CN116205332A - 一种区域防守拦截决策的粒子群优化方法 - Google Patents
一种区域防守拦截决策的粒子群优化方法 Download PDFInfo
- Publication number
- CN116205332A CN116205332A CN202211613519.8A CN202211613519A CN116205332A CN 116205332 A CN116205332 A CN 116205332A CN 202211613519 A CN202211613519 A CN 202211613519A CN 116205332 A CN116205332 A CN 116205332A
- Authority
- CN
- China
- Prior art keywords
- particle
- interception
- coordinates
- particles
- optimal
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007123 defense Effects 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000010845 search algorithm Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002028 premature 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
- G06Q10/04—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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (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
本发明公开了一种区域防守拦截决策的粒子群优化方法,首先获取区域防守当前的态势,得到来袭目标的威胁系数与武器平台发射导弹的防守拦截系数,设定粒子群的种群规模和最大迭代次数并进行种群粒子的初始化;根据来袭目标威胁系数和防守拦截的成功系数得到当前所有粒子的拦截效能,最后出所有粒子中最大适应度的粒子,其粒子向量坐标作为当前粒子种群最优并将其与截止目前找到的最优粒子比较更新全局最优向量坐标。本发明能够有效解决区域防守拦截目标分配的粒子群优化方法陷入局部最优,迭代后期收敛速度慢,求解精度低等缺点,使粒子不断达到全局最优解的同时收敛速度提高,保证了收敛的稳定性,满足现代局部战场中辅助决策对实时性的要求。
Description
技术领域
本发明涉及计算机仿真与方法优化技术领域,尤其涉及一种区域防守拦截策略的粒子群优化方法。
背景技术
区域防守拦截策略问题主要源于经典军事行动的需要。它是国防相关军事作战研究的一个基础性领域,这个问题是一个严格约束的组合优化问题,已被证明是一个非确定性多项式时间完全,其研究具有重要意义。区域防守拦截问题是指多个来袭目标攻击我方区域中具有重要价值的设施,来袭目标在袭击过程中分散火力打击不同设施。来袭目标数量的急剧增加,我方也需同时发射大量导弹等拦截飞行器对其进行拦截,从而形成多武器平台的目标分配拦截策略问题。拦截多个来袭目标关键是根据我方武器平台的拦截能力、导弹资源进行目标分配,而区域防守态势评估和威胁分析是目标分配的基础,因此,区域防守态势评估、威胁分析、目标分配一起构成了区域防守的核心内容,而其中拦截策略是其中最关键的一部分。
区域防守拦截策略目前主要是根据一些基本的经验公式,计算出武器平台的拦截系数,目标分配的方法主要有粒子群算法、遗传算法、蚁群算法等,大部分基本群智能算法存在效率不高,收敛性较差等缺点。Kennedy等在1995年提出粒子群优化方法(PSO)由于算法概念简单、易于操作、搜索空间广。同时对于粒子群优化算法也存在收敛到局部最优解,迭代后期收敛速度慢,精度不高等缺点。
发明内容
本发明的目的是为了解决区域防守拦截来袭目标的武器平台目标分配的粒子群方法容易陷入局部最优,迭代后期收敛速度慢,求解精度低等缺点,提出一种新型的拦截策略决策的粒子群优化方法,使用粒子群方法的基本原理,通过原理对粒子坐标调整,对不合法的粒子坐标使用新的搜索算法,使粒子不断达到全局最优解的同时收敛速度提高,保证了收敛的稳定性。本发明的目的是通过以下技术方案实现的:一种区域防守拦截决策的粒子群优化方法,包括以下步骤:
步骤一:从决策指挥部获取区域防守当前的态势;
