基于CE-CAPSO武器目标分配优化算法
发布时间：2021-11-06 22:20
为了提高求解武器目标分配问题算法的效率和准确性,避免算法迭代陷入局部最优解,引入云自适应模型和鲶鱼效应思想,改进基本粒子群算法;建立了符合实际的WTA模型,分别使用PSO、CAPSO、CE-CAPSO、改进CE-CAPSO、改进遗传算法对模型求解,仿真结果表明,改进的粒子群算法在求解准确性、稳定度和收敛速度有明显提升,验证了方法的有效性和实用性。
【文章来源】：火力与指挥控制. 2020,45(11)北大核心CSCD
【文章页数】：6 页
【部分图文】：
遗传个体编码示意
（总第45-）火力与指挥控制2020年第11期与改进的CE-CAPSO基本上在10代左右就收敛到最优解，而CAPSO、PSO和GA算法迭代次数均大于10代；另外4种算法的适应值依图片排序分别为13.7293、13.8938、14.8304、14.8161、12.1213、17.1016，呈GA2>CE-CAPSO>改进CE-CAP-SO>CAPSO>PSO>GA1状态，但是适应值的大小并不能完全说明GA2、CE-CAPSO的寻优能力差，而PSO、GA1的寻优能力最好，因为WTA问题属于离散问题，适应值最佳并不代表算法求得武器目标分配方案最好，还可能不符合约束条件或者现实情况，而且给定的参数也可能造成解不唯一；此外PSO、GA本质上都是随机搜索算法，且文中处理约束条件的方法是罚函数法，沙丁鱼粒子逃逸速度也是固定值，没有考虑其与鲶鱼粒子的相对距离，而GA算法受参数影响较大，参数的不同会造成解相差也较大，计算结果有一定随机性且仍不可避免有较小的概率陷入局部最优。运行多次分析这几个算法得到的结果，发现它们的计算结果并不每次符合所有约束条件；而对于GA算法，不同的参数设置计算结果也有较大不同，5种算法之间寻优能力各不相同。现将程序分别运行100次，统计符合约束计算结果如下页表3所示。从表中可以看出，改进遗传算法准确性最佳，其次是改进CE-CAPSO、CE-CAPSO、CAPSO算法，PSO算法准确性最差；粒子群一类算法平均迭代次数与准确性呈相同趋势，其中引入云模型后，算法迭代次数显著减少，而遗传算法由于其本身容易早熟特性，收敛迭代次数较小；5种算法中，粒子群一图2PSO计算结果图3CAPSO计算结果图4CE-CAPSO计算结果图5改进CE-CAPSO计算结果图6GA1计算结果图7GA2计算结果·86·1994
（总第45-）火力与指挥控制2020年第11期与改进的CE-CAPSO基本上在10代左右就收敛到最优解，而CAPSO、PSO和GA算法迭代次数均大于10代；另外4种算法的适应值依图片排序分别为13.7293、13.8938、14.8304、14.8161、12.1213、17.1016，呈GA2>CE-CAPSO>改进CE-CAP-SO>CAPSO>PSO>GA1状态，但是适应值的大小并不能完全说明GA2、CE-CAPSO的寻优能力差，而PSO、GA1的寻优能力最好，因为WTA问题属于离散问题，适应值最佳并不代表算法求得武器目标分配方案最好，还可能不符合约束条件或者现实情况，而且给定的参数也可能造成解不唯一；此外PSO、GA本质上都是随机搜索算法，且文中处理约束条件的方法是罚函数法，沙丁鱼粒子逃逸速度也是固定值，没有考虑其与鲶鱼粒子的相对距离，而GA算法受参数影响较大，参数的不同会造成解相差也较大，计算结果有一定随机性且仍不可避免有较小的概率陷入局部最优。运行多次分析这几个算法得到的结果，发现它们的计算结果并不每次符合所有约束条件；而对于GA算法，不同的参数设置计算结果也有较大不同，5种算法之间寻优能力各不相同。现将程序分别运行100次，统计符合约束计算结果如下页表3所示。从表中可以看出，改进遗传算法准确性最佳，其次是改进CE-CAPSO、CE-CAPSO、CAPSO算法，PSO算法准确性最差；粒子群一类算法平均迭代次数与准确性呈相同趋势，其中引入云模型后，算法迭代次数显著减少，而遗传算法由于其本身容易早熟特性，收敛迭代次数较小；5种算法中，粒子群一图2PSO计算结果图3CAPSO计算结果图4CE-CAPSO计算结果图5改进CE-CAPSO计算结果图6GA1计算结果图7GA2计算结果·86·1994
【参考文献】：
期刊论文
[1]武器-目标分配问题研究[J]. 杨进帅,李进,王毅. 火力与指挥控制. 2019(05)
[2]基于最大期望效用的武器-目标分配[J]. 薛新华,王政伟,黄祥. 指挥信息系统与技术. 2018(06)
[3]改进粒子群算法的舰载武器目标分配[J]. 陈曼,周凤星. 火力与指挥控制. 2018(11)
[4]基于鲶鱼效应粒子群优化的变参误差盲均衡算法[J]. 郭业才,吴际平. 系统仿真学报. 2018(09)
[5]改进粒子群算法在移动机器人路径规划中的应用[J]. 魏勇,赵开新,王东署. 火力与指挥控制. 2018(02)
[6]改进多目标粒子群算法的火箭布雷弹弹道求解方法[J]. 潘军军,冯柯,李焕良,杨小强. 火力与指挥控制. 2018(02)
