CN116229766B - 博弈对抗下基于效能的目标分配方法 - Google Patents
博弈对抗下基于效能的目标分配方法 Download PDFInfo
- Publication number
- CN116229766B CN116229766B CN202211727349.6A CN202211727349A CN116229766B CN 116229766 B CN116229766 B CN 116229766B CN 202211727349 A CN202211727349 A CN 202211727349A CN 116229766 B CN116229766 B CN 116229766B
- Authority
- CN
- China
- Prior art keywords
- wolf
- vector
- value
- enemy
- bit
- 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
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
-
- 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]
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例提供一种博弈对抗下基于效能的目标分配方法,包括:基于我方飞机数量和敌方飞机数量,构建空中博弈对抗变量;其中,每个所述变量为整数向量,向量的位代表我方作战飞机编号,向量的值代表被攻击敌方飞机的目标编号;基于所述变量以及预设的优先级条件,建立目标函数;基于所述变量和所述目标函数,采用狼群算法进行目标分配。本方法使用基于整数向量的狼群算法作为最优解智能搜索算法搜索最优的目标分配策略,将敌方作战单位作为目标用于我方战斗单位的作战目标分配,能够在超视距远程目标打击的时候进行合理的目标分配,不仅能够更好的消灭敌方有效作战力量,为我方胜利打下基础,还能够在一定程度上节省我方导弹等火力耗材的消耗。
Description
技术领域
本发明属于空中博弈对抗技术领域,具体涉及一种博弈对抗下基于效能的目标分配方法。
背景技术
随着预警机,电子战机等新型作战飞机的出现,以及飞机装备的各类武器设备性能的提升,空中对抗方式也发生了很大的改变,超视距作战成为了空中作战的主流场景。在防御方面,优秀的电子干扰能力能够减小敌方探测范围,降低敌方打击精度,使我方作战效能损失最小化。在进攻方面,强大的探测能力和远程打击能力能够让我方作战占据主动权增加我方完成战略打击任务的成功率。
在进行空中博弈对抗的时候双方往往具有多类型的多个作战单位,因此进行超视距远程目标打击的时候合理的目标分配不仅能够更好的消灭敌方有效作战力量,为我方胜利打下基础,还能够在一定程度上节省我方导弹等火力耗材的消耗。一种优秀的目标分配方法将是带领作战走向胜利的相当重要的一环。
目前大多数方法都研究的是单一类型作战单位的目标分配,本方法将作战场景中的飞机多样性对作战效能的影响也纳入考虑并使用基于整数向量的狼群算法搜索最终的目标分配策略。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种博弈对抗下基于效能的目标分配方法。
本发明提供一种博弈对抗下基于效能的目标分配方法,所述
方法包括:
基于我方飞机数量和敌方飞机数量,构建空中博弈对抗变量;其中,每个所述变量为整数向量,向量的位代表我方作战飞机编号,向量的值代表被攻击敌方飞机的目标编号;
基于所述变量以及预设的优先级条件,建立目标函数;
基于所述变量和所述目标函数,采用狼群算法进行目标分配。
可选地,所述目标函数满足下述关系式:
Y(X)=w1T(X)+w2G(X)+w3H(X)
其中,T(X)表示被攻击的敌方单位对我方作战效能的威胁程度;
G(X)表示被攻击的敌方单位对敌方整体作战效能的增益程度;
H(X)表示我方对敌方进行打击的有效程度主要体现在敌方单位相对于我方攻击单位的距离,角度以及炮弹和目标的相对速度;
w1,w2,w3表示权重系数。
可选地,T(X)计算公式如下:
T(X)=∑d∈Dt(d)
其中,D表示所有被攻击的敌方飞机集合即X中所有不重复的元素,t(d)表表示单个敌方飞机的威胁程度,使用如下火力评估公式对其进行计算:
