基于分解进化多目标优化算法的火力分配问题

战前制定合理的火力分配方案,可以优化资源配置,用最小的代价获取最大的战场收益。综合考虑攻击、资源和毁伤概率等约束条件,建立了火力分配多目标优化数学模型。提出了一种求解火力分配模型的分解进化多目标优化算法,并设计了不可行解修复方法。仿真实验得出两个结论,一是不可行解修复方法可以显著提高算法的收敛性;二是在解决火力分配优化问题上,所提算法具有较好的收敛性和分散性,采用合适的分解方法可以有效提高算法的性能。     

火力分配多目标规划模型的改进MOPSO算法

提出一种改进的多目标粒子群优化算法(multi-objective particle swarm optimization, MOPSO)算法,通过化解约束条件、修改速度和位置更新等使该算法适于求解火力分配多目标规划模型。最终求解的非劣解集构成Pareto前沿,体现增加火力单元数量对射击效能的影响,决策者可按照意图从中选取最终解。不考虑多目标规划模型中的属性目标,对敌毁伤概率随迭代步数演变与单目标函数相比,收敛性能相同,最大值相近,验证了所提算法的有效性。     

多目标火力分配的系统动力学模拟

单兵种对多兵种作战的最优策略是研究多兵种对多兵种作战最优策略的基础。利用微分对策论,通过建立一对多交战的微分动力学模型,推导了单兵种对抗多兵种作战过程中火力分配最优策略的表达式,给出了推导过程。利用系统动力学的建模理论,以一对二交战为例,说明了系统动力学建模及仿真方法,建立系统动力学流图并进行了仿真。系统仿真模型编程简单,运算速度快,可实时跟踪所有中间变量,有利于对建模和计算机作战模拟不熟悉的决策人员参与设计、分析。     

基于拍卖算法的多机协同火力分配

为解决超视距协同空战中的多机协同火力分配问题,首先建立了空战威胁估计和空战优势估计模型,构建了多机协同火力分配的数学模型。其次基于多智能体拍卖算法,提出了一种分布式的多机协同火力分配方法,该方法同时考虑了火力分配的效益和代价,能在较短的时间内给出较为合理的协同火力分配方案,具有计算量小、通信量低、动态性以及实时性好等特点,可应用于解决多机协同火力分配中的资源分配、冲突消解等协作问题。最后,通过仿真实验证明了该方法的合理性和有效性。     

基于模糊多目标规划的防空反导火力分配

针对现有多目标火力分配(weapon target assignment,WTA)方法很难适用于不确定情况下防空反导作战的问题,提出了基于模糊多目标规划的防空反导WTA方法。首先,采用三角模糊数刻画不确定的目标威胁度,在考虑防空反导作战特点的基础上,基于模糊多目标规划建立了WTA模型;然后,根据必要性测度原理将含有模糊参数的目标函数进行了等价清晰化;接着,提出了具有单/双势阱的多目标量子行为粒子群算法用于求解WTA模型,该算法采用了单/双势阱位置更新方式、粒子混合随机变异方法、领导粒子两阶段选取方法;最后,通过实例仿真验证了模型的合理性和算法的有效性。     

基于神经网络的防空武器多目标火力分配模型

首先通过对防空Ｃ３Ｉ辅助决策系统中火力分配问题的分析,针对目前火力分配数学模型的目标函数单一的状况,建立了一种多目标函数的火力分配模型。在此基础上,基于对不确定因素的考虑,引入模糊集概念,建立了一种多目标火力分配模糊优化模型。为克服传统方法求解组合优化问题的困难,利用优化神经网络给出了算法。     

