CN116681223A - 一种基于增强moea/d的多阶段作战资源协同分配方法 - Google Patents
一种基于增强moea/d的多阶段作战资源协同分配方法 Download PDFInfo
- Publication number
- CN116681223A CN116681223A CN202310409285.3A CN202310409285A CN116681223A CN 116681223 A CN116681223 A CN 116681223A CN 202310409285 A CN202310409285 A CN 202310409285A CN 116681223 A CN116681223 A CN 116681223A
- Authority
- CN
- China
- Prior art keywords
- combat
- weapon
- sensor
- population
- stage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013468 resource allocation Methods 0.000 claims abstract description 11
- 230000008263 repair mechanism Effects 0.000 claims abstract description 6
- 230000008901 benefit Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 12
- 230000008439 repair process Effects 0.000 claims description 9
- 230000007123 defense Effects 0.000 claims description 8
- 230000004083 survival effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000002040 relaxant effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 238000011423 initialization method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06Q10/06—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Biodiversity & Conservation Biology (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
Abstract
本发明提出了一种基于增强MOEA/D的多阶段作战资源协同分配方法，考虑武器和传感器协同作战，以最大化消除敌方威胁和最小化我方成本为目标函数，综合转火约束、弹药约束、传感器引导等约束建立了多阶段传感器武器目标分配模型，该模型分析了传感器武器协同有效窗口，贴近真实作战情形；提出了随机非支配启发式初始化方法和基于边际收益的双存档约束修复机制，有效减少了在复杂约束下算法陷入局部最优的情况；改进了算法的邻域匹配策略以提升种群多样性；通过多组算例来验证方法的有效性。结果表明，所提算法具有更好的收敛性和分布性，能够为决策者快速提供更符合作战需求的资源分配方案，也给解决多阶段陆战防空作战资源分配问题提供了参考。
Description
技术领域
本发明涉及陆战防空资源分配领域，具体涉及一种基于增强MOEA/D的多阶段作战资源协同分配方法。
背景技术
作战资源分配是防空作战指挥的关键环节，它涉及的问题是如何依据决策者的作战目标将作战资源和目标进行配对，以获得一些最优的解决方案，可有效提升整体作战效能。作战资源分配被证明是多项式复杂程度非确定性完全问题，即不能确定是否在多项式时间内找到答案，但是可以在多项式时间内验证答案是否正确，其计算复杂度随问题维度增加呈现指数级增长。现代作战已经逐演变为体系作战，传统的以单一平台作战的形式已经无法满足现代作战的需要，因而当前防空任务分配研究探测单元、火力单元之间的协同配合尤其重要。资源协同分配是典型的约束组合优化问题，涉及的问题是如何依据决策者的作战目标将作战资源和目标进行配对，并获得一系列最优的解决方案。通过作战任务将有效资源分配给重要目标，可有效提升整体作战效能。
国内外众学者对多阶段资源部署问题的建模和求解进行了大量研究，分别采用改进布谷鸟算法、改进的NSGA2算法、匈牙利算法和GA-PSO混合算法等多种智能求解算法对多阶段武器协同火力分配模型进行求解。
