【技术实现步骤摘要】
本公开实施例涉及火力分配，尤其涉及一种基于神经网络和多策略组合灰狼优化算法的火力分配方法。
技术介绍
1、随着信息化武器装备的不断更新换代，其相应的打击能力也不断提高，火力分配的优化直接影响着战争的进程和胜负。在现代化作战场景下，需要紧紧围绕作战使命，结合战场态势、主次要目标合理分配火力，以综合效能作用于敌要害和关节，争取以最小的代价最大限度地达成作战使命。在多导弹协同打击作战过程中，多目标火力分配问题是需要重点研究的关键问题。
2、在利用智能算法求解火力分配问题时，常用到的算法包括粒子群算法（particleswarm optimization，pso）、蚁群算法（ant colony optimization，aco）、模拟退火算法（simulated annealing，sa）、灰狼优化算法（grey wolf optimizer，gwo）等。在具体问题的模型中应用上述算法，将火力分配问题转化成优化问题进行求解。但是，上述求解方法局限于通过算法生成优解，没有考虑分配方案的可行性，缺少对于分配方案的后续验证，这对于高动态、不可逆的导弹而言是无法接受的。此外，传统启发算法存在容易陷入局部最优、收敛速度慢、无法进行全局搜索等缺陷。
技术实现思路
1、为了避免现有技术的不足之处，本申请提供一种基于神经网络和多策略组合灰狼优化算法的火力分配方法，用以解决现有技术中存在传统启发算法存在容易陷入局部最优、收敛速度慢和无法判断分配方案的可行性等缺陷的问题。
2、根据本
3、获取导弹群信息和地面目标信息，根据地理位置将地面目标划分为沿途目标和终点目标，并根据地面目标信息计算地面目标的威胁概率和导弹对地面目标的毁伤概率；其中，终点目标包括主要目标和次要目标；
4、设置多策略组合灰狼优化（multi-strategy combination grey wolfoptimization，msc-gwo）算法的基本参数，并定义时间片；其中，根据沿途目标和终点目标将打击时间划分成时间片，一个时间片对应一次火力分配；
5、基于地面目标信息，确定任务目标及任务目标的类型，并根据任务目标及任务目标的类型确定打击时间片，且生成初始分配方案；其中，任务目标包括沿途任务目标、次要任务目标和主要任务目标；
6、结合打击时间片，基于msc-gwo算法对初始分配方案进行火力分配方案优化；
7、构建神经网络打击能力评估模型，并利用神经网络打击能力评估模型判断优化后的初始分配方案是否可行，若可行，则确定优化后的初始分配方案为任务目标的最优火力分配方案，在打击时间片末更新导弹群信息，并步进打击时间片；若不可行，重新生成初始分配方案；
8、判断任务目标是否为主要任务目标，若是，则结束任务；若不是，则重新确定任务目标及任务目标的类型。
9、进一步的，msc-gwo算法包括：
10、根据四维灰狼信息策略初始化灰狼种群并扩大种群信息量，初始化基本参数，初始化狼、狼和狼的位置；
11、对边界以外的灰狼个体进行处理，计算每个灰狼个体的适应度值，并计算灰狼种群的平均适应度值；
12、比较各个灰狼个体的适应度值，更新狼、狼和狼的位置；
13、根据非线性因子收敛策略生成控制参数，根据协同参数自适应寻优策略计算得到协同参数；
14、根据加权组合位置更新策略更新当前灰狼个体的位置，计算当前灰狼个体的适应度值和灰狼种群的平均适应度值；
15、根据突变因子策略引入第一突变算子和第二突变算子以提升全局搜索能力避免陷入局部最优；
16、输出最优解和最优适应度值；
17、将最优解输入到神经网络打击能力评估模型中，判断最优解是否可行；
18、若可行，则结束算法；否则，重新进行计算。
19、进一步的，四维灰狼信息策略包括：
20、在种群初始化时，在四维坐标系（即三维空间坐标系+一维时间坐标系）中表示灰狼个体的位置，即：
21、(1)
22、式中，为第 p个灰狼个体包含的信息，第 p个灰狼个体的四维灰狼信息以四维向量形式表达，记录为， i、 j和 k分别为灰狼个体在空间坐标系中的三个方向，为灰狼个体在时间维度上的方向， i、 j和 k分别为灰狼个体在空间坐标系中的三个坐标轴上对应的坐标，为灰狼个体在时间维度上的耗时阈值；在空间坐标系中，函数的变量区间设为， al和 bl均为常量，并且随机生成模值、俯仰角和偏航角；在时间维度上设定耗时阈值，；其中，模值、俯仰角、偏航角和耗时阈值，与四维灰狼信息之间的关系如下：
23、(2)
24、(3)
25、在三维空间内总共得到个灰狼信息，具体灰狼信息个数由初始化灰狼信息所用时间决定，；三个方向上的灰狼信息根据公式（4）更新，其中且三个方向上的更新方式相同：
26、
27、(4)
28、
29、其中，
30、(5)
31、式中，为灰狼个体与最优解之间的相对距离，为灰狼个体与次优解之间的相对距离，为灰狼个体与次次优解之间的相对距离，为灰狼个体的最优位置，为灰狼个体的次优位置，为灰狼个体的次次优位置， xh1为解算出的灰狼第一位置， xh2为解算出的灰狼第二位置， xh3为解算出的灰狼第三位置，和均为[0,1]之间的随机数；
32、在求解适应度函数值时，将坐标值改为实数:
33、(6)
34、(7)
35、式中，表示第n维模块，、和为在第n处的三个基因信息，为实数变量。
36、进一步的，协同参数自适应寻优策略包括：
37、在每轮迭代更新之前，计算协同参数时，采用协同参数自适应寻优策略：
38、(8)
39、其中，和均为[0,1]之间的随机数，为当前迭代次数，为最大迭代次数；在粒子群算法寻优参数时，定义第轮更新后的粒子群位置信息和速度信息如下：
40、(9)
41、(10)
42、其中，为粒子群算法的速度定义域约束，粒子位置与速度的更新公式为：
43、(11)
44、(12)
45、其中，为第个粒子，；为粒子中第维，；pso算法对粒子进行并行搜索，并记本文档来自技高网...
【技术保护点】
1.一种基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，该方法包括：
2.根据权利要求1所述基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，MSC-GWO算法包括：
3.根据权利要求2所述基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，四维灰狼信息策略包括：
4.根据权利要求3所述基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，协同参数自适应寻优策略包括：
5.根据权利要求4所述基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，非线性因子收敛策略包括：
6.根据权利要求5所述基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，加权组合位置更新策略包括：
7.根据权利要求6所述基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，突变因子策略包括：
8.根据权利要求7所述基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，构建神经网络打击能力评估模型的步骤包括：
【技术特征摘要】
1.一种基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，该方法包括：
2.根据权利要求1所述基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，msc-gwo算法包括：
3.根据权利要求2所述基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，四维灰狼信息策略包括：
4.根据权利要求3所述基于神经网络和多策略组合灰狼优化算法的火力分配方法，其特征在于，协同参数自适应寻优策略包括：
5.根据权利...
【专利技术属性】
技术研发人员：闫天，蒋子健，黄汉桥，程昊宇，张蓬，李桐，刘灿，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。