买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连大学

摘要：本发明公开了一种基于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。

主权项：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。

全文数据：基于DDE改进蝙蝠算法的动态火力分配方法技术领域[0001]本发明属于军事指挥控制辅助决策应用技术领域，具体说是一种基于DDE改进蝙蝠算法的动态火力分配方法。背景技术[0002]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。[0003]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，PS0算法。蝙蝠算法G3atAlgorithm，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。发明内容[0004]针对现有动态火力分配技术的不足，本发明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。[0005]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：[0006]步骤一:放宽武器数量约束，生成初始种群，初始化算法参数；[0007]步骤二:构建适应度函数，并依此找出最优蝙蝠位置；[0008]步骤三:更新蝙蝠个体的速度和位置；[0009]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；[0010]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；[0011]步骤六:更新当前蝙蝠到新解对应的位置；[0012]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；[0013]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；[0014]步骤九:计算当前蝙蝠个体的适应度值；[0015]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。[0016]进一步的，动态火力分配模型表示为：[0019]其中XtSt时刻下火力分配决策矩阵，具体形式表示为：[0020][0021]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;PU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。[0022]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：[0023][0024]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。[0025]进一步的，所述适应度函数表示为：[0026][0027]其中GXt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：[0030]其中Pun是一个大数量级的正实整数，惩罚函数GXt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。[0031]进一步的，所述蝙蝠个体速度和位置的更新公式表示为：[0035]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为〇，1区间上满足均匀分布的随机数；分别为第S只蝙蝠在第t和第t_l时刻的飞行速度;为第s只蝙蝠在t和t-Ι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。[0036]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：[0037][0038]其中，Xnew表不随机飞行产生的位置，Xold表不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：[0041]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,γe[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〇。[0042]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：[0043][0044]其中，^^2^3^4和沾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。[0045]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AIter，再经过Alter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。[0046]本发明采用以上技术方案，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[0047]本发明共有附图5幅：[0048]图1为編幅结构不意图；[0049]图2为二维空间内DE算法中变异矢量的生成示意图；[0050]图3为基于DDE-BA算法的火力分配流程图；[0051]图4为DDE-BA与其他几种算法求解目标值的比较图；[0052]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[0053]为了使本发明的目的、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发明进行详细描述。[0054]本实施例对本发明提出的基于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发明所提方法的有效性。[0055]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体相关联，本发明为了简化关联过程，直接采用火力分配矩阵作为一个蝙蝠个体。由图1所示，本发明蝙蝠种群中的第s只蝙蝠个体由速度Vs、位置Xs、最优蝙蝠位置X'蝙蝠声波频率fs、脉冲发射率rs、响度As、蝙蝠目标值TarXs、适应度值FitXs等因素构成。[0056]附图2为二维空间内DE算法中变异矢量的生成示意图。本发明引入了差分变异的DErand2变异策略，该策略不同于DEbestΙ、DEtarget-to-bestΙ策略，其更具全局搜索能力强和陷入局部最优概率低等优势。由图2可知，该变异策略主要通过从当前种群中随机选择五个不同的参数矢量，然后用其中任意四个组成差分矢量再利用比例因子ε缩放后加到剩下的矢量上，这样就得到了目标个体的变异矢量[0057]附图3为基于DDE-BA算法的火力分配流程图。本发明为了能针对火力分配问题进行实际求解，给出了一个具体的执行流程。由图3可知，整个火力分配方法最终将输出最优蝙蝠位置和当前最优解，其中最优蝙蝠位置对应的矩阵就是火力分配问题中需要求解的火力分配矩阵。[0058]附图4为DDE-BA与其他几种算法求解目标值的比较折线图。本发明为了验证DDE-BA算法的收敛精度高和全局搜索寻优能力强等特点，在设定种群规模NP为30、各个蝙蝠的响度A和脉冲发射率r初始均为0.5;声波频率f初始为0，其最大取值fmaxS2，最小取值匕^为〇;差分变异算子中的缩放因子ε取0.5,惩罚函数中大数量级的正实整数Pun取10000的前提下，与基本蝙蝠算法、基本遗传算法和改进的粒子群算法进行满足本发明算法终止条件下的求解目标值过程比较。[0059]由图4可知，DDE-BA算法几乎在270次迭代后就已经收敛了，即已经得到了火力分配问题的最优目标值5.059,而此时的BA、GA和改进的PSO算法均还在迭代中。直到BA、GA和改进的PSO算法经过480迭代达到收敛时，三者中收敛精度最高的改进的PSO算法的火力分配目标值为5.057，仍然要低于DDE-BA算法的收敛值5.059。所以说明了DDE-BA算法的的收敛精度和全局搜索寻优能力在解决火力分配问题时要优于BA、GA和改进的PSO算法。[0060]附图5为DDE-BA与其他几种算法运算性能的比较图。本发明为了验证DDE-BA算法的收敛速度，将其与GA和改进的PSO算法在解决同等规模的火力分配问题所用的时间进行了对比。在图5中，m对应武器类数、对应此时武器总体数量、η对应目标个数、代表平均运算时间、Tmax最长运算时间、Tmin代表最短运算时间。对照火力分配模型可知，在武器-目标数量分别在36、72和144下，利用DDE-BA算法解决火力分配问题所耗时间均比GA、改进的PSO算法要短，尤其是在较大规模下的火力分配问题中，DDE-BA算法以平均1.142s的运算时间远远优于GA算法的271.745s，这是由于GA算法中的变异往往带有很强的随机性，并不能很好的利用种群中优良的变异个体所带来的影响，从而导致收敛速度慢的现象；同时也要优于改进的PSO算法的4.27s。这充分体现了DDE-BA算法具有良好的收敛速度，能较好地满足战场环境下对算法高效性的要求。[0061]以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

权利要求：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XtSt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;Plj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：其中GXt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：其中Pun是一个大数量级的正实整数;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。5.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，所述蝙蝠个体速度和位置的更新公式表示为：其中，fs表示第s只蝙蝠的声波频率，fmir^Pfmax分别对应初始化时声波频率的最小值和最大值;β为〇，1区间上满足均匀分布的随机数；分别为第s只蝙蝠在第t和第t-1时刻的飞行速度；为第s只蝙蝠在t和t-1时刻的位置;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。6.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，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表不随机飞行产生的位置，Xold表不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,γe[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〇。7.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，所述的基于动态差分进化机制的变异操作表示为：其中，^^2^3^4和沾为从种群中随机选择出的互不相同的个体，且与当前个体8不同；ε为比例因子，用来控制差分矢量的缩放。8.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，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Alter代后，平均适应度值无明显提升;②连续N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。

百度查询： 大连大学 基于DDE改进蝙蝠算法的动态火力分配方法