基于DDE改进蝙蝠算法的动态火力分配方法组成比例

本发明专利技术公开了一种基于DDE改进蝙蝠算法的动态火力分配方法,在确定动态火力分配模型后，通过放宽部分约束条件来初始化蝙蝠个体的生成，然后将动态差分进化算法中的差分变异机制融入到蝙蝠算法中，以优化动态火力分配问题解的收敛精度和收敛速度，为指挥员提供更好的作战辅助决策。

Dynamic firepower distribution method based on DDE improved bat algorithm

The invention discloses a dynamic firepower allocation method based on DDE improved bat algorithm. After determining the dynamic firepower allocation model, the generation of bat individuals is initialized by relaxing some constraints, and then the differential mutation mechanism in the dynamic differential evolution algorithm is incorporated into the bat algorithm to optimize the dynamic firepower allocation problem. The convergence accuracy and convergence speed of the solution provide better operational assistant decision for commanders.

【技术实现步骤摘要】
基于DDE改进蝙蝠算法的动态火力分配方法
本专利技术属于军事指挥控制辅助决策应用
，具体说是一种基于DDE改进蝙蝠算法的动态火力分配方法。
技术介绍
火力分配属于武器-目标分配(WeaponTargetAssignment，WTA)问题，是指挥控制辅助决策系统所研究的重要课题。WTA问题一般指在复杂多变的多武器、多目标战场环境中，根据一定的分配准则，将武器分配给相应目标，以期获取最好作战效果，这种分配方案属于多参数、多约束的非确定性多项式完全问题。动态武器目标分配(DynamicWeaponTargetAssignment，DWTA)问题，需要考虑时空的约束，是一个多阶段的分配问题，对每个阶段的结果进行评估，然后利用新的战场态势再对下一阶段进行分配。目前针对WTA问题，大部分采用智能算法或混合智能算法来解决，如常见的智能算法有遗传算法(GeneticAlgorithm，GA)和粒子群优化(ParticleSwarmOptimization，PSO)算法。蝙蝠算法(BatAlgorithm，BA)是近些年出现的新兴元启发式算法，是一种基于群体随机搜索机制的智能算法，与经典的群体智能算法PSO相比具有鲁棒性好、收敛速度快等特点。但BA也存在不足之处，如算法易于陷入局部极值点，导致用其解决的火力分配问题的模型适应度值将过早进入收敛状态，也就是俗称的“早熟”现象。
技术实现思路
针对现有动态火力分配技术的不足，本专利技术提供一种基于动态差分进化(DynamicDifferentialEvolution，DDE)改进蝙蝠算法的动态火力分配方法，在确定动态火力分配模型后，通过放宽部分约束条件来初始化蝙蝠个体的生成，然后将动态差分进化算法中的差分变异机制融入到蝙蝠算法中，以优化动态火力分配问题解的收敛精度和收敛速度，为指挥员提供更好的作战辅助决策。为实现上述目的，本申请采用的技术方案是：基于DDE改进蝙蝠算法的动态火力分配方法,具体步骤如下：步骤一：放宽武器数量约束，生成初始种群，初始化算法参数；步骤二：构建适应度函数，并依此找出最优蝙蝠位置；步骤三：更新蝙蝠个体的速度和位置；步骤四：判断(0,1)区间内的随机数与当前蝙蝠个体脉冲发射率的大小，如果随机数小于发射率，则蝙蝠飞到步骤三更新后的位置；否则在原位置进行局部搜索；步骤五：当蝙蝠新位置对应的解优于原位置对应的解,并且此时(0,1)区间内的随机数小于蝙蝠个体的响度时，则进行步骤六；否则回到步骤三进行下一个蝙蝠的更新速度和位置操作；步骤六：更新当前蝙蝠到新解对应的位置；步骤七：判断新解是否优于当前最优解，如果优于就将新解记为当前最优解，并调整当前蝙蝠个体的脉冲发射率和响度；否则直接进行步骤八；步骤八：对当前蝙蝠种群进行基于动态差分进化机制的变异操作；步骤九：计算当前蝙蝠个体的适应度值；步骤十：判断当前最优解是否满足算法终止条件，若满足就输出当前最优蝙蝠位置和对应的解值；否则回到步骤三进行下一代的寻优过程。