CN114926026A - 一种多维特征深度学习的目标分配优化方法 - Google Patents
一种多维特征深度学习的目标分配优化方法 Download PDFInfo
- Publication number
- CN114926026A CN114926026A CN202210559009.0A CN202210559009A CN114926026A CN 114926026 A CN114926026 A CN 114926026A CN 202210559009 A CN202210559009 A CN 202210559009A CN 114926026 A CN114926026 A CN 114926026A
- Authority
- CN
- China
- Prior art keywords
- target
- weapon
- layer
- factor
- neural network
- 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
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明提供了一种多维特征深度学习的目标分配优化方法,通过选取多维关键特征属性,构建一种适应特征维度规模的深度神经网络目标分配优化模型结构,以数据学习驱动智能自主目标分配,提高大规模复杂战场环境目标分配的准确性和实时性。本发明提出了6维关键特征属性作为深度神经网络目标分配优化模型输入参数,能够在协同作战条件下更全面地描述影响多平台武器协同打击目标分配的战场环境因素,构建了一种适应特征维度规模的深度神经网络目标分配优化模型结构,既保证了更加准确地拟合训练数据、更加小的目标分配损失值和更快的计算处理速度,又有效解决了由于网络层数越多引起的网络权值得不到及时更新和无法收敛到全局最优的问题。
Description
技术领域
本发明涉及决策控制技术领域,尤其涉及一种多维特征深度学习的目标分配优化方法。
背景技术
在网络化作战条件下,多方向、多批次饱和式攻击和复杂不确定的战场环境,显著增加了多平台武器协同打击决策的困难,武器目标分配作为制定打击决策的前提和依据,需要综合考虑传感器、武器资源防御力量和来袭空中威胁情况,对来袭目标分配相应的传感器和武器,确定最佳的武器-传感器-目标火力通道,其难点在于如何解决大批量目标分配的快速性和准确性。
现阶段研究较多的智能仿生算法,如神经网络、粒子群算法、遗传算法、蚁群算法,对于中小规模作战环境目标分配具有适应性,但大规模作战环境计算量巨大,搜索时间慢,有时只能得到近似解。例如,文献中提出的基于Hopfield神经网络的防空火力最优分配模型,由于网络模型本身能量局部极小的存在,不能保证求得真正意义上的最优解,但在时间允许范围内可以求得较佳解;提出的基于神经网络TSP算法的防空作战火力分配模型,在一对一分配条件下具有良好的应用效果,但对一对多或多对一的分配方法仍存在较大不足,网络收敛速度有待完善与改进;提出的基于神经网络的防空武器多目标火力分配模糊优化模型,对于网络的收敛和局部最优问题及算法实时性尚未考虑;提出的基于DQN的反舰导弹火力分配方法,其模型与真实情况相比做了较多简化处理;提出的基于强化学习与神经网络的动态目标分配算法,仅以武器目标相对距离作为特征属性,特征描述简单。
上述方法有其自身的缺点:一是对描述战场环境的特征属性进行了简化,模型中选取的特性简单,一般仅考虑目标威胁值、武器目标相对距离特征,不能全面描述战场环境因素,导致目标分配结果不准确或与真实作战情况有较大差距;二是算法的收敛速度慢、实时性不强,特别是在大容量饱和攻击情况下,大规模作战环境导致决策反应时间不能满足实际作战要求。
发明内容
为了克服现有技术的不足,本发明提供一种多维特征深度学习的目标分配优化方法,通过选取多维关键特征属性,构建一种适应特征维度规模的深度神经网络目标分配优化模型结构,以数据学习驱动智能自主目标分配,提高大规模复杂战场环境目标分配的准确性和实时性。
本发明解决其技术问题所采用的技术方案包括以下步骤:
1)接收目标威胁评估结果、目标毁伤概率计算结果、可拦截性判断结果和武器状态信息、跟踪状态信息、目标运动位置信息,提取6维特征属性,将特征属性数据归一化,使特征属性数据落入[0,1]取值区间,得到i目标对于j武器的特征数据集x=(Wi,Pi,j,λi,j,αj,βi,j,di,j)T,其中Wi为目标威胁值、Pi,j为目标毁伤概率、λi,j为目标可拦截性因子、αj为余弹量因子、βi,j为传感器保障因子、di,j为武器-目标相对距离;