但在当前研究中对于传感器武器协同分析简单，未考虑武器有效作战窗口，很难有效描述真实的作战环境。且当武器、传感器网络中节点数量较多的时候，该问题具有严格的约束条件，求解复杂度高，传统方法无法求得较优的解。战场态势瞬息万变，具有高动态性，在大规模的情况下，对算法的时间性能和收敛性能提出了严峻挑战。
发明内容
有鉴于此，本发明提供了一种基于增强MOEA/D的多阶段作战资源协同分配方法，能解决多阶段作战资源协同分配问题。
一种基于增强MOEA/D的多阶段作战资源协同分配方法，包括：
步骤一、对面向陆战防空的多阶段作战资源协同分配问题进行建模，得到该问题的目标函数、约束和决策变量；
步骤二：作战初始化，计算可行性矩阵，对种群进行编码，具体为：
步骤201：通过情景模拟生成作战目标轨迹，计算武器传感器的协同有效作战窗口；
步骤202：通过201步骤的武器传感器的协同有效作战窗口获得武器和传感器的初始可行性矩阵[Xitk]S×T×K和[Yjtk]W×T×K，可行性矩阵代表武器和传感器在每个阶段对目标的打击或探测能力；S,W,K,T分别代表传感器，武器，目标，作战阶段的最大数目；[Xitk]W×T×K表示武器集合的有效窗口，其中[Xitk]W×T×K∈{0,1}，i＝(1,2,...,W)，[Xitk]W×T×K＝1表示在t阶段目标k在武器wpi的有效窗口内，[Xitk]W×T×K＝0表示在t阶段目标k不在武器wpi的有效窗口内。[Yjtk]S×T×K表示传感器集合的有效窗口，其中[Yjtk]S×T×K∈{0,1}，j＝(1,2,...,S)，[Yjtk]S×T×K＝1表示在t阶段目标k在传感器spj的有效窗口内，[Yjtk]S×T×K＝0表示在t阶段目标k不在传感器spjspi的有效窗口内；
步骤203：从武器传感器有效作战窗口中进行编码，采用基于有效窗口约束的整数编码的方式，得到由N个D维个体构成的种群，D＝(S+W)×T；每个基因位代表着不同的传感器或武器，基因的内容代表武器或传感器所分配的任务目标；
步骤三：根据步骤一中设定的目标函数生成任务分配概率，判断武器和传感器是否执行任务；对于执行任务的武器和传感器，在满足可行性矩阵[Xitk]S×T×K和[Yjtk]W×T×K的任务目标集合中，随机选取一个任务目标作为该作战资源在该作战阶段的任务目标，将步骤203中每个个体中武器和传感器的基因位内容变成相应的目标序号，由此形成初始种群；
步骤四：采用结合基于边际收益双存档约束修复机制和邻域匹配策略对种群进行交叉变异更新，具体为：
步骤401：步骤302得到初始种群，松弛约束条件，对初始种群进行交叉变异，获得的种群P1；对种群P1中不可行解采用约束修复机制修复，直到满足非线性约束，修复后获得新种群P2；
步骤402：在更新解时采取邻域的范围随着算法运行时间的增加逐步减小的策略，对种群P2进行更新；
步骤五：循环步骤402，判断算法运行时间是否到达设置时间，到达时间后跳出循环；
步骤六：令外部种群EP为空集合，通过上述步骤得到种群中的每个新个体I，从种群中移除被I支配的所有个体以及重复的个体，如果EP中没有个体支配I，则将I加入到EP中；
步骤七：根据步骤203中编码方式对外部种群EP中的个体进行解码，得到作战资源分配方案。
较佳的，所述约束包括有限资源约束、可行性约束和火力转移约束；各传感器和武器的分配状态作为决策变量。
较佳的，所述步骤201中，以探测概率模型描述传感器的有效探测窗口，传感器spi对于任意点p覆盖强度I(spi,p)如下式所示：
其中，d(spi,p)表示传感器spi和任意点p之间的距离。上式表示，在确定探测半径范围R1内单个传感器即可对目标实现准确稳定的跟踪，在确定探测半径R1和模糊探测半径R2范围内传感器对目标的覆盖能力递减，在模糊探测半径R2范围外传感器无法跟踪目标。
较佳的，所述步骤201中，用目标在武器打击范围内的时间减去传感器探测最短指引时间即为武器有效窗口。
较佳的，所述步骤3的方法具体包括：
步骤301：在二维空间生成N个均匀分布的权重向量Λ＝{λ1,λ2...λN}，其中满足/>根据权重向量λi确定给作战资源分配任务的概率：
其中，wi为给权重向量λi对应个体中各武器分配任务的概率，si为给权重向量λi所对应个体中各传感器分配任务的概率，a,b,c,d为设定系数；如果rand(0,1)<wi，rand(0,1)<si则武器和传感器可执行任务，rand(0,1)>wi，rand(0,1)>si则武器和传感器不执行任务；
