CN117196186A - 基于二进制大猩猩部队优化器的多导弹任务分配方法 - Google Patents
基于二进制大猩猩部队优化器的多导弹任务分配方法 Download PDFInfo
- Publication number
- CN117196186A CN117196186A CN202311065843.5A CN202311065843A CN117196186A CN 117196186 A CN117196186 A CN 117196186A CN 202311065843 A CN202311065843 A CN 202311065843A CN 117196186 A CN117196186 A CN 117196186A
- Authority
- CN
- China
- Prior art keywords
- matrix
- benefit
- binary
- missile
- benefit index
- 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 86
- 241000282575 Gorilla Species 0.000 title claims abstract description 72
- 230000008901 benefit Effects 0.000 claims abstract description 208
- 239000011159 matrix material Substances 0.000 claims abstract description 169
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000000739 chaotic effect Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000011161 development Methods 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 2
- 241000409201 Luina Species 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 229910052709 silver Inorganic materials 0.000 description 3
- 239000004332 silver Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 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 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- 241000282579 Pan Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明提供了一种基于二进制大猩猩部队优化器的多导弹任务分配方法，包括：获取导弹和目标的作战参数，并基于作战参数采用改进层次分析法确定效益矩阵；基于效益矩阵和混沌初始化离散解集空间确定整体效能函数；采用离散式二进制大猩猩部队优化算法对整体效能函数进行最优化求解，得到任务分配矩阵。本发明提高了多导弹协同作战任务分配的效率和精度。
Description
技术领域
本发明涉及协同任务分配技术领域，尤其是涉及一种基于二进制大猩猩部队优化器的多导弹任务分配方法。
背景技术
在现代大规模信息化作战场景下，目前单一导弹的探测范围、突防能力及打击效果存在瓶颈，多导弹协同能有效提高综合作战效能。面对危险、复杂的作战环境以及任务的时变多样性，多导弹如何准确高效的选择攻击目标是十分重要的环节。多导弹协同作战的任务分配就是要根据给定的态势信息以及双方的性能参数，按照一定的战术指标和约束条件，将多个目标分配给多枚导弹，在实现特定的任务需求的同时也保证导弹编队总体的效能达到最优。
在多导弹协同作战的任务分配问题中，需要涉及作战环境，资源约束以及任务需求约束三个方面：作战环境是指多导弹群执行指定任务所在的环境；资源约束是指导弹自身具有数量、类别及制导时间等约束，在完成指定任务时也必须满足相应资源约束；任务需求约束是指待完成任务的集合，不同的任务分配组合方式会产生对应的收益和成本，且二者均表征在所设计的效能函数(即适应度函数)中。目前，多导弹协同作战的任务分配究主要存在如下缺点：1、任务分配问题为静态目标分类问题，未充分考虑真实战场环境。2、协同作战任务分配问题为典型的NP难问题，常用的算法存在效率低和精度低的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于二进制大猩猩部队优化器的多导弹任务分配方法，以提高了多导弹协同作战任务分配的效率和精度。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种基于二进制大猩猩部队优化器的多导弹任务分配方法，包括：获取导弹和目标的作战参数，并基于作战参数采用改进层次分析法确定效益矩阵；基于效益矩阵和混沌初始化离散解集空间确定整体效能函数；采用离散式二进制大猩猩部队优化算法对整体效能函数进行最优化求解，得到任务分配矩阵。
在一种实施方式中，基于作战参数采用改进层次分析法确定效益矩阵，包括：基于预先构建的效益指数层次体系确定多导弹协同作战的效益指数层次模型；其中，效益指数层次体系包括三层，第一层为整体效益指数，第二层为态势效益指数和性能效益指数，第三层为高度效益指数、距离效益指数、角度效益指数、速度效益指数、电子对抗性能效益指数、机动性能效益指数和攻击性能效益指数，效益指数层次模型为：
wij＝e11×(e21×Eh+e22×Er+e23×Ea+e24×Ev)+e12×(e25×Ee+e26×Em+e27×Eatt)