2)将特征数据集x=(Wi,Pi,j,λi,j,αj,βi,j,di,j)T作为输入层参数,在深度神经网络框架下,构建适应输入特征维度规模的L层深度神经网络目标分配优化模型结构,隐藏层采用两层神经网络进行非线性拟合,第1层和第2层分别设置20、10个节点,输出层输出j武器分配给i目标的打击适宜度
3)给定训练样本集(x1,y1),其中, 分别表示训练样本集x1中i目标对于j武器的目标威胁值、目标毁伤概率、目标可拦截性因子、余弹量因子、传感器保障因子、武器-目标相对距离和打击适宜度,随机设定初始的深度神经网络中第l层相乘因子权值参数Wl和相加因子权值参数bl,Wl、bl∈(0,1),利用目标分配结果的损失函数,设置训练初始学习率0.01,最小学习率为0.001,对权值参数进行优化训练,将训练后最优值对应的Wl、bl更新至深度神经网络,得到深度神经网络目标分配优化模型;
4)给定来袭目标特征数据集其中, 分别表示来袭目标特征数据集x2中i目标对于j武器的目标威胁值、目标毁伤概率、目标可拦截性因子、余弹量因子、传感器保障因子和武器-目标相对距离,将x2输入至深度神经网络目标分配优化模型,输出来袭目标特征数据集j武器分配给i目标的打击适宜度从i目标对于所有武器得出的(j=1,2,…,n)中选择其最大值所对应分配的武器,即得到武器目标最优分配结果。
所述的步骤1)中特征数据集构建采用以下步骤实现:
a)目标威胁值Wi,表征目标i相对于平台的威胁度,由外部目标威胁评估结果得到,取值范围[0,1];
b)目标毁伤概率Pi,j,表征武器j对于目标i的毁伤概率大小,由外部毁伤概率计算结果得到,取值范围[0,1];
c)目标可拦截性因子λi,j,表征目标i是否在武器j的可拦截范围,由外部可拦截性判断结果得到,如果在可拦截范围之内则为1,否则0;
d)余弹量因子αj,单平台武器j当前余弹量ResNj,Nmax为满载弹量,余弹量因子αj按以下公式计算:
其中,0<β1≤1,β1由指挥员根据战场态势自行设置,β1越小,表示指挥员越激进;β1越大,表示指挥员越保守;
f)武器-目标相对距离di,j,表征目标i距离武器j的距离归一化值,则di,j按以下公式计算:
di,j=Di,j/Dmax (2)
其中Dmax为根据经验值设定目标距离武器距离最大值,Di,j为目标i距离武器j的距离。
所述的步骤2)中深度神经网络目标分配优化模型结构的构建,具体采用以下步骤实现:
a)输入层节点个数为6×N,其中,单个目标特征属性为6个,N是目标数量,第1至6个输入节点对应第1个目标,后续编号目标按照固定顺序依次排列;
b)隐藏层采用Sigmoid函数进行目标特征非线性优化,前后两层网络向前传播的关系为:
式中,zl表示第l层的变量,1<l<L,每两个神经元之间有一个相乘因子参数Wl和相加因子参数bl,al+1表示第l+1层的线性函数输出值,zl+1表示第l+1层的变量;
其中,激励函数fl(·)采用sigmoid函数:
c)输出层节点个数为M×N,其中,M为武器类型数量,每M个输出节点对应一个目标,输出层采用softmax函数:
所述步骤3)中的目标分配损失函数,使用基于多分类的交叉熵损失函数计算,计算公式如下:
本发明的有益效果在于:
1)提出了6维关键特征属性作为深度神经网络目标分配优化模型输入参数,相比传统简化特征模型,能够在协同作战条件下更全面地描述影响多平台武器协同打击目标分配的战场环境因素。
2)构建了一种适应特征维度规模的深度神经网络目标分配优化模型结构,既保证了更加准确地拟合训练数据、更加小的目标分配损失值和更快的计算处理速度,又有效解决了由于网络层数越多引起的网络权值得不到及时更新和无法收敛到全局最优的问题。
附图说明
图1是本发明的多维特征深度学习的目标分配优化方法框架组成图。
图2是本发明的多维特征深度学习的目标分配优化方法的流程图。
图3是本发明的深度神经网络目标分配优化模型结构示意图。
图4是多平台对空作战场景示意图。
图5是本发明方法与粒子群算法目标分配方法在不同试验次数下的拦截成功效能对比图。
图6是本发明方法模型结构与不同隐藏层及节点数量的深度神经网络模型结构的拦截成功效能对比图。
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。
本发明针对多平台武器目标分配的实时性和准确性问题,设计了一种多维特征深度学习的目标分配优化方法。本发明的整体框架组成如图1所示,其技术方案包含以下4个要点:首先,接收目标威胁评估、可拦截性判断结果和目标运动位置、跟踪状态和武器状态信息,提取并构建归一化的6维特征数据集,从而更加全面地描述影响多平台协同打击目标分配的战场环境因素;其次,以特征数据集作为输入,构建一种适应特征维度规模的深度神经网络目标分配优化模型结构,平衡优化网络模型过拟合和欠拟合问题,提高目标分配的计算速度和准确性;再次,利用基于目标分配结果的损失函数,通过训练样本集对深度神经网络目标分配优化模型中的权值参数进行训练和最优化值更新;最后,将来袭目标特征数据集输入至最优权值更新后的深度神经网络目标分配优化模型,输出武器分配给目标的打击适宜度,选择目标打击适宜度最大值所对应分配的武器,得到武器目标最优分配结果。
