CN116090356A - 基于任务可靠性约束的异构弹群多目标任务规划方法 - Google Patents

基于任务可靠性约束的异构弹群多目标任务规划方法 Download PDF

Info

Publication number
CN116090356A
CN116090356A CN202310321492.3A CN202310321492A CN116090356A CN 116090356 A CN116090356 A CN 116090356A CN 202310321492 A CN202310321492 A CN 202310321492A CN 116090356 A CN116090356 A CN 116090356A
Authority
CN
China
Prior art keywords
ammunition
task
warhead
representing
reliability
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
Application number
CN202310321492.3A
Other languages
English (en)
Other versions
CN116090356B (zh
Inventor
伊枭剑
余徽阳
许涛
王晓光
徐其志
方紫迎
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202310321492.3A priority Critical patent/CN116090356B/zh
Publication of CN116090356A publication Critical patent/CN116090356A/zh
Application granted granted Critical
Publication of CN116090356B publication Critical patent/CN116090356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于任务可靠性约束的异构弹群多目标任务规划方法，包括：以最大化弹群分配的任务可靠性和最大化弹群分配的效费比为优化目标，构建异构弹群的双目标优化模型；基于MOEA/D算法对所述双目标优化模型求解，且在求解过程中，利用切比雪夫函数进行方案对比，得到弹群目标分配方案的帕累托前沿解集。本发明不仅能有效提高弹群目标分配的任务可靠性，还可以提高弹群目标分配的效率，适用于对作战任务可靠性要求极高的作战场景。

Description

基于任务可靠性约束的异构弹群多目标任务规划方法
技术领域
本发明涉及计算机仿真技术领域，更具体的说是涉及一种基于任务可靠性约束的异构弹群多目标任务规划方法。
背景技术
异构弹群任务规划，起源于20世纪70年代的美国舰队防空领域，其核心是将具有不同毁伤能力和经济价值的弹群在一定条件的约束下分配给不同的目标，在满足目标毁伤要求的前提下尽可能地减少作战资源消耗，以使弹群利用率最大化，进而优化整个火力打击体系。
在现代化战争中，战场要素种类繁多、作战环境瞬息万变，为提高飞航武器系统的整体作战效能与可靠程度并实现较高水平的多飞航武器协同作战，需要针对战场中存在的动态特性对任务进行统筹、分配与协调。一般对于战术层面，这一统筹计划的过程被称为“任务规划”。
相关技术在解决弹群目标分配问题时未考虑分配方案的任务可靠性，目前尚未提出有效的技术解决方案。
发明内容
有鉴于此，本发明提供了一种基于任务可靠性约束的异构弹群多目标任务规划方法，不仅能有效提高弹群目标分配的任务可靠性，还可以提高弹群目标分配的效率，适用于对作战任务可靠性要求极高的作战场景。
为了实现上述目的，本发明采用如下技术方案：
一种基于任务可靠性约束的异构弹群多目标任务规划方法，包括：
以最大化弹群分配的任务可靠性和最大化弹群分配的效费比为优化目标，构建异构弹群的双目标优化模型；
基于MOEA/D算法对所述双目标优化模型求解，且在求解过程中，利用切比雪夫函数对求解的方案进行对比，得到弹群目标分配方案的帕累托前沿解集。
进一步的，所述双目标优化模型为：
Figure SMS_1
；
其中，maximize表示最大化目标值，f1表示目标函数一，f2表示目标函数二，I、II、III、IV、V、VI分别表示约束条件；
目标函数一表示最大化弹群分配的效费比，其表达式表示：
Figure SMS_2
；
目标函数二表示最大化弹群分配的任务可靠性，其表达式表示：
Figure SMS_3
；
其中，
Figure SMS_4
表示目标集合；
Figure SMS_10
表示目标
Figure SMS_14
的价值；
Figure SMS_5
表示摧毁目标
Figure SMS_9
的任务可靠性；M表示弹群数量；
Figure SMS_17
表示弹药
Figure SMS_18
的价值；
Figure SMS_7
表示是否将弹药
Figure SMS_11
