一种多弹协同多阶段目标分配方法与流程
本发明涉及目标分配领域，具体涉及一种多弹协同多阶段目标分配方法。
背景技术：
在众多的武器当中，导弹以其独特的优势，在现代武器装备当中占有很高的地位。导弹具有攻击距离远、攻击精度高、速度快、杀伤力强等优点，因此自加入到现代战争以来，导弹作为远距离摧毁敌方目标的主要武器在战争中大放异彩。目前，反导防御系统以及目标的抗打击能力不断提升，因此原先的作战方式和作战理念已经越来越不适应现代化的战争要求，与此同时多导弹协同作战已经成为了一个新的研究热点。多导弹协同作战，调整了过去落后的作战理念，更有利于融入到现代联合作战的大环境之中去。多导弹协同作战打破了以往单导弹单打独斗的局面，通过多导弹之间的通信和网络连接，将多枚导弹组成一个攻击网络，网络之内形成信息共享、战术协调，功能互补的大好局面，在指挥中心的联合调控之下，利用群体优势实现对目标多层次，全方位的综合打击，而且多导弹组成的攻击网络对反导系统具有极大的威胁，本来反导系统的拦截成功率就不是很高，因此，当面对多枚导弹的巨大威胁时，反导系统将疲于应对，其作用将会被降到最低。目前多导弹协同作战已经成为了现实，各国也在努力的进行这方面的理论研究以及实际验证。例如：俄罗斯研发的“花岗岩”反舰导弹，美国的“网火”战术导弹系统、“萨德”反导系统，就是非常典型的多导弹协同作战的案例。
当多导弹协同攻击多个目标时，如何进行目标分配，采取什么样的目标分配策略，是多导弹协同作战必须要解决的重要问题，其目标分配的科学与否直接决定了攻击效果的好坏。与单枚导弹攻击单一目标相比，多目标攻击最显著的差别是需要根据敌我双方两个方面进行综合考虑，既要考虑目标的攻击价值，对方的防御能力，又要考虑我方的资源约束，以及导弹的攻击能力及特性。对于空-空作战这类情形，还要考虑敌我双方之间的空战态势。综合来讲，多目标分配问题，是在综合考虑各方面的因素之后，充分发挥我方的优势，充分利用导弹的打击能力，力求取得最佳的作战效果。
技术实现要素：
本发明拟提出一种多弹协同多阶段目标分配算法，以解决多导弹对多目标打击过程中的目标分配问题。
为了实现上述目的，本发明的技术方案是：
一种多弹协同多阶段目标分配方法，首先根据目标跟踪系统所提供的目标预测信息对多枚导弹与多个目标进行初次分配，多枚导弹按照设定的初次分配方式进行发射，当导弹与目标相对距离小于预设阈值时，根据此时的目标信息进行多枚导弹与多个目标的在线再分配。
方案进一步是：所述当导弹与目标相对距离小于预设阈值时，是多枚导弹中的一枚导弹与目标相对距离小于预设阈值的时刻。
方案进一步是：所述线再分配是采用拍卖算法实现目标在线再分配。
方案进一步是：所述采用拍卖算法实现目标在线再分配的过程是：
第一步：建立再分配杀伤概率矩阵公式，
p_onlineij代表在在线再分配阶段，第i枚导弹对第j个目标实现成功打击的概率，
其中ptgo_online(ij)与
其中，tgo_online(ij)为假定第i枚导弹以第j个目标为打击目标所需要的剩余飞行时间值，
其中：m为导弹个数，n目标个数，且m大于n；tgo_online(ij)和
第二步：建立一个未分配集和一个已分配集，将所述多枚导弹放入未分配集，将所述多枚导弹对每个目标的杀伤概率值初始化为“0”；
第三步：判断未分配集是否为空，如果未分配集为空，则输出最终分配结果完成再分配；否则，执行第四步；
第四步：根据第一步提供的再分配杀伤概率矩阵公式计算每一枚导弹对应不同目标的杀伤概率值，按照拍卖算法进行分配：将杀伤概率值作为该枚导弹对目标的出价，获取对目标出价最高的导弹，将该导弹和该目标放入已分配集，返回第三步。
方案进一步是：所述初次分配的分配算法采用的是遗传算法，对其中的交叉概率pd和变异概率pm进行自适应选择，分别为：
所述遗传算法过程是：
第一步：建立初始的染色体种群；
第二步：判断算法的终止条件是否满足，若满足则输出搜索结果；否则执行下面步骤；
第三步：对全部染色体进行dbscan聚类，根据聚类结果进行交叉概率pd和变异概率pm的自适应选择；
第四步：根据自适应选择值进行复制操作；
第五步：按照第三步中所选择的交叉概率pd对染色体执行交叉操作；
第六步：按照第三步中所选择的变异概率pm对染色体执行变异操作；
第六步：返回第二步；
其中：所述建立初始的染色体种群是：