下面结合附图和实施例对本发明进一步说明,如图2所示,其步骤如下:
步骤1:关键特征属性量化建模;
1a)接收外部输入的目标威胁评估结果、目标毁伤概率计算结果、可拦截性判断结果和武器状态信息、跟踪状态信息、目标运动位置信息;
1b)根据步骤1a)接收信息,提取6维特征属性,将特征属性数据归一化,使之落入[0,1]取值区间,得到i目标对于j武器的特征数据集x=(Wi,Pi,j,λi,j,αj,βi,j,di,j)T,特征数据集构建采用以下方法:
(1)目标威胁值Wi,表征目标i相对于平台的威胁度,由外部目标威胁评估结果得到,取值范围[0,1];
(2)目标毁伤概率Pi,j,表征武器j对于目标i的毁伤概率大小,由外部毁伤概率计算结果得到,取值范围[0,1];
(3)目标可拦截性因子λi,j,表征目标i是否在武器j的可拦截范围,由外部可拦截性判断结果得到,如果在可拦截范围之内则为1,否则0;
(4)余弹量因子αj,假设单平台武器j当前余弹量ResNj,Nmax为满载弹量,余弹量因子αj按以下公式计算:
其中,0<β1≤1,β1由指挥员根据战场态势自行设置,β1越小,表示指挥员越激进;β1越大,表示指挥员越保守。
(6)武器-目标相对距离di,j,表征目标i距离武器j的距离归一化值。根据经验值设定目标距离武器距离最大值为Dmax,目标i距离武器j的距离为Di,j,则di,j按以下公式计算:
di,j=Di,j/Dmax (8)
步骤2:深度神经网络目标分配优化模型构建;
2a)输入层输入6维特征数据集x=(Wi,Pi,j,λi,j,αj,βi,j,di,j)T,N个目标的输入层节点个数为6×N,第1至6个输入节点对应第1个目标,后续编号目标按照固定顺序依次排列。
2b)隐藏层采用两层神经网络进行非线性拟合,第1层和第2层分别设置20、10个节点,利用Sigmoid函数进行目标特征非线性优化,前后两层网络向前传播的关系为:
式中,zl表示第l层的变量,1<l<L,每两个神经元之间有一个相乘因子参数Wl和相加因子参数bl,al+1表示第l+1层的线性函数输出值,zl+1表示第l+1层的变量。
其中,激励函数fl(·)采用sigmoid函数:
步骤3:目标分配优化模型有监督学习;
3b)随机设定初始的深度神经网络中第l层相乘因子权值参数Wl和相加因子权值参数bl,Wl、bl∈(0,1);
3c)根据步骤3a)和3b),利用目标分配结果的损失函数,设置训练初始学习率0.01、最小学习率0.001,对权值参数进行优化训练,目标分配损失函数使用基于多分类的交叉熵损失函数,计算公式如下:
3d)将步骤3c)训练后最优值对应的Wl、bl更新至深度神经网络,得到深度神经网络目标分配优化模型。
步骤4:新的目标分配优化计算。
通过将本发明方法与粒子群目标分配方法,以及将本发明方法提出的深度神经网络目标分配优化模型结构与不同隐藏层及节点数量的深度神经网络目标分配模型结构分别作拦截成功效能对比,以此来反映目标分配的准确性,目标拦截成功效能值按以下公式计算:
式中,Wi为i目标的威胁值,pi为i目标对应导弹武器的拦截概率。
如图4所示,假设有4个火力打击平台,呈菱形排列,待分配空中目标数量20个,从单一方向来袭,每个目标具有不同的威胁值;如图5所示,为本发明方法与粒子群目标分配方法在不同试验次数下的目标拦截成功效能对比曲线,经仿真计算,本发明方法的目标分配计算处理时间达到百毫秒以内,在相同处理时间条件下比粒子群目标分配方法拦截成功效能提升20%;如图6所示,为本发明方法提出的2个隐藏层(节点数分别为20、10个,表示为2-20/10)深度神经网络目标分配优化模型结构与2个隐藏层(节点数分别为30、20个,表示为2-30/20)、3个隐藏层(节点数分别为20、10、10个,表示为3-20/10/10)的深度神经网络目标分配模型结构的目标平均拦截成功效能对比曲线,不同实验条件平均拦截成功效能统计结果如表1所示:
表1不同实验条件平均拦截成功效能统计结果表
实验 | 实验1(2-20/10) | 实验2(2-30/20) | 实验3(3-20/10/10) |
效能结果 | 108.12 | 108.08 | 108.12 |
仿真分析表明,三种模型结构的目标分配效果基本相同,但本发明方法提出的深度神经网络目标分配优化模型结构最简洁,目标分配耗时最短,综合对比本发明方法提出的模型结果效果最优。