分配给目标
Figure SMS_13
的0-1整数决策变量，
Figure SMS_15
表示分配，
Figure SMS_6
表示不分配；
Figure SMS_8
表示区域
Figure SMS_12
的任务可靠性；
Figure SMS_16
表示区域集合。
进一步的，所述双目标优化模型的约束条件为：
约束I：
Figure SMS_19
，表示确保弹群分配的数量不超过最大可用数量；
约束II：
Figure SMS_20
，表示确保弹药最多只分配一个目标；
约束III：
Figure SMS_21
，表示确保分配的弹药是有效无故障的；
约束IV：
Figure SMS_22
，表示确保分配的弹药与目标距离不能超过弹药的航程；
约束V：
Figure SMS_23
，表示确保满足区域任务可靠性准则；
约束VI：
Figure SMS_24
，表示0-1整数变量约束；
其中，
Figure SMS_25
表示弹群数量；
Figure SMS_29
表示弹药
Figure SMS_32
到目标
Figure SMS_26
的距离；
Figure SMS_28
表示弹药
Figure SMS_31
的航程；
Figure SMS_33
表示弹药的性能状态，
Figure SMS_27
表示性能正常，
Figure SMS_30
表示发生故障。
进一步的，影响弹群分配的任务可靠性的因素包括：自身弹药的可靠性、电子对抗干扰、敌方防空武器拦截和弹药的毁伤概率。
进一步的，对某一弹群目标分配方案的任务可靠性的计算过程包括：
获取弹群的状态信息及各目标区域的防空能力信息；
针对目标区域S，计算我方弹药
Figure SMS_34
不被拦截的概率Pci：
Figure SMS_35
；
计算我方弹药
Figure SMS_36
的任务可靠度Ri：
Figure SMS_37
；
由概率公式计算区域
Figure SMS_38
中摧毁目标
Figure SMS_39
的任务可靠度Rj：
Figure SMS_40
；
以区域S内J个目标全部被摧毁为任务成功准则，根据任务成功准则，计算区域S任务可靠性Rs：
Figure SMS_41
；
对各个目标区域实施打击，按照目标函数二计算该弹群目标分配方案下异构弹群在自身影响和对抗博弈下的任务可靠性；
其中，
Figure SMS_49
表示同时对区域S发射弹药的数量，
Figure SMS_44
表示区域S中的可防御武器数量，假设防空武器对我方
Figure SMS_45
枚弹药以同等概率拦截，但是对不同弹药的拦截成功概率
Figure SMS_53
不同；
Figure SMS_54
表示弹药
Figure SMS_56
自身的可靠性；
Figure SMS_58
表示弹药
Figure SMS_48
在电磁对抗恶
Figure SMS_55
劣环境下的可靠性；
Figure SMS_42
表示弹药
Figure SMS_46
对目标
Figure SMS_47
的毁伤概率；弹药
Figure SMS_51
的健康状态由自身的可靠性
Figure SMS_57
和电磁对抗恶劣环境下的可靠性
Figure SMS_60
共同决定，当
Figure SMS_50
不低于设定的可靠性阈值
Figure SMS_52
，且
Figure SMS_59
不低于电磁对抗恶劣环境下的可靠性阈值
Figure SMS_61
，则弹药的状态为健康，
Figure SMS_43
设置为1，否则设置为0。
进一步的，切比雪夫函数的表达式为：
Figure SMS_62
；
其中，
Figure SMS_63
表示第
Figure SMS_64
个目标函数，
Figure SMS_65
表示目标函数的下标；
Figure SMS_66
表示双目标优化模型的一个分配方案；
Figure SMS_67
表示目标函数空间上的理想点，
Figure SMS_68
表示目标函数空间上极值点，理想点和极值点随着算法的迭代过程而不断更新；x表示某一弹群目标分配方案；gte表示切比雪夫函数；λ表示权重向量。
进一步的，利用切比雪夫函数进行方案对比时，采用修复因子和罚函数法处理约束条件，利用修复因子纠正不可行方案使其满足约束条件，利用罚函数法降低不可行方案的遗传概率。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于任务可靠性约束的异构弹群多目标任务规划方法，针对目标打击筹划中弹群平台资源约束、决策变量0-1整数约束、航迹约束、健康状态约束以及任务可靠性要求，以最大化任务可靠性和最大化分配方案效费比为优化目标，构建双目标优化模型。基于MOEA/D算法，采用理想点和极值点的切比雪夫公式求解多目标优化模型，解决弹群目标分配问题中兼顾分配方案的任务可靠性问题，本发明不仅能有效提高弹群目标分配的任务可靠性，还可以提高弹群目标分配的效率，适用于对作战任务可靠性要求极高的作战场景。
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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于任务可靠性约束的异构弹群多目标任务规划方法的流程图；