其中，wij表示第i枚导弹分配给第j个目标的整体效益指数，Eh表示高度效益指数，Er表示距离效益指数，Ea表示角度效益指数，Ev表示速度效益指数，Ee表示电子对抗性能效益指数，Em表示机动性能效益指数，Eatt表示攻击性能效益指数，e11,e12,e21,e22,e23,e24,e25,e26,e27分别表示每一层的权重系数；
计算效益指数层次体系中每一层效益的权重系数矩阵；基于效益指数层次模型、每一层效益的权重系数矩阵和效益指数计算整体效益指数，得到效益矩阵。
在一种实施方式中，计算效益指数层次体系中每一层效益的权重系数矩阵，包括：对于效益指数层次中的每一层效益，确定初始判断矩阵；将初始判断矩阵进行取对数运算，得到第一判断矩阵；基于第一判断矩阵构建最优化传递矩阵；基于最优化传递矩阵构建最优一致性判断矩阵；基于最优一致性判断矩阵计算得到权重系数矩阵。
在一种实施方式中，基于效益矩阵和混沌初始化离散解集空间确定整体效能函数，包括：将导弹-目标任务分配解空间的0-1整数矩阵转换为m·n维解向量空间，并采用混沌映射的方式对m·n维解向量空间进行初始化得到混沌初始化离散解集空间；其中，m·n维解向量空间的初始化包括：
xk＝rand(1,m·n)k＝1,…,m·n
其中，m表示导弹的数量，n表示目标的数量，xk表示m·n维随机数向量，a为预先确定的0至1之间的常值，xiB,i＝1,…,m·n表示混沌初始化离散解集空间；
基于混沌初始化离散解集空间、效益矩阵、以及预先确定的导弹群的成本矩阵和目标的价值矩阵确定整体效能函数；其中，整体效能函数为：
其中，B＝[b1,…,bn]1×n表示目标的价值矩阵，C＝[c1,…,cm]1×m表示导弹群的成本矩阵，表示效益矩阵，/>表示任务分配矩阵，xij＝0/1，0表示第i枚导弹不分配第j个目标，1表示第i枚导弹分配第j个目标。
在一种实施方式中，离散式二进制大猩猩部队优化算法包括探索阶段和开发阶段，采用离散式二进制大猩猩部队优化算法对效能函数进行求解，得到任务分配矩阵，包括：在探索阶段，基于混沌初始化离散解集空间，采用预设的多种更新方法对位置信息进行更新，得到更新后的第一个体位置信息；将更新后的第一个体位置信息进行离散二进制转换，得到二进制m·n维解向量；基于整体效能函数和二进制m·n维解向量进行适应度计算，并根据适应度的计算结果择优保留二进制m·n维解向量，得到优化后的二进制m·n维解向量。
在一种实施方式中，将更新后的第一个体位置信息进行离散二进制转换，得到二进制m·n维解向量，包括：按照以下公式进行离散二进制转换：
其中，X(t)表示个体的当前位置信息；
按照以下公式确定二进制m·n维解向量：
其中，XiB(t)表示二进制m·n维解向量。
在一种实施方式中，根据适应度的计算结果择优保留二进制m·n维解向量，得到优化后的二进制m·n维解向量之后，上述方法还包括：在开发阶段，如果更新参数大于或者等于判断阈值，则采用第一更新机制对优化后的二进制m·n维解向量进行更新，得到更新后的第二个体位置信息；如果更新参数小于判断阈值，则采用第二更新机制对优化后的二进制m·n维解向量进行更新，得到更新后的第二个体位置信息；对更新后的第二个体位置信息进行离散二进制转换，得到更新后的离散解集空间；基于整体效能函数和更新后的离散解集空间进行适应度计算，确定最终任务分配矩阵。
第二方面，本发明实施例提供了一种基于二进制大猩猩部队优化器的多导弹协同作战任务分配装置，包括：效益矩阵确定模块，用于获取导弹和目标的作战参数，并基于作战参数采用改进层次分析法确定效益矩阵；效能函数确定模块，用于基于效益矩阵和混沌初始化离散解集空间确定整体效能函数；任务分配模块，用于采用离散式二进制大猩猩部队优化算法对整体效能函数进行最优化求解，得到任务分配矩阵。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面提供的任一项的方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面提供的任一项的方法的步骤。
本发明实施例带来了以下有益效果：
本发明实施例提供的上述一种基于二进制大猩猩部队优化器的多导弹任务分配方法，首先，获取导弹和目标的作战参数，并基于作战参数采用改进层次分析法确定效益矩阵；然后，基于效益矩阵和混沌初始化离散解集空间确定整体效能函数；最后，采用离散式二进制大猩猩部队优化算法对整体效能函数进行最优化求解，得到任务分配矩阵。上述方法采用改进层次分析法确定效益矩阵，将战场态势引入到效益矩阵的计算中，解决了既需要考虑对战态势，又兼顾打击效益问题，使得任务分配得到的最终结果更加贴合战场实际；同时采用离散式二进制大猩猩部队优化算法对整体效能函数进行求解，提高了多导弹协同作战任务分配的效率和精度。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于二进制大猩猩部队优化器的多导弹任务分配方法的流程图；
图2为本发明实施例提供的一种效益指数层次体系的示意图；
图3为本发明实施例提供的一种导弹-目标二维平面作战态势示意图；
图4为本发明实施例提供的一种改进的层次分析法的流程图；
图5为本发明实施例提供的一种二进制大猩猩部队优化算法的流程图；
图6为本发明实施例提供的一种基于二进制大猩猩部队优化器的多导弹任务分配方法的总体流程图；
图7为本发明实施例提供的一种基于二进制大猩猩部队优化器的多导弹任务分配装置的结构示意图；
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
当前多导弹协同作战的任务分配究主要存在如下缺点：1、任务分配问题为静态目标分类问题。在解决该类问题时常假设可以获取所有目标的数量、位置、速度及作战能力等参数，且在后续任务中不做更改；同理，导弹群的作战属性也是固定不变的。在任务分配问题中，计算效能函数是问题的关键，效能函数由分配矩阵、导弹成本及收益矩阵等部分组成，其中分配矩阵为待求解空间，常表示为一定规模下的0-1矩阵，导弹的成本由固定列向量构成，收益矩阵在计算中常由作战双方的战场性能决定，现有研究成果中多数直接给出，未充分考虑真实战场环境。
