复杂战场(超)大规模地面战车及海上舰艇的最优编队设计制造技术

复杂战场中(超)大规模地面战车及海上舰艇的编队是现代化陆军和海军建设中重点研究问题之一，尤其是海军中大规模航母舰队的编队问题。本发明专利技术主要是从群体优化的角度解决大规模地面战车和海上舰艇的正多边形编队，主要包括：(1)基于圆心和初始角度的正多边形任意队形生成。(2)粒子群算法对圆心和初始角度的优化，这是编队问题中的重点之一。(3)为了指导每个舰艇的最终运动方向和位置，粒子群算法对初始点与目标点的配对问题。(4)为了验证本发明专利技术的有效性，先确定所有舰艇所集结的位置，比如，从Google地图上截取一块海域，分别对3个，10个，15个，50个，100个舰艇进行正多边形编队。

【技术实现步骤摘要】

本专利技术主要涉及复杂战场中大规模地面战车或海上舰艇的编队问题，特别针对在复杂的平面中大规模的战车和舰艇的正多边形编队问题。主要包括以下几个内容：正多边形队形的形成、队形中心的优化问题、队形初始角度的优化问题、初始点与目标的的配对问题，以及群体智能优化方法解决编队问题。在考虑距离代价最小情况下，不但给出最优的队形中心位置，而且各个战车或舰艇在队形中的具体位置。以上结果对于大规模坦克战车在平原中编队，大规模的不同类型战车的混合编队，以及大规模舰艇在海面集结、不同区域舰艇的编队、不同舰艇的协同防御、发挥群体舰艇的作战优势等，都有一定的参考价值和理论指导意义。
技术介绍
随着中国经济实力的迅速增长和世界地位不断提高，为了保证所取得来之不易的成果，必须有强大的国防力量作为基础。针对现代化大规模的集团陆军，特别在复杂的战场上，实现大规模的地面战车快速编队，以及不同战斗队形的相互快速转化，对于打击敌军以及更好保护自己都有很重要的作用。针对我国现代化的海军，我国有很长的海岸线以及丰富的海洋资源，那么建立一支强大的海军保证我国海洋的核心利益，维护亚太地区的和平，以及促进世界的和平与发展是尤为重要。近年来，航空母舰是中国海军一直研究的重点和难点之一。从中国海军未来的发展角度上看，创建多个航母舰队必定是我国海军发展的趋势。那么这里面最重要的因素除了船体的建造之外，那么相应的关键技术也是必不可少的。本专利主要研究(超)大规模地面战车及航母舰队的编队问题，具体来说，大量的战车或舰艇从无序形状到一定固定形状的编队过程。此过程不但考虑所有舰艇移动的距离之和达到最小，而且要求所形成的形状必须满足正多边形或其他形状的条件。从本质上看，超大规模的航母编队问题是一个带约束条件的、离散的、连续的、超高维的混合优化问题。目标函数(代价函数)为从初始状态到最终状态的距离之和，以及考虑所有舰艇移动的最大距离；约束条件为最终的状态需要满足一定的条件，即队形的要求，比如正三角形、正六边形、正多边形；由于针对超大规模的舰艇编队，它是一个高维空间的优化问题，因为要求对很多参数进行优化和确定。最终所得结论的物理意义：在消耗能量最小的情况下，给出每个舰艇的运动方向和运动距离，形成一定的战斗队形。从理论上讲，将每个舰艇当作一个点，把不同的形状看作不同的平面图形。最简单的情况下，三个离散点进行直线编队，这个理论证明寻找最优的直线也是很困难的。那么对于多个点的直线编队、多个点的不同队形的编队，从理论上来分析也是十分困难的。针对以上问
题，本专利技术主要从群体智能优化的角度，将编队问题理解为一个带约束条件的优化问题，针对正多边形的编队问题，设计一种简单的、高效的优化方法寻找最优编队和最优位置。在通常情况下，对于多边形编队问题来说，主要有二个技术难点。其一，在正多边形的编队过程中，每个节点很难知道它的邻居点；其二，多个约束条件较多，约束条件不但要求每条边相等，而且相互二条边夹角都要相同。为了解决该问题，我们一般先通过求平面中的凸包点，并通过凸包点集合来判断每个点的邻居点。该方法的不足在于：由于先计算凸包点，则计算时间增加；其次，还需满足凸包点的个数需要等于正多边形的边数；再次，解空间的维数通常是正多边形边数的二倍。当处理大规模或者超大规模的航母编队问题，即正多边形边数很大时，则大多数的算法都难于解决。
技术实现思路
在大规模舰艇的集结、航母的自身防御体系中，正多边形是最重要的、最普遍的、最常见的队形之一。本
技术实现思路