图2为本发明提供的任务可靠性的串联模型框图；
图3为本发明提供的基于MOEA/D算法和切比雪夫函数对双目标优化模型求解的流程图；
图4为本发明提供的对弹药和目标进行编码的示意图；
图5为本发明提供的帕累托前沿解集示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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，本发明实施例公开了一种基于任务可靠性约束的异构弹群多目标任务规划方法，包括：
以最大化弹群分配的任务可靠性和最大化弹群分配的效费比为优化目标，构建异构弹群的双目标优化模型；
基于MOEA/D算法对双目标优化模型求解，且在求解过程中，利用切比雪夫函数对求解的方案进行对比，得到弹群目标分配方案的帕累托前沿解集。
具体来说，本发明实施例的双目标优化模型，包含两个目标函数，分别为效费比和弹群的任务可靠性。效费比目标是弹群效用和弹群成本的比值，反映了弹群分配的高效性和经济性。任务可靠性目标反映了弹群完成任务的能力，是反映作战任务可靠性和质量的指标。效费比和任务可靠性是一对冲突的目标，提高弹群分配的效费比会降低弹群分配的任务可靠性，两个目标不能同时达到最优，因此构建双目标模型，求解帕累托前沿解集。同时，需要考虑弹群的数量约束，决策变量0-1整数约束，航程约束，状态约束和可靠性约束等多个约束条件。
最终构建好的双目标优化模型为：
Figure SMS_69
；
其中，maximize表示最大化目标值，f1表示目标函数一，f2表示目标函数二，I、II、III、IV、V、VI分别表示约束条件；
目标函数一表示最大化弹群分配的效费比，其表达式表示：
Figure SMS_70
；
目标函数二表示最大化弹群分配的任务可靠性，其表达式表示：
Figure SMS_71
；
其中，
Figure SMS_73
表示目标集合；
Figure SMS_79
表示目标
Figure SMS_81
的价值；
Figure SMS_74
表示摧毁目标
Figure SMS_76
的任务可靠性；M表示弹群数量；
Figure SMS_83
表示弹药
Figure SMS_86
的价值；
Figure SMS_72
表示是否将弹药
Figure SMS_78
分配给目标
Figure SMS_80
的0-1整数决策变量，
Figure SMS_84
表示分配，
Figure SMS_75
表示不分配；
Figure SMS_77
表示区域
Figure SMS_82
的任务可靠性；
Figure SMS_85
表示区域集合。
双目标优化模型的约束条件为：
约束I：
Figure SMS_87
，表示确保弹群分配的数量不超过最大可用数量；
约束II：
Figure SMS_88
，表示确保弹药最多只分配一个目标；
约束III：
Figure SMS_89
，表示确保分配的弹药是有效无故障的；
约束IV：
Figure SMS_90
，表示确保分配的弹药与目标距离不能超过弹药的航程；
约束V：
Figure SMS_91
，表示确保满足区域任务可靠性准则；
约束VI：
Figure SMS_92
，表示0-1整数变量约束；
其中，
Figure SMS_94
表示弹群数量；
Figure SMS_96
表示弹药
Figure SMS_100
到目标
Figure SMS_95
的距离；
Figure SMS_97
表示弹药
Figure SMS_99
的航程；
Figure SMS_101
表示弹药的性能状态，
Figure SMS_93
表示性能正常，
Figure SMS_98
表示发生故障。
在一个具体实施例中，影响弹群分配的任务可靠性的因素包括：自身弹药的可靠性、电子对抗干扰、敌方防空武器拦截和弹药的毁伤概率。
下面结合影响弹群分配的任务可靠性的因素，对某一弹群目标分配方案的任务可靠性的计算过程包括：
获取弹群的状态信息及各目标区域的防空能力信息；
针对目标区域S，计算我方弹药
Figure SMS_102
不被拦截的概率Pci：
Figure SMS_103
；
计算我方弹药
Figure SMS_104
的任务可靠度Ri：
Figure SMS_105
；
由概率公式计算区域
Figure SMS_106
中摧毁目标
Figure SMS_107
的任务可靠度Rj：
Figure SMS_108
；
以区域S内J个目标全部被摧毁为任务成功准则，因此将区域目标作为节点构成串联模型，如图1所示；根据任务成功准则，计算区域S任务可靠性Rs：
Figure SMS_109
；
对各个目标区域实施打击，按照目标函数二计算该弹群目标分配方案下异构弹群在自身影响和对抗博弈下的任务可靠性；同样，多个区域构成的任务可靠性模型也为串联模型；
其中，
Figure SMS_118
表示同时对区域S发射弹药的数量，
Figure SMS_111