步骤302：对步骤301得到的初始种群进行交叉变异，交叉变异后的个体加入种群，和初始种群共同构成数目为2N的新种群，之后采用带拥挤度的快速支配排序方法选出个前N个个体作为新种群，新种群个体恢复排序前的顺序，保持在旧种群时的先后顺序。
较佳的，所述步骤401中，采取以下两种基于边际收益策略修复机制：
a)针对武器转火约束和弹药约束的修复策略：火力边际作战效能定义为武器分配后多消除的威胁值与增加的作战成本的比值；当某武器违反转火约束时消除边际作战效能最低的武器任务直至满足转火约束；满足转火约束后如果依然不能满足弹药约束，则继续消除边际作战效能最低的武器；
b)针对指引约束的修复策略：当武器和传感器未能满足连续指引约束时，在不改变已经分配任务的传感器的情况下，在所述可行性矩阵中随机选择可行的空闲传感器分配任务以满足指引约束，如果不存在可行的空闲传感器，则使得分配的武器任务失效。
较佳的，所述步骤402的更新公式如下：
其中，Pop是父代种群即上一次迭代得到的种群，ρ为减少速率的调节因子，可使得随算法运行时间增加，邻域不断减少。L是设定的邻域内向量的个数；h＝1,2,...,N，t*是迭代次数，tmax是最大迭代次数，i1和i2是交叉算子，对算子选择的个体i1和i2进行交叉变异。
进一步的，所述步骤四还包括步骤403：对更新后的种群P2中个体进行无效资源优化；
所述步骤五中，循环步骤402～403。
较佳的，所述步骤403中无效资源优化包括：
低效的作战任务包含：传感器对目标的跟踪未能成功指引武器，此时设置该传感器不分配目标；敌方的生存概率不足1％时继续分配武器为低效武器分配。
较佳的，所述步骤403中目标的生存概率表示为：
其中，Pk(τ)代表τ阶段武器对目标k的打击性能，Qk(τ)表示τ阶段传感平台对目标k的跟踪性能。
本发明具有如下有益效果：
本发明提出了一种基于增强MOEA/D的多阶段作战资源协同分配方法，针对陆战防空场景中的多阶段作战资源分配问题，考虑武器和传感器协同作战，以最大化消除敌方威胁和最小化我方成本为目标函数，综合转火约束、弹药约束、传感器引导等约束建立了多阶段传感器武器目标分配模型，该模型分析了传感器武器协同有效窗口，贴近真实作战情形；提出了一种随机非支配启发式初始化方法和基于边际收益的双存档约束修复机制，有效减少了在复杂约束下算法陷入局部最优的情况；改进了算法的邻域匹配策略以提升种群多样性；通过多组算例来验证方法的有效性。结果表明，所提算法具有更好的收敛性和分布性，能够为决策者快速提供更符合作战需求的资源分配方案，也给解决多阶段陆战防空作战资源分配问题提供了参考。
附图说明
图1为本发明的协同防空作战场景图。
图2为本发明的武器传感器协同有效探测/打击窗口图。
图3为本发明的个体编码图。
图4为本发明的约束松弛示意图。
图5为本发明的方法流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了基于增强MOEA/D的多阶段作战资源协同分配方法；步骤如下：
步骤一、对面向陆战防空的多阶段作战资源协同分配问题进行建模，得到该问题的目标函数、约束和决策变量。多阶段作战资源协同分配问题的目标是最大化消除敌方威胁和最小化作战成本，以有限资源约束、可行性约束和火力转移约束等作为约束条件，以各传感器和武器的分配状态作为决策变量。
步骤二：作战初始化，计算可行性矩阵，对种群进行编码。
步骤201：通过情景模拟生成作战目标轨迹，计算武器传感器的协同有效作战窗口。
以探测概率模型描述传感器的有效探测窗口，传感器spi对于任意点p覆盖强度I(spi,p)如下式所示：
其中，d(spi,p)表示传感器spi和任意点p之间的距离。上式表示，在确定探测半径范围R1内单个传感器即可对目标实现准确稳定的跟踪，在确定探测半径R1和模糊探测半径R2范围内传感器对目标的覆盖能力递减，在模糊探测半径R2范围外传感器无法跟踪目标。
考虑实际情况，目标进入传感器的工作范围内，传感器获取目标的信息后传递给武器，此时武器才可工作，武器的有效打击窗口由武器本身性能、传感器有效窗口和敌方飞行轨迹共同决定。具体做法为用目标在武器打击范围内的时间减去传感器探测最短指引时间即为武器有效窗口，武器传感器的协同有效作战窗口如图2所示。设武器的最大攻击半径为r，T1段为传感器最短指引时间对应的距离，可得出武器的有效攻击窗口为T2段。
步骤202：通过201步骤的武器传感器的协同有效作战窗口获得武器和传感器的初始可行性矩阵[Xitk]S×T×K和[Yjtk]W×T×K，可行性矩阵代表武器和传感器在每个阶段对目标的打击或探测能力。S,W,K,T分别代表传感器，武器，目标，作战阶段的最大数目。[Xitk]W×T×K表示武器集合的有效窗口，其中[Xitk]W×T×K∈{0,1}，i＝(1,2,...,W)，[Xitk]W×T×K＝1表示在t阶段目标k在武器wpi的有效窗口内，[Xitk]W×T×K＝0表示在t阶段目标k不在武器wpi的有效窗口内。[Yjtk]S×T×K表示传感器集合的有效窗口，其中[Yjtk]S×T×K∈{0,1}，j＝(1,2,...,S)，[Yjtk]S×T×K＝1表示在t阶段目标k在传感器spj的有效窗口内，[Yjtk]S×T×K＝0表示在t阶段目标k不在传感器spjspi的有效窗口内。