2、协同作战任务分配问题为典型的NP难问题，该类问题的解空间会随着导弹及目标总数的增加呈指数级增长，常用解决方法可以分为：数学规划法、协商法、启发式算法等。其中数学规划法是一类暴力型算法，只适用于小规模问题的求解且需满足对实时性要求不高，当问题组合过多时，需耗费大量时间；协商法是一种分布式任务分配方法，虽然该方法的鲁棒性较强，但需要各导弹之间频繁地进行数据通信，增加了导弹群暴露的风险，实用性不高；启发式算法不需要盲目地搜索全局空间，将随机搜索过程与启发式操作相结合，平衡了求解时间与最优性能，是目前运用较多的一类方法，常见的有遗传算法、粒子群算法、灰狼算法等，但仍会出现算法搜索效率低、收敛精度低、易陷入局部最优等问题。
综上所述，目前的协同作战任务分配方法存在效率低和精度低的问题。
基于此，本发明实施例提供的一种基于二进制大猩猩部队优化器的多导弹任务分配方法，可以提高多导弹协同作战任务分配的效率和精度。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于二进制大猩猩部队优化器的多导弹任务分配方法进行详细介绍，该方法可以由电子设备执行，诸如智能手机、电脑、平板电脑等。参见图1所示的一种基于二进制大猩猩部队优化器的多导弹任务分配方法的流程图，示意出该方法主要包括以下步骤S101至步骤S103：
步骤S101：获取导弹和目标的作战参数，并基于作战参数采用改进层次分析法确定效益矩阵。
在一种实施方式中，系统获取导弹和目标的作战参数，包括：位置、速度、航行方向、机动能力、攻击能力及电子对抗能力等，并基于作战参数采用改进层次分析法建立评价体系，完成效益矩阵优化，得到效益矩阵。
步骤S102：基于效益矩阵和混沌初始化离散解集空间确定整体效能函数。
在一种实施方式中，系统可以预先给出混沌初始化离散解集空间，考虑相关约束并利用优化后的效益矩阵得到整体效能函数。
步骤S103：采用离散式二进制大猩猩部队优化算法对整体效能函数进行最优化求解，得到任务分配矩阵。
在一种实施方式中，本实施例中对传统的启发式算法进行离散化改进得到离散式二进制大猩猩部队优化算法，并采用离散式二进制大猩猩部队优化算法求得效能函数的0-1整数矩阵(即任务分配矩阵)，即任务分配问题的解。
具体的，假设目前战场上导弹数量为m，目标数量为n(其中m>n)，导弹群的成本矩阵可以表示为：C＝[c1,…,cm]1×m，目标的价值矩可以阵表示为：B＝[b1,…,bn]1×n，各导弹相对目标的收益矩阵表示为：其中，wij表示第i枚导弹分配给第j个目标，采用整数编码的形式定义协同作战导弹-目标任务分配方式的解空间，表示如下：其中，xij＝0/1，0代表该导弹不分配此目标，1反之，由此整体效能函数可以表示为：
整体效能函数的约束条件为：
(1)任一目标都应分配至少一枚导弹：即
(2)任一导弹至多分配一个目标：即
本发明实施例提供的上述一种基于二进制大猩猩部队优化器的多导弹任务分配方法，采用改进层次分析法确定效益矩阵，将战场态势引入到效益矩阵的计算中，解决了既需要考虑对战态势，又兼顾打击效益问题，使得任务分配得到的最终结果更加贴合战场实际；同时采用离散式二进制大猩猩部队优化算法对整体效能函数进行求解，提高了多导弹协同作战任务分配的效率和精度。
在一种实施方式中，对于前述步骤S101，即在基于作战参数采用改进层次分析法确定效益矩阵时，可以采用包括但不限于以下方式，主要包括以下步骤1至步骤3：
步骤1：基于预先构建的效益指数层次体系确定多导弹协同作战的效益指数层次模型。
在一种实施方式中，参见图2所示，效益指数层次体系包括三层，第一层为整体效益指数，第二层为态势效益指数和性能效益指数，第三层为高度效益指数、距离效益指数、角度效益指数、速度效益指数、电子对抗性能效益指数、机动性能效益指数和攻击性能效益指数，效益指数层次模型(即整体效益指数或收益矩阵)为：
其中，wij表示第i枚导弹分配给第j个目标的整体效益指数，i＝1,…,m，j＝1,…,n，Eh表示高度效益指数，Er表示距离效益指数，Ea表示角度效益指数，Ev表示速度效益指数，Ee表示电子对抗性能效益指数，Em表示机动性能效益指数，Eatt表示攻击性能效益指数，e11,e12,e21,e22,e23,e24,e25,e26,e27分别表示每一层的权重系数。
下面对第三层各效益参数作出具体介绍，参见图3所示的一种导弹-目标二维平面作战态势示意图，其中，vm,vt分别表示导弹和目标的速度，θm,θt分别表示导弹和目标的航迹角，分别表示导弹和目标的前置角，且满足/>
(1)高度效益指数Eh：
其中，hij表示导弹i与目标j之间的高度差，可知，位于空间上方的导弹处于有利的攻击位置。
(2)距离效益指数Er：
其中，r表示导弹与目标相对距离，rm,rt分别表示导弹和目标的最大攻击距离，rs表示导弹导引头最大探测距离。
(3)角度效益指数Ea：
其中，分别表示导弹和目标的前置角。
(4)速度效益指数Ev：
其中，vm,vt分别表示导弹和目标的速度。
(5)电子对抗性能效益指数Ee：
其中，Eem,Eet分别表示导弹和目标的电子对抗能力。
(6)机动性能效益指数Em：
其中，Emm,Emt分别表示导弹和目标的机动能力。
(7)攻击性能效益指数Eatt：
其中，Eattm,Eattt分别表示导弹和目标的攻击能力。
步骤2：计算效益指数层次体系中每一层效益的权重系数矩阵。
在一种实施方式中，在建立了效益指数层次模型之后，其中的权重系数不能直接获取，需要采用改进的层次分析法间接求得，参见图4所示的一种改进的层次分析法的流程图，权重系数矩阵的就算主要包括以下步骤21至步骤25：
步骤21：对于效益指数层次中的每一层效益，确定初始判断矩阵。
在具体实施时，改进的层次分析法基于构建的多层次判断矩阵计算出各层不同参数之间的相对重要程度(即权重系数)，具体采用分数的方式进行标度，其中，不同层次的判断矩阵的初始状态可以根据1-9标度力量并利用专家打分的方式得到，以第三层态势效益为例，第三层态势效益的初始判断矩阵为：