Claims (4)
1.一种多维特征深度学习的目标分配优化方法,其特征在于包括下述步骤:
1)接收目标威胁评估结果、目标毁伤概率计算结果、可拦截性判断结果和武器状态信息、跟踪状态信息、目标运动位置信息,提取6维特征属性,将特征属性数据归一化,使特征属性数据落入[0,1]取值区间,得到i目标对于j武器的特征数据集x=(Wi,Pi,j,λi,j,αj,βi,j,di,j)T,其中Wi为目标威胁值、Pi,j为目标毁伤概率、λi,j为目标可拦截性因子、αj为余弹量因子、βi,j为传感器保障因子、di,j为武器-目标相对距离;
2)将特征数据集x=(Wi,Pi,j,λi,j,αj,βi,j,di,j)T作为输入层参数,在深度神经网络框架下,构建适应输入特征维度规模的L层深度神经网络目标分配优化模型结构,隐藏层采用两层神经网络进行非线性拟合,第1层和第2层分别设置20、10个节点,输出层输出j武器分配给i目标的打击适宜度
3)给定训练样本集(x1,y1),其中,Wi 1、 分别表示训练样本集x1中i目标对于j武器的目标威胁值、目标毁伤概率、目标可拦截性因子、余弹量因子、传感器保障因子、武器-目标相对距离和打击适宜度,随机设定初始的深度神经网络中第l层相乘因子权值参数Wl和相加因子权值参数bl,Wl、bl∈(0,1),利用目标分配结果的损失函数,设置训练初始学习率0.01,最小学习率为0.001,对权值参数进行优化训练,将训练后最优值对应的Wl、bl更新至深度神经网络,得到深度神经网络目标分配优化模型;
2.根据权利要求1所述的多维特征深度学习的目标分配优化方法,其特征在于:
所述的步骤1)中特征数据集构建采用以下步骤实现:
a)目标威胁值Wi,表征目标i相对于平台的威胁度,由外部目标威胁评估结果得到,取值范围[0,1];
b)目标毁伤概率Pi,j,表征武器j对于目标i的毁伤概率大小,由外部毁伤概率计算结果得到,取值范围[0,1];
c)目标可拦截性因子λi,j,表征目标i是否在武器j的可拦截范围,由外部可拦截性判断结果得到,如果在可拦截范围之内则为1,否则0;
d)余弹量因子αj,单平台武器j当前余弹量ResNj,Nmax为满载弹量,余弹量因子αj按以下公式计算:
其中,0<β1≤1,β1由指挥员根据战场态势自行设置,β1越小,表示指挥员越激进;β1越大,表示指挥员越保守;
f)武器-目标相对距离di,j,表征目标i距离武器j的距离归一化值,则di,j按以下公式计算:
di,j=Di,j/Dmax (2)
其中Dmax为根据经验值设定目标距离武器距离最大值,Di,j为目标i距离武器j的距离。
3.根据权利要求1所述的多维特征深度学习的目标分配优化方法,其特征在于:
所述的步骤2)中深度神经网络目标分配优化模型结构的构建,具体采用以下步骤实现:
a)输入层节点个数为6×N,其中,单个目标特征属性为6个,N是目标数量,第1至6个输入节点对应第1个目标,后续编号目标按照固定顺序依次排列;
b)隐藏层采用Sigmoid函数进行目标特征非线性优化,前后两层网络向前传播的关系为:
式中,zl表示第l层的变量,1<l<L,每两个神经元之间有一个相乘因子参数Wl和相加因子参数bl,al+1表示第l+1层的线性函数输出值,zl+1表示第l+1层的变量;
其中,激励函数fl(·)采用sigmoid函数:
c)输出层节点个数为M×N,其中,M为武器类型数量,每M个输出节点对应一个目标,输出层采用softmax函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210559009.0A CN114926026B (zh) | 2022-05-21 | 2022-05-21 | 一种多维特征深度学习的目标分配优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210559009.0A CN114926026B (zh) | 2022-05-21 | 2022-05-21 | 一种多维特征深度学习的目标分配优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114926026A true CN114926026A (zh) | 2022-08-19 |
CN114926026B CN114926026B (zh) | 2023-02-14 |
Family
