CN116128095B - 一种地空无人平台作战效能评估方法 - Google Patents

一种地空无人平台作战效能评估方法 Download PDF

Info

Publication number
CN116128095B
CN116128095B CN202211446134.7A CN202211446134A CN116128095B CN 116128095 B CN116128095 B CN 116128095B CN 202211446134 A CN202211446134 A CN 202211446134A CN 116128095 B CN116128095 B CN 116128095B
Authority
CN
China
Prior art keywords
optimal
wuyangull
iteration
combat effectiveness
ground
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
CN202211446134.7A
Other languages
English (en)
Other versions
CN116128095A (zh
Inventor
魏曙光
陈克伟
袁东
李嘉麒
张冠岳
许非凡
杨恒程
朱宁龙
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 CN202211446134.7A priority Critical patent/CN116128095B/zh
Publication of CN116128095A publication Critical patent/CN116128095A/zh
Application granted granted Critical
Publication of CN116128095B publication Critical patent/CN116128095B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • 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]
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种地空无人平台作战效能评估方法，包括：步骤1：根据地空无人平台作战效能的评估指标和原始数据，构建地空无人平台作战效能评估的数据集；步骤2：建立基于改进乌燕鸥优化算法的地空无人平台作战效能评估的目标函数；步骤3：进行参数设置；步骤4：利用高斯映射初始化乌燕鸥种群位置；步骤5：根据所述目标函数，计算适应度值，并记录乌燕鸥最优位置，作为初始最优位置；步骤6：引入鼠群优化算法和海鸥优化算法的位置更新方式，更新所述乌燕鸥最优位置；步骤7：计算当次迭代最优适应度值；步骤8：记录当次迭代最优适应度值、当次迭代最优乌燕鸥位置；记录历史最优适应度值、历史最优乌燕鸥位置；步骤9：对当次最优乌燕鸥位置，进行逐维度双向sine变异；步骤10：记录当次迭代中最优乌燕鸥位置；步骤11：重复执行步骤5～10，达到最大迭代次数后，输出最优乌燕鸥结果；步骤12：以输出的所述最优参数为SVM参数建立地空无人平台作战效能评估模型。