步骤203：从武器传感器有效作战窗口中进行编码，采用基于有效窗口约束的整数编码的方式，得到由N个D维个体构成的种群，D＝(S+W)×T。这种编码方式可以最大程度上减少不满足约束的解的数量，编码方式如图3所示，每个基因位代表着不同的传感器或武器，基因的内容代表武器或传感器所分配的任务目标，如果为-1则不执行任务。
步骤三：采用随机非支配启发式初始化方法获得初始种群。根据权重向量对照步骤一每个目标函数生成任务分配概率，判断武器和传感器是否执行任务，将执行任务的个体分配给可行性矩阵中的目标生成个体，形成初始种群。
步骤301：目标函数权重越高则分配资源的概率应当越高，可使初始解得分布更加均匀并和权重分配一致。具体做法为在二维空间生成N个均匀分布的权重向量Λ＝{λ1,λ2...λN}，其中满足/>根据权重向量λt确定给作战资源分配任务的概率：
其中，wi为给权重向量λi对应个体中各武器分配任务的概率，si为给权重向量λi所对应个体中各传感器分配任务的概率，a,b,c,d为设定系数。如果rand(0,1)<wi，rand(0,1)<si则武器和传感器可执行任务，rand(0,1)>wi，rand(0,1)>si则武器和传感器不执行任务。对于执行任务的武器和传感器，在满足可行性矩阵[Xitk]S×T×K和[Yjtk]W×T×K的任务目标集合中，随机选取一个任务目标作为该作战资源在该作战阶段的任务目标，将每个个体中武器和传感器的基因位内容变成相应的目标序号。
步骤302：对步骤301得到的初始种群进行交叉变异，交叉变异后的个体加入种群，和初始种群共同构成数目为2N的新种群，之后采用带拥挤度的快速支配排序方法选出个前N个个体作为新种群，新种群个体恢复排序前的顺序，保持在旧种群时的先后顺序，以保证和权重向量相匹配。
步骤四：采用结合基于边际收益双存档约束修复机制和邻域匹配策略对种群进行交叉变异更新。
步骤401：步骤302得到初始种群，松弛约束条件，对初始种群进行交叉变异，获得的种群P1。对种群P1中不可行解采用约束修复机制修复，直到刚好满足非线性约束，修复后获得新种群P2。采取以下两种基于边际收益策略修复机制：
a)针对武器转火约束和弹药约束的修复策略。火力边际作战效能定义为武器分配后多消除的威胁值与增加的作战成本的比值。当某武器违反转火约束时消除边际作战效能最低的武器任务直至满足转火约束；满足转火约束后如果依然不能满足弹药约束，则继续消除边际作战效能最低的武器。
b)针对指引约束的修复策略。当武器和传感器未能满足连续指引约束时，在不改变已经分配任务的传感器的情况下，在所述可行性矩阵中随机选择可行的空闲传感器分配任务以满足指引约束，如果不存在可行的空闲传感器，则使得分配的武器任务失效。
步骤402：更新邻域解。与λi欧式距离最近的L个权重向量作为λi的邻域Bi＝{λ1,λ2...λL}，在更新解时采取邻域的范围随着算法运行时间的增加逐步减小的策略，以增强算法开始时的搜索能力和最终的收敛能力。更新公式如下：
其中，Pop是父代种群即上一次迭代得到的种群，ρ为减少速率的调节因子，可使得随算法运行时间增加，邻域不断减少。L是设定的邻域内向量的个数；h＝1,2,...,N，t*是迭代次数，tmax是最大迭代次数，i1和i2是交叉算子，对算子选择的个体i1和i2进行交叉变异。
步骤403：对更新后的种群P2中个体进行无效资源优化，对低效的作战任务进行限制。低效的作战任务包含以下两种：1.传感器对目标的跟踪未能成功指引武器，此时设置该传感器不分配目标。2.定义敌方的生存概率不足1％时继续分配武器为低效武器分配，此时设置一定概率消除边际作战效能最低的武器。下式表示目标的生存概率：
其中，Pk(τ)代表τ阶段武器对目标k的打击性能，Qk(τ)表示τ阶段传感平台对目标k的跟踪性能。
步骤五：循环步骤402～403，判断算法运行时间是否到达设置时间，到达时间后跳出循环。
步骤六：令外部种群EP为空集合，通过上述步骤得到种群中的每个新个体I，从种群中移除被I支配的所有个体以及重复的个体，如果EP中没有个体支配I，则将I加入到EP中。
步骤七：根据步骤203中编码方式对外部种群EP中的个体进行解码，得到作战资源分配方案。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于增强MOEA/D的多阶段作战资源协同分配方法，其特征在于，包括：
