CN115577296B - 一种基于智能优化算法的空地无人系统作战效能评估方法 - Google Patents

一种基于智能优化算法的空地无人系统作战效能评估方法 Download PDF

Info

Publication number
CN115577296B
CN115577296B CN202211449951.8A CN202211449951A CN115577296B CN 115577296 B CN115577296 B CN 115577296B CN 202211449951 A CN202211449951 A CN 202211449951A CN 115577296 B CN115577296 B CN 115577296B
Authority
CN
China
Prior art keywords
gull
optimal
air
formula
unmanned system
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
CN202211449951.8A
Other languages
English (en)
Other versions
CN115577296A (zh
Inventor
陈克伟
胡雪松
刘春光
廖自力
尚颖辉
石海滨
张嘉曦
李晓燕
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.)
Academy of Armored Forces of PLA
Original Assignee
Academy of Armored Forces of 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 Academy of Armored Forces of PLA filed Critical Academy of Armored Forces of PLA
Priority to CN202211449951.8A priority Critical patent/CN115577296B/zh
Publication of CN115577296A publication Critical patent/CN115577296A/zh
Application granted granted Critical
Publication of CN115577296B publication Critical patent/CN115577296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于智能优化算法的空地无人系统作战效能评估方法，包括以下步骤：根据空地无人系统作战效能的评估指标和原始数据构建空地无人系统作战效能评估的数据集；利用数据集计算SVM的分类准确率，将5折交叉验证SVM的分类准确率作为目标函数，并确定惩罚因子C和RBF核函数参数g的上下限；根据目标函数，通过改进乌燕鸥优化算法对惩罚因子C和RBF核函数参数g进行搜索，获得最优参数，并建立基于SVM的空地无人系统作战效能评估模型进行评估，获得评估结果；该方法克服了乌燕鸥优化算法存在的几点不足，能够显著提升空地无人系统作战效能评估的效果。