使用最优一致性矩阵对初始判断矩阵进行改进，使优化后的判断矩阵直接满足一致性条件，从而无需进行多次修正，降低了计算量，优化过程包括以下步骤S22至步骤S25。
步骤22：将初始判断矩阵进行取对数运算，得到第一判断矩阵。
具体的，对公式(10)取对数运算，得到第一判断矩阵H1：
步骤23：基于第一判断矩阵构建最优化传递矩阵。
具体的，构建最优化传递矩阵为：
步骤24：基于最优化传递矩阵构建最优一致性判断矩阵。
具体的，根据公式(12)的计算结果，构建最优一致性判断矩阵为：
步骤25：基于最优一致性判断矩阵计算得到权重系数矩阵。
具体的，根据公式(13)计算，用每一列的数值1除以该列的参数和得到该列的权重系数，得到相对应的权重系数矩阵：
M＝[0.1287 0.2336 0.2785 0.9185]T (14)
参见图4所示，本发明实施例中，在得到权重系数矩阵后，可以对其进行一致性判断和牧户综合评判，具体的，一致性判断包括：
(1)确定一致性指标方程：
其中，CI表示一致性指标，RI表示平均随机一致性指标，λmax表示最优一致性判断矩阵H3的最大特征值，n表示最优一致性判断矩阵H3的维数。
本发明实施例中，采用上述改进方法得到的最优一致性判断矩阵均可满足一致性要求，即CR<0.1，无需对初始判断矩阵的参数进行反复调节，大大减少了工作量，同理，采用上述方法可以计算出第二层及第三层性能效益的相对权重系数矩阵。
另一方面，本发明实施例在传统的层次分析法上增加了模糊综合评判，使得在给出定性系数的同时，对各层次指标参数进行定量分析。模糊综合评判包括：
(1)确定评判等级。
具体的，评判等级及分数矩阵可以表示为：
U＝[100(优) 80(良) 60(中) 40(差) 20(极差)] (16)
(2)确定单因素模糊度矩阵。
具体的，单因素模糊度矩阵包括第三层态势效益及第三层性能效益两部分，可以由专家评判方法给出，分别表示为：
根据公式(17)和公式(18)可以确定第三层态势效益及性能效益综合评价结果表示为：
公式(19)构成了第二层模糊度矩阵，从而可求得第二层综合评价结果为：
(3)计算整体评估效能得分，得到定量结果：
Q＝D·UT (21)
步骤3：基于效益指数层次模型、每一层效益的权重系数矩阵和效益指数计算整体效益指数，得到效益矩阵。
在一种实施方式中，在得到每一层效益的权重系数矩阵后，可以根据每个效益指数计算得到整体效益指数，根据公式(2)计算得到效益矩阵W。
在得到效益矩阵后，可以根据先效益矩阵和混沌初始化离散解集空间确定效能函数，然后采用二进制大猩猩部队优化算法进行任务分配矩阵的求解。
下面对二进制大猩猩部队优化算法进行介绍，大猩猩部队优化算法(GTO)是一种无梯度的优化算法，它模拟了大猩猩在种群中的生活方式：一个大猩猩群体，由一只成年雄性大猩猩(银背大猩猩)和多只成年雌性大猩猩以及它们的后代组成。银背大猩猩是整个群体的首领，年轻雄性大猩猩也称为黑背大猩猩。通常情况下，雌性和雄性大猩猩都有可能从它们出生的群体迁移到新的群体。另外，成年的雄性大猩猩也有可能从它们最初的群体中离开，通过吸引迁徙的雌性来组成新的队伍。然而，一些成年雄性大猩猩有时会选择留在最初的队伍中，继续跟随银背大猩猩。银背大猩猩死去后，这些成年雄性大猩猩可能会为了争夺群体首领地位而进行战斗，并与成年雌性交配。但现有GTO算法中粒子的更新在实数域中进行，不适用于0-1整数规划问题，因此，本发明实施例在此优化算法基础上，对其进行离散化改进，使其能够成功应用于协同作战任务分配问题中。
参见图5所示的一种二进制大猩猩部队优化算法的流程图，首先，确定混沌初始化离散解集空间以及预设种群规模Pop、最大迭代次数T和算法输入参数W等，然后进行适应度计算，即确定效能函数(也即适应度函数)，具体的，在基于效益矩阵和混沌初始化离散解集空间确定效能函数时，可以采用包括但不限于以下方式：
首先，将导弹-目标任务分配解空间的0-1整数矩阵转换为m·n维解向量空间，并采用混沌映射的方式对m·n维解向量空间进行初始化得到混沌初始化离散解集空间。
在具体实施时，将导弹-目标任务分配解空间的0-1整数矩阵转换为m·n维解向量空间，即[x11…x1n…xij…xm1…xmn]1×mn，其中，xij＝0/1，m·n维解向量空间的初始化包括：
公式(22)为种群初始化随机分布，本发明实施例中采用混沌映射进行改进，使其分布更加均匀，具体过程如下：
xk＝rand(1,m·n) k＝1,…,m·n (23)
其中，m表示导弹的数量，n表示目标的数量，xk表示m·n维随机数向量，a为预先确定的0至1之间的常值，xiB,i＝1,…,m·n表示混沌初始化离散解集空间。
然后，基于混沌初始化离散解集空间、效益矩阵、以及预先确定的导弹群的成本矩阵和目标的价值矩阵确定整体效能函数；其中，整体效能函数参见公式(1)所示。
接下来，进行迭代处理，主要包括探索阶段和开发阶段。
探索阶段包括：首先，基于混沌初始化离散解集空间，采用预设的多种更新方法对位置信息进行更新，得到更新后的第一个体位置信息。
在一种实施方式中，二进制GTO算法中所有大猩猩被视为候选解，银背大猩猩是每一次迭代过程中产生的最优解，在探索阶段，大猩猩的位置更新方程包含三种不同方法：
其中，GX(t+1)表示下一次迭代中个体的侯选位置，X(t)表示大猩猩个体的当前位置，t表示当前迭代次数，GXr和Xr分别表示从种群中随机选择一个大猩猩的侯选位置和当前位置，r1,r2,r3,rand表示每次迭代中更新的范围在[0,1]的随机值，ub,lb分别表示变量的上下界，本实施例中分别选取为1和0，p表示初始给定的介于[0,1]之间的固定参数，该参数决定选择迁移机制到未知位置的概率，上式中其他参数C,L,H计算方式如下：
F＝cos(2×r4)+1 (27)
在原始GTO算法中，参数C的更新方式如公式(28)所示，本实施例中采用非线性收敛方式对部分进行改进，即：
