本發(fā)明涉及武器目標(biāo)分配問題，具體涉及一種基于簡化雙種群的雙目標(biāo)動(dòng)態(tài)武器分配方法及系統(tǒng)。

背景技術(shù)：

1、隨著人工智能技術(shù)、無人系統(tǒng)等新技術(shù)的發(fā)展，越來越多的學(xué)者對(duì)武器目標(biāo)分配問題展開研究。武器目標(biāo)分配問題是解決如何將多種作戰(zhàn)武器分配給多個(gè)打擊目標(biāo)的問題，在眾多優(yōu)化問題中，武器目標(biāo)分配問題屬于非線性分配問題的一個(gè)大族，對(duì)其的研究往往可以同樣應(yīng)用于其它優(yōu)化問題中。

2、從是否考慮時(shí)間的角度出發(fā)，武器目標(biāo)分配問題可以分為靜態(tài)武器目標(biāo)分配問題和動(dòng)態(tài)武器目標(biāo)分配問題；從優(yōu)化目標(biāo)的數(shù)量出發(fā)，武器目標(biāo)分配問題又可以分為單目標(biāo)武器目標(biāo)分配問題和多目標(biāo)武器目標(biāo)分配問題。而本文的研究的是雙目標(biāo)動(dòng)態(tài)武器目標(biāo)分配問題。針對(duì)不同的武器目標(biāo)分配問題，數(shù)學(xué)規(guī)劃、博弈論、圖論、馬爾科夫決策等多種方法被用來對(duì)武器目標(biāo)分配問題進(jìn)行描述建模。

3、多數(shù)學(xué)者在目標(biāo)函數(shù)的設(shè)定上考慮了兩方面的內(nèi)容，可以總結(jié)為最大化期望攔截率和最小化成本。針對(duì)動(dòng)態(tài)武器目標(biāo)分配問題，可以將其分為兩類："射擊-觀察-射擊"和"兩階段"模型。其中"射擊-觀察-射擊"中武器在第一次交戰(zhàn)中分配給目標(biāo)，隨后的交戰(zhàn)允許將剩余武器分配給任何幸存的目標(biāo)；"兩階段"模型也可稱為"多階段"模型，與"射擊-觀察-射擊"模型不同的地方在于，某一階段交戰(zhàn)后的戰(zhàn)場態(tài)勢是未知黑盒，只能獲得后驗(yàn)概率分布。

4、動(dòng)態(tài)武器目標(biāo)分配問題的求解算法以啟發(fā)式算法為主，也有一些精確算法，和強(qiáng)化學(xué)習(xí)、機(jī)器學(xué)習(xí)算法。在單目標(biāo)問題中，常見的啟發(fā)式算法有遺傳算法(geneticalgorithm，ga)，粒子群算法(particle?swarm?optimization，pso)，蟻群算法(ant?colony?optimization，aco)，人工蜂群算法(artificial?bee?colony，abc)等等。在多目標(biāo)問題中，nsga，nsga-ii，nsga-iii作為經(jīng)典算法，常常被用來求解帕累托前沿。近年來，多目標(biāo)進(jìn)化算法(multi-objective?evolutionary?algorithms，moea)也被引入解決多目標(biāo)武器目標(biāo)分配問題。

5、多目標(biāo)動(dòng)態(tài)武器目標(biāo)分配問題屬于離散有約束多目標(biāo)優(yōu)化問題，而多目標(biāo)進(jìn)化算法主要解決的是無約束多目標(biāo)優(yōu)化問題，為了有效的處理約束，設(shè)計(jì)了約束處理技術(shù)(constraint?handling?techniques，chts)來比較可行和不可行的解決方案，但是多目標(biāo)進(jìn)化算法和約束處理技術(shù)組合的方法無法有效地平衡目標(biāo)和約束。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于簡化雙種群的雙目標(biāo)動(dòng)態(tài)武器分配方法及系統(tǒng)，可以有效地平衡目標(biāo)和約束，減少后期輔助種群的資源消耗。