Description

一种基于智能优化算法的空地无人系统作战效能评估方法
技术领域
本发明涉及作战效能评估技术领域，具体涉及一种基于智能优化算法的空地无人系统作战效能评估方法。
背景技术
未来战争必然是“一域多层、空地一体”的立体攻防战，体系与体系的对抗是其最显著的特征。空地无人系统是由空中无人机与地面无人车组成的空地异构机器人系统，空中无人机和地面无人车各有优劣，形成体系，协同运用可以将装备作战效能最大化，更好地完成使命任务。现代战争中作战理念不断更新，作战环境日趋复杂多变，因此，深入研究空地无人系统的作战效能对其作战使用具有较强的现实指导意义。
支持向量机(Support vector machine，SVM) 作为机器学习的研究内容之一，在武器装备等效能评估中运用非常广泛的一种识别方法。例如，陈侠等人研究了一种基于改进型支持向量机的侦察无人机作战效能评估方法（陈侠,胡乃宽.基于改进型支持向量机的侦察无人机作战效能评估[J].火力与指挥控制,2018,43(10):31-34.）；李宗晨等人研究了一种基于有监督局部保留投影（SLPP）和最小二乘支持向量机（LSSVM）的空战效能综合评估模型（李宗晨,姚旭,甘旭升.基于SLPP-LSSVM的空战效能评估研究[J].火力与指挥控制,2021,46(10):89-95.）；杨健为等人以地地导弹武器系统为例，研究了一种基于差分进化支持向量机的作战效能评估方法（杨健为,徐坚,吴小役,鲁玉祥,魏继卿.基于差分进化支持向量机的作战效能评估方法[J].火炮发射与控制学报,2016,37(01):16-20.）
在SVM训练过程中，SVM的惩罚因子C和RBF核函数参数g的选择质量，直接影响最终的作战效能评估结果的精度。智能优化算法是一种有效SVM模型参数优化方法。乌燕鸥优化算法（Sooty tern optimization algorithm，STOA）是一种模拟乌燕鸥觅食行为的新型智能优化算法，同样可以应用于空地无人系统的作战效能评估问题。但是，乌燕鸥优化算法存仍然存在有一些缺陷，使得算法容易陷入局部最优和收敛精度不高，在进行作战效能评估时，往往达不到准确的作战效能评估效果。
发明内容
为解决上述问题，本发明提供一种基于智能优化算法的空地无人系统作战效能评估方法，克服了乌燕鸥优化算法存在的几点不足，能够显著提升空地无人系统作战效能评估的效果。
为实现上述目的，本发明提供了如下的技术方案。
一种基于智能优化算法的空地无人系统作战效能评估方法，包括以下步骤：
根据空地无人系统作战效能的评估指标和原始数据构建空地无人系统作战效能评估的数据集；利用数据集计算SVM的分类准确率，将5折交叉验证SVM的分类准确率作为目标函数，并确定惩罚因子C和RBF核函数参数g的上下限；
根据目标函数，通过改进乌燕鸥优化算法对惩罚因子C和RBF核函数参数g进行搜索，获得最优参数；
将最优的惩罚因子C和RBF核函数参数g作为SVM参数建立基于SVM的空地无人系统作战效能评估模型；
将待评估的空地无人系统作战效能原始数据，输入到训练后的空地无人系统作战效能评估模型，获得评估结果；
其中，所述改进乌燕鸥优化算法为：引入高斯映射初始化乌燕鸥种群位置，并引入jaya算法的位置更新机制优化原乌燕鸥优化算法的位置更新方式；所述改进乌燕鸥优化算法还包括，将最优乌燕鸥位置通过逐维度双向sine进行变异。
优选地，所述引入高斯映射初始化乌燕鸥种群位置，包括以下步骤：
确定种群的大小N，乌燕鸥寻优下边界LB和乌燕鸥寻优上边界UB；
通过高斯映射产生随机数x t ：
Figure DEST_PATH_IMAGE001
式中，mod(·)为求余函数，x t+1为下一个随机数；
利用产生的高斯随机数初始化乌燕鸥位置：
Figure 509842DEST_PATH_IMAGE002
。
优选地，所述引入jaya算法的位置更新机制优化原乌燕鸥优化算法的位置更新方式，包括以下步骤：
冲突避免：模拟乌燕鸥的冲突避免行为过程，用如下公式表达：
Figure 75953DEST_PATH_IMAGE003
式中：
Figure 439938DEST_PATH_IMAGE004
表示当前第t次迭代的乌燕鸥的位置；
Figure 66092DEST_PATH_IMAGE005
表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；
Figure 751413DEST_PATH_IMAGE006
代表一个避免碰撞的变量因素，用来计算避免碰撞后的位置，它的约束条件公式如下：
Figure 121215DEST_PATH_IMAGE007
式中：
Figure 277389DEST_PATH_IMAGE008
为用来调整
Figure 74444DEST_PATH_IMAGE006
的控制变量；t表示当前迭代次数；
Figure 745597DEST_PATH_IMAGE006
随着迭代次数的增加，从
