基于信息素遗传算法的联合火力打击任务规划

发布时间：2024-02-23 23:42

　　从智能优化视角出发解决联合火力打击任务规划中动态兵力、火力、目标最优化分配问题,设计了信息素遗传算法并将其引入到联合火力打击任务规划问题的求解。信息素遗传算法作为标准遗传算法的改进算法,借鉴了蚁群算法中信息素浓度概念,用信息素浓度控制种群个体变异方向,使用可控变异替代标准遗传算法中的随机变异,使最优个体快速收敛。同时使用熵权法和理想点法将联合火力打击任务规划的众多评估指标融合为可量化对比的综合评分,为任务规划提供评估参考指标。仿真实验结果表明,信息素遗传算法能够有效应用于联合火力打击任务规划问题求解,相较于标准遗传算法具有更高的收敛效率和综合评分。

【文章页数】：8 页

【部分图文】：

图1智能优化算法流程框图

信息素遗传算法的内核仍然是智能优化算法，将智能优化算法应用于联合火力打击任务规划等NP完全问题的算法设计步骤可分为数据录入阶段、向量空间转换阶段、综合评分阶段、智能优化阶段。其中，数据录入阶段用于将联合火力打击任务规划的具体数据指标录入计算平台;向量空间转换阶段用于将联合火力打击....

图2标准遗传算法流程框图

遗传算法是借鉴自然界的生物进化过程，模拟优胜劣汰和适者生存的竞争淘汰机制设计的智能优化算法，以伪随机数模拟个体的变异过程，通过多代进化使最优个体综合评分向全局最优评分收敛。标准遗传算法的流程如图2所示。蚁群算法是MDorigo等在1991年提出的智能优化算法，算法原理为:蚁群在....

图3信息素遗传算法流程框图

根据联合火力打击任务规划问题软硬约束条件的分析，可将任务规划的综合指标区分为单目标类评估指标、单部队类评估指标和体系评估指标3类。单目标类评估指标的数量和目标数等同，单部队类评估指标的数量和部队数等同，体系评估指标和任务规划数等同。并基于3类评估指标设计11项具体指标，评估指标明....

图4联合火力打击任务规划评估指标框图

图3信息素遗传算法流程框图设联合火力打击部队数为n，其中第i支部队的火力打击半径为oi，在任务规划中能够执行打击任务上限为ci，单次火力打击时长为di，火力打击之间的转换周期为ei，部队位置坐标为xmi和ymi;目标打击清单中的目标数为m，其中第j个目标的规定毁伤程度为hj，目....

本文编号：3908161