2、實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：

3、一種基于簡化雙種群的雙目標(biāo)動(dòng)態(tài)武器分配方法，適用于雙目標(biāo)動(dòng)態(tài)武器目標(biāo)分配問題，包括：

4、步驟1，建立雙目標(biāo)動(dòng)態(tài)武器分配問題數(shù)學(xué)模型，包括目標(biāo)函數(shù)和約束條件；

5、步驟2，基于十進(jìn)制編碼，采用目標(biāo)函數(shù)導(dǎo)向的種群生成策略生成滿足約束條件的初始種群1，不確定性初始化方法生成滿足約束條件的種群2，其中種群1作為主種群；

6、步驟3，使用約束分配原則對(duì)種群1進(jìn)行排序，快速非支配排序?qū)ΨN群2進(jìn)行排序；

7、步驟4，基于種群1和種群2的排序，采用簡化更新方法和可行交換策略分別對(duì)種群1和種群2進(jìn)行迭代更新，根據(jù)種群1中個(gè)體的值得到帕累托前沿解，即分配方案。

8、進(jìn)一步地，所述目標(biāo)函數(shù)為：

9、

10、其中，f1為所有目標(biāo)的總期望威脅值，f2為所有武器的總期望成本，nstg為問題中考慮的總階段數(shù)，nwpn為武器的數(shù)量，ntgt為目標(biāo)的數(shù)量，為第h階段的決策變量，若武器w被分配給第h階段的目標(biāo)e，則否則ve為目標(biāo)e的威脅值，為武器w在第h階段摧毀目標(biāo)e的概率，cw為武器w的成本。

11、進(jìn)一步地，所述約束條件為：

12、

13、

14、其中，nh，w為在第h階段武器w的射擊頻率，mh，e為第h階段分配給目標(biāo)e的武器數(shù)量，aw為武器w配備的彈藥量，是參與可行性的矩陣，若武器w可以在第h階段擊中目標(biāo)e，則否則

15、進(jìn)一步地，在所述采用目標(biāo)函數(shù)導(dǎo)向的種群生成策略中，每次分配時(shí)，首先在可用目標(biāo)集合t*中找到具有最高威脅度的目標(biāo)τ，該目標(biāo)τ具備第一優(yōu)先級(jí)在階段σ分配給武器ω，其中階段σ和武器ω是根據(jù)最高攔截率挑選的；每次有效分配后，為下一次分配更新p[σ，ω，τ]，υ[τ]，μ[σ，τ]，α[ω]和t*；其中，p[σ，ω，τ]為初始化過程中拷貝的臨時(shí)攔截成功率，v[τ]為臨時(shí)威脅度，μ[σ，τ]是與約束條件公式(4)相關(guān)的目標(biāo)τ在階段σ武器數(shù)量約束，α[ω]是與約束條件公式(5)相關(guān)的武器ω的剩余彈藥裝備量。

16、進(jìn)一步地，所述采用目標(biāo)函數(shù)導(dǎo)向的種群生成策略具體包括：

17、步驟5-1，初始化種群x＝0nstg×nωpn，初始化參數(shù)t*＝t，v＝v，μ＝m，α＝a；

18、步驟5-2，除滿足的目標(biāo)e，如果跳到步驟9，否則執(zhí)行步驟5-3；

19、步驟5-3，在可用目標(biāo)集合t*中挑選具有最高威脅度v[τ]的目標(biāo)τ；

20、步驟5-4，根據(jù)最高攔截率確定階段σ和武器ω，得到元組(σ，ω)，階段σ和武器ω滿足：xσ，ω＝0，α[ω]＞0，μ[σ，τ]＞0并且具有最高攔截率p[σ，ω，τ]；

21、步驟5-5，如果在t*中移除目標(biāo)τ，i＝i+1，跳到步驟5-8，否則目標(biāo)τ在階段σ分配給武器≠；

22、步驟5-6，更新臨時(shí)參數(shù)x[σ，ω]＝τ，α[ω]＝α[ω]-1，μ[σ，τ]＝μ[σ，τ]-1，v[τ]＝v[τ]×p[σ，ω，τ]‘；