L＝C×l (30)
H＝Z×X(t) (31)
其中，T表示最大迭代次数，l表示[-1,1]范围内的随机值，r4表示每次迭代中更新的范围在[0,1]的随机值，Z表示[-C,C]范围内的随机值。
然后，将更新后的第一个体位置信息进行离散二进制转换，得到二进制m·n维解向量。
在一种实施实施中，种群个体位置更新均在实数域中进行，需要对其进行离散二进制转换处理，离散转换函数为：
并基于公式(32)得到二进制m·n维解向量：
最后，基于整体效能函数和二进制m·n维解向量进行适应度计算，并根据适应度的计算结果择优保留二进制m·n维解向量，得到优化后的二进制m·n维解向量。
在探索阶段结束时，基于整体效能函数对种群各个体进行适应度计算，如果适应度函数值满足f(GX(t))>f(X(t))，则使用GX(t)个体代替X(t)，同时将在该阶段产生的最优个体被视为银背大猩猩。
进一步，开发阶段包括：如果更新参数大于或者等于判断阈值，则采用第一更新机制对优化后的二进制m·n维解向量进行更新，得到更新后的第二个体位置信息；如果更新参数小于判断阈值，则采用第二更新机制对优化后的二进制m·n维解向量进行更新，得到更新后的第二个体位置信息；对更新后的第二个体位置信息进行离散二进制转换，得到更新后的离散解集空间；基于整体效能函数和更新后的离散解集空间进行适应度计算，确定任务分配矩阵。
在一种实施方式中，开发阶段存在两种更新机制，分别对应跟随银背大猩猩(即第一更新机制)和竞争成年雌性(即第二更新机制)两种生物群体行为，两种更新机制与更新参数C及判断阈值W相关。
(1)如果C≥W，则选择跟随银背大猩猩更新机制：
GX(t+1)＝L×GXavg×(X(t)-Xsilverback)+X(t) (34)
g＝2L (36)
其中，Xsilverback表示银背大猩猩位置(最优解)，N表示大猩猩个体总数，即种群规模。
(2)如果C<W，则选择竞争成年雌性更新机制：
GX(t+1)＝Xsilverback-(Xsilverback×Q-X(t)×Q)⊙A (37)
Q＝2×r5-1 (38)
A＝β×E (39)
其中，Q模拟战斗力，r5表示每次迭代中更新的范围在[0,1]的随机值，系数向量A表示冲突过程中的暴力程度，β表示在优化操作前给出的固定参数，E用于模拟冲突对解决方案维度的影响，如果rand≥0.5，E的值为符合正态分布的m·n维随机向量，若rand<0.5，E的值为符合正态分布的一个随机值。
同样，在开发阶段得到更新后的个体位置信息，需要对该阶段的解集进行离散二进制转换处理：
在开发阶段结束时，再次对种群各个体进行适应度计算操作，如果适应度函数值满足f(GX(t))>f(X(t))，则使用GX(t)个体代替X(t)，同时在该阶段产生的最优个体被视为银背大猩猩，最终输出全局最优解，即最终的任务分配矩阵。
为了便于理解，本发明实施例还提供了一种基于二进制大猩猩部队优化器的多导弹任务分配方法的总体流程图，参见图6所示，该方法由基于改进层次分析法的效益矩阵评估和离散式二进制大猩猩部队优化算法两大部分组成。其中，系统首先分别给出导弹及目标的位置、速度、航行方向、机动能力、攻击能力及电子对抗能力等作战参数，基于上述条件采用改进的层次分析法建立评价体系，完成效益矩阵优化；其次，给出混沌初始化后的解空间，考虑相关约束并利用优化后的效益矩阵得到群体效能函数，而后对传统的启发式算法进行离散化改进得到二进制大猩猩部队优化算法，求得0-1整数矩阵，即任务分配问题的解。
本发明实施例通过采用离散二进制大猩猩部队优化算法完成多导弹协同作战任务分配：首先，采用最优一致性矩阵及模糊综合评判对层次分析法进行改进，将战场态势引入到效益矩阵的计算中，解决了既需要考虑对战态势，又兼顾打击效益问题，使得任务分配得到的最终结果更加贴合战场实际；其次，针对任务分配NP难问题及离散性问题，提出了一种新的二进制大猩猩部队优化算法，对原有算法进行离散化改进，使其能够成功应用于任务分配问题中，同时改进后的方法具有搜索速度快、求解精度高等特点，与其他启发式算法相比具有更好的性能。
对于前述实施例提供的一种基于二进制大猩猩部队优化器的多导弹任务分配方法，本发明实施例还提供了一种基于二进制大猩猩部队优化器的多导弹任务分配装置，参见图7所示的一种基于二进制大猩猩部队优化器的多导弹任务分配装置的结构示意图，示意出该装置主要包括以下部分：
效益矩阵确定模块701，用于获取导弹和目标的作战参数，并基于作战参数采用改进层次分析法确定效益矩阵。
效能函数确定模块702，用于基于效益矩阵和混沌初始化离散解集空间确定整体效能函数。
任务分配模块703，用于采用离散式二进制大猩猩部队优化算法对整体效能函数进行最优化求解，得到任务分配矩阵。
本发明实施例提供的上述一种基于二进制大猩猩部队优化器的多导弹任务分配装置，采用改进层次分析法确定效益矩阵，将战场态势引入到效益矩阵的计算中，解决了既需要考虑对战态势，又兼顾打击效益问题，使得任务分配得到的最终结果更加贴合战场实际；同时采用离散式二进制大猩猩部队优化算法对整体效能函数进行求解，提高了多导弹协同作战任务分配的效率和精度。
在一种实施方式中，上述效益矩阵确定模块701进一步还用于：基于预先构建的效益指数层次体系确定多导弹协同作战的效益指数层次模型；其中，效益指数层次体系包括三层，第一层为整体效益指数，第二层为态势效益指数和性能效益指数，第三层为高度效益指数、距离效益指数、角度效益指数、速度效益指数、电子对抗性能效益指数、机动性能效益指数和攻击性能效益指数，效益指数层次模型为：
wij＝e11×(e21×Eh+e22×Er+e23×Ea+e24×Ev)
+e12×(e25×Ee+e26×Em+e27×Eatt)
其中，wij表示第i枚导弹分配给第j个目标的整体效益指数，Eh表示高度效益指数，Er表示距离效益指数，Ea表示角度效益指数，Ev表示速度效益指数，Ee表示电子对抗性能效益指数，Em表示机动性能效益指数，Eatt表示攻击性能效益指数，e11,e12,e21,e22,e23,e24,e25,e26,e27分别表示每一层的权重系数；