Description

一种地空无人平台作战效能评估方法
技术领域
本发明涉及无人机和无人车技术，具体而言，涉及一种地空无人平台作战效能评估方法。
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。地空无人平台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，深入研究地空无人平台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，同样可以应用于地空无人平台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。现有的乌燕鸥优化算法存在以下3个不足：
(1)在确定种群位置时，乌燕鸥个体的位置是随机确定的，这就使得算法具有一定的盲目性和随机性；
(2)乌燕鸥优化算法的位置更新是根据目标物的位置，采用螺旋进攻的方式，向最佳位置移动，但是如果只是根据最佳目标位置进行移动，很容易使乌燕鸥陷入局部最优解。
(3)乌燕鸥优化算法陷入局部最优解时，没有任何措施能帮助其跳出局部最优解。
上述3个不足，导致在采用乌燕鸥优化算法进行地空无人平台的作战效能评估时，不能达到最佳的作战效能评估效果。
发明内容
本发明旨在克服现有的乌燕鸥优化算法存在的几点不足，提出一种地空无人平台作战效能评估方法，以便能够显著提升地空无人平台作战效能评估的效果。具体而言，本发明的地空无人平台作战效能评估方法包括：
步骤1：根据地空无人平台作战效能的评估指标和原始数据，构建地空无人平台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；步骤2：建立基于改进乌燕鸥优化算法的地空无人平台作战效能评估的目标函数，同时设置相应的约束条件；步骤3：进行参数设置；步骤4：利用高斯映射初始化乌燕鸥种群位置；步骤5：根据所述目标函数，计算适应度值，并记录乌燕鸥最优位置，作为初始最优位置；步骤6：引入鼠群优化算法和海鸥优化算法的位置更新方式，更新所述乌燕鸥最优位置；步骤7：计算当次迭代最优适应度值；步骤8：记录当次迭代最优适应度值、当次迭代最优乌燕鸥位置；记录历史最优适应度值、历史最优乌燕鸥位置；步骤9：对当次最优乌燕鸥位置，进行逐维度双向sine变异；步骤10：记录当次迭代中最优乌燕鸥位置；步骤11：重复执行步骤5～10，达到最大迭代次数后，输出最优乌燕鸥结果，即得到SVM的最优参数Cbest和gbest；其中，Cbest为最优惩罚因子，gbest为最优RBF核函数参数；步骤12：以输出的所述最优参数为SVM参数建立地空无人平台作战效能评估模型，并将所述测试数据集输入所述地空无人平台作战效能评估模型中，得到地空无人平台作战效能的评估结果和评估准确率。
优选地是，在所述步骤2中，所述目标函数为训练数据集的5折交叉验证SVM的分类准确率，所述约束条件为SVM的惩罚因子C和RBF核函数参数g的上下限。
优选地是，在所述步骤4中，所述高斯映射初始化乌燕鸥种群位置包括：
高斯映射随机数产生：
利用产生的高斯随机数初始化乌燕鸥位置：
Ps(t)＝(UB-LB)×xt+LB
其中，乌燕鸥寻优下边界LB；乌燕鸥寻优上边界UB，Ps(t)表示当前第t次迭代的乌燕鸥的位置。
优选地是，所述引入鼠群优化算法和海鸥优化算法的位置更新方式中，进一步包括：
其中：
A＝R-t·(R/Miter)
C＝2×rand
其中：Ps(t+1)为第i个乌燕鸥第t+1次迭代的位置；Ps(t)为第i个乌燕鸥第t次迭代的位置；A为勘探参数；R为[1,2]范围内的随机数；Miter为最大迭代次数；C为开发参数；rand为[0,1]范围内的随机数；Pbs(t)表示第t次迭代的乌燕鸥的最佳位置；λ1为[0,1]内的随机数；Pv(t)是表示第t次迭代时种群内随机选择的乌燕鸥个体。
优选地是，所述计算当次迭代最优适应度值采用如下公式：
fitness(t)＝Ff(Ps(t+1))
式中，Ff(·)为计算适应度值时的适应度函数。
优选地是，所述进行逐维度双向sine变异的步骤包括：
SinValue＝sin(πx0)
然后对当次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。
优选地是，所述进行逐维度双向sine变异的步骤还包括判断新位置适应度是否更好，采用下式：
如果新位置适应度更好，则用新位置替换当次最优乌燕鸥位置，如果不是，保留原始最优乌燕鸥位置。
优选地是，在所述步骤5中，在计算适应度值时，先要计算并确定乌燕鸥的迁移行为，尔后计算并确定乌燕鸥的攻击行为。
优选地是，所述迁移行为包括冲突避免，聚集和更新。
附图说明
本公开的各种实施例或样例(“示例”)在以下的具体实施方式和附图中得以公开。没必要将附图按比例绘制。一般而言，除非在权利要求中另有规定，否则可以任意次序执行本发明所公开的产品或方法。附图中：
图1示出了本发明的地空无人平台作战效能评估方法的流程图。
具体实施方式
在详细解释本公开的一个或多个实施例之前，应当理解，实施例不限于它们具体应用中的构造细节，以及下文实施方式或附图所提出步骤或方法。
一、经典的乌燕鸥优化算法
乌燕鸥优化算法(Sooty tern optimization algorithm，STOA)的主要步骤如下：
(1)设置相关参数。主要包括：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；
(2)初始化位置。在(LB,UB)之间随机初始化乌燕鸥位置。
(3)乌燕鸥的迁移行为：
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。
a)冲突避免阶段
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) (1)
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代表了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) (2)
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；如假设Cf为2，SA将从2逐渐减小为0。
b)聚集阶段
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)) (3)
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 (4)
式中：rand[0,1]范围内的随机数。
c)更新阶段
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) (5)
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。
(4)乌燕鸥的攻击行为：
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：