步骤一、对面向陆战防空的多阶段作战资源协同分配问题进行建模，得到该问题的目标函数、约束和决策变量；
步骤二：作战初始化，计算可行性矩阵，对种群进行编码，具体为：
步骤201：通过情景模拟生成作战目标轨迹，计算武器传感器的协同有效作战窗口；
步骤202：通过201步骤的武器传感器的协同有效作战窗口获得武器和传感器的初始可行性矩阵[Xitk]S×T×K和[Yjtk]W×T×K，可行性矩阵代表武器和传感器在每个阶段对目标的打击或探测能力；S,W,K,T分别代表传感器，武器，目标，作战阶段的最大数目；[Xitk]W×T×K表示武器集合的有效窗口，其中[Xitk]W×T×K∈{0,1}，i＝(1,2,...,W)，[Xitk]W×T×K＝1表示在t阶段目标k在武器wpi的有效窗口内，[Xitk]W×T×K＝0表示在t阶段目标k不在武器wpi的有效窗口内。[Yjtk]S×T×K表示传感器集合的有效窗口，其中[Yjtk]S×T×K∈{0,1}，j＝(1,2,...,S)，[Yjtk]S×T×K＝1表示在t阶段目标k在传感器spj的有效窗口内，[Yjtk]S×T×K＝0表示在t阶段目标k不在传感器spjspi的有效窗口内；
步骤203：从武器传感器有效作战窗口中进行编码，采用基于有效窗口约束的整数编码的方式，得到由N个D维个体构成的种群，D＝(S+W)×T；每个基因位代表着不同的传感器或武器，基因的内容代表武器或传感器所分配的任务目标；
步骤三：根据步骤一中设定的目标函数生成任务分配概率，判断武器和传感器是否执行任务；对于执行任务的武器和传感器，在满足可行性矩阵[Xitk]S×T×K和[Yjtk]W×T×K的任务目标集合中，随机选取一个任务目标作为该作战资源在该作战阶段的任务目标，将步骤203中每个个体中武器和传感器的基因位内容变成相应的目标序号，由此形成初始种群；
步骤四：采用结合基于边际收益双存档约束修复机制和邻域匹配策略对种群进行交叉变异更新，具体为：
步骤401：步骤302得到初始种群，松弛约束条件，对初始种群进行交叉变异，获得的种群P1；对种群P1中不可行解采用约束修复机制修复，直到满足非线性约束，修复后获得新种群P2；
步骤402：在更新解时采取邻域的范围随着算法运行时间的增加逐步减小的策略，对种群P2进行更新；
步骤五：循环步骤402，判断算法运行时间是否到达设置时间，到达时间后跳出循环；
步骤六：令外部种群EP为空集合，通过上述步骤得到种群中的每个新个体I，从种群中移除被I支配的所有个体以及重复的个体，如果EP中没有个体支配I，则将I加入到EP中；
步骤七：根据步骤203中编码方式对外部种群EP中的个体进行解码，得到作战资源分配方案。
2.如权利要求1所述的一种基于增强MOEA/D的多阶段作战资源协同分配方法，所述约束包括有限资源约束、可行性约束和火力转移约束；各传感器和武器的分配状态作为决策变量。
3.如权利要求1所述的一种基于增强MOEA/D的多阶段作战资源协同分配方法，其特征在于，所述步骤201中，以探测概率模型描述传感器的有效探测窗口，传感器spi对于任意点p覆盖强度I(spi,p)如下式所示：
其中，d(spi,p)表示传感器spi和任意点p之间的距离。上式表示，在确定探测半径范围R1内单个传感器即可对目标实现准确稳定的跟踪，在确定探测半径R1和模糊探测半径R2范围内传感器对目标的覆盖能力递减，在模糊探测半径R2范围外传感器无法跟踪目标。
4.如权利要求1所述的一种基于增强MOEA/D的多阶段作战资源协同分配方法，其特征在于，所述步骤201中，用目标在武器打击范围内的时间减去传感器探测最短指引时间即为武器有效窗口。
5.如权利要求1所述的一种基于增强MOEA/D的多阶段作战资源协同分配方法，其特征在于，所述步骤3的方法具体包括：
步骤301：在二维空间生成N个均匀分布的权重向量Λ＝{λ1,λ2...λN}，其中满足/>i＝(1,2,...,N)，根据权重向量λi确定给作战资源分配任务的概率：
其中，wi为给权重向量λi对应个体中各武器分配任务的概率，si为给权重向量λi所对应个体中各传感器分配任务的概率，a,b,c,d为设定系数；如果rand(0,1)<wi，rand(0,1)<si则武器和传感器可执行任务，rand(0,1)>wi，rand(0,1)>si则武器和传感器不执行任务；
步骤302：对步骤301得到的初始种群进行交叉变异，交叉变异后的个体加入种群，和初始种群共同构成数目为2N的新种群，之后采用带拥挤度的快速支配排序方法选出个前N个个体作为新种群，新种群个体恢复排序前的顺序，保持在旧种群时的先后顺序。