其中,R表示最大实际有效射程,H表示允许发射总高度差,Pk表示单发杀伤概率,A1表示发射包线总攻击角,表示导弹最大过载,ωmax表示导弹最大跟踪角速度,A2表示总离轴发射角,n表示同类导弹挂架数量,KD表示制导方式修正系数。
可选地,G(X)计算公式如下:
G(X)=∑d∈Dg(d)
其中,D表示所有被攻击的敌方飞机集合即X中所有不重复的元素,t(d)表示单个敌方飞机的对敌方的作战效能增益程度,使用如下飞机的态势感知能力计算公式对其进行计算:
其中,Sr表示最大发现目标距离,θ表示搜索总方位角,PT表示发现目标概率,K2表示制衡量系数,m1表示同时跟踪目标数量,m2表示同时允许攻击目标数量。
可选地,H(X)计算公式如下:
H(X)=w1D(X)+w2A(X)+w3S(X)
其中,w1,w2,w3分别表示权重,并且满足w1+w2+w3=1的约束条件,D(X),A(X),S(X)分别表示基于变量X的距离、角度、速度的收益函数,值得说明的是,这些收益函数都是每个歼击机作战的收益总和,即有:
其中的d(xi),a(xi),s(xi)分别表示的是第i个飞机的距离、角度、速度的收益,其具体计算方式如下所述:
距离收益函数:其中,/>R表示我方第i个歼击机和敌方第j个飞机的距离,Rmin,Rmax分别指的是弹攻击区的近边界和远边界;
角度收益函数: 和/>分别为目标进入角和目标方位角;
速度收益函数:其中,Vg和Vm分别为攻击机和目标机的速度。
可选地,所述基于所述变量和所述目标函数,采用狼群算法进行目标分配,包括:
初始化狼群;
头狼产生规则:初始解空间中,具有最优目标函数值的人工狼即为头狼设其向量为XL;在迭代过程中,将每次迭代后最优狼的目标函数值与前一代中头狼的值进行比较,若更优则对头狼位置进行更新,若此时存在多匹的情况,则随机选一匹成为头狼;头狼不执行3种智能行为而直接进入下次迭代,直到它被其他更强的人工狼所替代;
游走行为:将解空间中除头狼外最佳的Snum匹人工狼视为探狼设其向量为XT,在解空间中搜索猎物,Snum随机取之间的整数,α为探狼比例因子;探狼i首先感知空气中的猎物气味,即计算该探狼当前位置的猎物气味浓度Yi T;若Yi T大于头狼所感知的猎物气味浓度YL,表明猎物离探狼i已相对较近且该探狼最有可能捕获猎物;于是YL=Yi T,探狼i替代头狼并发起召唤行为;若YL>Yi T,则探狼先自主决策,即探狼在当前位置的附近进行探索;此时,探狼所感知的猎物气味浓度为/>选择气味最浓的且大于当前位置气味浓度/>的方向前进一步,更新探狼的状态/>重复以上的游走行为直到某匹探狼感知到的猎物气味浓度YL<Yi T或游走次数T达到最大游走次数Tmax;
召唤行为:头狼通过嚎叫发起召唤行为,召集周围的Mnum匹猛狼向头狼所在位置迅速靠拢,其中Mnum=n-Snum-1;奔袭途中,若猛狼i感知到的猎物气味浓度Yi M>YL,则YL=Yi M,该猛狼转化为头狼并发起召唤行为;若Yi M<YL,则猛狼i继续奔袭直到其与头狼之间的距离dis小于dnear时加入到对猎物的攻击行列,即转入围攻行为;
围攻行为:经过奔袭的猛狼已离猎物较近,猛狼要联合探狼对猎物进行紧密地围攻以期将其捕获;这里将离猎物最近的狼,即头狼的位置视为猎物的移动位置;若实施围攻行为后人工狼感知到的猎物气味浓度大于其原位置状态所感知的猎物气味浓度,则更新此人工狼的位置,若不然,人工狼位置不变;
更新机制:猎物按照由强到弱的原则进行分配,导致弱小的狼会被饿死;即在算法中去除目标函数值最差的R匹人工狼,同时随机产生R匹人工狼。
可选地,设敌方攻击目标数量为N,我方作战飞机数量为M,初始化狼群包括:
若N≥M,从[1,N]中随机选择M个数并将其随机打乱顺序得到一个具体的向量;以及,
若将向量的前N位依次置为[1,N]的所有数,再从[1,N]中随机选择M-N个数位于向量的后M-N位,再将向量打乱顺序;以及,
若将向量的前2N位依次置为[1,N]的所有数,每个数出现两次,将后M-2N位全置为0,再将向量打乱顺序;
每一个向量都按照上述方法生成直到得到一个初始狼群。
可选地,在游走行为步骤中,探索的位置更新方法包括:
随机选择M维向量中的r1维,对于其中的每一维做下述操作,假设/>的原始值为a:
若N≥M,从区间[1,N]中任取一个数不妨设其为b,若探狼i的向量中已经存在b,不妨设其位置为f即有/>令/>若探狼i的向量/>中不存在b则令/>