表示区域S中的可防御武器数量，假设防空武器对我方
Figure SMS_117
枚弹药以同等概率拦截，但是对不同弹药的拦截成功概率
Figure SMS_113
不同；
Figure SMS_116
表示弹药
Figure SMS_120
自身的可靠性；
Figure SMS_124
表示弹药
Figure SMS_121
在电磁对抗恶
Figure SMS_128
劣环境下的可靠性；
Figure SMS_110
表示弹药
Figure SMS_115
对目标
Figure SMS_122
的毁伤概率；弹药
Figure SMS_123
的健康状态由自身的可靠性
Figure SMS_126
和电磁对抗恶劣环境下的可靠性
Figure SMS_129
共同决定，当
Figure SMS_114
不低于设定的可靠性阈值
Figure SMS_119
，且
Figure SMS_125
不低于电磁对抗恶劣环境下的可靠性阈值
Figure SMS_127
，则弹药的状态为健康，
Figure SMS_112
设置为1，否则设置为0。
在另一个具体实施例中，切比雪夫函数的表达式为：
Figure SMS_130
；
其中，
Figure SMS_131
表示第
Figure SMS_132
个目标函数，
Figure SMS_133
表示目标函数的下标；
Figure SMS_134
表示双目标优化模型的一个分配方案；
Figure SMS_135
表示目标函数空间上的理想点，
Figure SMS_136
表示目标函数空间上极值点，理想点和极值点随着算法的迭代过程而不断更新；x表示某一弹群目标分配方案；gte表示切比雪夫函数；λ表示权重向量。
利用切比雪夫函数进行方案对比时，采用修复因子和罚函数法处理约束条件，利用修复因子纠正不可行方案使其满足约束条件，利用罚函数法降低不可行方案的遗传概率。
具体来说，对于约束条件I、II、III、IV，不满足这些约束条件的分配方案通过修复因子，修改为满足约束条件的分配方案。具体为：
对于约束条件I，不满足约束时随机取消弹药的分配，从而减少弹群使用数量，达到约束条件。
对于约束条件II，不满足约束时，即某弹药分配给多个目标，修复为从多个目标中随机保留一个目标或不分配。
对于约束条件III，不满足健康状态约束时，取消该弹药的分配。
对于约束条件IV，不满足距离约束时，随机将弹药分配给另一个满足距离约束的目标。
对于约束条件V，对达不到任务可靠性指标的分配方案进行惩罚，降低该方案的遗传的概率。罚函数定义为：
Figure SMS_137
；
其中，
Figure SMS_138
为目标函数。
约束条件VI在编码时规定为0-1整数编码，因此不需要额外处理。
下面，以一具体实例对本发明上述方案做进一步的说明。
1、实例初始化，具体包括：
可用的弹群数量
Figure SMS_139
，设定为100；发现的目标数量
Figure SMS_140
，设定为20。
弹药类型列表，weapon_type_list = [1, 2, 0,…,1]，一维数组长度为
Figure SMS_141
，数值对应该编号弹药的类型，弹群根据战斗部分为3类，0代表杀爆、1代表破甲、2代表侵彻。
目标类型列表，target_type_list = [1, 2, 0,…,1]，一维数组长度为
Figure SMS_142
，数值对应该编号目标的类型，目标类型分为3类，0代表士兵、1代表装甲、2代表雷达等传感器。
目标所属区域列表，target_area_list = [1, 2, 0,…,1]，一维数组长度为
Figure SMS_143
，数值对应该编号目标所在区域，区域设定有3个，0代表目标在区域0，以此类推。
设定交叉概率
Figure SMS_144
为0.5，变异概率
Figure SMS_145
为0.015。种群数量
Figure SMS_146
，设定为100。最大迭代次数
Figure SMS_147
，设定为1000。邻居数量
Figure SMS_148
，设定为5。权重向量
Figure SMS_149
，数量同种群数量，为100个向量，均匀分布在目标函数二维空间中。
目标区域防御弹药数量
Figure SMS_150
，分别代表3个区域的防御武器数量，实例中设定为[5，5，5]。
目标价值
Figure SMS_152
，分别代表
Figure SMS_155
个目标的毁伤价值。弹药价值
Figure SMS_157
，分别代表
Figure SMS_151
个弹药的成本。毁伤概率，为
Figure SMS_154
的二维矩阵，记录弹药
Figure SMS_159
对目标
Figure SMS_160
的毁伤概率
Figure SMS_153
。敌方武器对我方弹药
Figure SMS_156
的拦截概率
Figure SMS_158
。弹药航程
Figure SMS_161
。
自身可靠性阈值
Figure SMS_163
设定为0.99，弹药自身可靠性
Figure SMS_165
通过随机数产生，并假定有10%达不到阈值