第一步：确定染色体与导弹和目标的关系，即：采用十进制表示方式，以染色体长度等于导弹总数m，将每个染色体按导弹编号顺序排列组成目标单元，每个基因表示某个目标分配给一个导弹的结果，其中的初始种群中染色体的终止条件为：要求每个目标至少被分配1枚导弹，同时要求每一枚导弹都必须分配到目标；
第二步：将上述关系建立适应度函数关系式，适应度函数f为：
其中：
p_preij代表在射前初分配阶段，第i枚导弹对第j个目标实现成功打击的概率，其具体数值计算方法如下：
其中ptgo_pre(ij)与
其中，tgo_pre(ij)为假定第i枚导弹以第j个目标为打击目标所需要的剩余飞行时间预测值，
方案进一步是：第三步中所述交叉概率pd和变异概率pm的自适应选择方式为：
如果经由dbscan算法判断为染色体为同一类，则首先计算全部染色体的适应度函数结果并计算其均值fmean，此时对于适应度函数结果大于fmean的染色体，其交叉概率pd和变异概率pm选择为：
如果经由dbscan算法判断为染色体不为同一类，则对全部染色体的交叉概率pd和变异概率pm选择为：
本发明的有益效果是：
1.本发明将多导弹协同打击目标的流程分割为两个阶段，根据不同阶段的不同特点，采用符合阶段要求的目标分配算法进行目标分配，在保证分配最优性的同时尽最大可能的兼顾了算法实时性。
2.本发明通过对不同的染色体选择不同的交叉概率与变异概率，从而在保证种群多样性的基础上，实现了算法的快速寻优，达到了运算快速性和结果最优性兼顾的目标。
下面结合附图和实施例对本发明进行详细描述。
附图说明
图1为本专利中所设计的多弹协同多阶段目标分配算法流程框图；
图2为本专利中所设计的多弹协同多阶段目标分配算法时序示意图；
图3为本专利中所设计的改进遗传算法流程示意图。
具体实施方式
一种多弹协同多阶段目标分配方法，首先根据目标跟踪系统所提供的目标预测信息对多枚导弹与多个目标进行初次分配，多枚导弹按照设定的初次分配方式进行发射，当导弹与目标相对距离小于预设阈值时，根据此时的目标信息进行多枚导弹与多个目标的在线再分配。其中：所述当导弹与目标相对距离小于预设阈值时，是多枚导弹中的一枚导弹与目标相对距离小于预设阈值的时刻。
作为射前初分配所采用分配算法的算法特点为：分配结果的全局最优性较好(一般为全局最优解)，但是算法的运算效率较差。
在线再分配所采用的分配算法的算法特点为：分配结果可能只是局部最优甚至是局部次优，只是一个“相对满意”的分配结果，但是算法具有较高的运算效率。
本实施例中，射前初分配所采用的分配算法为改进遗传算法，通过根据染色体聚类结果在线自动调整交叉概率与变异概率，实现了对较优染色体尽可能的保留，而对较差染色体尽快的淘汰，从而在保证种群多样性的基础上，实现了算法的快速寻优。
算法整体流程框图如图1所示。算法时序图如图2所示。
为方便下文进行进一步介绍，首先对本实施例中目标分配所需要用到的变量以及相关定义进行说明如下：
假定导弹的数目为m，目标的数目为n，一般情况下均有m>n成立，则导弹打击目标的分配矩阵如下：
其中，
同时，满足约束条件：
式中，第一个约束表示每个待攻击的目标至少都要被分配一枚导弹；第二个约束表示每个导弹都必须要去攻击一个目标且仅能攻击一个目标。
攻击收益指在导弹执行任务时所获取的目标价值，该指标引导目标分配的优化和决策向作战效能最大化的方向进行。在此，以我方导弹攻击的杀伤概率作为导弹的攻击收益因素，使导弹趋向于攻击高价值并且能够有效拦截的目标。定义杀伤概率矩阵如下：
其中，pij代表第i枚导弹对第j个目标实现成功打击的概率，在本专利中，杀伤概率矩阵d在射前初分配和在线再分配中的计算方法并不完全一致，具体计算方法将在下文各步骤中详细介绍。
实施例中：所述线再分配是采用拍卖算法实现目标在线再分配。
拍卖算法的基本思想是将任务分配看作一个交易过程，通过“招标-投标-中标”这一市场拍卖机制实现任务的委派和迁移。当智能无人系统中的智能体在执行任务过程中发现自己没有足够的能力处理某些任务，或执行任务的代价过大时，就把这些任务对外进行拍卖，由其他智能体根据其能力和状态进行投标，然后主持拍卖的智能体就将任务迁移给能够以更低代价执行任务的智能体。基于拍卖算法的任务分配方法原理简单，并且效率高、实时性好，能够实现在线的目标分配。
拍卖算法的基本思想概述如下：假设买家i对物品j期望最大的出价为aij，对物品必须支付的价格是pj，那么物品j对买家i来说，其净利润是aij-pj，对每个买家而言，追求的是净利润最大化，即