包括我方防守武器平台数目、位置以及平台可发射导弹的数量、敌方来袭目标数目、位置、敌方空袭打击目标、来袭目标型号、性能。
步骤二:根据目前区域防守态势通过经验公式得到来袭目标的威胁系数与武器平台发射导弹的防守拦截系数;
来袭目标的威胁系数为来袭目标打击我方设施的价值度。
防守拦截系数
P=F(Va,Vt,θ,φ,σ) (1)
其中Va为来袭目标加速度,Vt为来袭目标速度,θ,φ,σ分别为来袭目标与我方发射导弹的角度与正态分布的两个参数,F为一个拦截系数计算函数,P为得到的防守拦截值。。
步骤三:设定粒子群的种群规模和最大迭代次数;
所述粒子群的种群规模即为粒子数目,表示拦截策略集所包含的不同拦截策略方案的个数;所述的最大迭代次数,表示对策略集不断更改的数目,即对拦截策略集发生多少次的更改:拦截策略集为指武器平台所有可行解下任意生成的每个武器平台拦截来袭目标以及发射的拦截导弹数的集合。
步骤四:种群粒子的初始化;
每个粒子为一个N维的向量坐标,N的数目为武器平台的个数,向量坐标为我方武器平台将要拦截的来袭目标的飞行器代号与对该目标发射的拦截导弹次数,其向量坐标的表示如下:
步骤五:根据来袭目标威胁系数,防守拦截的成功系数,根据拦截效能经验公式(3)得到当前所有粒子的拦截效能。
拦截效能经验公式;
f=max{f1/f2} (4)
其中f1为最大化敌方损失函数,f2为最小化我方损失函数,f为最大化拦截效能。vj为第j个来袭目标的威胁系数,pkj为第k个武器平台对第j个来袭目标的防守拦截系数.xkj为第k个武器平台对第j个来袭目标的拦截导弹数,qk为第k个武器平台的导弹价值系数。
步骤六:所有粒子的拦截效能将其作为粒子的适应度做为粒子个体历史最优坐标,选出所有粒子中适应度大的粒子,其坐标作为种群历史最优坐标。
步骤七:更改粒子的向量坐标,更新粒子种群历史最优坐标和粒子个体最优坐标,将拦截效能作为粒子群算法的适应度,找出所有粒子中最大适应度的粒子,其粒子向量坐标作为当前粒子种群最优并将其与截止目前找到的最优粒子比较更新全局最优向量坐标;
每个粒子的向量坐标更改按照如下的规则步骤:
(1)粒子种群历史最优坐标与当前粒子的向量坐标、粒子个体最优坐标当前粒子的向量坐标按照公式(4)更新该粒子的更新速度。
(2)按照公式(5)更新该粒子的新坐标。
(3)按照公式(6)使新粒子的坐标满足算法要求的搜索空间并且做为拦截策略的可行解。
(4)按照公式(3)重新计算该粒子的适应度。
粒子速度更新公式:
粒子坐标更新公式:
其中,w为惯性权重;1、c2是加速因子;1,2为[0,1]区间的随机数,为直到G代,第i个粒子所经历的最优坐标gbestG是直到G代整个粒子群搜索到的最优坐标,为第G+1代第i个粒子的位置,Vi G+1为第G+1代第i个粒子的速度。
新颖的半随机搜索算法公式:
其中表示不满足其位置在搜索空间内经过算法合法性修正过后的拦截目标,即第i个粒子第j维在G+1代修正后的位置。同理为对拦截目标的发射导弹数,半径r=(*M/2),下横线表示取整符号,coff=1-tanh(/)G为当前迭代次数,MaxIter为粒子群最大次数,tanh为正切函数,M为敌方来袭目标个数,LOaD为武器平台最大发射导弹数。本发明上述新颖的半随机搜索算法公式,通过随机性保证解避免陷入局部最优,也充分考虑了历史的最优信息,因此该新颖的搜索算法能够确保解的全局最优与稳定性。
更改粒子种群的历史最优坐标和粒子的个体历史最优坐标,包括以下几个步骤:
1)按照公式(9)比较更改后的所有粒子的适应度,找出最大的适应度,并与截止目前记录的种群历史最优的适坐标的适应度比较,如果大于种群历史最优位置的适应度,则取代之前记录的种群历史最优坐标,得到新的种群历史最优坐标;
2)按照公式(10)对每个粒子自身的历史最优坐标与更改后的坐标的适应度进行比较,如果新坐标优于粒子个体的历史最优坐标,则将新坐标作为粒子个体最优坐标;
步骤八:重复步骤七,不断更新粒子坐标,直到迭代次数达到设置的最大迭代次数。
步骤九:输出全局最优粒子的向量坐标,即最佳的拦截策略方案。
得到的拦截策略为在来袭目标信息已知条件下区域拦截过程中的一种优化分配方案,将战场上的来袭目标分配给武器平台进行拦截。
本发明的有效效果表现在:1、对实际的区域防守拦截场景进行建模,实现了接近真实的来袭目标拦截的场景。2、改进的搜索算法能够避免由于不合法的粒子坐标而进行的人为分配目标导致的粒子群算法陷入局部最优解与早熟收敛,根据历史坐标信息半随机挑选新的合法坐标值确保局部适应度较高的粒子能够被选取出来,保证了种群的多样性,智能选择满足约束的拦截策略,确保了拦截策略最优化,从而最大化区域防守拦截策略的拦截效能。3、半随机搜索算法的公式通过随机性保证解避免陷入局部最优,也充分考虑了历史的最优信息,确保了解的全局最优性与稳定性。