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。
乌燕鸥的位置更新公式如下：
Ps(t+1)＝(Ds(t)×(x+y+z))×Pbs(t) (7)
式中：Ps(t+1)为乌燕鸥攻击后更新的位置。
(5)计算适应度值。
fitness(t)＝Ff(Ps(t+1)) (8)
式中，Ff(·)为计算适应度值时的适应度函数。
(6)记录信息。记录当次迭代中最优乌燕鸥。
(7)重复执行步骤(3)～(7)，达到最大迭代次数Miter后，算法停止，输出最优结果。
二、基于改进乌燕鸥优化算法的地空无人平台作战效能评估方法
针对STOA存在的几个问题，本发明提出改进型乌燕鸥优化算法(Improve Sootytern optimization algorithm，ISTOA)并用于地空无人平台作战效能评估，地空无人平台作战效能评估方法的流程如图1所示，具体步骤如下：
(1)根据地空无人平台作战效能的评估指标和原始数据，构建地空无人平台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。所述评估指标包括态势感知能力，火力打击能力，主动防护能力，灵活机动能力。
(2)建立基于改进乌燕鸥优化算法的地空无人平台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。
(3)进行参数设置，主要包括：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。
(4)利用高斯映射初始化乌燕鸥种群位置。
高斯映射随机数产生：
利用产生的高斯随机数初始化乌燕鸥位置：
Ps(t)＝(UB-LB)×xt+LB (10)
(5)根据目标函数，计算适应度值，并记录最优位置，作为初始最优位置。
在计算适应度值时，先要计算并确定乌燕鸥的迁移行为，尔后计算并确定乌燕鸥的攻击行为。迁移行为为算法的勘探部分，主要分为三个阶段：冲突避免，聚集和更新。
a)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) (11)
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代表了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) (12)
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；如假设Cf为2，SA将从2逐渐减小为0。
b)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)) (13)
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 (14)
式中：rand[0,1]范围内的随机数。
c)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) (15)
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。
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：
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。
(6)引入鼠群优化算法和海鸥优化算法改进乌燕鸥算法的位置更新方式。
原始乌燕鸥算法中，只利用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，引入鼠群优化算法和海鸥优化算法的位置更新机制来改进乌燕鸥位置更新方式，综合考虑了不同的位置更新模式、本次迭代乌燕鸥最优位置、种群内部的其他乌燕鸥位置等因素更新乌燕鸥位置，避免每次迭代中出现局部最优，进而提高乌燕鸥算法的全局搜索能力。
借鉴鼠群优化算法和海鸥优化算法，改进后的乌燕鸥位置更新公式如下：
其中：
A＝R-t·(R/Miter) (18)
C＝2×rand (19)
其中：Ps(t+1)为第i个乌燕鸥第t+1次迭代的位置；Ps(t)为第i个乌燕鸥第t次迭代的位置；A为勘探参数；R为[1,2]范围内的随机数；Miter为最大迭代次数；C为开发参数；rand为[0,1]范围内的随机数；Pbs(t)表示第t次迭代的乌燕鸥的最佳位置；λ1为[0,1]内的随机数；Pv(t)是表示第t次迭代时种群内随机选择的乌燕鸥个体。
(7)计算当次迭代最优适应度值
fitness(t)＝Ff(Ps(t+1)) (20)
式中，Ff(·)为计算适应度值时的适应度函数。
(8)记录当次迭代最优适应度值、最优乌燕鸥位置；记录历史最优适应度值、最优乌燕鸥位置。
(9)对当次最优乌燕鸥位置，进行逐维度双向sine变异。对于维度j，首先根据当次迭代次数计算sine混沌值，并等概率切换正负方向。
SinValue＝sin(πx0) (21)
然后对当次最优位置进行变异扰动
Pbs(j)(t+1)'＝Pbs(j)(t+1)+SinValue×Pbs(j)(t+1) (23)
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，即判断新位置适应度是否更好，即采用下式：
如果新位置适应度更好，则用新位置替换当次最优乌燕鸥位置，如果不是，保留原始最优乌燕鸥位置。
每个维度都进行变异后，停止变异。
(10)记录当次迭代中最优乌燕鸥位置。
(11)重复执行步骤(5)～(10)，达到最大迭代次数Miter后，算法停止，输出最优乌燕鸥结果，即得到SVM的最优参数Cbest和gbest。
(12)以输出的最优参数为SVM参数建立地空无人平台作战效能评估模型，并将测试数据集输入该模型中，可以得到地空无人平台作战效能的评估结果和评估准确率。
根据本发明的地空无人平台作战效能评估方法，其创新点是明确的：
(1)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。
(2)对乌燕鸥的位置更新方式进行了改进，引入鼠群优化算法和海鸥优化算法的位置更新机制来改进乌燕鸥位置更新方式，综合考虑了不同的位置更新模式、本次迭代乌燕鸥最优位置、种群内部的其他乌燕鸥位置等因素更新乌燕鸥位置，实现了算法搜索范围的增大，算法的适应性得以增强。
(3)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。
【算法验证】
选取地空无人平台的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对地空无人平台进行作战效能评估。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对地空无人平台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 STOA-SVM模型和ISTOA-SVM模型比较