Figure 653510DEST_PATH_IMAGE008
逐渐减小为0；如假设
Figure 664191DEST_PATH_IMAGE008
为2，
Figure 632147DEST_PATH_IMAGE006
将从2逐渐减小为0；
Figure DEST_PATH_IMAGE009
为迭代次数；
聚集：聚集是指当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢，也就是向最优位置靠拢，其数学表达式如下：
Figure 790596DEST_PATH_IMAGE010
式中：
Figure 502200DEST_PATH_IMAGE011
是第t次迭代乌燕鸥的最优位置；
Figure 429705DEST_PATH_IMAGE012
表示在不同位置
Figure 568562DEST_PATH_IMAGE004
向最优位置
Figure 151990DEST_PATH_IMAGE011
移动的过程；
Figure DEST_PATH_IMAGE013
是一个使勘探更加全面的随机变量，按照以下公式变化：
Figure 228137DEST_PATH_IMAGE014
式中：
Figure 947832DEST_PATH_IMAGE015
为[0,1]范围内的随机数；
更新：更新是指当前乌燕鸥朝着最优位置的所在方向进行移动，更新位置，其数学表达式为：
Figure 257590DEST_PATH_IMAGE016
+
Figure 328315DEST_PATH_IMAGE012
式中：
Figure 444038DEST_PATH_IMAGE017
是乌燕鸥从当前位置向最优位置方向移动的距离；
攻击行为：在迁移过程中，乌燕鸥可以通过翅膀提高飞行高度，也可以调整自身的速度和攻击角度，在攻击猎物的时候，它们在空中的盘旋行为可定义为以下数学模型：
Figure 283818DEST_PATH_IMAGE018
式中：
Figure 764478DEST_PATH_IMAGE019
是每个螺旋的半径；
Figure 322498DEST_PATH_IMAGE020
是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数，均可设定为1；e是自然对数的底数；
引入jaya算法的位置更新机制来改进乌燕鸥位置更新方式，即乌燕鸥位置更新朝最优位置更新，同时参考最差位置，远离最差位置进行更新：
Figure 976334DEST_PATH_IMAGE021
其中，
Figure 670620DEST_PATH_IMAGE011
表示第t次迭代的最佳位置；
Figure 587761DEST_PATH_IMAGE022
表示第t次迭代的最差位置，rand为[0,1]之间的随机数；
Figure DEST_PATH_IMAGE023
为本次迭代乌燕鸥从当前位置向最差位置方向移动的距离，
Figure 429815DEST_PATH_IMAGE024
为向最差位置的方向移动，具体计算如下:
Figure 825024DEST_PATH_IMAGE025
Figure 639396DEST_PATH_IMAGE026
+
Figure 25640DEST_PATH_IMAGE024
计算适应度值：
Figure DEST_PATH_IMAGE027
式中，
Figure 292674DEST_PATH_IMAGE028
为计算适应度值时的适应度函数；
记录当次迭代中最优乌燕鸥。
优选地，所述将最优乌燕鸥位置通过逐维度双向sine进行变异，包括以下步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
Figure 491574DEST_PATH_IMAGE029
Figure 222769DEST_PATH_IMAGE030
式中，rand为0到1的随机数；x 0为迭代序列值；
对最优位置进行变异扰动：
Figure 216133DEST_PATH_IMAGE031
式中：
Figure 970463DEST_PATH_IMAGE032
表示第t+1次迭代的最优位置
Figure 769791DEST_PATH_IMAGE033
的第j维；
贪婪更新：
Figure 293177DEST_PATH_IMAGE034
每个维度都进行变异后，停止变异。
本发明的有益效果：
本发明提出一种基于智能优化算法的空地无人系统作战效能评估方法，该方法通过引入高斯映射进行乌燕鸥种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强；该方法对乌燕鸥的位置更新方式进行了改进，引入jaya算法的位置更新机制来改进乌燕鸥位置更新方式，即乌燕鸥位置更新朝最优位置更新，同时参考最差位置，远离最差位置进行更新，实现了算法搜索范围的增大，算法的适应性得以增强。该方法对最优乌燕鸥利用双向sine混沌映射变异，实现了算法在后期跳出局部最优解的能力。