若若探狼i的向量/>中只有第d位一个位的值位a则将/>的值与向量中除了第d位以外的任意一位交换;若探狼的向量/>中除了第d位还有另外一位的值时a,则从区间[1,N]中任取一个数不妨设其为b,若此时/>中有两个位的值为b,随机选择其中一个位置不妨设其为f即有/>令/>若此时/>中只有一个位的值为b则令/>即可;
若将/>的值与/>向量中除了第d位以外的任意一位交换。
可选地,在召唤行为步骤中,猛狼奔袭时的向量更新方法按照如下所述的步骤进行:
随机选择M维向量中的r2维,对于其中的每一维做下述操作,假设/>的原始值为a,再找到头狼向量XL的第d位/>假设其值为b:
若N≥M,找到中值为b的位,若找到了假设其为f即有/>此时令若没找到则直接令/>
若若/>还存在另一个位的值也为a,找到/>中值为b的位,若只有一个这样的位则令/>即可,若有两个这样的位随机选择其中一个位置不妨设其为f即有/>令/>若/>不存在另一个值为a的位,则找到/>中值为b的一个位不妨设其为f,令/>
若找到/>中值为b的两个位并随机选择一个不妨设其为f,令
可选地,在召唤行为步骤中,两个不同的向量X1,X2的距离计算方法是计算两个向量不同的位的个数即:
其中
和/或,
在围攻行为步骤中,进行围攻时的猛狼的向量的更新方法为:直接从M维向量中选择r3个维度,对于其中的每个维度若其与头狼对应的位值相同则不做处理,若不同则将其随机与一个位的值进行交换。
本发明实施例的博弈对抗下基于效能的目标分配方法,本方法将作战场景中的飞机多样性对作战效能的影响也纳入考虑,使用基于整数向量的狼群算法作为最优解智能搜索算法搜索最优的目标分配策略,将敌方作战单位作为目标用于我方战斗单位的作战目标分配,能够在超视距远程目标打击的时候进行合理的目标分配,不仅能够更好的消灭敌方有效作战力量,为我方胜利打下基础,还能够在一定程度上节省我方导弹等火力耗材的消耗。
附图说明
图1为本发明一实施例的博弈对抗下基于效能的目标分配方法的流程图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
如图1所示,本发明的实施例涉及一种博弈对抗下基于效能的目标分配方法。
首先是问题建模,假定我方能进行攻击的飞机数量为M,敌方飞机数量为N,其中可能存在多种不同类型的飞机比如预警机,歼击机,电子战机,轰炸机等。因此我们的变量定义为X=(x1,x2,x3,...,xM)是一个M维的向量,向量的每一维的取值范围都是[0,N]的整数,xi=j,j∈[0,N],i∈[1,M]表示我方的第i架作战飞机将要攻击敌方的第j架飞机,当xi=j=0时表示第i个飞机不攻击任何一个敌方飞机。每个变量都是一个整数向量,向量的位代表我方作战飞机编号,向量的值代表被攻击的目标编号。这些编号仅仅是一个编码不具备数学上的数字的数值大小的属性。
有了变量的定义我们可以针对此变量设计目标函数,目标函数要能够体现当前分配方式的有效性,为此我们考虑以下一些条件:
1.对我方威胁程度高的目标将优先被攻击;
2.对敌方作战效能起重要作用的目标优先被攻击;
3.我方打击命中率高目标优先被攻击;
4.覆盖尽可能多的攻击目标;
于是我们设计出如下的目标函数:
Y(X)=w1T(X)+w2G(X)+w3H(X)
其中w1,w2,w3表示权重系数。
T(X)表示被攻击的敌方单位对我方作战效能的威胁程度:
T(X)=∑d∈Dt(d)
其中D表示所有被攻击的敌方飞机集合即X中所有不重复的元素,t(d)表示单个敌方飞机的威胁程度,我们使用火力评估公式对其进行计算:
其中各个符号的含义如下最大实际有效射程R(km)、允许发射总高度差H(km)、单发杀伤概率Pk、发射包线总攻击角A1(°)、导弹最大过载导弹最大跟踪角速度ωmax((°)/s)、总离轴发射角A2(超前及滞后离轴角之和,°)、同类导弹挂架数量n和制导方式修正系数KD。
G(X)表示被攻击的敌方单位对敌方整体作战效能的增益程度其计算公式为:
G(X)=∑d∈Dg(d)
其中D表示所有被攻击的敌方飞机集合即X中所有不重复的元素,t(d)表示单个敌方飞机的对敌方的作战效能增益程度,我们使用飞机的态势感知能力计算公式对其进行计算:
其中,Sr为最大发现目标距离;θ为搜索总方位角;PT为发现目标概率;K2为制衡量系数;m1为同时跟踪目标数量;m2为同时允许攻击目标数量。
H(X)表示我方对敌方进行打击的有效程度主要体现在敌方单位相对于我方攻击单位的距离,角度以及炮弹和目标的相对速度,其计算公式为:
H(X)=w1D(X)+w2A(X)+w3S(X)