Claims (5)

1.一种地空无人平台作战效能评估方法，其包括如下步骤：
步骤1：根据地空无人平台作战效能的评估指标和原始数据，构建地空无人平台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；
步骤2：建立基于改进乌燕鸥优化算法的地空无人平台作战效能评估的目标函数，同时设置相应的约束条件；
步骤3：进行参数设置；
步骤4：利用高斯映射初始化乌燕鸥种群位置；
步骤5：根据所述目标函数，计算适应度值，并记录乌燕鸥最优位置，作为初始最优位置；
步骤6：引入鼠群优化算法和海鸥优化算法改进乌燕鸥算法的位置更新方式；
步骤7：计算当次迭代最优适应度值；
步骤8：记录当次迭代最优适应度值、当次迭代最优乌燕鸥位置；记录历史最优适应度值、历史最优乌燕鸥位置；
步骤9：对当次最优乌燕鸥位置，进行逐维度双向sine变异；
步骤10：记录当次迭代中最优乌燕鸥位置；
步骤11：重复执行步骤5～10，达到最大迭代次数后，输出最优乌燕鸥结果，即得到SVM的最优参数Cbest和gbest；其中，Cbest为最优惩罚因子，gbest为最优RBF核函数参数；
步骤12：以输出的所述最优参数为SVM参数建立地空无人平台作战效能评估模型，并将所述测试数据集输入所述地空无人平台作战效能评估模型中，得到地空无人平台作战效能的评估结果和评估准确率；
在所述步骤2中，所述目标函数为训练数据集的5折交叉验证SVM的分类准确率，所述约束条件为SVM的惩罚因子C和RBF核函数参数g的上下限；
在所述步骤4中，所述高斯映射初始化乌燕鸥种群位置包括：
高斯映射随机数产生：
利用产生的高斯随机数初始化乌燕鸥位置：
Ps(t)＝(UB-LB)×xt+LB
其中，乌燕鸥寻优下边界LB；乌燕鸥寻优上边界UB，Ps(t)表示当前第t次迭代的乌燕鸥的位置；
所述引入鼠群优化算法和海鸥优化算法改进乌燕鸥算法的位置更新方式，具体包括：
其中：
A＝R-t·(R/Miter)
C＝2×rand
其中：Ps(t+1)为第i个乌燕鸥第t+1次迭代的位置；Ps(t)为第i个乌燕鸥第t次迭代的位置；A为勘探参数；R为[1,2]范围内的随机数；Miter为最大迭代次数；C为开发参数；rand为[0,1]范围内的随机数；Pbs(t)表示第t次迭代的乌燕鸥的最佳位置；λ1为[0,1]内的随机数；Pv(t)是表示第t次迭代时种群内随机选择的乌燕鸥个体；Ds(t)是乌燕鸥从当前位置向最优位置方向移动的距离；
所述进行逐维度双向sine变异的步骤包括：
SinValue＝sin(πx0)
式中：SinValue为根据当前迭代次数计算sine混沌值；rand是[0,1]范围的随机数；
然后对当次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。
2.根据权利要求1所述的地空无人平台作战效能评估方法，其特征在于，所述计算当次迭代最优适应度值采用如下公式：
fitness(t)＝Ff(Ps(t+1))
式中，Ff(·)为计算适应度值时的适应度函数。
3.根据权利要求2所述的地空无人平台作战效能评估方法，其特征在于，所述进行逐维度双向sine变异的步骤还包括判断新位置适应度是否更好，采用下式：
如果新位置适应度更好，则用新位置替换当次最优乌燕鸥位置，如果不是，保留原始最优乌燕鸥位置。
4.根据权利要求1所述的地空无人平台作战效能评估方法，其特征在于，在所述步骤5中，在计算适应度值时，先要计算并确定乌燕鸥的迁移行为，尔后计算并确定乌燕鸥的攻击行为。
5.根据权利要求4所述的地空无人平台作战效能评估方法，其特征在于，所述迁移行为包括冲突避免，聚集和更新。
CN202211446134.7A 2022-11-18 2022-11-18 一种地空无人平台作战效能评估方法 Active CN116128095B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211446134.7A CN116128095B (zh) 2022-11-18 2022-11-18 一种地空无人平台作战效能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211446134.7A CN116128095B (zh) 2022-11-18 2022-11-18 一种地空无人平台作战效能评估方法