附图说明
图1是本发明实施例的一种基于智能优化算法的空地无人系统作战效能评估方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的一种基于智能优化算法的空地无人系统作战效能评估方法，针对STOA存在的几个问题，提出改进型乌燕鸥优化算法（Improve Sooty tern optimizationalgorithm，ISTOA）并用于空地无人系统作战效能评估，基于智能优化算法的空地无人系统作战效能评估方法的流程如图1所示，具体步骤如下：
S1：根据空地无人系统作战效能的评估指标和原始数据，构建空地无人系统作战效能评估的数据集，将数据集分为训练数据集和测试数据集。其中，评估指标如火力打击能力，防护生存能力，灵活机动能力等等。
建立基于改进乌燕鸥优化算法的空地无人系统作战效能评估的目标函数funtion。因为是利用训练数据集计算SVM的分类准确率，所以可以将训练数据集的5 折交叉验证SVM的分类准确率作为目标函数，即适应度函数；同时设置相应的约束条件：SVM的惩罚因子C和RBF核函数参数g的上下限。
S3：参数设置。乌燕鸥种群的大小（即乌燕鸥个体的数量）N；迭代的最大次数（即迭代停止的条件）Miter；乌燕鸥寻优下边界LB；乌燕鸥寻优上边界UB。
S4：确定种群的大小N，乌燕鸥寻优下边界LB和乌燕鸥寻优上边界UB；引入高斯映射初始化乌燕鸥种群位置，包括以下步骤：
确定种群的大小N，乌燕鸥寻优下边界LB和乌燕鸥寻优上边界UB；
通过高斯映射产生随机数x t ：
Figure DEST_PATH_IMAGE035
式中，mod(·)为求余函数，x t+1为下一个随机数；
利用产生的高斯随机数初始化乌燕鸥位置：
Figure 723021DEST_PATH_IMAGE002
。
S5：乌燕鸥的迁移行为，即算法的勘探部分，主要分为三个阶段：冲突避免，聚集和更新。
冲突避免：模拟乌燕鸥的冲突避免行为过程，用如下公式表达：
Figure 26963DEST_PATH_IMAGE003
式中：
Figure 302087DEST_PATH_IMAGE004
表示当前第t次迭代的乌燕鸥的位置；
Figure 945558DEST_PATH_IMAGE005
表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；
Figure 865014DEST_PATH_IMAGE006
代表一个避免碰撞的变量因素，用来计算避免碰撞后的位置，它的约束条件公式如下：
Figure 593935DEST_PATH_IMAGE036
式中：
Figure 672750DEST_PATH_IMAGE008
为用来调整
Figure 170727DEST_PATH_IMAGE006
的控制变量；t表示当前迭代次数；
Figure 4691DEST_PATH_IMAGE006
随着迭代次数的增加，从
Figure 955329DEST_PATH_IMAGE008
逐渐减小为0；如假设
Figure 837835DEST_PATH_IMAGE008
为2，
Figure 252636DEST_PATH_IMAGE006
将从2逐渐减小为0；
Figure 195184DEST_PATH_IMAGE009
为迭代次数；
聚集：聚集是指当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢，也就是向最优位置靠拢，其数学表达式如下：
Figure 633118DEST_PATH_IMAGE010
式中：
Figure 53735DEST_PATH_IMAGE011
是第t次迭代乌燕鸥的最优位置；
Figure 588622DEST_PATH_IMAGE012
表示在不同位置
Figure 702072DEST_PATH_IMAGE004
向最优位置
Figure 627302DEST_PATH_IMAGE011
移动的过程；
Figure 415392DEST_PATH_IMAGE013
是一个使勘探更加全面的随机变量，按照以下公式变化：
Figure 476889DEST_PATH_IMAGE014
式中：为[0,1]范围内的随机数；
更新：更新是指当前乌燕鸥朝着最优位置的所在方向进行移动，更新位置，其数学表达式为：
Figure 761240DEST_PATH_IMAGE016
+
Figure 173766DEST_PATH_IMAGE012
式中：
Figure 264082DEST_PATH_IMAGE017
是乌燕鸥从当前位置向最优位置方向移动的距离；
攻击行为：在迁移过程中，乌燕鸥可以通过翅膀提高飞行高度，也可以调整自身的速度和攻击角度，在攻击猎物的时候，它们在空中的盘旋行为可定义为以下数学模型：
Figure 445665DEST_PATH_IMAGE018
式中：