其中w1,w2,w3分别表示权重,并且满足w1+w2+w3=1的约束条件。D(X),A(X),S(X),分别表示基于变量X的距离、角度、速度的收益函数,值得说明的是,这些收益函数都是每个歼击机作战的收益总和,即有:
其中的d(xi),a(xi),s(xi)分别表示的是第i个飞机的距离、角度、速度的收益,其具体计算方式如下所述:
距离收益(d(xi=j))。导弹的攻击距离应满足Rmin≤R≤Rmax。其中,Rmin,Rmax分别指的是弹攻击区的近边界和远边界。当R>Rmax时,认为距离收益很小;随着相对距离的减少,攻击收益逐步扩大,时,距离收益达到最大;随着相对距离的进一步减少,距离收益又有逐步减小。由此,可以构造出类似于高斯分布的距离收益函数/>其中,/>R表示我方第i个歼击机和敌方第j个飞机的距离。若令dmax=dmin=0.95,则可得σ=2(Rmin+Rmax)。
角度收益(d(xi=j))。为了实现对目标的有效跟踪,要求保持目标方位角;同时,为了避免被攻击,最好的目标进入角为180°。由此,可以构造角度收益函数其中,/>和/>分别为目标进入角和目标方位角。
速度收益(d(xi=j))。空战中,速度越快,机动能力越强,相对也越占据作战优势。由此,可以构造速度收益函数其中,Vg和Vm分别为攻击机和目标机的速度。
我们建立好了变量和目标函数的数学模型之后就可以基于此执行具体的目标分配算法了。我们的目标分配算法是在狼群算法的基础上进行改造使其适用于我们的问题模型,与原始算法最大的不同是我们定义的变量是一个整数向量,原始算法的变量更新公式和距离计算公式以及初始化方法都不再适用,接下来我们对算法进行详细阐述。
狼群算法由头狼、探狼和猛狼三类实体组成,通过其默契配合成就狼群近乎完美的捕猎行动,而“由强到弱”的猎物分配又促使狼群向最有可能再次捕获到猎物的方向繁衍发展。我们可以将狼群的整个捕猎活动抽象为3种智能行为(即游走行为、召唤行为、围攻行为)以及“胜者为王”的头狼产生规则,“强者生存”的狼群更新机制,还有针对我们的求解问题特殊性的狼群初始化方法。
狼群初始化方法:设敌方攻击目标数量为N,我方作战飞机数量为M:
若N≥M,从[1,N]中随机选择M个数并将其随机打乱顺序得到一个具体的向量;
若将向量的前N位依次置为[1,N]的所有数,再从[1,N]中随机选择M-N个数位于向量的后M-N位,再将向量打乱顺序;
若将向量的前2N位依次置为[1,N]的所有数,每个数出现两次,将后M-2N位全置为0,再将向量打乱顺序;
每一个向量都按照上述方法生成直到得到一个初始狼群。
头狼产生规则:初始解空间中,具有最优目标函数值的人工狼即为头狼设其向量为XL;在迭代过程中,将每次迭代后最优狼的目标函数值与前一代中头狼的值进行比较,若更优则对头狼位置进行更新,若此时存在多匹的情况,则随机选一匹成为头狼。头狼不执行3种智能行为而直接进入下次迭代,直到它被其他更强的人工狼所替代。
游走行为:将解空间中除头狼外最佳的Snum匹人工狼视为探狼设其向量为XT,在解空间中搜索猎物,Snum随机取之间的整数,α为探狼比例因子。探狼i首先感知空气中的猎物气味,即计算该探狼当前位置的猎物气味浓度Yi T。若Yi T大于头狼所感知的猎物气味浓度YL,表明猎物离探狼i已相对较近且该探狼最有可能捕获猎物。于是YL=Yi T,探狼i替代头狼并发起召唤行为;若YL>Yi T,则探狼先自主决策,即探狼在当前位置的附近进行探索,探索的位置更新方法按照如下所述的方法进行。随机选择M维向量中的r1维,对于其中的每一维/>做下述操作:
假设的原始值为a,
若N≥M,从区间[1,N]中任取一个数不妨设其为b,若探狼i的向量中已经存在b,不妨设其位置为f即有/>令/>若探狼i的向量/>中不存在b则令/>
若若探狼i的向量/>中只有第d位一个位的值位a则将/>的值与向量中除了第d位以外的任意一位交换。若探狼i的向量/>中除了第d位还有另外一位的值时a,则从区间[1,N]中任取一个数不妨设其为b,若此时/>中有两个位的值为b,随机选择其中一个位置不妨设其为f即有/>令/>若此时/>中只有一个位的值为b则令/>即可;
若将/>的值与/>向量中除了第d位以外的任意一位交换。
此时,探狼所感知的猎物气味浓度为选择气味最浓的且大于当前位置气味浓度/>的方向前进一步,更新探狼的状态/>重复以上的游走行为直到某匹探狼感知到的猎物气味浓度YL<Yi T或游走次数T达到最大游走次数Tmax。
召唤行为:头狼通过嚎叫发起召唤行为,召集周围的Mnum匹猛狼向头狼所在位置迅速靠拢,其中Mnum=n-Snum-1;猛狼奔袭时的向量更新方法按照如下所述的步骤进行。随机选择M维向量中的r2维,对于其中的每一维/>