在实际应用中，为避免运算过程陷入循环中，引入一个混乱机制，来打破循环，即要求对每个物品的竞标价格必须要比上一次的标价至少增长1个固定正数ε，这样，当
其中：所述采用拍卖算法实现目标在线再分配的过程是：
第一步：建立再分配杀伤概率矩阵公式，
p_onlineij代表在在线再分配阶段，第i枚导弹对第j个目标实现成功打击的概率，
其中ptgo_online(ij)与
其中，tgo_online(ij)为假定第i枚导弹以第j个目标为打击目标所需要的剩余飞行时间值，
其中：m为导弹个数，n目标个数，且m大于n；tgo_online(ij)和
第二步：建立一个未分配集和一个已分配集，将所述多枚导弹放入未分配集，将所述多枚导弹对每个目标的杀伤概率值初始化为“0”；
第三步：判断未分配集是否为空，如果未分配集为空，则输出最终分配结果完成再分配；否则，执行第四步；
第四步：根据第一步提供的再分配杀伤概率矩阵公式计算每一枚导弹对应不同目标的杀伤概率值，按照拍卖算法进行分配：将杀伤概率值作为该枚导弹对目标的出价，获取对目标出价最高的导弹，将该导弹和该目标放入已分配集，返回第三步。
对于初次分配，首先对射前初分配所使用的杀伤概率矩阵d_pre进行定义说明，其具体数值计算方法如下：
p_preij代表在射前初分配阶段，第i枚导弹对第j个目标实现成功打击的概率。
其中ptgo_pre(ij)与
其中，tgo_pre(ij)为假定第i枚导弹以第j个目标为打击目标所需要的剩余飞行时间预测值，
在上述d_pre的基础上，所述初次分配的分配算法采用的是遗传算法，对其中的交叉概率pd和变异概率pm进行自适应选择，分别为：
改进遗传算法的流程图如图3所示，遗传算法过程是：
第一步：建立初始的染色体种群；
第二步：判断算法的终止条件是否满足，若满足则输出搜索结果；否则执行下面步骤；
第三步：对全部染色体进行dbscan聚类(density-basedspatialclusteringofapplicationswithnoise，具有噪声的基于密度的聚类方法)，根据聚类结果进行交叉概率pd和变异概率pm的自适应选择；
第四步：根据自适应选择值进行复制操作；
第五步：按照第三步中所选择的交叉概率pd对染色体执行交叉操作；
第六步：按照第三步中所选择的变异概率pm对染色体执行变异操作；
第六步：返回第二步；
上述流程为传统的遗传算法流程，相关算法已经充分公开，此处不再做过多说明。本专利针对传统遗传算法交叉概率pd和变异概率pm为常数进行自适应改进，不再采用固定的pd和pm进行运算，可以在保证种群多样性的基础上实现快速收敛。
其中：所述建立初始的染色体种群是：
第一步：确定染色体与导弹和目标的关系，即：采用十进制表示方式，以染色体长度等于导弹总数m，将每个染色体按导弹编号顺序排列组成目标单元，每个基因表示某个目标分配给一个导弹的结果，例如导弹总数m为10，目标总数n为6，一个染色体形式为：[2542136514]
表示将第2个目标分配给第1个导弹，第5个目标分配给第2个导弹，第4个目标分配给第3个导弹，依此类推，染色体基因取值范围为[1,n]。
其中的初始种群中染色体的终止条件为：要求每个目标至少被分配1枚导弹，同时要求每一枚导弹都必须分配到目标；
第二步：将上述关系建立适应度函数关系式，适应度函数f为：
其中：
p_preij代表在射前初分配阶段，第i枚导弹对第j个目标实现成功打击的概率，其具体数值计算方法如下：
其中ptgo_pre(ij)与
其中，tgo_pre(ij)为假定第i枚导弹以第j个目标为打击目标所需要的剩余飞行时间预测值，
其中：在上述第三步中所述交叉概率pd和变异概率pm的自适应选择方式为：
如果经由dbscan算法判断为染色体为同一类，则首先计算全部染色体的适应度函数结果并计算其均值fmean，此时对于适应度函数结果大于fmean的染色体，其交叉概率pd和变异概率pm选择为：
如果经由dbscan算法判断为染色体不为同一类，则对全部染色体的交叉概率pd和变异概率pm选择为：
其中，对于遗传算法的终止条件，考虑到实际作战时，要求能够在有限时间内完成目标分配。所以本项目的算法终止条件采用“指定遗传进化代数”和“在连续几代内最好解的质量不再改进”相结合。当满足终止条件时，输出当前群体中适应度值最大的染色体作为问题的解，其适应度值为该分配方案的总效益值。
- 还没有人留言评论。精彩留言会获得点赞！