Figure 635338DEST_PATH_IMAGE019
是每个螺旋的半径；
Figure 597477DEST_PATH_IMAGE020
是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数，均可设定为1；e是自然对数的底数；
原始乌燕鸥算法中，只利用全局最优乌燕鸥位置进行引导，来更新乌燕鸥位置，为了更加有效的提高乌燕鸥的全局搜索能力，引入jaya算法的位置更新机制来改进乌燕鸥位置更新方式，即乌燕鸥位置更新朝最优位置更新，同时参考最差位置，远离最差位置进行更新，来提高算法的全局搜索能力。
借鉴jaya算法，改进后的乌燕鸥位置更新公式如下：
Figure 163588DEST_PATH_IMAGE037
其中，
Figure 465256DEST_PATH_IMAGE011
表示第t次迭代的最佳位置；
Figure 825831DEST_PATH_IMAGE022
表示第t次迭代的最差位置，rand为[0,1]之间的随机数；
Figure 275266DEST_PATH_IMAGE023
为本次迭代乌燕鸥从当前位置向最差位置方向移动的距离，
Figure 645068DEST_PATH_IMAGE024
为向最差位置的方向移动，具体计算如下:
Figure 535664DEST_PATH_IMAGE025
Figure 332718DEST_PATH_IMAGE026
+
Figure 502406DEST_PATH_IMAGE024
S6：计算适应度值。
Figure 675899DEST_PATH_IMAGE038
式中，
Figure 686580DEST_PATH_IMAGE028
为计算适应度值时的适应度函数；
S7：记录信息，记录当次迭代中最优乌燕鸥。
S8：对最优乌燕鸥，进行逐维度双向sine变异。对于维度j。首先根据当前迭代次数计算sine混沌值。并等概率切换正负方向。
Figure 716853DEST_PATH_IMAGE029
Figure 812985DEST_PATH_IMAGE030
式中，rand为0到1的随机数；x 0为迭代序列值；
对最优位置进行变异扰动：
Figure 524589DEST_PATH_IMAGE031
式中：
Figure 389777DEST_PATH_IMAGE032
表示第t+1次迭代的最优位置
Figure 590951DEST_PATH_IMAGE033
的第j维；
贪婪更新：
Figure 174379DEST_PATH_IMAGE034
每个维度都进行变异后，停止变异。
S9：记录信息，记录当次迭代中最优乌燕鸥。
S10：重复执行S6~S9，根据预设的最大迭代次数依次更新最优乌燕鸥位置，确定最优乌燕鸥位置，即得到SVM的最优参数。
S11：以输出的最优参数为 SVM 参数建立空地无人系统作战效能评估模型，并将测试数据集输入该模型中，可以得到空地无人系统作战效能的评估结果和评估准确率。
本实施例中：
选取空地无人系统的 1000 组样本，并随机将其中800组作为训练样本，剩余200组为测试样本。分别采用STOA-SVM和ISTOA-SVM对空地无人系统进行作战效能评估。以MATLAB为仿真平台，STOA算法中的参数为：N=50，Maxiter=200，C和g的搜索范围均是在0-100 之间，即LB = 0，UB=100；ISTOA算法中的参数为：N=50，Maxiter=200，C和g的搜索范围均是在0-100 之间，即LB = 0，UB=100。
STOA-SVM模型和ISTOA-SVM模型的评价指标可选取：平均绝对误差（MAE）、平均相对误差（MRE）和均方根误差（RMSE）。如表1所示，与STOA-SVM比较，ISTOA-SVM对空地无人系统进行作战效能评估的准确率要高些，也就是说，ISTOA搜索得到的SVM参数要优于STOA搜索得到的SVM参数。仿真结果表明，ISTOA算法比STOA算法搜索能力更强，ISTOA-SVM比STOA-SVM的评估准确率更高，验证了方法的有效性。
表1.评估方法比较
Figure 424095DEST_PATH_IMAGE039
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于智能优化算法的空地无人系统作战效能评估方法，其特征在于，包括以下步骤：
根据空地无人系统作战效能的评估指标和原始数据构建空地无人系统作战效能评估的数据集；利用数据集计算SVM的分类准确率，将5折交叉验证SVM的分类准确率作为目标函数，并确定惩罚因子C和RBF核函数参数g的上下限；
根据目标函数，通过改进乌燕鸥优化算法对惩罚因子C和RBF核函数参数g进行搜索，获得最优参数；
将最优的惩罚因子C和RBF核函数参数g作为SVM参数建立基于SVM的空地无人系统作战效能评估模型；
将待评估的空地无人系统作战效能原始数据，输入到训练后的空地无人系统作战效能评估模型，获得评估结果；
