[发明专利]基于DDE改进蝙蝠算法的动态火力分配方法

说明书

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。

技术领域

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

火力分配属于武器-目标分配(Weapon Target Assignment，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(Dynamic WeaponTarget Assignment，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(Genetic Algorithm，GA)和粒子群优化(Particle Swarm Optimization，PSO)算法。蝙蝠算法(Bat Algorithm，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

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(DynamicDifferential Evolution，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X^t为t时刻下火力分配决策矩阵，具体形式表示为：