附图说明
图1是本发明的方法流程;
图2是搜索算法的原理示意图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明一种区域防守拦截决策的粒子群优化方法,流程如图1所示,包括以下几个步骤:步骤一:决策指挥部获取区域防守当前的态势;
从决策指挥部获取区域防守当前的态势,包括:我方防守武器平台数目、位置以及平台可发射导弹的数量、敌方来袭目标数目、位置、敌方空袭打击目标、来袭目标型号、性能。步骤二:根据目前区域防守态势通过经验公式得到来袭目标的威胁系数与武器平台发射导弹的防守拦截系数。
我方武器平台k对来袭目标j的拦截系数经验公式为:
P=F(Va,Vt,θ,φ,σ) (1)
其中Va为来袭目标加速度,Vt为来袭目标速度,θ,φ,σ分别为来袭目标与我方发射导弹的角度与正态分布的两个参数,F为一个拦截系数计算函数,P为得到的防守拦截值。
步骤三:设定粒子群的种群规模和最大迭代次数。
所述粒子群的种群规模即为粒子数目,表示拦截策略集所包含的不同拦截策略方案的个数;所述的最大迭代次数,表示对策略集不断更改的数目,即对拦截策略集发生多少次的更改:拦截策略集为指武器平台所有可行解下任意生成的每个武器平台拦截来袭目标以及发射的拦截导弹数的集合。
步骤四:种群粒子的初始化;
每个粒子为一个N维的向量坐标,N的数目为武器平台的个数,向量坐标为我方武器平台将要拦截的来袭目标的飞行器代号与对该目标发射的拦截导弹次数。
例如当前我方有4个武器平台,所以每个粒向量为4维,4个武器平台可发射的导弹上限为(2,1,2,3),则坐标(2.1,3.1,1.2,4.2)中值2.1表示第一个武器平台拦截2号来袭目标且发射1枚导弹,第二个值3.1表示第二个武器平台拦截3号来袭目标且发射1枚导弹,依此类推则最后的值4.2表示第四个武器平台拦截4号来袭目标且发射2枚导弹坐标值。
步骤五:根据来袭目标威胁系数,防守拦截的成功系数,根据拦截效能经验公式(3)得到当前所有粒子的拦截效能。
拦截系数经验公式;
f=max{f1/f2} (4)
其中,f1为最大化敌方损失函数,f2为最小化我方损失函数,f为最大化拦截效能。vj为第j个来袭目标的威胁系数,pkj为第k个武器平台对第j个来袭目标的防守拦截系数.xkj为第k个武器平台对第j个来袭目标的拦截导弹数,qk为第k个武器平台的导弹价值系数。
步骤六:所有粒子的拦截效能将其作为粒子的适应度做为粒子个体历史最优坐标,选出所有粒子中适应度大的粒子,其坐标作为种群历史最优坐标。
步骤七:更改粒子的向量坐标,更新粒子种群历史最优坐标和粒子个体最优坐标,将拦截效能作为粒子群算法的适应度,找出所有粒子中最大适应度的粒子,其粒子向量坐标作为当前粒子种群最优并将其与截止目前找到的最优粒子比较更新全局最优向量坐标;
每个粒子的向量坐标更改,根据图2展开详细的描述,具体按照如下的规则步骤:
1)粒子种群历史最优坐标与当前粒子的向量坐标、粒子个体最优坐标当前粒子的向量坐标按照公式(4)更新该粒子的更新速度。
粒子速度更新公式:
(2)按照公式(5)更新该粒子的新坐标。
粒子坐标更新公式:
(3)按照公式(6)使新粒子的坐标满足算法要求的搜索空间并且做为拦截策略的可行解。
新颖的半随机搜索算法公式:
其中表示不满足其位置在搜索空间内经过算法合法性修正过后的拦截目标,即第i个粒子第d维在G+1代修正后的位置。同理为对拦截目标的发射导弹数,半径r=(coff*M/2),下横线表示取整符号,coff=1-tanh(G/MaxIter)G为当前迭代次数,MaxIter为粒子群最大次数,tanh为正切函数,M为敌方来袭目标个数,LOAD为武器平台最大发射导弹数。本发明上述新颖的半随机搜索算法公式,通过随机性保证解避免陷入局部最优,也充分考虑了历史的最优信息,因此该新颖的搜索算法能够确保解的全局最优与稳定性。(4)按照公式(3)重新计算该粒子的适应度。
更改粒子种群的历史最优坐标和粒子的个体历史最优坐标,包括以下几个步骤:
1)按照公式(9)比较更改后的所有粒子的适应度,找出最大的适应度,并与截止目前记录的种群历史最优的适坐标的适应度比较,如果大于种群历史最优位置的适应度,则取代之前记录的种群历史最优坐标,得到新的种群历史最优坐标;
2)按照公式(10)对每个粒子自身的历史最优坐标与更改后的坐标的适应度进行比较,如果新坐标优于粒子个体的历史最优坐标,则将新坐标作为粒子个体最优坐标;
步骤八:重复步骤七,不断更新粒子坐标,直到迭代次数达到设置的最大迭代次数。
步骤九:输出全局最优粒子的向量坐标,即最佳的拦截策略方案。
得到的拦截策略为在来袭目标信息已知条件下区域拦截过程中的一种优化分配方案,将战场上的来袭目标分配给武器平台进行拦截。