ID=82811059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210559009.0A Active CN114926026B (zh) | 2022-05-21 | 2022-05-21 | 一种多维特征深度学习的目标分配优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926026B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618748A (zh) * | 2022-11-29 | 2023-01-17 | 支付宝(杭州)信息技术有限公司 | 一种模型优化的方法、装置、设备及存储介质 |
CN117408493A (zh) * | 2023-12-08 | 2024-01-16 | 中国人民解放军海军航空大学 | 一种要地一体化防空平台协同方法、系统及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120000349A1 (en) * | 2009-03-31 | 2012-01-05 | Bae Systems Plc | Assigning weapons to threats |
CN110986680A (zh) * | 2019-10-12 | 2020-04-10 | 中国人民解放军国防科技大学 | 一种城市环境中低慢小目标的复合拦截方法 |
CN112070418A (zh) * | 2020-09-21 | 2020-12-11 | 大连大学 | 一种多目标鲸鱼优化算法的武器目标分配方法 |
CN112364972A (zh) * | 2020-07-23 | 2021-02-12 | 北方自动控制技术研究所 | 基于深度强化学习的无人战车分队火力分配方法 |
CN114049242A (zh) * | 2021-10-09 | 2022-02-15 | 中国人民解放军96901部队26分队 | 一种基于深度强化学习的武器目标智能分配方法 |
CN114202185A (zh) * | 2021-12-06 | 2022-03-18 | 南京理工大学 | 一种高功率微波武器协同防空的体系贡献率评估方法 |
-
2022
- 2022-05-21 CN CN202210559009.0A patent/CN114926026B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120000349A1 (en) * | 2009-03-31 | 2012-01-05 | Bae Systems Plc | Assigning weapons to threats |
CN110986680A (zh) * | 2019-10-12 | 2020-04-10 | 中国人民解放军国防科技大学 | 一种城市环境中低慢小目标的复合拦截方法 |
CN112364972A (zh) * | 2020-07-23 | 2021-02-12 | 北方自动控制技术研究所 | 基于深度强化学习的无人战车分队火力分配方法 |
CN112070418A (zh) * | 2020-09-21 | 2020-12-11 | 大连大学 | 一种多目标鲸鱼优化算法的武器目标分配方法 |
CN114049242A (zh) * | 2021-10-09 | 2022-02-15 | 中国人民解放军96901部队26分队 | 一种基于深度强化学习的武器目标智能分配方法 |
CN114202185A (zh) * | 2021-12-06 | 2022-03-18 | 南京理工大学 | 一种高功率微波武器协同防空的体系贡献率评估方法 |
Non-Patent Citations (6)
Title |
---|
丁振林等: "基于强化学习与神经网络的动态目标分配算法", 《电子设计工程》 * |
刘楠楠等: "海战场多传感器目标识别中神经网络的应用研究", 《中国电子科学研究院学报》 * |
康英军 等: "Hopfield神经网络的防空火力最优分配问题", 《火力与指挥控制》 * |
张雷 等: "基于神经网络的防空武器多目标火力分配模型", 《系统工程与电子技术》 * |
李丹 等: "基于神经网络TSP算法的防空作战火力分配", 《火力与指挥控制》 * |
阎栋 等: "基于DQN的反舰导弹火力分配方法研究", 《导航定位与授时》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618748A (zh) * | 2022-11-29 | 2023-01-17 | 支付宝(杭州)信息技术有限公司 | 一种模型优化的方法、装置、设备及存储介质 |
