[发明专利]基于共生搜索生物地理学优化的多平台武器目标分配方法

权利要求书

1.基于共生搜索生物地理学优化的多平台武器目标分配方法，其特征在于，具体包括下列步骤：

Step 1构建基于模糊期望效果的多平台WTA模型

设有n个武器平台，i＝1，2，...，n，i为武器平台的序数；m个来袭目标，j＝1，2，...，m，j为来袭目标的序数；各武器平台的武器数量为c_i，x_ij为第i个武器平台分配给第j个来袭目标的武器数量；不同武器平台对不同目标的分配方案记作X；

将射击有利度与目标价值刻画为模糊变量，并通过三角模糊变量来表示；表示第i个武器平台对第j个来袭目标的模糊射击有利度；表示第j个来袭目标的模糊目标价值；构建基于模糊期望效果的多平台WTA模型；

式中，Z为目标函数值；E为模糊变量的期望值；θ为专家给定的权重参数；

模型中约束条件含义如下：

(3)每个来袭目标至少分配一个武器；

(2)各武器平台对来袭目标分配的火力不能超过该武器平台的武器数量；

Step 2设置种群规模popsize，随机产生初始解x_ij；

popsize、x_ij均为正整数；

Step 3采用基于整数的矩阵编码策略对种群进行编码；

采用基于整数的矩阵编码策略对种群进行编码，如式(2)；

式中，X为武器目标分配方案；x_ij为第i个武器平台分配给第j个目标的武器数量，取值范围为(0，c_i)；

Step 4按照式(1)计算每个解x_ij对应的目标函数值Z，按从大到小对Z进行排序，保留前q个较大的目标函数值Z所对应的解x_ij；

q根据具体情况确定；

Step 5根据共生生物搜索算法中的互利操作，对初始种群进行优化，减小初始种群的随机性；

其中，X_a与X_b为随机选取的栖息地；a和b为栖息地的序数，a＝1，2，...，popsize，b＝1，2，...，popsize；popsize为种群数量；X_best为当前最优解x_ij；MV为两个栖息地之间的互利向量；BF₁、BF₂∈{1，2}为获利因子；和为经过互利操作协同进化生成的新栖息地；rand是随机数；

Step 6改进迁移算子，进行迁移优化操作，包括下列步骤：

Step 6.1基于动态选择的迁移算子；

Step 6.2基于互利进化的迁移算子；

Step 6.3余弦动态自适应优化迁移算子；

Step 7提出共栖突变算子，进行突变优化操作；

引入SOS算法中的共栖思想，针对后半部分的较差解，从前半部分较优解中随机选择对象进行互动，从而增强自身的适应性程度；

式中，X_h为从目标函数值排序后popsize/2的栖息地中随机选取的一个栖息地；X_q为从目标函数值排序前popsize/2的栖息地中随机选取的一个栖息地；h和q为栖息地的序数，h＝popsize/2，...，popsize，q＝0，...，popsize/2；X_best为当前迭代过程中的最优栖息地；为当前变异操作后新生成的栖息地；length函数表示向量的长度；round函数表示对数值length(popsize/2)*rand进行四舍五入；

Step 8根据公式(1)重新计算每个解对应的目标函数值Z，按照从大到小进行排序，替换前q个较大的目标函数值所对应的解；

Step 9判断是否达到最大迭代次数G_max，若是，则输出最优解；否则返回Step5。

2.如权利要求1所述的基于共生搜索生物地理学优化的多平台武器目标分配方法，其特征在于，Step 6具体如下：

Step 6.1基于动态选择的迁移算子

设置栖息地动态选择策略：在不同的阶段中，进行迁入迁出操作时，规定不同的选择压力；在早期适当减小选择压力，使目标函数值Z较小的栖息地能够参与后续的优化，以保持种群的多样性；在后期适当增加选择压力，使种群能够快速收敛，从而更快趋近最优解；提出以下选择概率；

其中，P_a为第a个栖息地被选择进行迁出的概率；μ_a为第a个栖息地的迁出率；μ_b为任意第b个栖息地的迁出率；μ_a、μ_b右上角的u表示u次方；u为选择压力因子；pd_max为选择压力因子的变化初始值；pd_min为选择压力因子的变化终值；G为当前迭代次数；G_max为最大迭代次数；

Step 6.2基于互利进化的迁移算子

针对第l维栖息地，l＝1，2，...，d，d为一个栖息地的维数；对选择的迁入和迁出地进行互利进化，二者都吸收相互间的有利因素，通过互相学习和反馈，进行协同进化；

其中，X_{a_new}和X_{b_new}为经过互利进化迁移算子后生成的新的栖息地；a_new和b_new为栖息地的序数，a_new＝1，2，...，popsize，b_new＝1，2，...，popsize；反映获利因子取BF₁时当前栖息地和最优栖息地之间的关系；反映获利因子取BF₂时当前栖息地和最优栖息地之间的关系；ceil函数表示朝正无穷大方向取整；rand函数表示随机生成(0，1)之间的随机实数；

Step 6.3余弦动态自适应优化迁移算子

将互利进化迁移算子与动态选择迁移算子融合，在前期以互利进化迁移算子为主，后期以动态选择迁移算子为主，提出余弦动态自适应优化迁移算子，如式(11)；

其中，β为余弦动态自适应优化迁移算子。