6.如权利要求1所述的一种基于增强MOEA/D的多阶段作战资源协同分配方法，其特征在于，所述步骤401中，采取以下两种基于边际收益策略修复机制：
a)针对武器转火约束和弹药约束的修复策略：火力边际作战效能定义为武器分配后多消除的威胁值与增加的作战成本的比值；当某武器违反转火约束时消除边际作战效能最低的武器任务直至满足转火约束；满足转火约束后如果依然不能满足弹药约束，则继续消除边际作战效能最低的武器；
b)针对指引约束的修复策略：当武器和传感器未能满足连续指引约束时，在不改变已经分配任务的传感器的情况下，在所述可行性矩阵中随机选择可行的空闲传感器分配任务以满足指引约束，如果不存在可行的空闲传感器，则使得分配的武器任务失效。
7.如权利要求1所述的一种基于增强MOEA/D的多阶段作战资源协同分配方法，其特征在于，所述步骤402的更新公式如下：
其中，Pop是父代种群即上一次迭代得到的种群，ρ为减少速率的调节因子，可使得随算法运行时间增加，邻域不断减少。L是设定的邻域内向量的个数；h＝1,2,...,N，t*是迭代次数，tmax是最大迭代次数，i1和i2是交叉算子，对算子选择的个体i1和i2进行交叉变异。
8.如权利要求1所述的一种基于增强MOEA/D的多阶段作战资源协同分配方法，其特征在于，所述步骤四还包括步骤403：对更新后的种群P2中个体进行无效资源优化；
所述步骤五中，循环步骤402～403。
9.如权利要求8所述的一种基于增强MOEA/D的多阶段作战资源协同分配方法，其特征在于，所述步骤403中无效资源优化包括：
低效的作战任务包含：传感器对目标的跟踪未能成功指引武器，此时设置该传感器不分配目标；敌方的生存概率不足1％时继续分配武器为低效武器分配。
10.如权利要求8所述的一种基于增强MOEA/D的多阶段作战资源协同分配方法，其特征在于，所述步骤403中目标的生存概率表示为：
其中，Pk(τ)代表τ阶段武器对目标k的打击性能，Qk(τ)表示τ阶段传感平台对目标k的跟踪性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310409285.3A CN116681223A (zh) | 2023-04-17 | 2023-04-17 | 一种基于增强moea/d的多阶段作战资源协同分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310409285.3A CN116681223A (zh) | 2023-04-17 | 2023-04-17 | 一种基于增强moea/d的多阶段作战资源协同分配方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116681223A true CN116681223A (zh) | 2023-09-01 |
Family
ID=87787970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310409285.3A Pending CN116681223A (zh) | 2023-04-17 | 2023-04-17 | 一种基于增强moea/d的多阶段作战资源协同分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116681223A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993129A (zh) * | 2023-09-26 | 2023-11-03 | 北京中兵天工防务技术有限公司 | 一种基于复杂约束条件的任务可行性分析方法及系统 |
| CN117575299A (zh) * | 2024-01-17 | 2024-02-20 | 南京信息工程大学 | 一种基于改进粒子群算法的协同多任务分配方法 |
-
2023
- 2023-04-17 CN CN202310409285.3A patent/CN116681223A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993129A (zh) * | 2023-09-26 | 2023-11-03 | 北京中兵天工防务技术有限公司 | 一种基于复杂约束条件的任务可行性分析方法及系统 |
| CN116993129B (zh) * | 2023-09-26 | 2024-04-02 | 北京中兵天工防务技术有限公司 | 一种基于复杂约束条件的任务可行性分析方法及系统 |