得到的拦截策略为在来袭目标信息已知条件下区域拦截过程中的一种优化分配方案,将战场上的来袭目标分配给武器平台进行拦截,力求使拦截效果最优。
Claims (3)
1.一种区域防守拦截决策的粒子群优化方法,其特征在于,包括以下几个步骤:
步骤一:获取区域防守当前的态势:包括我方防守武器平台数目、位置以及平台可发射导弹的数量、敌方来袭目标数目、位置、敌方空袭打击目标、来袭目标型号、性能;
步骤二:根据目前区域防守态势得到来袭目标的威胁系数与武器平台发射导弹的防守拦截系数;
来袭目标的威胁系数为来袭目标打击我方设施的价值度。
防守拦截系数:P=F(Va,Vt,θ,φ,σ) (1)
其中,Va为来袭目标加速度,Vt为来袭目标速度,θ,φ,σ分别为来袭目标与我方发射导弹的角度与正态分布的两个参数,F为一个拦截系数计算函数,P为得到的防守拦截值。
步骤三:设定粒子群的种群规模和最大迭代次数;
所述粒子群的种群规模即为粒子数目,表示拦截策略集所包含的不同拦截策略方案的个数;所述的最大迭代次数,表示对策略集不断更改的数目,即对拦截策略集发生多少次的更改:拦截策略集为指武器平台所有可行解下任意生成的每个武器平台拦截来袭目标以及发射的拦截导弹数的集合。
步骤四:种群粒子的初始化;
每个粒子为一个N维的向量坐标,N的数目为武器平台的个数,向量坐标为我方武器平台将要拦截的来袭目标的飞行器代号与对该目标发射的拦截导弹次数,其向量坐标的表示如下:
步骤五:根据来袭目标威胁系数,防守拦截的成功系数,根据拦截效能经验公式(3)得到当前所有粒子的拦截效能。
拦截效能经验公式;
f=max{f1/f2} (4)
其中f1为最大化敌方损失函数,f2为最小化我方损失函数,f为最大化拦截效能。vj为第j个来袭目标的威胁系数,pkj为第k个武器平台对第j个来袭目标的防守拦截系数.xkf为第k个武器平台对第j个来袭目标的拦截导弹数,qk为第k个武器平台的导弹价值系数。
步骤六:所有粒子的拦截效能将其作为粒子的适应度做为粒子个体历史最优坐标,选出所有粒子中适应度大的粒子,其坐标作为种群历史最优坐标。
步骤七:更改粒子的向量坐标,更新粒子种群历史最优坐标和粒子个体最优坐标,将拦截效能作为粒子群算法的适应度,找出所有粒子中最大适应度的粒子,其粒子向量坐标作为当前粒子种群最优并将其与截止目前找到的最优粒子比较更新全局最优向量坐标;
步骤八:重复步骤七,不断更新粒子坐标,直到迭代次数达到设置的最大迭代次数。
步骤九:输出全局最优粒子的向量坐标,即最佳的拦截策略方案;得到的拦截策略为在来袭目标信息已知条件下区域拦截过程中的一种优化分配方案,将战场上的来袭目标分配给武器平台进行拦截。
2.根据权利要求1所述的一种区域防守拦截决策的粒子群优化方法,其特征在于,所述步骤七中,所述更改粒子的向量坐标具体包括以下步骤:
(1)粒子种群历史最优坐标与当前粒子的向量坐标、粒子个体最优坐标当前粒子的向量坐标按照公式(4)更新该粒子的更新速度。
(2)按照公式(5)更新该粒子的新坐标。
(3)按照公式(6)使新粒子的坐标满足算法要求的搜索空间并且做为拦截策略的可行解。
(4)按照公式(3)重新计算该粒子的适应度。
粒子速度更新公式:
粒子坐标更新公式:
其中,w为惯性权重;c1、c2是加速因子;rand1,2为[0,1]区间的随机数,为直到G代,第i个粒子所经历的最优坐标gbestG是直到G代整个粒子群搜索到的最优坐标,为第G+1代第i个粒子的位置,为第G+1代第i个粒子的速度。
新颖的半随机搜索算法公式:
3.根据权利要求1所述的一种区域防守拦截决策的粒子群优化方法,其特征在于,所述步骤七中,所述更新粒子种群历史最优坐标和粒子个体最优坐标,包括以下几个步骤:
1)按照公式(9)比较更改后的所有粒子的适应度,找出最大的适应度,并与截止目前记录的种群历史最优的适坐标的适应度比较,如果大于种群历史最优位置的适应度,则取代之前记录的种群历史最优坐标,得到新的种群历史最优坐标;
2)按照公式(10)对每个粒子自身的历史最优坐标与更改后的坐标的适应度进行比较,如果新坐标优于粒子个体的历史最优坐标,则将新坐标作为粒子个体最优坐标;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211613519.8A CN116205332A (zh) | 2022-12-15 | 2022-12-15 | 一种区域防守拦截决策的粒子群优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211613519.8A CN116205332A (zh) | 2022-12-15 | 2022-12-15 | 一种区域防守拦截决策的粒子群优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116205332A true CN116205332A (zh) | 2023-06-02 |
