基于蚁群算法的火力分配方法组成比例

本发明专利技术公开了一种基于蚁群算法的火力分配方法，首先根据敌我双方交战态势建立空战威胁度模型和火力分配决策模型；其次在模型求解方面，针对经典蚁群算法的不足进行算法改进，着眼于蚁群算法的更新机制、路径选择机制和信息素区间机制三个方面，结合经典蚁群系统与最大‑最小蚁群系统算法的思想，对蚁群算法进行改进，使得改进蚁群算法的前期进化趋势更加合理、收敛速度更快并且能够更好地避免陷入局部最优。而且本发明专利技术面向火力分配提出的改进蚁群算法不仅可用于空战火力分配，还可望用于其他组合优化问题，如地面坦克群的进攻作战、海上战舰编队作战中的火力分配等决策问题。

Fire assignment method based on ant colony algorithm

The invention discloses a fire distribution method based on ant colony algorithm, firstly establish the air combat threat model and firepower allocation model according to the two sides war situation; in the second model, aiming at the shortage of the classical ant colony algorithm was improved, focusing on three aspects in the ant colony algorithm update mechanism, path selection mechanism and information in interval mechanism, combined with the classical algorithm of ant colony system and max min ant system idea of ant colony algorithm is improved, the early evolutionary trend of improved ant colony algorithm is more reasonable and the convergence speed is faster and better able to avoid local optimal. The present invention also improved ant colony algorithm for fire distribution proposed not only can be used for air combat firepower distribution, but also can be used for other combinatorial optimization problems, such as tanks, ground offensive operations in the sea warship formation combat firepower allocation decision.