进一步的，动态火力分配模型表示为：其中Xt为t时刻下火力分配决策矩阵，具体形式表示为：表示当前t时刻下第i类武器分配给第j个目标的火力数量，正常值在0到之间，是t时我方i类武器拥有的火力数量，t时刻下我方分配出的武器数量小于等于此时武器总共拥有的数量；表示t时第j个目标对我方的威胁度，需要考虑到目标类型、目标状态、目标火力能力、目标指控能力、目标机动能力、目标攻击角度和武器目标距离等方面因素；pij是第i类武器打击第j个目标的效率，一般不随时间发生变化。进一步的，放宽武器数量约束来生成初始种群，依据以下公式：即将武器数量限制值从变成从而适当地放宽了武器数量的约束来加快初始蝙蝠个体(WTA解)的生成，其中m表示为武器的种类数。进一步的，所述适应度函数表示为:Fit(Xt)＝Tar(Xt)+G(Xt)其中G(Xt)是惩罚函数，确保生成的蝙蝠个体满足武器数量的约束条件,具体表示为：G(Xt)＝-Pun*Ct其中Pun是一个大数量级的正实整数，惩罚函数G(Xt)值对于不满足约束条件的蝙蝠个体(WTA解)来说是一个大的负数，而满足约束条件的则为原蝙蝠个体对应火力分配问题的目标值；在迭代过程中使用适应度值来寻优，当最终适应度值收敛达到当前搜索的最大值时，此时蝙蝠个体位置对应的分配矩阵则为当前最优的武器-目标分配方案。进一步的，所述蝙蝠个体速度和位置的更新公式表示为：fs＝fmin+(fmax-fmin)×β其中，fs表示第s只蝙蝠的声波频率，fmin和fmax分别对应初始化时声波频率的最小值和最大值；β为(0,1)区间上满足均匀分布的随机数；和分别为第s只蝙蝠在第t和第t-1时刻的飞行速度；和为第s只蝙蝠在t和t-1时刻的位置；X*表示当前蝙蝠群体的最优位置，它是通过比较种群中所有蝙蝠搜索到的位置得出的。进一步的，所述的局部搜索，是指在当前最佳位置中选中一个位置后，令每只蝙蝠在该位置周围随机飞行产生一个新的位置，表示为：其中，Xnew表示随机飞行产生的位置，Xold表示选择的一个最佳位置；σ为d维(-1,1)之间的随机数；为第t时刻下种群中所有蝙蝠的平均响度，而每个蝙蝠的响度和脉冲发射率会随时间进行更新，表示为：其中，α和γ是常量，α称为响度衰减系数，γ称为脉冲发射率增加系数，α,γ∈[0.8,0.95]；是第s只蝙蝠脉冲发射率的初始值，随时间逐渐趋于而响度则随时间不断趋于0。进一步的，所述的基于动态差分进化机制的变异操作表示为：其中，r1、r2、r3、r4和r5为从种群中随机选择出的互不相同的个体，且与当前个体s不同；ε为比例因子，用来控制差分矢量的缩放。进一步的，所述的算法终止条件有两个，①确定基本迭代次数Iter＝500，到达迭代次数后取一增量ΔIter，再经过ΔIter代后，平均适应度值无明显提升(<3％)；②连续20次迭代过程中适应度值不再有变化；这二者达到其一，就确定算法达到了收敛状态，此时终止算法，并选取适应值最大的蝙蝠个体对应的分配方案作为火力分配问题的最优解输出。本专利技术采用以上技术方案，能够取得如下的技术效果：基于DDE改进蝙蝠算法的动态火力分配方法，较之前动态火力分配方法能更快生成算法的初始解，降低了算法陷入局部极值的几率，同时提高了算法全局搜索能力，使得火力分配问题能在可接受时间范围内获得更优解。附图说明本专利技术共有附图5幅：图1为蝙蝠结构示意图；图2为二维空间内DE算法中变异矢量的生成示意图；图3为基于DDE-BA算法的火力分配流程图；图4为DDE-BA与其他几种算法求解目标值的比较图；图5为DDE-BA与其他几种算法运算性能的比较图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本专利技术进行详细描述。本实施例对本专利技术提出的基于DDE改进蝙蝠算法的动态火力分配方法的有效性及其性能进行分析，利用不同算法针对同一规模的案例数据进行解算，有基本蝙蝠算法、基本遗传算法和改进的粒子群算法，通过比较上述几种算法求得解的目标值和达到收敛状态所用时间来说明本专利技术所提方法的有效性。附图1为蝙蝠结构示意图。在使用基于DDE改进的蝙蝠算法解决火力分配问题前，首先需要确定的就是如何将WTA问题解与蝙蝠算法中进行寻优的蝙蝠个本文档来自技高网...