其中，所述改进乌燕鸥优化算法为：引入高斯映射初始化乌燕鸥种群位置，并引入jaya算法的位置更新机制优化原乌燕鸥优化算法的位置更新方式；所述改进乌燕鸥优化算法还包括，将最优乌燕鸥位置通过逐维度双向sine进行变异；
所述引入高斯映射初始化乌燕鸥种群位置，包括以下步骤：
确定种群的大小N，乌燕鸥寻优下边界LB和乌燕鸥寻优上边界UB；
通过高斯映射产生随机数xt：
Figure FDA0004053737150000021
式中，mod(·)为求余函数，xt+1为下一个随机数；
利用产生的高斯随机数初始化乌燕鸥位置：
Ps(t)＝(UB-LB)×xt+LB
所述引入jaya算法的位置更新机制优化原乌燕鸥优化算法的位置更新方式，包括以下步骤：
冲突避免：模拟乌燕鸥的冲突避免行为过程，用如下公式表达：
Cs(t)＝SA×Ps(t)
式中：Ps(t)表示当前第t次迭代的乌燕鸥的位置；Cs(t)表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；SA代表一个避免碰撞的变量因素，用来计算避免碰撞后的位置，它的约束条件公式如下：
SA＝Cf-(t×Cf/Miter)
式中：Cf为用来调整SA的控制变量；t表示当前迭代次数；SA随着迭代次数的增加，从Cf逐渐减小为0；
聚集：聚集是指当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢，也就是向最优位置靠拢，其数学表达式如下：
Ms(t)＝CB×(Pbs(t)-Ps(t))
式中：Pbs(t)是第t次迭代乌燕鸥的最优位置；Ms(t)表示在不同位置Ps(t)向最优位置Pbs(t)移动的过程；CB是一个使勘探更加全面的随机变量，按照以下公式变化：
CB＝0.5×rand
式中：rand[0,1]范围内的随机数；
更新：更新是指当前乌燕鸥朝着最优位置的所在方向进行移动，更新位置，其数学表达式为：
Ds(t)＝Cs(t)+Ms(t)
式中：Ds(t)是乌燕鸥从当前位置向最优位置方向移动的距离；
攻击行为：在迁移过程中，乌燕鸥可以通过翅膀提高飞行高度，也可以调整自身的速度和攻击角度，在攻击猎物的时候，它们在空中的盘旋行为可定义为以下数学模型：
Figure FDA0004053737150000031
式中：r是每个螺旋的半径；θ是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数，均可设定为1；e是自然对数的底数；
引入jaya算法的位置更新机制来改进乌燕鸥位置更新方式，即乌燕鸥位置更新朝最优位置更新，同时参考最差位置，远离最差位置进行更新：
Ps(t+1)＝(Ds(t)×(x+y+z))×Pbs(t)+(rand×Ds1(t)-Pworst(t))
其中，Pbs(t)表示第t次迭代的最佳位置；Pworst(t)表示第t次迭代的最差位置，rand为[0,1]之间的随机数；Ds1(t)为本次迭代乌燕鸥从当前位置向最差位置方向移动的距离，Ws(t)为向最差位置的方向移动，具体计算如下:
Ws(t)＝B×(Pworst(t)-Ps(t))
Ds1(t)＝Cs(t)+Ws(t)
计算适应度值：
fitness(t)＝Ff(Ps(t+1))
式中，Ff(·)为计算适应度值时的适应度函数；
记录当次迭代中最优乌燕鸥；
所述将最优乌燕鸥位置通过逐维度双向sine进行变异，包括以下步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
sin Value＝sin(πx0)
Figure FDA0004053737150000041
式中，rand为0到1的随机数；x0为迭代序列值；
对最优位置进行变异扰动：
Pbs(j)(t+1)′＝Pbs(j)(t+1)+SinValue×Pbs(j)(t+1)
式中：Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维；
贪婪更新：
Figure FDA0004053737150000042
每个维度都进行变异后，停止变异。
CN202211449951.8A 2022-11-19 2022-11-19 一种基于智能优化算法的空地无人系统作战效能评估方法 Active CN115577296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211449951.8A CN115577296B (zh) 2022-11-19 2022-11-19 一种基于智能优化算法的空地无人系统作战效能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211449951.8A CN115577296B (zh) 2022-11-19 2022-11-19 一种基于智能优化算法的空地无人系统作战效能评估方法