Figure SMS_168
，以模拟真实场景。电磁对抗等恶劣环境下的可靠性阈值
Figure SMS_164
设定为0.99，电磁对抗等恶劣环境下的可靠性
Figure SMS_167
通过随机数产生，并假定有10%达不到阈值
Figure SMS_169
，以模拟真实环境。根据
Figure SMS_170
和
Figure SMS_162
及其对应阈值确定弹药的性能状态
Figure SMS_166
。
弹群位置为二维坐标矩阵。目标位置为二维坐标矩阵，计算弹药
Figure SMS_171
到目标
Figure SMS_172
的欧式距离
Figure SMS_173
。
理想点和极值点初始化为
Figure SMS_174
。
解的编码方式由决策变量
Figure SMS_175
决定，为
Figure SMS_176
的0-1整数矩阵，每一行代表某个弹药对所有目标的分配结果。由于实施例中弹群数量和目标数量太大，不方便展示编码，图4展示弹群数量为10，目标数量为3的编码结构。
2、种群初始化：
随机生成数量为
Figure SMS_177
的种群。
初始化邻居向量。某向量的邻居向量定义为所有权重向量
Figure SMS_178
中同该向量距离最小的向量集合。实例中邻居数量
Figure SMS_179
为5，第一个邻居为向量本身，其余4个邻居按距离从小到大排序。
3、初始化之后，利用MOEA/D算法结合切比雪夫函数对模型进行迭代求解，迭代过程如图3所示，具体为：
当没有达到最大迭代次数时：
对于种群中的每一个个体
Figure SMS_180
，从邻居中随机选取两个体
Figure SMS_181
，参与进化。进化过程为：
交叉变异：
Figure SMS_182
与
Figure SMS_183
先按交叉概率通过交叉算子操作，再根据变异概率通过变异算子发生变异，生成2个新个体。
修复：对于新个体，先判断是否满足约束条件I、II、III、IV，对不满足以上约束条件的个体通过修复算子进行纠正。若不满足约束条件I，则随机取消弹药的分配，从而减少弹群使用数量，达到约束条件。若不满足约束条件II，将该弹药从分配的多个目标中随机保留一个目标或不分配。若不满足约束条件III，即不满足健康状态约束时，取消该弹药的分配，将决策变量置为0。若不满足约束条件IV，即不满足距离约束时，随机将弹药分配给另一个满足距离约束的目标。通过修复算子得到新个体
Figure SMS_184
，
Figure SMS_185
。
同样地，
Figure SMS_186
与
Figure SMS_187
生成2个新个体
Figure SMS_188
，
Figure SMS_189
。
计算
Figure SMS_191
，
Figure SMS_194
，
Figure SMS_195
，
Figure SMS_190
，
Figure SMS_193
，
Figure SMS_196
，
Figure SMS_197
的切比雪夫值，选择最小的切比雪夫值对应的个体作为此次进化的新个体
Figure SMS_192
。其中，计算切比雪夫值时，需要计算如上的两个目标函数。
若新个体
Figure SMS_198
优于
Figure SMS_199
，则将
Figure SMS_200
取代
Figure SMS_201
，并更新前沿解和对应的目标函数值。更新理想点与极值点，因为是求两个目标的最大值，理想点更新为迭代过程中求得的目标函数的最大值，极值点为迭代过程中求得的目标函数的最小值。更新邻居向量。
重复迭代过程，直到满足终止条件。
达到终止条件后，输出求得的帕累托前沿解，及其对应的目标函数值。
本实例计算求得的帕累托前沿如图5所示，纵轴为效费比，横轴为任务可靠性，图中展示的每一个点对应一个非支配的弹群目标分配方案。可以看出任意一个解都有各自的优势，或是效费比高，或是任务可靠性高。该实施例求解出的众多方案，可辅助最终的决策，决策者可以根据实际场景，从众多方案中选择一个最佳的方案进行弹群分配。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种基于任务可靠性约束的异构弹群多目标任务规划方法，其特征在于，包括：
以最大化弹群分配的任务可靠性和最大化弹群分配的效费比为优化目标，构建异构弹群的双目标优化模型；
基于MOEA/D算法对所述双目标优化模型求解，且在求解过程中，利用切比雪夫函数对求解的方案进行对比，得到弹群目标分配方案的帕累托前沿解集。
2.根据权利要求1所述的一种基于任务可靠性约束的异构弹群多目标任务规划方法，其特征在于，所述双目标优化模型为：
Figure QLYQS_1
；
其中，maximize表示最大化目标值，f1表示目标函数一，f2表示目标函数二，I、II、III、IV、V、VI分别表示约束条件；
目标函数一表示最大化弹群分配的效费比，其表达式表示：
Figure QLYQS_2
；
目标函数二表示最大化弹群分配的任务可靠性，其表达式表示：
Figure QLYQS_3
；
其中，
Figure QLYQS_5
表示目标集合；