假设的原始值为a,再找到头狼向量XL的第d位/>假设其值为b,
若N≥M,找到中值为b的位,若找到了假设其为f即有/>此时令若没找到则直接令/>
若若/>还存在另一个位的值也为a,找到/>中值为b的位,若只有一个这样的位则令/>即可,若有两个这样的位随机选择其中一个位置不妨设其为f即有/>令/>若/>不存在另一个值为a的位,则找到/>中值为b的一个位不妨设其为f,令/>
若找到/>中值为b的两个位并随机选择一个不妨设其为f,令
奔袭途中,若猛狼i感知到的猎物气味浓度Yi M>YL,则YL=Yi M,该猛狼转化为头狼并发起召唤行为;若Yi M<YL,则猛狼i继续奔袭直到其与头狼之间的距离dis小于dnear时加入到对猎物的攻击行列,即转入围攻行为。两个不同的向量X1,X2的距离计算方法是计算两个向量不同的位的个数即:
其中
围攻行为。经过奔袭的猛狼已离猎物较近,这时猛狼要联合探狼对猎物进行紧密地围攻以期将其捕获。这里将离猎物最近的狼,即头狼的位置视为猎物的移动位置。具体地,进行围攻时的猛狼的向量的更新方法为:直接从M维向量中选择r3个维度,对于其中的每个维度若其与头狼对应的位值相同则不做处理,若不同则将其随机与一个位的值进行交换。若实施围攻行为后人工狼感知到的猎物气味浓度大于其原位置状态所感知的猎物气味浓度,则更新此人工狼的位置,若不然,人工狼位置不变。
“强者生存”的狼群更新机制。猎物按照“由强到弱”的原则进行分配,导致弱小的狼会被饿死。即在算法中去除目标函数值最差的R匹人工狼,同时随机产生R匹人工狼。
本发明实施例的博弈对抗下基于效能的目标分配方法,本方法将作战场景中的飞机多样性对作战效能的影响也纳入考虑,使用基于整数向量的狼群算法作为最优解智能搜索算法搜索最优的目标分配策略,将敌方作战单位作为目标用于我方战斗单位的作战目标分配,能够在超视距远程目标打击的时候进行合理的目标分配,不仅能够更好的消灭敌方有效作战力量,为我方胜利打下基础,还能够在一定程度上节省我方导弹等火力耗材的消耗。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (7)
1.一种博弈对抗下基于效能的目标分配方法,其特征在于,所述方法包括:
基于我方飞机数量和敌方飞机数量,构建空中博弈对抗变量;其中,每个所述变量为整数向量,向量的位代表我方作战飞机编号,向量的值代表被攻击敌方飞机的目标编号;
基于所述变量以及预设的优先级条件,建立目标函数;
基于所述变量和所述目标函数,采用狼群算法进行目标分配;
所述基于所述变量和所述目标函数,采用狼群算法进行目标分配,包括:
初始化狼群;
头狼产生规则:初始解空间中,具有最优目标函数值的人工狼即为头狼设其向量为XL;在迭代过程中,将每次迭代后最优狼的目标函数值与前一代中头狼的值进行比较,若更优则对头狼位置进行更新,若此时存在多匹的情况,则随机选一匹成为头狼;头狼不执行3种智能行为而直接进入下次迭代,直到它被其他更强的人工狼所替代;
游走行为:将解空间中除头狼外最佳的Snum匹人工狼视为探狼设其向量为XT,在解空间中搜索猎物,Snum随机取之间的整数,α为探狼比例因子;探狼i首先感知空气中的猎物气味,即计算该探狼当前位置的猎物气味浓度Yi T;若Yi T大于头狼所感知的猎物气味浓度YL,表明猎物离探狼i已相对较近且该探狼最有可能捕获猎物;于是YL=Yi T,探狼i替代头狼并发起召唤行为;若YL>Yi T,则探狼先自主决策,即探狼在当前位置的附近进行探索;此时,探狼所感知的猎物气味浓度为/>选择气味最浓的且大于当前位置气味浓度/>的方向前进一步,更新探狼的状态/>重复以上的游走行为直到某匹探狼感知到的猎物气味浓度YL<Yi T或游走次数T达到最大游走次数Tmax;
召唤行为:头狼通过嚎叫发起召唤行为,召集周围的Mnum匹猛狼向头狼所在位置迅速靠拢,其中Mnum=n-Snum-1;奔袭途中,若猛狼i感知到的猎物气味浓度Yi M>YL,则YL=Yi M,该猛狼转化为头狼并发起召唤行为;若Yi M<YL,则猛狼i继续奔袭直到其与头狼之间的距离dis小于dnear时加入到对猎物的攻击行列,即转入围攻行为;
围攻行为:经过奔袭的猛狼已离猎物较近,猛狼要联合探狼对猎物进行紧密地围攻以期将其捕获;这里将离猎物最近的狼,即头狼的位置视为猎物的移动位置;若实施围攻行为后人工狼感知到的猎物气味浓度大于其原位置状态所感知的猎物气味浓度,则更新此人工狼的位置,若不然,人工狼位置不变;