计算效益指数层次体系中每一层效益的权重系数矩阵；基于效益指数层次模型、每一层效益的权重系数矩阵和效益指数计算整体效益指数，得到效益矩阵。
在一种实施方式中，上述效益矩阵确定模块701进一步还用于：对于效益指数层次中的每一层效益，确定初始判断矩阵；将初始判断矩阵进行取对数运算，得到第一判断矩阵；基于第一判断矩阵构建最优化传递矩阵；基于最优化传递矩阵构建最优一致性判断矩阵；基于最优一致性判断矩阵计算得到权重系数矩阵。
在一种实施方式中，上述效能函数确定模块702进一步还用于：将导弹-目标任务分配解空间的0-1整数矩阵转换为m·n维解向量空间，并采用混沌映射的方式对m·n维解向量空间进行初始化得到混沌初始化离散解集空间；其中，m·n维解向量空间的初始化包括：
xk＝rand(1,m·n) k＝1,…,m·n
其中，m表示导弹的数量，n表示目标的数量，xk表示m·n维随机数向量，a为预先确定的0至1之间的常值，xiB,i＝1,…,m·n表示混沌初始化离散解集空间；
基于混沌初始化离散解集空间、效益矩阵、以及预先确定的导弹群的成本矩阵和目标的价值矩阵确定整体效能函数；其中，整体效能函数为：
其中，B＝[b1,…,bn]1×n表示目标的价值矩阵，C＝[c1,…,cm]1×m表示导弹群的成本矩阵，表示效益矩阵，/>表示任务分配矩阵，xij＝0/1，0表示第i枚导弹不分配第j个目标，1表示第i枚导弹分配第j个目标。
在一种实施方式中，离散式二进制大猩猩部队优化算法包括探索阶段和开发阶段，上述任务分配模块703进一步还用于：在探索阶段，基于混沌初始化离散解集空间，采用预设的多种更新方法对位置信息进行更新，得到更新后的第一个体位置信息；将更新后的第一个体位置信息进行离散二进制转换，得到二进制m·n维解向量；基于整体效能函数和二进制m·n维解向量进行适应度计算，并根据适应度的计算结果择优保留二进制m·n维解向量，得到优化后的二进制m·n维解向量。
在一种实施方式中，上述任务分配模块703进一步还用于：按照以下公式进行离散二进制转换：
其中，X(t)表示个体的当前位置信息；
按照以下公式确定二进制m·n维解向量：
其中，XiB(t)表示二进制m·n维解向量。
在一种实施方式中，上述任务分配模块703进一步还用于：在开发阶段，如果更新参数大于或者等于判断阈值，则采用第一更新机制对优化后的二进制m·n维解向量进行更新，得到更新后的第二个体位置信息；如果更新参数小于判断阈值，则采用第二更新机制对优化后的二进制m·n维解向量进行更新，得到更新后的第二个体位置信息；对更新后的第二个体位置信息进行离散二进制转换，得到更新后的离散解集空间；基于整体效能函数和更新后的离散解集空间进行适应度计算，确定任务分配矩阵。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例还提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如上实施方式的任一项所述的方法。
图8为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器80，存储器81，总线82和通信接口83，所述处理器80、通信接口83和存储器81通过总线82连接；处理器80用于执行存储器81中存储的可执行模块，例如计算机程序。
其中，存储器81可能包含高速随机存取存储器(RAM，Random Acc ess Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口83(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线82可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器81用于存储程序，所述处理器80在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器80中，或者由处理器80实现。
处理器80可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器80中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器80可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器81，处理器80读取存储器81中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于二进制大猩猩部队优化器的多导弹任务分配方法，其特征在于，包括：
获取导弹和目标的作战参数，并基于所述作战参数采用改进层次分析法确定效益矩阵；
基于所述效益矩阵和混沌初始化离散解集空间确定整体效能函数；
采用离散式二进制大猩猩部队优化算法对所述整体效能函数进行最优化求解，得到任务分配矩阵。
2.根据权利要求1所述的方法，其特征在于，基于所述作战参数采用改进层次分析法确定效益矩阵，包括：
基于预先构建的效益指数层次体系确定多导弹协同作战的效益指数层次模型；其中，所述效益指数层次体系包括三层，第一层为整体效益指数，第二层为态势效益指数和性能效益指数，第三层为高度效益指数、距离效益指数、角度效益指数、速度效益指数、电子对抗性能效益指数、机动性能效益指数和攻击性能效益指数，所述效益指数层次模型为：
wij＝e11×(e21×Eh+e22×Er+e23×Ea+e24×Ev)+e12×(e25×Ee+e26×Em+e27×Eatt)
其中，wij表示第i枚导弹分配给第j个目标的整体效益指数，Eh表示高度效益指数，Er表示距离效益指数，Ea表示角度效益指数，Ev表示速度效益指数，Ee表示电子对抗性能效益指数，Em表示机动性能效益指数，Eatt表示攻击性能效益指数，e11,e12,e21,e22,e23,e24,e25,e26,e27分别表示每一层的权重系数；