【技术实现步骤摘要】
基于蚁群算法的火力分配方法
本专利技术属于战斗机火力控制
，特指一种基于蚁群算法的火力分配方法。
技术介绍
空战中的火力分配(Weapon-targetAssignment,WTA)是指，在综合考虑执行的战斗任务、空战态势以及敌我双方战斗机与导弹性能等因素的基础上，将我方一定数目的某种型号导弹分配给敌方每一架战机的过程。空战态势瞬息万变，需要快速得到优化的火力分配方案。然而，火力分配是一个动态的多变量、多约束组合优化问题，具有对抗性、主动性、不确定性等特性，用传统方法难以解决。近年来出现了人工智能(AI)、专家系统(ES)、人工神经网络(ANN)、模糊空战系统、优化理论(图论、多目标决策、遗传算法等)、信息论(如粗糙集)等方法，可用于火力分配求解，但依然存在可行解空间受限、难以找到最优解、收敛过慢等问题难以解决。蚁群算法是近年来颇受关注的一种新型模拟进化算法，是目前公认可以有效解决组合优化问题的智能算法之一。该算法具有自组织、正反馈等特点，能够将复杂的组合优化问题映射到低层次的蚂蚁的简单行为。因此，利用蚁群算法解决火力分配这种多变量、多约束的组合优化问题，以利用其正反馈的特性来搜索得到最佳的火力分配方案，是一种可行的空战火力分配求解思路。但是经典蚁群算法还存在诸如前期信息素匮乏、容易陷入局部最优、对大空间问题收敛较慢等方面不足，还不能直接应用到空战火力分配中来。
技术实现思路
为了解决现有技术的不足，本专利技术的目的在于提出一种基于蚁群算法的火力分配方法。本专利技术着眼于蚁群算法的更新机制、路径选择机制和信息素区间机制三个方面，结合经典蚁群系统(AntColonySystem，ACS)与最大-最小蚁群系统(MAX-MINAntSystem，MMAS)算法的思想，对蚁群算法进行改进，使得改进蚁群算法的前期进化趋势更加合理、收敛速度更快并且能够更好地避免陷入局部最优。而且本专利技术面向火力分配提出的改进蚁群算法不仅可用于空战火力分配，还可望用于其他组合优化问题，如地面坦克群的进攻作战、海上战舰编队作战中的火力分配等决策问题。本专利技术首先根据敌我双方交战态势建立空战威胁度模型和火力分配决策模型；其次在模型求解方面，针对经典蚁群算法的不足进行算法改进，设计适合解决空战火力分配的优化算法。一种基于蚁群算法的火力分配方法，包括以下步骤：第一步，建立空战火力分配模型，包括空战威胁度模型和火力分配决策模型。首先评估蓝方战机对红方威胁度，基于此，以预期对蓝方战机打击效果最大化和红方所受威胁最小化为目标，进行火力分配。设红方N架战机与蓝方K架战机进行空战对抗，其中红方战机与蓝方战机速度、导弹攻击范围、雷达探测范围、机动能力等性能不同，且红方的预警机能够准确识别蓝方战机的型号、速度以及空间位置；设Ri为第i架红方战机，Bj为第j架蓝方战机，为Ri的轴线方向，为Ri的飞行速度，εji为Bj相对于Ri的离轴角，为Bj的轴线方向，为Bj的飞行速度，εij为Ri相对于Bj的离轴角，LOS为双方的视线方向，Dij为Ri与Bj之间距离。(1)根据以上空战态势，分别针对角度威胁、距离威胁、速度危险和能力威胁进行建模，然后在此基础上建立蓝方对红方的整体空战威胁度模型。(1.1)角度威胁函数：式中Sij1表示Bj对Ri的角度威胁度，与Ri和Bj的离轴角之差成正比；其中0°＜εij,εji≤180°，-1≤Sij1≤1；当Ri离轴角为180°，Bj离轴角为0°，即Bj在正后方追击Ri时，Bj对Ri的角度威胁度为1。(1.2)距离威胁函数：式中表示蓝方导弹的攻击距离，表示蓝方雷达的最大探测距离；当红方战机位于蓝方攻击范围时，距离威胁度值取最大值1；当红方战机处于蓝方雷达探测距离以外时，距离威胁度取最小值0。(1.3)速度威胁函数：式中表示红方战机速度，表示蓝方战机速度。当红方较蓝方的速度越大，则Bj对Ri的速度威胁度越小。(1.4)能力威胁函数:首先通过文献得到空战能力公式为：C＝[lnB+ln(∑A1+1)+ln(∑A2)]ε1ε2ε3ε4(4)式中B为战机的机动性能参数；A1是火力攻击能力参数；A2为其雷达探测能力衡量参数；ε1是飞行员的操控能力系数；ε2是战机生存能力系数；ε3是战机航程范围系数；ε4是战机电子对抗能力系数。C的值可以根据飞机型号查表得出。为便于数据分析，通过各种典型战机能力指数的比较，定义能力威胁函数为：其中，Ci表示红方战机的空战能力，Cj表示蓝方战机的空战能力。例如假设红方某型号战机的空战能力为17.9，蓝方战机空战能力为15.8、18.8、17.9、13.6，可以得到蓝方各战机对红方该战机的能力威胁度大小分别为：0.25、0.75、0.5、0.25。(1.5)结合以上威胁函数的设定可得蓝方战机Bj对红方战机Ri的空战威胁度为：Sij＝ω1Sij1+ω2Sij2+ω3Sij3+ω4Sij4(6)其中0＜ωi＜1为权重，且∑ωi＝1。蓝方战机Bj对整个红方编队的威胁度为：公式(7)得到的整体威胁度将用来确定对该敌机(即蓝方战机)具体分配的导弹数量。(2)火力分配决策模型空战中红方将对蓝方发射一定数量的导弹，火力分配决策模型的目标即为所有导弹化解蓝方的威胁度之和达到最大。设Ri携带的导弹数量为Mi，对Bj分配的导弹数量为：其中Sj为蓝方战机Bj对整个红方编队的威胁度。火力分配决策模型为：s.t其中Ω表示所有攻击方案构成的解空间；Xij表示红方战机携带的第i枚导弹是否用于攻击蓝方战机j，Xij取值为0或1，1时表示红方战机携带的第i枚导弹用于攻击蓝方战机j，否则为0；k为实际用于攻击目标的导弹数量。第一个约束条件表示红方每架战机导弹发射数量不超过其载弹量；第二个约束条件表示蓝方每架战机最多被分配公式(8)中求出的导弹数量；第三个约束条件表示任一架蓝方战机都可以被攻击多次，但一枚导弹仅可以攻击一架蓝方战机；第四个约束条件表示，红方发射的导弹总数等于红方带弹总数与蓝方总共需被分配导弹数两者的较小值。第二步，基于改进的蚁群算法解决空战火力分配的优化问题将空战火力分配过程模拟成一个蚁群网络。将红方战机的每一发导弹都看作是一个红方的节点，将蓝方每架战机需要分配的导弹看作是一个蓝方的节点。(2.1)设置种群中蚂蚁数量为：m＝Nr+ΣEj(10)其中Nr为红方携带的导弹总数，Ej为第j架蓝方战机上分配的导弹数量。(2.2)将m只蚂蚁随机地放置在红方战机的导弹上，并设置各路径上初始信息素浓度均为1。(2.3)m只蚂蚁按照伪随机概率选择规则选择蓝方应当分配导弹的位置，蚂蚁在移动过程中的规则如下：规则一：蚂蚁只能够移动到蓝方战机导弹分配数量不足的位置，蓝方每架战机分配的导弹数量不能超过设定的分配数量，红方战机最多发射携带导弹的剩余数。规则二：红方战机上的每只蚂蚁每次只能到达一个目标点，即每枚导弹只能攻击一个目标。规则三：每只蚂蚁各自进行目标选择，互不干扰。每只蚂蚁在到达当前允许分配的一个目标后，同样以伪随机概率选择规则返回红方战机位置，此时蚂蚁的移动目标为红方剩余的导弹位置。接着进行下一枚导弹的目标选择，直到完成Nr枚导弹的目标分配。进一步地，蚂蚁进行目标选择时按照如下伪随机概率选择规则进行：其中j′为下一个需要访问的节点；J为q＞q0时，下一本文档来自技高网...