基于改进NSGA-Ⅲ的多SGSW火力分配优化

在高维多目标优化中,基于参考点非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅲ, NSGA-Ⅲ)相比于其他多目标进化算法,具备较强的多样性保持能力,但收敛能力存在一定不足。因此引入遗传K均值(genetic K-means, GKM)聚类算法以提高NSGA-Ⅲ的收敛能力,提出基于NSGA-Ⅲ-GKM算法的多天基对地打击武器(space-to-ground strike weapon, SGSW)火力分配优化方法。首先,建立以转移时间最短、落地点速度最大和落地点侵彻角最大为优化目标的SGSW转移轨道优化模型,为后续优化目标的计算打下基础;其次,建立基于NSGA-Ⅲ-GKM算法的火力分配优化模型;最后,仿真结果表明, NSGA-Ⅲ-GKM算法相比于其他代表性多目标进化算法具备较好的多样性保持能力和收敛能力,总体性能较好,该方法能够更有效地解决多SGSW火力分配优化问题。     

武器-目标分配问题的粒子群优化算法

建立了武器-目标分配问题的优化模型,分析了各种解决此模型的方法的优缺点。经典的粒子群是一个有效的寻找连续函数极值的方法,结合遗传算法的思想提出粒子群算法来解决武器-目标分配问题。经过比较测试,4种粒子群算法的效果都比较好,特别交叉策略A和变异策略B的混合粒子群算法是最好的且简单有效的算法。     

基于改进NSGA-Ⅲ的多SGSW火力分配优化

在高维多目标优化中,基于参考点非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅲ, NSGA-Ⅲ)相比于其他多目标进化算法,具备较强的多样性保持能力,但收敛能力存在一定不足。因此引入遗传K均值(genetic K-means, GKM)聚类算法以提高NSGA-Ⅲ的收敛能力,提出基于NSGA-Ⅲ-GKM算法的多天基对地打击武器(space-to-ground strike weapon, SGSW)火力分配优化方法。首先,建立以转移时间最短、落地点速度最大和落地点侵彻角最大为优化目标的SGSW转移轨道优化模型,为后续优化目标的计算打下基础;其次,建立基于NSGA-Ⅲ-GKM算法的火力分配优化模型;最后,仿真结果表明, NSGA-Ⅲ-GKM算法相比于其他代表性多目标进化算法具备较好的多样性保持能力和收敛能力,总体性能较好,该方法能够更有效地解决多SGSW火力分配优化问题。     

基于混合遗传算法的目标优化分配

根据防空作战目标分配的特点 ,在分析启发式方法和遗传算法基础上 ,将二者结合起来得到了求解目标优化分配问题的混合遗传算法 ,该算法具有全局收敛性.     

多目标飞机航线调配模型的模糊优化算法

为了提高航空公司飞机的日使用率,研究了相同机型的各架飞机调配问题.在满足航班衔接、航班覆盖、机队规模的约束下,建立了多目标整数规划模型,针对模型设计了模糊隶属度函数,定义了多目标伸缩指标,利用L-R型模糊数的性质和max的定义,应用模糊数学理论求解模型.最后通过数值实验表明该飞机调配问题的模型可行,算法能在保证飞机起降次数均衡的条件下,使飞机日平均飞行小时比统计数据提高2%,飞机地面等待时间下降14.3%,求解效率提高一倍以上.     

基于遗传算法的一类武器目标分配方法研究

针对联合作战的武器目标分配问题,建立了资源受限条件下的多组武器目标分配数学模型,并研究了用遗传算法求解模型的方法.该遗传算法通过设计一种满足约束条件的染色体编码格式,把求解问题转化为无约束的组合优化表现形式,从而可以利用单点随机定位算术交叉和变异运算以及精华选择策略来求解.仿真计算结果表明了模型和所提算法的有效性.     