Family
ID=86506756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211613519.8A Pending CN116205332A (zh) | 2022-12-15 | 2022-12-15 | 一种区域防守拦截决策的粒子群优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205332A (zh) |
-
2022
- 2022-12-15 CN CN202211613519.8A patent/CN116205332A/zh active Pending
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 | |
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 | |
CN108594645B (zh) | 单场站多无人机分配与飞行路线的规划方法及系统 | |
CN108416421B (zh) | 基于dde改进蝙蝠算法的动态火力分配方法 | |
CN110991683B (zh) | 一种基于粒子群算法优化解决武器-目标分配的方法 | |
CN115328189B (zh) | 多无人机协同博弈决策方法和系统 | |
CN111797966B (zh) | 一种基于改进羊群算法的多机协同全局目标分配方法 | |
CN113553777B (zh) | 反无人机蜂群的防空部署方法、装置、设备和介质 | |
CN110991119A (zh) | 基于pso-ga混合算法的末端防御武器系统兵力部署优化方法 | |
CN111773722B (zh) | 一种模拟环境中的战斗机规避机动策略集生成方法 | |
CN113792985B (zh) | 一种传感器-武器动态联合任务多目标分配方法 | |
Zhao et al. | Shuffled frog leaping algorithm with non-dominated sorting for dynamic weapon-target assignment | |
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 | |
Yang et al. | A multi-information particle swarm optimization algorithm for weapon target assignment of multiple kill vehicle | |
CN109737830A (zh) | 无人机群攻击火力分配问题的规划方法 | |
CN116661496B (zh) | 一种基于智能算法的多巡飞弹协同航迹规划方法 | |
CN110986680B (zh) | 一种城市环境中低慢小目标的复合拦截方法 | |
CN117291254A (zh) | 基于模仿学习和安全强化学习的智能体任务分配训练方法 | |
CN108734334B (zh) | 一种基于d数和威胁性优先的弹炮结合火力分配方法 | |
CN116205332A (zh) | 一种区域防守拦截决策的粒子群优化方法 | |
CN116090356A (zh) | 基于任务可靠性约束的异构弹群多目标任务规划方法 | |
Xue et al. | Optimization method for coordination deployment of air defense system based on improved genetic algorithm | |
CN114880857B (zh) | 基于混合智能搜索的武器资源多阶段优化分配方法 | |
Bian et al. | Cooperative strike target assignment algorithm based on deep reinforcement learning | |
Fu et al. | Air defense intelligent weapon target assignment method based on deep reinforcement learning |
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 |