计算所述效益指数层次体系中每一层效益的权重系数矩阵；
基于所述效益指数层次模型、每一层效益的所述权重系数矩阵和效益指数计算整体效益指数，得到效益矩阵。
3.根据权利要求2所述的方法，其特征在于，计算所述效益指数层次体系中每一层效益的权重系数矩阵，包括：
对于所述效益指数层次中的每一层效益，确定初始判断矩阵；
将所述初始判断矩阵进行取对数运算，得到第一判断矩阵；
基于所述第一判断矩阵构建最优化传递矩阵；
基于所述最优化传递矩阵构建最优一致性判断矩阵；
基于所述最优一致性判断矩阵计算得到所述权重系数矩阵。
4.根据权利要求1所述的方法，其特征在于，基于所述效益矩阵和混沌初始化离散解集空间确定整体效能函数，包括：
将导弹-目标任务分配解空间的0-1整数矩阵转换为m·n维解向量空间，并采用混沌映射的方式对所述m·n维解向量空间进行初始化得到混沌初始化离散解集空间；其中，所述m·n维解向量空间的初始化包括：
xk＝rand(1,m·n)k＝1,…,m·n
其中，m表示导弹的数量，n表示目标的数量，xk表示m·n维随机数向量，a为预先确定的0至1之间的常值，xiB,i＝1,…,m·n表示混沌初始化离散解集空间；
基于所述混沌初始化离散解集空间、所述效益矩阵、以及预先确定的导弹群的成本矩阵和目标的价值矩阵确定整体效能函数；其中，所述整体效能函数为：
其中，B＝[b1,…,bn]1×n表示目标的价值矩阵，C＝[c1,…,cm]1×m表示导弹群的成本矩阵，表示效益矩阵，/>表示任务分配矩阵，xij＝0/1，0表示第i枚导弹不分配第j个目标，1表示第i枚导弹分配第j个目标。
5.根据权利要求1所述的方法，其特征在于，所述离散式二进制大猩猩部队优化算法包括探索阶段和开发阶段，采用离散式二进制大猩猩部队优化算法对所述整体效能函数进行最优化求解，得到任务分配矩阵，包括：
在所述探索阶段，基于所述混沌初始化离散解集空间，采用预设的多种更新方法对位置信息进行更新，得到更新后的第一个体位置信息；
将所述更新后的第一个体位置信息进行离散二进制转换，得到二进制m·n维解向量；
基于所述整体效能函数和所述二进制m·n维解向量进行适应度计算，并根据适应度的计算结果择优保留二进制m·n维解向量，得到优化后的二进制m·n维解向量。
6.根据权利要求5所述的方法，其特征在于，将所述更新后的第一个体位置信息进行离散二进制转换，得到二进制m·n维解向量，包括：
按照以下公式进行离散二进制转换：
其中，X(t)表示个体的当前位置信息；
按照以下公式确定优化后的二进制m·n维解向量：
其中，XiB(t)表示优化后的二进制m·n维解向量。
7.根据权利要求5所述的方法，其特征在于，根据适应度的计算结果择优保留二进制m·n维解向量，得到优化后的二进制m·n维解向量之后，所述方法还包括：
在所述开发阶段，如果更新参数大于或者等于判断阈值，则采用第一更新机制对所述优化后的二进制m·n维解向量进行更新，得到更新后的第二个体位置信息；
如果更新参数小于判断阈值，则采用第二更新机制对所述优化后的二进制m·n维解向量进行更新，得到更新后的第二个体位置信息；
对更新后的第二个体位置信息进行离散二进制转换，得到二进制位置信息，并基于所述二进制位置信息确定更新后的离散解集空间；
基于所述整体效能函数和所述更新后的离散解集空间进行适应度计算，确定任务分配矩阵。
8.一种基于二进制大猩猩部队优化器的多导弹协同作战任务分配装置，其特征在于，包括：
效益矩阵确定模块，用于获取导弹和目标的作战参数，并基于所述作战参数采用改进层次分析法确定效益矩阵；
效能函数确定模块，用于基于所述效益矩阵和混沌初始化离散解集空间确定整体效能函数；
任务分配模块，用于采用离散式二进制大猩猩部队优化算法对所述整体效能函数进行最优化求解，得到任务分配矩阵。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311065843.5A CN117196186A (zh) | 2023-08-23 | 2023-08-23 | 基于二进制大猩猩部队优化器的多导弹任务分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311065843.5A CN117196186A (zh) | 2023-08-23 | 2023-08-23 | 基于二进制大猩猩部队优化器的多导弹任务分配方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117196186A true CN117196186A (zh) | 2023-12-08 |
Family
ID=88999000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311065843.5A Pending CN117196186A (zh) | 2023-08-23 | 2023-08-23 | 基于二进制大猩猩部队优化器的多导弹任务分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196186A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117631719A (zh) * | 2024-01-24 | 2024-03-01 | 山东欣历能源有限公司 | 一种基于物联网的智能供暖设备故障数据处理方法及系统 |
-
2023
- 2023-08-23 CN CN202311065843.5A patent/CN117196186A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117631719A (zh) * | 2024-01-24 | 2024-03-01 | 山东欣历能源有限公司 | 一种基于物联网的智能供暖设备故障数据处理方法及系统 |