基于扩展合同网协议的分布式武器目标分配方法

以网络化防空导弹体系为研究背景,对分布式武器目标分配（dynamic weapon target assignment, DWTA）问题进行了描述,从招标条件、招标策略、投标策略、中标策略、协议机制及合同类型六个方面对合同网协议（contract net protocol, CNP）进行了扩展,构建了基于扩展CNP协同机制的DWTA体系结构,提出了基于扩展CNP的DWTA算法。通过某一作战想定,分别从整体效能变化、协同交战次数和通信量三方面对基于CNP和扩展CNP的DWTA算法进行了比较,实验结果证明了后者的有效性和优越性。     

目标分配问题的蚁群算法研究

防空C3I系统的目标分配问题中如何使射击效率最佳,是非常重要又十分困难的问题。分析了目标分配问题各种解算方法的特点及存在的问题。结合蚁群算法思想,提出了一种新型的目标分配算法模型,并进行了算法实验。实验结果表明,基于蚁群算法思想的目标分配算法是有效的,特别是问题规模较大时更显示出其较快的收敛速度和较高的精度。     

多目标置换流水车间调度的混沌杂草优化算法

针对最小化最大完工时间,总流程时间及总延迟时间的多目标置换流水车间调度问题,提出一种改进的混沌杂草优化算法,该算法采用基于熵值权重的灰熵关联度适应值分配策略,引入快速非支配排序法生成外部档案,并将进化种群的更新和最优位置的混沌搜索相结合,用于维护外部档案,提升算法的寻优性能.通过与NSGA-Ⅱ算法进行OR-Library典型测试算例的对比实验,验证该算法的有效性.     

Novel multi-objective optimization algorithm

Many multi-objective evolutionary algorithms （MOEAs） can converge to the Pareto optimal front and work well on two or three objectives, but they deteriorate when faced with manyobjective problems. Indicator-based MOEAs, which adopt various indicators to evaluate the fitness values （instead of the Paretodominance relation to select candidate solutions）, have been regarded as promising schemes that yield more satisfactory results than well-known algorithms, such as non-dominated sort- ing genetic algorithm （NSGA-II） and strength Pareto evolutionary algorithm （SPEA2）. However, they can suffer from having a slow convergence speed. This paper proposes a new indicatorbased multi-objective optimization algorithm, namely, the multi- objective shuffled frog leaping algorithm based on the ε indicator （ε-MOSFLA）. This algorithm adopts a memetic meta-heuristic, namely, the SFLA, which is characterized by the powerful capability of global search and quick convergence as an evolutionary strategy and a simple and effective E-indicator as a fitness assignment scheme to conduct the search procedure. Experimental results, in comparison with other representative indicator-based MOEAs and traditional Pareto-based MOEAs on several standard test problems with up to 50 objectives, show that ε-MOSFLA is the best algorithm for solving many-objective optimization problems in terms of the solution quality as well as the speed of convergence.     

多目标优化设计中的Pareto遗传算法

遗传算法的随机性和隐含并行性,使它能同时搜索到多个局部最优解并获得最优解集。为了发挥遗传算法群体搜索的优势,提高多目标优化设计效率和灵活性,在自适应遗传算法的基础上引入群体排序技术、小生境技术和Pareto解集过滤器,建立了一种适用于多目标优化设计的Pareto遗传算法。以Pareto前沿面的形式给出优化设计的Pareto最优解集,供设计者按设计意愿选择最优的设计结果。采用Pareto遗传算法进行跨声速翼型的多目标优化设计,设计结果表明,Pareto遗传算法是十分有效的,完全可以用来进行多目标优化设计。     

信息化条件下海上编队区域防空目标分配方法

针对现代海上编队作战是基于信息系统的体系作战客观要求,对信息化条件下海上编队区域防空目标分配问题进行了研究,提出了对空防御拦截水平的概念,建立了多层防御模式下的编队区域防空目标分配模型.为了有效求解模型,综合运用交互式决策思想和遗传算法,提出了一种基于遗传算法(GA)的交互式求解模型的方法.在GA设计中,通过对染色体编码、初始化种群、适应度函数以及遗传运算、选择策略等环节的合理设计,保证了产生个体的有效性,提高了搜索质量,加快了搜索速度.仿真结果表明了模型和算法的有效性,从而为有效解决现代海上编队体系作战的区域防空目标分配问题探求了一条新途径.