Publications (2)

Publication Number Publication Date
CN115577296A CN115577296A (zh) 2023-01-06
CN115577296B true CN115577296B (zh) 2023-02-28

Family

ID=84588092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211449951.8A Active CN115577296B (zh) 2022-11-19 2022-11-19 一种基于智能优化算法的空地无人系统作战效能评估方法

Country Status (1)

Country Link
CN (1) CN115577296B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059932A (zh) * 2019-03-25 2019-07-26 南京邮电大学 基于svm的对地攻击型无人机作战效能评估方法
CN114186482A (zh) * 2021-11-26 2022-03-15 南京信息工程大学 一种基于dgwo-svm的气象环境下武器作战效能评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL153291A (en) * 2002-12-05 2010-05-31 Nir Padan System and method for situation assessment and dynamic guidance to aerial vehicles for the optimal conduct of close-in maneuvering air combat

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059932A (zh) * 2019-03-25 2019-07-26 南京邮电大学 基于svm的对地攻击型无人机作战效能评估方法
CN114186482A (zh) * 2021-11-26 2022-03-15 南京信息工程大学 一种基于dgwo-svm的气象环境下武器作战效能评估方法

Also Published As

Publication number Publication date
CN115577296A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
CN108919641B (zh) 一种基于改进樽海鞘算法的无人机航迹规划方法
CN111240353B (zh) 基于遗传模糊树的无人机协同空战决策方法
CN116128095B (zh) 一种地空无人平台作战效能评估方法
CN110926477B (zh) 一种无人机航路规划及避障方法
CN112082552A (zh) 基于改进的混合粒子群优化算法的无人机航迹规划方法
CN110488859A (zh) 一种基于改进Q-learning算法的无人机航路规划方法
CN109508042B (zh) 用于无人机编队智能决策的控制方法、系统及存储介质
CN115509239B (zh) 一种基于空地信息共享的无人车路径规划方法
CN112666981B (zh) 基于原鸽群动态群组学习的无人机集群动态航路规划方法
CN109669475A (zh) 基于人工蜂群算法的多无人机三维编队重构方法
CN111859541B (zh) 一种基于迁移学习改进的pmaddpg多无人机任务决策方法
CN110928329A (zh) 一种基于深度q学习算法的多飞行器航迹规划方法
Ming et al. Improved discrete mapping differential evolution for multi-unmanned aerial vehicles cooperative multi-targets assignment under unified model
CN110181508A (zh) 水下机器人三维航路规划方法及系统
CN113962012B (zh) 无人机对抗策略优化方法及装置
CN115407784B (zh) 一种基于空地信息互补的无人车路径规划方法
CN113159266B (zh) 基于麻雀搜索神经网络的空战机动决策方法
CN114020031A (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
CN113220033B (zh) 基于改进多元宇宙优化算法的多异构无人机任务分配方法
Yu et al. Hawk and pigeon’s intelligence for UAV swarm dynamic combat game via competitive learning pigeon-inspired optimization
CN113625569A (zh) 一种基于深度强化学习和规则驱动的小型无人机防控混合决策方法及系统
CN115655279A (zh) 一种基于改进鲸鱼算法的海上无人救援飞艇路径规划方法
Mengying et al. Online path planning algorithms for unmanned air vehicle
CN113741186B (zh) 一种基于近端策略优化的双机空战决策方法
CN115577296B (zh) 一种基于智能优化算法的空地无人系统作战效能评估方法

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