【技术保护点】
一种基于蚁群算法的火力分配方法，其特征在于，包括以下步骤：第一步，建立空战火力分配模型，包括空战威胁度模型和火力分配决策模型；设红方N架战机与蓝方K架战机进行空战对抗，其中红方战机与蓝方战机的性能不同，且红方的预警机能够准确识别蓝方战机的型号、速度以及空间位置；设R

【技术特征摘要】
1.一种基于蚁群算法的火力分配方法，其特征在于，包括以下步骤：第一步，建立空战火力分配模型，包括空战威胁度模型和火力分配决策模型；设红方N架战机与蓝方K架战机进行空战对抗，其中红方战机与蓝方战机的性能不同，且红方的预警机能够准确识别蓝方战机的型号、速度以及空间位置；设Ri为第i架红方战机，Bj为第j架蓝方战机，为Ri的轴线方向，为Ri的飞行速度，εji为Bj相对于Ri的离轴角，为Bj的轴线方向，为Bj的飞行速度，εij为Ri相对于Bj的离轴角，LOS为双方的视线方向，Dij为Ri与Bj之间距离；(1)根据以上空战态势，分别针对角度威胁、距离威胁、速度危险和能力威胁进行建模，然后在此基础上建立蓝方对整个红方编队的整体空战威胁度模型；(1.1)角度威胁函数：式中Sij1表示Bj对Ri的角度威胁度，与Ri和Bj的离轴角之差成正比；(1.2)距离威胁函数：式中表示蓝方导弹的攻击距离，表示蓝方雷达的最大探测距离；(1.3)速度威胁函数：式中表示红方战机速度，表示蓝方战机速度；当红方较蓝方的速度越大，则Bj对Ri的速度威胁度越小；(1.4)能力威胁函数:空战能力公式为：C＝[lnB+ln(∑A1+1)+ln(∑A2)]ε1ε2ε3ε4(4)式中B为战机的机动性能参数；A1是火力攻击能力参数；A2为其雷达探测能力衡量参数；ε1是飞行员的操控能力系数；ε2是战机生存能力系数；ε3是战机航程范围系数；ε4是战机电子对抗能力系数；战机的空战能力C的值可以根据飞机型号查表得出；定义能力威胁函数为：其中，Ci表示红方战机的空战能力，Cj表示蓝方战机的空战能力；(1.5)结合以上威胁函数的设定可得蓝方战机Bj对红方战机Ri的空战威胁度为：Sij＝ω1Sij1+ω2Sij2+ω3Sij3+ω4Sij4(6)其中0＜ωi＜1为权重，且∑ωi＝1；蓝方战机Bj对整个红方编队的威胁度为：(2)火力分配决策模型空战中红方将对蓝方发射一定数量的导弹，火力分配决策模型的目标即为所有导弹化解蓝方的威胁度之和达到最大；设红方战机Ri携带的导弹数量为Mi，对蓝方战机Bj分配的导弹数量为：其中Sj为蓝方战机Bj对整个红方编队的威胁度；火力分配决策模型为：s.t其中Ω表示所有攻击方案构成的解空间；Xij表示红方战机携带的第i枚导弹是否用于攻击蓝方战机j，Xij取值为0或1，1时表示红方战机携带的第i枚导弹用于攻击蓝方战机j，否则为0；k为实际用于攻击目标的导弹数量；第二步，基于改进的蚁群算法解决空战火力分配的优化问题将空战火力分配过程模拟成一个蚁群网络；将红方战机的每一发导弹都...

【专利技术属性】
技术研发人员：罗鹏程，胡鑫武，谢俊洁，金光，何肇雄，
申请(专利权)人：中国人民解放军国防科学技术大学，
类型：发明
国别省市：湖南,43