23、步驟5-7，令p[σ，ω，e]＝0對(duì)于

24、步驟5-8，重復(fù)上述步驟直至i＞nasn，得到種群1，nasn為最大分配次數(shù)。

25、進(jìn)一步地，不確定性初始化方法生成滿足約束條件的種群2時(shí)，每次分配時(shí)，在武器集合w中找到有最小成本的武器ω，然后遍歷所有階段σ，隨機(jī)選取武器ω，確保其滿足約束條件公式(6)，在每次有效分配后，為下一次分配更新α[ω]，μ[σ，τ]和w，每次不確定性初始化方法生成一個(gè)可行初始解，重復(fù)次，得到個(gè)初始解，ciis為設(shè)定系數(shù)。

26、進(jìn)一步地，所述目標(biāo)函數(shù)導(dǎo)向的種群生成策略和不確定性初始化方法的最大分配次數(shù)其中nvar＝nstg×nwpn。

27、進(jìn)一步地，所述簡化更新方法具體包括：在每個(gè)進(jìn)化階段的迭代t中，通過與兩個(gè)預(yù)設(shè)參數(shù)cg和cr比較，逐個(gè)更新中的每個(gè)變量對(duì)于中的每個(gè)變量依次被設(shè)置為與中相同索引的值、hq或隨機(jī)可行值x，所述hq為從通過約束分配原則或快速非支配排序獲得的帕累托前沿中隨機(jī)選擇的解，隨機(jī)可行值x為根據(jù)均勻隨機(jī)數(shù)ρ在[0，1]范圍內(nèi)的比較而取的隨機(jī)可行值。

28、進(jìn)一步地，所述可行交換策略為：當(dāng)λ＜cfes并且輸入解為可行解時(shí)，遍歷該解中的所有目標(biāo)二元組(t1，t2)，且滿足t1≠t2，然后計(jì)算交換后的解的cv值，該交換解為可行解，其中，λ是[0，1]之間的隨機(jī)數(shù)，cfes為自定義交換閾值并且cfes∈(0，1)。

29、一種基于簡化雙種群的雙目標(biāo)動(dòng)態(tài)武器分配系統(tǒng)，包括模型建立單元、種群初始化單元、排序單元和種群優(yōu)化單元，其中：

30、所述模型建立單元用于建立雙目標(biāo)動(dòng)態(tài)武器分配問題數(shù)學(xué)模型，包括目標(biāo)函數(shù)和約束條件；

31、所述種群初始化單元基于十進(jìn)制編碼，采用目標(biāo)函數(shù)導(dǎo)向的種群生成策略生成滿足約束條件的初始種群1，不確定性初始化方法生成滿足約束條件的種群2，其中種群1作為主種群；

32、所述排序單元使用約束分配原則對(duì)種群1進(jìn)行排序，快速非支配排序?qū)ΨN群2進(jìn)行排序；

33、所述種群優(yōu)化單元基于種群1和種群2的排序，采用簡化更新方法和可行交換策略分別對(duì)種群1和種群2進(jìn)行迭代更新，根據(jù)種群1中個(gè)體的值得到帕累托前沿解，即分配方案。

34、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

35、(1)本發(fā)明的簡化更新方法，根據(jù)一定的概率，將種群的個(gè)體演化方法設(shè)定為繼承，隨機(jī)或是優(yōu)秀基因，實(shí)現(xiàn)以更高效的方式演化種群；

36、(2)本發(fā)明通過雙目標(biāo)動(dòng)態(tài)武器目標(biāo)分配模型中的兩個(gè)目標(biāo)函數(shù)，產(chǎn)生目標(biāo)函數(shù)導(dǎo)向的種群生成策略和不確定性初始化方法兩套初始解生成方法，實(shí)現(xiàn)通過特定問題的知識(shí)生成若干個(gè)優(yōu)質(zhì)初始解；

37、(3)本發(fā)明通的可行交換策略對(duì)可行分配的目標(biāo)進(jìn)行交換，該方法確保了交換前后的解均為可行解，增強(qiáng)了簡化雙種群算法的局部探索能力；

38、(4)本發(fā)明適用于離散性、不可行域大等雙目標(biāo)或多目標(biāo)問題。