主要是针对多舰艇的的正多边形编队问题。主要内容是提出了一种队形生成的方法，寻找队形的最优位置，即队形中心点位置和初始偏角，以及一种简洁的、高效的群体智能方法解决编队问题。(1)正多边形舰艇队形的生成方法由于正多边形的队形特点，当已知队形的中心、初始角度和多边形的边数，则队形中的每个点能计算出来。当队形的中心坐标为(x，y)，初始角度θ，则正三边形的三个坐标分别为A：[x+Rcos(θ)，y+Rsin(θ)]B：[x+Rcos(θ+2π3),y+Rsin(θ+2π3)]]]>C：[x+Rcos(θ+4π3),y+Rsin(θ+4π3)]]]>当队形的中心坐标为(x，y)，初始角度θ，则正方形的四个坐标分别为A：[x+Rcos(θ)，y+Rsin(θ)]B：[x+Rcos(θ+π2),y+Rsin(θ+π2)]]]>C：[x+Rcos(θ+π)，y+Rsin(θ+π)]D：[x+Rcos(θ+3π2),y+Rsin(θ+3π2)]]]>以此类推，当正N边形的中心坐标为(x，y)，初始角度θ，则正N边形的N个坐标分别表
示为[x+Rcos(θ+2π(i-1)n),y+Rsin(θ+2π(i-1)n)],1≤i≤n]]>通过以上方法，将一个带约束条件的问题转变为一个无约束条件的问题，而且由原来的2N维空间转变为3+N维空间，大大减少解空间的范围和大小，提高了优化的效率。其次，将带约束优化问题转化一个无约束条件的优化问题。(2)基于群体智能优化方法的编队问题(超)大规模多地面战车或舰艇的编队问题本质上是一个带约束条件的连续型和离散型的混合优化问题。第一，中心点的坐标和初始角度优化，则编队问题是一个连续型优化问题；第二，初始粒子和最终位置配对，则编队问题也是一个离散型优化问题。粒子群算法的主要任务不但需要优化中心坐标点的位置(x，y)和初始角度θ，而且还需要解决相应的配对问题，即每个战车或舰艇在队形的具体位置。粒子群算法是一种经典的随机智能优化算法，是由Kenndy和Eberhart二位博士1995年所提出的，主要是通过观察鸟群和鱼群寻找食物的过程提炼出来的。由于编程简单且效率较高，粒子群算法广泛解决各种各样的优化问题，比如，网络参数的优化、智能电网、机器人研究、智能控制等等。粒子群算法中最重要的内容为粒子速度与位置的迭代公式，最核心思想是当前粒子的速度与原有的速度、个人的经验和别人的经验三者都有关。粒子的速度与位置的更新公式可表示为Vij(t+1)＝wVij(t)+c1r1(pbest(t)-Xij(t))+c2r2(gbest(t)-Xij(t))Xij(t+1)＝Xij(t)+Vij(t+1)其中Vij(t+1)为第t+1次中第i个粒子的第j维的速度，pbest为当前粒子的最优历史位置和gbest为所有粒子的最优历史位置。c1为认识因子和c2为社会因子，通常情况下，取值为2.0，r1和r2服从[0，1]之间的均匀分布的随机数。粒子主要的组成部分：中心点的坐标(x，y)，基准点的初始角度θ，初始点与最终点的配对序列和适应值。先通过中心点坐标和初始角度，确定队形中每个点的坐标，然后对于每个队形生成一个配对序列，即将初始点与最终点进行配对，并计算每个初始点与配对后的点得距离。针对正N边形，所有的初始点坐标表示为(x′1，y′1)，(x′2，y′2)，(x′3，y′3)，...，(x′n，y′n)，则第i个的移动距离为Di=(xi′-xi&pri本文档来自技高网...

【技术保护点】
复杂战场(超)大规模地面战车及海上舰艇的最优编队设计主要对大规模的陆军战车在某个区域中编队，以及海军中不同区域多舰艇的集结、不同舰艇的协同防御有很重要的参考价值，即以减少平均移动距离和，或者最小化所有移动距离的最大值为目标，设计最优的战斗队形，并给出每个战车或舰艇的运动方向和距离。

【技术特征摘要】
1.复杂战场(超)大规模地面战车及海上舰艇的最优编队设计主要对大规模的陆军战车在某个区域中编队，以及海军中不同区域多舰艇的集结、不同舰艇的协同防御有很重要的参考价值，即以减少平均移动距离和，或者最小化所有移动距离的最大值为目标，设计最优的战斗队形，并给出每个战车或舰艇的运动方向和距离。2.本专利主要针对正多边形的舰艇编队问题，首先利用队形的中心和初始角计算出战斗队形中每个点的坐标和具体位置；其次，还需对每个初始点和目标点...

【专利技术属性】
技术研发人员：刘军，
申请(专利权)人：刘军，
类型：发明
国别省市：北京;11