更新机制:猎物按照由强到弱的原则进行分配,导致弱小的狼会被饿死;即在算法中去除目标函数值最差的R匹人工狼,同时随机产生R匹人工狼;
设敌方攻击目标数量为N,我方作战飞机数量为M,初始化狼群包括:
若N≥M,从[1,N]中随机选择M个数并将其随机打乱顺序得到一个具体的向量;以及,
若将向量的前N位依次置为[1,N]的所有数,再从[1,N]中随机选择M-N个数位于向量的后M-N位,再将向量打乱顺序;以及,
若将向量的前2N位依次置为[1,N]的所有数,每个数出现两次,将后M-2N位全置为0,再将向量打乱顺序;
每一个向量都按照上述方法生成直到得到一个初始狼群;
所述预设的优先级条件包括:对我方威胁程度高的目标将优先被攻击、对敌方作战效能起重要作用的目标优先被攻击、我方打击命中率高目标优先被攻击、覆盖尽可能多的攻击目标;
所述目标函数满足下述关系式:
Y(X)=w1T(X)+w2G(X)+W3H(X)
其中,X=(x1,x2,x3,…,xM)是一个M维的向量,向量的每一维的取值范围都是[0,N]的整数,xi=j,j∈[0,N],i∈[1,M]表示我方的第i架作战飞机将要攻击敌方的第j架飞机,当xi=j=0时表示第i个飞机不攻击任何一个敌方飞机;
T(X)表示被攻击的敌方单位对我方作战效能的威胁程度;
G(X)表示被攻击的敌方单位对敌方整体作战效能的增益程度;
H(X)表示我方对敌方进行打击的有效程度主要体现在敌方单位相对于我方攻击单位的距离,角度以及炮弹和目标的相对速度;
w1,w2,w3表示权重系数。
2.根据权利要求1所述的方法,其特征在于,T(X)计算公式如下:
T(X)=∑d∈Dt(d)
其中,D表示所有被攻击的敌方飞机集合即t中所有不重复的元素,t(d)表表示单个敌方飞机的威胁程度,使用如下火力评估公式对其进行计算:
其中,R表示最大实际有效射程,H表示允许发射总高度差,Pk表示单发杀伤概率,A1表示发射包线总攻击角,表示导弹最大过载,ωmax表示导弹最大跟踪角速度,A2表示总离轴发射角,n表示同类导弹挂架数量,KD表示制导方式修正系数。
3.根据权利要求1所述的方法,其特征在于,G(X)计算公式如下:
G(X)=Σd∈Dg(d)
其中,D表示所有被攻击的敌方飞机集合即X中所有不重复的元素,g(d)表示单个敌方飞机的对敌方的作战效能增益程度,使用如下飞机的态势感知能力计算公式对其进行计算:
其中,Sr表示最大发现目标距离,θ表示搜索总方位角,PT表示发现目标概率,K2表示制衡量系数,m1表示同时跟踪目标数量,m2表示同时允许攻击目标数量。
4.根据权利要求1所述的方法,其特征在于,H(X)计算公式如下:
H(X)=w1′D(X)+w2′A(X)+w3′S(X)
其中,w1′,w2′,w3′分别表示权重,并且满足w1′+w2′+w3′=1的约束条件,D(X),A(X),S(X)分别表示基于变量X的距离、角度、速度的收益函数,值得说明的是,这些收益函数都是每个歼击机作战的收益总和,即有:
其中的d(xi),a(xi),s(xi)分别表示的是第i个飞机的距离、角度、速度的收益,其具体计算方式如下所述:
距离收益函数:其中,/>R表示我方第i个歼击机和敌方第j个飞机的距离,Rmin,Rmax分别指的是弹攻击区的近边界和远边界;
角度收益函数: 和/>分别为目标进入角和目标方位角;
速度收益函数:其中,Vg和Vm分别为攻击机和目标机的速度。
5.根据权利要求1所述的方法,其特征在于,在游走行为步骤中,探索的位置更新方法包括:
随机选择M维向量中的r1维,对于其中的每一维做下述操作,假设/>的原始值为a:
若N≥M,从区间[1,N]中任取一个数不妨设其为b,若探狼i的向量中已经存在b,不妨设其位置为f即有/>令/>若探狼i的向量/>中不存在b则令
若若探狼i的向量/>中只有第d位一个位的值位a则将/>的值与/>向量中除了第d位以外的任意一位交换;若探狼i的向量/>中除了第d位还有另外一位的值时a,则从区间[1,N]中任取一个数不妨设其为b,若此时/>中有两个位的值为b,随机选择其中一个位置不妨设其为f即有/>令/>若此时/>中只有一个位的值为b则令/>即可;
若将/>的值与/>向量中除了第d位以外的任意一位交换。
6.根据权利要求1所述的方法,其特征在于,在召唤行为步骤中,猛狼奔袭时的向量更新方法按照如下所述的步骤进行:
随机选择M维向量中的r2维,对于其中的每一维做下述操作,假设/>的原始值为a,再找到头狼向量XL的第d位/>假设其值为b:
若N≥M,找到中值为b的位,若找到了假设其为f即有/>此时令若没找到则直接令/>
若若/>还存在另一个位的值也为a,找到/>中值为b的位,若只有一个这样的位则令/>即可,若有两个这样的位随机选择其中一个位置不妨设其为f即有令/>若/>不存在另一个值为a的位,则找到/>中值为b的一个位不妨设其为f,令/>
若找到/>中值为b的两个位并随机选择一个不妨设其为f,令
7.根据权利要求1所述的方法,其特征在于,
在召唤行为步骤中,两个不同的向量X1,X2的距离计算方法是计算两个向量不同的位的个数即:
其中
和/或,
在围攻行为步骤中,进行围攻时的猛狼的向量的更新方法为:直接从M维向量中选择r3个维度,对于其中的每个维度若其与头狼对应的位值相同则不做处理,若不同则将其随机与一个位的值进行交换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211727349.6A CN116229766B (zh) | 2022-12-30 | 2022-12-30 | 博弈对抗下基于效能的目标分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211727349.6A CN116229766B (zh) | 2022-12-30 | 2022-12-30 | 博弈对抗下基于效能的目标分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116229766A CN116229766A (zh) | 2023-06-06 |
CN116229766B true CN116229766B (zh) | 2023-10-20 |
Family
ID=86576003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211727349.6A Active CN116229766B (zh) | 2022-12-30 | 2022-12-30 | 博弈对抗下基于效能的目标分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116229766B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679987A (zh) * | 2015-01-26 | 2015-06-03 | 北京航空航天大学 | 一种军用飞机在总体设计阶段的系统效能评估方法 |
CN105590142A (zh) * | 2015-12-17 | 2016-05-18 | 中国人民解放军装甲兵工程学院 | 一种合成分队协同火力分配方法 |
CN110083971A (zh) * | 2019-05-08 | 2019-08-02 | 南京航空航天大学 | 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 |
CN113836803A (zh) * | 2021-09-13 | 2021-12-24 | 南京航空航天大学 | 基于改进狼群算法的无人机群资源调度方法 |
CN114442662A (zh) * | 2022-01-05 | 2022-05-06 | 南京航空航天大学 | 基于改进狼群优化算法的无人机集群协同对地打击方法 |
CN115129611A (zh) * | 2022-07-25 | 2022-09-30 | 内蒙古电力(集团)有限责任公司电力营销服务与运营管理分公司 | 一种测试方法、系统、设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097185B (zh) * | 2019-03-29 | 2021-03-23 | 北京大学 | 一种基于生成对抗网络的优化模型方法及应用 |
-
2022
- 2022-12-30 CN CN202211727349.6A patent/CN116229766B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679987A (zh) * | 2015-01-26 | 2015-06-03 | 北京航空航天大学 | 一种军用飞机在总体设计阶段的系统效能评估方法 |
