0(x),则有:
其中,M为可用武器的总数;
建立约束:第i个型号的xij枚武器打击j号目标,造成毁伤的概率为βij,则有:
其中,pi为第i个型号武器的单枚武器杀伤概率;
那么,j号目标的总毁伤概率Qj则为:
约束条件分别为武器数量约束和杀伤概率约束,依次如下:
Qj≥qj-min j=1,2,…,c
指示函数为G(x),则有:
适应度函数为F(x),则有:
F(x)=f0(x)×G(x)
步骤4:“环境”选择;
初始种群作为父代种群,从初始种群中随机选择2个个体,根据每个个体的适应度值,选择其中适应度值较大的个体进入子代种群,重复该操作,直到子代种群规模达到父代种群规模;
步骤5:基因进行重组与变异;
步骤6:判断是否满足终止条件:
针对步骤5得到的新的种群,若进化代数小于T,则进化代数加1并返回步骤4;若进化代数等于T,则进入步骤7;
步骤7:输出适应度最优个体对应火力规划矩阵:
计算跳出循环后种群中每个个体的适应度F(x),选出适应度最高的个体作为最优个体,并由该最优个体的染色体编码得到所对应的火力规划矩阵Xf,通过火力规划矩阵Xf得到远程空中支援载机的火力分配方案。
2.根据权利要求1所述的基于遗传算法的远程空中支援载机目标火力分配方法,其特征在于:
所述矩阵X=(xij)表示火力规划矩阵,如表1所示:
表1火力规划矩阵
。
3.根据权利要求1所述的基于遗传算法的远程空中支援载机目标火力分配方法,其特征在于:
所述步骤5中,基因进行重组与变异的具体步骤为:
染色体交叉概率为pc,将步骤4得到的子代种群中的个体随机成对作为父代,对父代以pc概率进行交换,产生随机数r1∈[0,1],若r1<Pc则发生交换,从父代的染色体中选取随机一点为交叉点,交换交叉点之后的基因,获得子代;如果父代未发生交换,那么由父代产生子代;
染色体变异概率为pm,对子代中每个个体以变异概率pm进行变异,产生随机数r2∈[0,1],若r2<Pm则发生变异,随机确定变异发生的点位,将该点位上的基因变成随机整数,由子代组成新的种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888462.1A CN113689087B (zh) | 2021-08-03 | 2021-08-03 | 一种基于遗传算法的远程空中支援载机目标火力分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110888462.1A CN113689087B (zh) | 2021-08-03 | 2021-08-03 | 一种基于遗传算法的远程空中支援载机目标火力分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689087A true CN113689087A (zh) | 2021-11-23 |
CN113689087B CN113689087B (zh) | 2024-03-19 |
Family
ID=78578685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110888462.1A Active CN113689087B (zh) | 2021-08-03 | 2021-08-03 | 一种基于遗传算法的远程空中支援载机目标火力分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689087B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000207385A (ja) * | 1999-01-18 | 2000-07-28 | Mitsubishi Electric Corp | 資源配分装置 |
WO2010097145A1 (de) * | 2009-02-25 | 2010-09-02 | Rheinmetall Waffe Munition Gmbh | Feuerleitung einer richtbaren waffenanlage |
CN108416441A (zh) * | 2018-05-10 | 2018-08-17 | 华中科技大学 | 一种基于遗传算法的舰船对岸打击火力分配方法 |
-
2021
- 2021-08-03 CN CN202110888462.1A patent/CN113689087B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000207385A (ja) * | 1999-01-18 | 2000-07-28 | Mitsubishi Electric Corp | 資源配分装置 |
WO2010097145A1 (de) * | 2009-02-25 | 2010-09-02 | Rheinmetall Waffe Munition Gmbh | Feuerleitung einer richtbaren waffenanlage |
CN108416441A (zh) * | 2018-05-10 | 2018-08-17 | 华中科技大学 | 一种基于遗传算法的舰船对岸打击火力分配方法 |
Non-Patent Citations (5)
Title |
---|
ZHI TENG WANG ET AL: "Fire Distribution Optimization Based on Quantum Immune Genetic Algorithm", IEEE, 29 December 2011 (2011-12-29) * |
冯杰: "遗传算法及其在导弹火力分配上的应用", 火力与指挥控制, no. 02, 30 April 2004 (2004-04-30) * |
沈培志;李建;黄伟;李田科;: "基于遗传算法的反舰导弹火力分配优化", 舰船电子工程, no. 10, 20 October 2009 (2009-10-20) * |
高桂清;向进;董承博;: "基于遗传算法的常规弹道导弹火力分配", 四川兵工学报, no. 11 * |
高桂清;向进;董承博;: "基于遗传算法的常规弹道导弹火力分配", 四川兵工学报, no. 11, 25 November 2009 (2009-11-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN113689087B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416441B (zh) | 一种基于遗传算法的舰船对岸打击火力分配方法 | |
CN107832885B (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 | |
CN105005820B (zh) | 一种基于种群爆炸粒子群算法的目标分配优化方法 | |
CN107515618A (zh) | 一种考虑时间窗口的异构无人机协同任务分配方法 | |
CN114594794B (zh) | 一种考虑子系统执行能力的多机协同任务规划方法 | |
CN114330715A (zh) | 一种智能弹药协同进化任务分配方法 | |
CN110134007A (zh) | 多无人机协同目标分配方法 | |
CN112070418B (zh) | 一种多目标鲸鱼优化算法的武器目标分配方法 | |
CN114565239A (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN105739304B (zh) | 一种基于对立思想改进遗传算法的多ucav在线打击目标分配方法 | |
CN111240366A (zh) | 一种基于遗传模拟退火算法的蜂群无人机协同攻击方法 | |
Lu et al. | An improved genetic algorithm for target assignment, optimization of naval fleet air defense | |
CN109325598A (zh) | 一种面向资源分配的组合混沌遗传算法 | |
CN116681223A (zh) | 一种基于增强moea/d的多阶段作战资源协同分配方法 | |
CN113689087A (zh) | 一种基于遗传算法的远程空中支援载机目标火力分配方法 | |
CN116090356B (zh) | 基于任务可靠性约束的异构弹群多目标任务规划方法 | |
CN116050086A (zh) | 一种基于遗传算法的多机空战任务分配方法 | |
CN111382896B (zh) | 一种自适应混沌并行克隆选择算法的wta目标优化方法 | |
CN116258357A (zh) | 一种基于多基因遗传算法的异构无人机协同目标分配方法 | |
CN116095670A (zh) | 一种基于5g图结构网络的攻防博弈建模及均衡分析方法 | |
CN114070655B (zh) | 网络流量检测规则生成方法及装置、电子设备、存储介质 | |
Ruining et al. | Improved genetic algorithm for weapon target assignment problem | |
CN114861417A (zh) | 基于变邻域搜索的多阶段武器目标分配方法 | |
CN116596287B (zh) | 一种任务驱动决策方法及系统 | |
Fu et al. | Study on the weapon target assignment problem using hybrid genetic algorithm |
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 |