| CN117575299A (zh) * | 2024-01-17 | 2024-02-20 | 南京信息工程大学 | 一种基于改进粒子群算法的协同多任务分配方法 |
| CN117575299B (zh) * | 2024-01-17 | 2024-04-02 | 南京信息工程大学 | 一种基于改进粒子群算法的协同多任务分配方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116681223A (zh) | 一种基于增强moea/d的多阶段作战资源协同分配方法 | |
| 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 | |
| CN114594794B (zh) | 一种考虑子系统执行能力的多机协同任务规划方法 | |
| CN108594645B (zh) | 单场站多无人机分配与飞行路线的规划方法及系统 | |
| CN112926825B (zh) | 基于多目标量子磷虾群机制的多无人机任务分配方法 | |
| CN113485456B (zh) | 一种无人机群分布式在线自适应任务规划方法 | |
| CN115328189B (zh) | 多无人机协同博弈决策方法和系统 | |
| CN113792985B (zh) | 一种传感器-武器动态联合任务多目标分配方法 | |
| 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 | |
| CN115963731B (zh) | 一种基于改进遗传算法的指挥控制体系网络结构优化方法 | |
| CN113324545A (zh) | 一种基于混合增强智能的多无人机协同任务规划方法 | |
| CN113553777A (zh) | 反无人机蜂群的防空部署方法、装置、设备和介质 | |
| CN109325598A (zh) | 一种面向资源分配的组合混沌遗传算法 | |
| CN116405975A (zh) | 一种面向物联网应用环境的基于隐私熵的隐私感知计算卸载方法 | |
| Zhang et al. | An affinity propagation-based multiobjective evolutionary algorithm for selecting optimal aiming points of missiles | |
| Zhao et al. | Shuffled frog leaping algorithm with non-dominated sorting for dynamic weapon-target assignment | |
| 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 | |
| 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 | |
| Wen et al. | Multi-UCAVs targets assignment using opposition-based genetic algorithm | |
| CN114510876B (zh) | 基于共生搜索生物地理学优化的多平台武器目标分配方法 | |
| Khosla et al. | An Efficient Particle Swarm Optimization with Fusion of Figurate Opposition-based learning and Grey Wolf Optimizer | |
| Zou et al. | Solving multi-stage weapon target assignment problems by C-TAEA | |
| Minyi et al. | Fire Distribution Method of Ground Assault Equipment Based on Improved NSGA-II Algorithm | |
| Altay | Solution of process synthesis problem using metaheuristic optimization algorithms | |
| Huang | Combinatorial optimization and simulation for weapon system portfolio using self-adaptive Memetic algorithm |
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 |