Figure QLYQS_8
表示目标
Figure QLYQS_10
的价值；
Figure QLYQS_7
表示摧毁目标
Figure QLYQS_11
的任务可靠性；M表示弹群数量；
Figure QLYQS_12
表示弹药
Figure QLYQS_15
的价值；
Figure QLYQS_4
表示是否将弹药
Figure QLYQS_9
分配给目标
Figure QLYQS_14
的0-1整数决策变量，
Figure QLYQS_16
表示分配，
Figure QLYQS_6
表示不分配；
Figure QLYQS_13
表示区域
Figure QLYQS_17
的任务可靠性；
Figure QLYQS_18
表示区域集合。
3.根据权利要求2所述的一种基于任务可靠性约束的异构弹群多目标任务规划方法，其特征在于，所述双目标优化模型的约束条件为：
约束I：
Figure QLYQS_19
，表示确保弹群分配的数量不超过最大可用数量；
约束II：
Figure QLYQS_20
，表示确保弹药最多只分配一个目标；
约束III：
Figure QLYQS_21
，表示确保分配的弹药是有效无故障的；
约束IV：
Figure QLYQS_22
，表示确保分配的弹药与目标距离不能超过弹药的航程；
约束V：
Figure QLYQS_23
，表示确保满足区域任务可靠性准则；
约束VI：
Figure QLYQS_24
，表示0-1整数变量约束；
其中，
Figure QLYQS_26
表示弹群数量；
Figure QLYQS_28
表示弹药
Figure QLYQS_31
到目标
Figure QLYQS_25
的距离；
Figure QLYQS_27
表示弹药
Figure QLYQS_30
的航程；
Figure QLYQS_32
表示弹药的性能状态，
Figure QLYQS_29
表示性能正常，
Figure QLYQS_33
表示发生故障。
4.根据权利要求1所述的一种基于任务可靠性约束的异构弹群多目标任务规划方法，其特征在于，影响弹药分配的任务可靠性的因素包括：自身弹药的可靠性、电子对抗干扰、敌方防空武器拦截和弹药的毁伤概率。
5.根据权利要求2所述的一种基于任务可靠性约束的异构弹群多目标任务规划方法，其特征在于，对某一弹群目标分配方案的任务可靠性的计算过程包括：
获取弹群的状态信息及各目标区域的防空能力信息；
针对目标区域S，计算我方弹药
Figure QLYQS_34
不被拦截的概率Pci：
Figure QLYQS_35
；
计算我方弹药
Figure QLYQS_36
的任务可靠度Ri：
Figure QLYQS_37
；
由概率公式计算区域
Figure QLYQS_38
中摧毁目标
Figure QLYQS_39
的任务可靠度Rj：
Figure QLYQS_40
；
以区域S内J个目标全部被摧毁为任务成功准则，根据任务成功准则，计算区域S任务可靠性Rs：
Figure QLYQS_41
；
对各个目标区域实施打击，按照目标函数二计算该弹群目标分配方案下异构弹群在自身影响和对抗博弈下的任务可靠性；
其中，
Figure QLYQS_55
表示同时对区域S发射弹药的数量，
Figure QLYQS_46
表示区域S中的可防御武器数量，假设防空武器对我方
Figure QLYQS_50
枚弹药以同等概率拦截，但是对不同弹药的拦截成功概率
Figure QLYQS_57
不同；
Figure QLYQS_60
表示弹药
Figure QLYQS_59
自身的可靠性；
Figure QLYQS_61
表示弹药
Figure QLYQS_56
在电磁对抗恶
Figure QLYQS_58
劣环境下的可靠性；
Figure QLYQS_45
表示弹药
Figure QLYQS_54
对目标
Figure QLYQS_49
的毁伤概率；弹药
Figure QLYQS_52
的健康状态由自身的可靠性
Figure QLYQS_51
和电磁对抗恶劣环境下的可靠性
Figure QLYQS_53
共同决定，当
Figure QLYQS_43
不低于设定的可靠性阈值
Figure QLYQS_47
，且
Figure QLYQS_44
不低于电磁对抗恶劣环境下的可靠性阈值
Figure QLYQS_48
，则弹药的状态为健康，
Figure QLYQS_42
设置为1，否则设置为0。
6.根据权利要求5所述的一种基于任务可靠性约束的异构弹群多目标任务规划方法，其特征在于，切比雪夫函数的表达式为：
Figure QLYQS_62
；
其中，
Figure QLYQS_63
表示第
Figure QLYQS_64
个目标函数，
Figure QLYQS_65
表示目标函数的下标；
Figure QLYQS_66
表示双目标优化模型的一个分配方案；
Figure QLYQS_67
表示目标函数空间上的理想点，
Figure QLYQS_68
表示目标函数空间上极值点，理想点和极值点随着算法的迭代过程而不断更新；x表示某一弹群目标分配方案；gte表示切比雪夫函数；λ表示权重向量。