CN105590142A (zh) * | 2015-12-17 | 2016-05-18 | 中国人民解放军装甲兵工程学院 | 一种合成分队协同火力分配方法 |
CN110083971A (zh) * | 2019-05-08 | 2019-08-02 | 南京航空航天大学 | 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 |
CN113836803A (zh) * | 2021-09-13 | 2021-12-24 | 南京航空航天大学 | 基于改进狼群算法的无人机群资源调度方法 |
CN114442662A (zh) * | 2022-01-05 | 2022-05-06 | 南京航空航天大学 | 基于改进狼群优化算法的无人机集群协同对地打击方法 |
CN115129611A (zh) * | 2022-07-25 | 2022-09-30 | 内蒙古电力(集团)有限责任公司电力营销服务与运营管理分公司 | 一种测试方法、系统、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116229766A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680063B (zh) | 一种针对大规模无人机集群动态对抗的决策方法 | |
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 | |
US9808720B2 (en) | Systems and methods for dynamic base development in a three dimensional action game | |
CN113741525B (zh) | 基于策略集合maddpg多无人机协同攻防对抗方法 | |
CN114460959A (zh) | 一种基于多体博弈的无人机群协同自主决策方法及装置 | |
CN112307613A (zh) | 基于自适应权重的无人机集群空-地对抗博弈仿真方法 | |
CN112284188A (zh) | 一种基于自适应步长离散狼群算法的无人机攻防决策方法 | |
CN114638339A (zh) | 基于深度强化学习的智能体任务分配方法 | |
CN108256207A (zh) | 射击密集度性能预测方法 | |
CN105426634B (zh) | 一种预警机战场生存力评估方法 | |
Liu et al. | Evolving effective micro behaviors in RTS game | |
CN116229766B (zh) | 博弈对抗下基于效能的目标分配方法 | |
CN113792985A (zh) | 一种传感器-武器动态联合任务多目标分配方法 | |
CN115061495B (zh) | 一种基于鹰鸽博弈的无人机群组对抗自主控制方法 | |
CN115328189B (zh) | 多无人机协同博弈决策方法和系统 | |
CN116088572A (zh) | 基于自适应灰狼优化算法的无人机协同攻击多目标任务分配方法 | |
CN115293349A (zh) | 一种陆战兵棋ai中坦克攻击位置的选择方法及装置 | |
CN114167899B (zh) | 一种无人机蜂群协同对抗决策方法及系统 | |
CN113553777B (zh) | 反无人机蜂群的防空部署方法、装置、设备和介质 | |
CN113705828B (zh) | 一种基于集群影响度的战场博弈策略强化学习训练方法 | |
CN115879598A (zh) | 基于强化学习模型的投送策略优化方法 | |
CN114428999B (zh) | 基于演化博弈模型的无人飞行器对地攻防策略选择方法 | |
CN113599828B (zh) | 虚拟道具的控制方法和装置、存储介质及电子设备 | |
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 | |
Jiang et al. | Research on Weapon Target Allocation of Synthetic Detachment Considering Emergency Target |
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 |