Publications (2)

Publication Number Publication Date
CN116128095A CN116128095A (zh) 2023-05-16
CN116128095B true CN116128095B (zh) 2024-05-07

Family

ID=86301634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211446134.7A Active CN116128095B (zh) 2022-11-18 2022-11-18 一种地空无人平台作战效能评估方法

Country Status (1)

Country Link
CN (1) CN116128095B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128330B (zh) * 2022-11-18 2024-04-26 中国人民解放军陆军装甲兵学院 一种基于机器学习的空地无人系统作战效能评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113867369A (zh) * 2021-12-03 2021-12-31 中国人民解放军陆军装甲兵学院 一种基于交流学习的海鸥算法的机器人路径规划方法
CN113885536A (zh) * 2021-12-03 2022-01-04 中国人民解放军陆军装甲兵学院 一种基于全局海鸥算法的移动机器人路径规划方法
CN115308674A (zh) * 2022-07-28 2022-11-08 国网山东省电力公司营销服务中心(计量中心) 电能表自动化检定流水线表位运行状态评估方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443002A (zh) * 2019-08-16 2019-11-12 中国水利水电科学研究院 一种高边坡形变预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113867369A (zh) * 2021-12-03 2021-12-31 中国人民解放军陆军装甲兵学院 一种基于交流学习的海鸥算法的机器人路径规划方法
CN113885536A (zh) * 2021-12-03 2022-01-04 中国人民解放军陆军装甲兵学院 一种基于全局海鸥算法的移动机器人路径规划方法
CN115308674A (zh) * 2022-07-28 2022-11-08 国网山东省电力公司营销服务中心(计量中心) 电能表自动化检定流水线表位运行状态评估方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进型支持向量机的侦察无人机作战效能评估;陈侠;胡乃宽;;火力与指挥控制;20181015(10);全文 *

Also Published As

Publication number Publication date
CN116128095A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
Zhen et al. Rotary unmanned aerial vehicles path planning in rough terrain based on multi-objective particle swarm optimization
CN111176334B (zh) 一种多无人机协同目标搜索方法
Yang et al. Path planning for single unmanned aerial vehicle by separately evolving waypoints
CN107992051B (zh) 基于改进的多目标粒子群算法的无人车路径规划方法
Fu et al. Phase angle-encoded and quantum-behaved particle swarm optimization applied to three-dimensional route planning for UAV
CN111240353B (zh) 基于遗传模糊树的无人机协同空战决策方法
CN108549402B (zh) 基于量子乌鸦群搜索机制的无人机群任务分配方法
CN110167138B (zh) 基于改进灰狼优化算法的无源时差定位系统优化布站方法
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
CN103267528A (zh) 禁飞区限制下的多无人机协同区域搜索方法
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
CN116128095B (zh) 一种地空无人平台作战效能评估方法
CN114840020A (zh) 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法
CN113159266B (zh) 基于麻雀搜索神经网络的空战机动决策方法
CN113625569B (zh) 一种基于混合决策模型的小型无人机防控决策方法及系统
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
CN115407784B (zh) 一种基于空地信息互补的无人车路径规划方法
CN113268087A (zh) 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法
CN116661503B (zh) 一种基于多智能体安全强化学习的集群航迹自动规划方法
CN116225066A (zh) 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法
CN112733251A (zh) 一种多无人飞行器协同航迹规划方法
CN114625150A (zh) 基于危险指数和距离函数的快速蚁群无人艇动态避障方法
CN116088576A (zh) 一种基于改进鲸鱼算法的无人机三维路径规划方法
Meng et al. UAV 3-dimension flight path planning based on improved rapidly-exploring random tree

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