7.根据权利要求2所述的一种基于任务可靠性约束的异构弹群多目标任务规划方法，其特征在于，利用切比雪夫函数进行方案对比时，采用修复因子和罚函数法处理约束条件，利用修复因子纠正不可行方案使其满足约束条件，利用罚函数法降低不可行方案的遗传概率。
CN202310321492.3A 2023-03-29 2023-03-29 基于任务可靠性约束的异构弹群多目标任务规划方法 Active CN116090356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310321492.3A CN116090356B (zh) 2023-03-29 2023-03-29 基于任务可靠性约束的异构弹群多目标任务规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310321492.3A CN116090356B (zh) 2023-03-29 2023-03-29 基于任务可靠性约束的异构弹群多目标任务规划方法

Publications (2)

Publication Number Publication Date
CN116090356A true CN116090356A (zh) 2023-05-09
CN116090356B CN116090356B (zh) 2023-06-16

Family

ID=86201099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310321492.3A Active CN116090356B (zh) 2023-03-29 2023-03-29 基于任务可靠性约束的异构弹群多目标任务规划方法

Country Status (1)

Country Link
CN (1) CN116090356B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702633A (zh) * 2023-08-08 2023-09-05 北京理工大学 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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170068890A1 (en) * 2015-09-08 2017-03-09 The Aerospace Corporation Systems and Methods for Multi-Objective Optimizations with Live Updates
CN110096822A (zh) * 2019-05-08 2019-08-06 北京理工大学 一种不确定条件下多平台协同动态任务分配方法
CN110782366A (zh) * 2019-10-12 2020-02-11 大连理工大学 一种基于情景不确定性的供水管网多目标优化调控方法
CN111369101A (zh) * 2020-01-18 2020-07-03 中国人民解放军国防科技大学 一种基于双层粒子群优化的任务规划方法
CN114282442A (zh) * 2021-12-28 2022-04-05 航天科工智能运筹与信息安全研究院(武汉)有限公司 基于dqn算法的多目标多弹种多平台的智能火力分配方法
US20220374722A1 (en) * 2021-12-27 2022-11-24 Harbin Institute Of Technology Intelligent ammunition co-evolution task assignment method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170068890A1 (en) * 2015-09-08 2017-03-09 The Aerospace Corporation Systems and Methods for Multi-Objective Optimizations with Live Updates
CN110096822A (zh) * 2019-05-08 2019-08-06 北京理工大学 一种不确定条件下多平台协同动态任务分配方法
CN110782366A (zh) * 2019-10-12 2020-02-11 大连理工大学 一种基于情景不确定性的供水管网多目标优化调控方法
CN111369101A (zh) * 2020-01-18 2020-07-03 中国人民解放军国防科技大学 一种基于双层粒子群优化的任务规划方法
US20220374722A1 (en) * 2021-12-27 2022-11-24 Harbin Institute Of Technology Intelligent ammunition co-evolution task assignment method