【技术保护点】
1.基于DDE改进蝙蝠算法的动态火力分配方法,其特征在于，具体步骤如下：步骤一：放宽武器数量约束，生成初始种群，初始化算法参数；步骤二：构建适应度函数，并依此找出最优蝙蝠位置；步骤三：更新蝙蝠个体的速度和位置；步骤四：判断(0,1)区间内的随机数与当前蝙蝠个体脉冲发射率的大小，如果随机数小于发射率，则蝙蝠飞到步骤三更新后的位置；否则在原位置进行局部搜索；步骤五：当蝙蝠新位置对应的解优于原位置对应的解,并且此时(0,1)区间内的随机数小于蝙蝠个体的响度时，则进行步骤六；否则回到步骤三进行下一个蝙蝠的更新速度和位置操作；步骤六：更新当前蝙蝠到新解对应的位置；步骤七：判断新解是否优于当前最优解，如果优于就将新解记为当前最优解，并调整当前蝙蝠个体的脉冲发射率和响度；否则直接进行步骤八；步骤八：对当前蝙蝠种群进行基于动态差分进化机制的变异操作；步骤九：计算当前蝙蝠个体的适应度值；步骤十：判断当前最优解是否满足算法终止条件，若满足就输出当前最优蝙蝠位置和对应的解值；否则回到步骤三进行下一代的寻优过程。

【技术特征摘要】
1.基于DDE改进蝙蝠算法的动态火力分配方法,其特征在于，具体步骤如下：步骤一：放宽武器数量约束，生成初始种群，初始化算法参数；步骤二：构建适应度函数，并依此找出最优蝙蝠位置；步骤三：更新蝙蝠个体的速度和位置；步骤四：判断(0,1)区间内的随机数与当前蝙蝠个体脉冲发射率的大小，如果随机数小于发射率，则蝙蝠飞到步骤三更新后的位置；否则在原位置进行局部搜索；步骤五：当蝙蝠新位置对应的解优于原位置对应的解,并且此时(0,1)区间内的随机数小于蝙蝠个体的响度时，则进行步骤六；否则回到步骤三进行下一个蝙蝠的更新速度和位置操作；步骤六：更新当前蝙蝠到新解对应的位置；步骤七：判断新解是否优于当前最优解，如果优于就将新解记为当前最优解，并调整当前蝙蝠个体的脉冲发射率和响度；否则直接进行步骤八；步骤八：对当前蝙蝠种群进行基于动态差分进化机制的变异操作；步骤九：计算当前蝙蝠个体的适应度值；步骤十：判断当前最优解是否满足算法终止条件，若满足就输出当前最优蝙蝠位置和对应的解值；否则回到步骤三进行下一代的寻优过程。2.根据权利要求1所述基于DDE改进蝙蝠算法的动态火力分配方法,其特征在于，动态火力分配模型表示为：其中Xt为t时刻下火力分配决策矩阵，具体形式表示为：表示当前t时刻下第i类武器分配给第j个目标的火力数量，正常值在0到之间，是t时我方i类武器拥有的火力数量，t时刻下我方分配出的武器数量小于等于此时武器总共拥有的数量；表示t时第j个目标对我方的威胁度；pij是第i类武器打击第j个目标的效率。3.根据权利要求2所述基于DDE改进蝙蝠算法的动态火力分配方法,其特征在于，放宽武器数量约束来生成初始种群，依据以下公式：即将武器数量限制值从变成从而放宽了武器数量的约束来加快初始蝙蝠个体的生成，其中m表示为武器的种类数。4.根据权利要求2所述基于DDE改进蝙蝠算法的动态火力分配方法,其特征在于，所述适应度函数表示为:Fit(Xt)＝Tar(Xt)+G(Xt)其中G(Xt)是惩罚函数，确保生成的蝙蝠个体满足武器数量的约束条件,具体表示为：G(Xt)＝-Pun*Ct其中Pun是一个大数量级的正...

【专利技术属性】
技术研发人员：邱少明，胡宏章，杜秀丽，吕亚娜，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁,21