CN115618748B (zh) * | 2022-11-29 | 2023-05-02 | 支付宝(杭州)信息技术有限公司 | 一种模型优化的方法、装置、设备及存储介质 |
CN117408493A (zh) * | 2023-12-08 | 2024-01-16 | 中国人民解放军海军航空大学 | 一种要地一体化防空平台协同方法、系统及介质 |
CN117408493B (zh) * | 2023-12-08 | 2024-03-01 | 中国人民解放军海军航空大学 | 一种要地一体化防空平台协同方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114926026B (zh) | 2023-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114926026B (zh) | 一种多维特征深度学习的目标分配优化方法 | |
CN112329934A (zh) | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 | |
CN110083971B (zh) | 一种基于作战推演的自爆式无人机集群作战兵力分配方法 | |
CN108416421B (zh) | 基于dde改进蝙蝠算法的动态火力分配方法 | |
CN110490422B (zh) | 一种基于博弈云模型的目标作战效能态势评估方法 | |
CN114358141A (zh) | 一种面向多作战单元协同决策的多智能体增强学习方法 | |
CN112070418B (zh) | 一种多目标鲸鱼优化算法的武器目标分配方法 | |
CN111709511A (zh) | 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法 | |
CN112100918A (zh) | 火炮身管烧蚀磨损量的ga-bp预测模型研究方法 | |
CN110766125A (zh) | 一种基于人工鱼群算法的多目标武器——目标分配方法 | |
CN115730743A (zh) | 一种基于深度神经网络的战场作战趋势预测方法 | |
CN116702633A (zh) | 一种基于多目标动态优化的异构弹群任务可靠性规划方法 | |
Li et al. | Multi-uav air combat weapon-target assignment based on genetic algorithm and deep learning | |
CN113627075A (zh) | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 | |
CN116050515B (zh) | 一种基于XGBoost的平行推演多分支态势预测方法 | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
Tan et al. | Time Series Prediction using Backpropagation Network Optimized by Hybrid K-means-Greedy Algorithm. | |
Ruining et al. | Improved genetic algorithm for weapon target assignment problem | |
CN114282442A (zh) | 基于dqn算法的多目标多弹种多平台的智能火力分配方法 | |
CN112612300B (zh) | 多平台智能决策的多目标博弈方法及装置 | |
CN110930054A (zh) | 一种基于数据驱动的作战体系关键参数快速优化方法 | |
Yuan | UAVS Task Assignment Based on Hybrid Swarm Intelligence Algorithm | |
Wang et al. | Projectile impact point prediction based on genetic algorithm BP neural network | |
Li et al. | Dynamic weapon target assignment based on deep q network | |
Luo et al. | Multi-loitering Munitions Cooperative Interference Resource Allocation Based on Hybrid Ant Colony 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 |