CN114282442A (zh) * 2021-12-28 2022-04-05 航天科工智能运筹与信息安全研究院(武汉)有限公司 基于dqn算法的多目标多弹种多平台的智能火力分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUIYANG YU 等: "Large-Scale Weapon Target Assignment Based on Improved MOEA/D Algorithm", 2022 4TH INTERNATIONAL CONFERENCE ON SYSTEM RELIABILITY AND SAFETY ENGINEERING *
张凯 等: "多约束集群目标下武器-目标分配问题", 计算机应用, pages 902 - 911 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702633A (zh) * 2023-08-08 2023-09-05 北京理工大学 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
CN116702633B (zh) * 2023-08-08 2023-11-03 北京理工大学 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

Also Published As

Publication number Publication date
CN116090356B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
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
CN106779210B (zh) 基于蚁群算法的火力分配方法
CN109460056B (zh) 基于量子磷虾群演化机制的无人机集群作战博弈决策方法
CN107886184A (zh) 一种多型防空武器混编火力群目标分配优化方法
CN108594645B (zh) 单场站多无人机分配与飞行路线的规划方法及系统
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
CN116702633B (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
CN109408877B (zh) 一种反坦克导弹分队的智能射击决策方法
CN108548538A (zh) 多场站多无人机任务分配与飞行路径的规划方法及系统
CN115328189B (zh) 多无人机协同博弈决策方法和系统
CN104950673A (zh) 一种无人机群协作打击目标分配方法
CN113553777A (zh) 反无人机蜂群的防空部署方法、装置、设备和介质
CN113792985B (zh) 一种传感器-武器动态联合任务多目标分配方法
CN110782062A (zh) 一种用于防空系统的多对多分组拦截目标分配方法及系统
CN112396288B (zh) 一种装备体系火力打击能力评估方法、装置、设备和介质
CN117077428A (zh) 一种针对战场多维需求的火力规划目标函数的构造方法
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
Ruining et al. Improved genetic algorithm for weapon target assignment problem
Altinoz Modeling of synchronous weapon target assignment problem for howitzer based defense line
Chen et al. Research on multiple kill vehicles firepower distribution strategy based on adjust genetic algorithm
CN117556718B (zh) 基于神经网络和多策略组合灰狼优化算法的火力分配方法
CN116026188B (zh) 一种基于拦截适宜度的多阵地防空体系射手推荐方法
CN117829532A (zh) 一种装甲装备超视距打击网络协同火力分配方法
Fu et al. Air defense intelligent weapon target assignment method based on deep reinforcement learning
Xu et al. Solution of fire coordination scheme of equipment system based on fuzzy clustering-auction mechanism

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