| CN117631719B (zh) * | 2024-01-24 | 2024-05-31 | 山东欣历能源有限公司 | 一种基于物联网的智能供暖设备故障数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alweshah et al. | A hybrid mine blast algorithm for feature selection problems | |
| Sikora | A modified stacking ensemble machine learning algorithm using genetic algorithms | |
| Cruz et al. | Many-objective portfolio optimization of interdependent projects with'a priori'incorporation of decision-maker preferences | |
| CN107480694B (zh) | 基于Spark平台采用两次评价的加权选择集成三支聚类方法 | |
| Asghari et al. | A chaotic and hybrid gray wolf-whale algorithm for solving continuous optimization problems | |
| CN117196186A (zh) | 基于二进制大猩猩部队优化器的多导弹任务分配方法 | |
| Khodadadi et al. | BAOA: binary arithmetic optimization algorithm with K-nearest neighbor classifier for feature selection | |
| Jiang et al. | An adaptive sampling strategy for Kriging metamodel based on Delaunay triangulation and TOPSIS | |
| CN112102899A (zh) | 一种分子预测模型的构建方法和计算设备 | |
| Hess et al. | Softmax-based classification is k-means clustering: Formal proof, consequences for adversarial attacks, and improvement through centroid based tailoring | |
| CN114861531B (zh) | 针对用户重复购买预测的模型参数优化方法及设备 | |
| Ye et al. | Global optimization method using ensemble of metamodels based on fuzzy clustering for design space reduction | |
| Meng et al. | PaDE-NPC: Parameter adaptive differential evolution with novel parameter control for single-objective optimization | |
| CN111210347A (zh) | 交易风险预警方法、装置、设备及存储介质 | |
| Chen et al. | Prevention method of block withholding attack based on miners’ mining behavior in blockchain | |
| Feng et al. | A novel feature selection method with neighborhood rough set and improved particle swarm optimization | |
| CN111783088B (zh) | 一种恶意代码家族聚类方法、装置和计算机设备 | |
| CN115909027B (zh) | 一种态势估计方法及装置 | |
| CN116304722A (zh) | 基于平衡树索引结构的向量检索模型的训练方法 | |
| CN117010272A (zh) | 基于强化学习的决策生成方法、装置、计算机设备和介质 | |
| Tunga et al. | Efficacy analysis of NSGAII and multi-objective particle swarm optimization (MOPSO) in agent based weapon target assignment (WTA) model | |
| CN114596702B (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
| Yi et al. | Solving multi-objective weapon-target assignment considering reliability by improved MOEA/D-AM2M | |
| US20210350260A1 (en) | Decision list learning device, decision list learning method, and decision list learning program | |
| Zerrouk et al. | Evolutionary algorithm for optimized CNN architecture search applied to real-time boat detection in aerial images |
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 |