[7]改进的云粒子群优化算法及其断路器优化应用[J]. 鞠文哲,夏克文,戴水东. 计算机应用研究. 2018(07)
[8]船舶工程中的云粒子群算法研究[J]. 陈建慧,唐玉兰,赵吉. 舰船科学技术. 2017(12)
[9]改进的云自适应粒子群算法[J]. 张锦华. 计算机工程与应用. 2012(05)
[10]云自适应粒子群算法[J]. 韦杏琼,周永权,黄华娟,罗德相. 计算机工程与应用. 2009(01)
硕士论文
[1]粒子群优化算法的改进及应用[D]. 居凤霞.华南理工大学 2014
本文编号：3480632
【文章来源】：火力与指挥控制. 2020,45(11)北大核心CSCD
【文章页数】：6 页
【部分图文】：
遗传个体编码示意
（总第45-）火力与指挥控制2020年第11期与改进的CE-CAPSO基本上在10代左右就收敛到最优解，而CAPSO、PSO和GA算法迭代次数均大于10代；另外4种算法的适应值依图片排序分别为13.7293、13.8938、14.8304、14.8161、12.1213、17.1016，呈GA2>CE-CAPSO>改进CE-CAP-SO>CAPSO>PSO>GA1状态，但是适应值的大小并不能完全说明GA2、CE-CAPSO的寻优能力差，而PSO、GA1的寻优能力最好，因为WTA问题属于离散问题，适应值最佳并不代表算法求得武器目标分配方案最好，还可能不符合约束条件或者现实情况，而且给定的参数也可能造成解不唯一；此外PSO、GA本质上都是随机搜索算法，且文中处理约束条件的方法是罚函数法，沙丁鱼粒子逃逸速度也是固定值，没有考虑其与鲶鱼粒子的相对距离，而GA算法受参数影响较大，参数的不同会造成解相差也较大，计算结果有一定随机性且仍不可避免有较小的概率陷入局部最优。运行多次分析这几个算法得到的结果，发现它们的计算结果并不每次符合所有约束条件；而对于GA算法，不同的参数设置计算结果也有较大不同，5种算法之间寻优能力各不相同。现将程序分别运行100次，统计符合约束计算结果如下页表3所示。从表中可以看出，改进遗传算法准确性最佳，其次是改进CE-CAPSO、CE-CAPSO、CAPSO算法，PSO算法准确性最差；粒子群一类算法平均迭代次数与准确性呈相同趋势，其中引入云模型后，算法迭代次数显著减少，而遗传算法由于其本身容易早熟特性，收敛迭代次数较小；5种算法中，粒子群一图2PSO计算结果图3CAPSO计算结果图4CE-CAPSO计算结果图5改进CE-CAPSO计算结果图6GA1计算结果图7GA2计算结果·86·1994
（总第45-）火力与指挥控制2020年第11期与改进的CE-CAPSO基本上在10代左右就收敛到最优解，而CAPSO、PSO和GA算法迭代次数均大于10代；另外4种算法的适应值依图片排序分别为13.7293、13.8938、14.8304、14.8161、12.1213、17.1016，呈GA2>CE-CAPSO>改进CE-CAP-SO>CAPSO>PSO>GA1状态，但是适应值的大小并不能完全说明GA2、CE-CAPSO的寻优能力差，而PSO、GA1的寻优能力最好，因为WTA问题属于离散问题，适应值最佳并不代表算法求得武器目标分配方案最好，还可能不符合约束条件或者现实情况，而且给定的参数也可能造成解不唯一；此外PSO、GA本质上都是随机搜索算法，且文中处理约束条件的方法是罚函数法，沙丁鱼粒子逃逸速度也是固定值，没有考虑其与鲶鱼粒子的相对距离，而GA算法受参数影响较大，参数的不同会造成解相差也较大，计算结果有一定随机性且仍不可避免有较小的概率陷入局部最优。运行多次分析这几个算法得到的结果，发现它们的计算结果并不每次符合所有约束条件；而对于GA算法，不同的参数设置计算结果也有较大不同，5种算法之间寻优能力各不相同。现将程序分别运行100次，统计符合约束计算结果如下页表3所示。从表中可以看出，改进遗传算法准确性最佳，其次是改进CE-CAPSO、CE-CAPSO、CAPSO算法，PSO算法准确性最差；粒子群一类算法平均迭代次数与准确性呈相同趋势，其中引入云模型后，算法迭代次数显著减少，而遗传算法由于其本身容易早熟特性，收敛迭代次数较小；5种算法中，粒子群一图2PSO计算结果图3CAPSO计算结果图4CE-CAPSO计算结果图5改进CE-CAPSO计算结果图6GA1计算结果图7GA2计算结果·86·1994
【参考文献】：
期刊论文
[1]武器-目标分配问题研究[J]. 杨进帅,李进,王毅. 火力与指挥控制. 2019(05)
[2]基于最大期望效用的武器-目标分配[J]. 薛新华,王政伟,黄祥. 指挥信息系统与技术. 2018(06)
[3]改进粒子群算法的舰载武器目标分配[J]. 陈曼,周凤星. 火力与指挥控制. 2018(11)
[4]基于鲶鱼效应粒子群优化的变参误差盲均衡算法[J]. 郭业才,吴际平. 系统仿真学报. 2018(09)
[5]改进粒子群算法在移动机器人路径规划中的应用[J]. 魏勇,赵开新,王东署. 火力与指挥控制. 2018(02)
[6]改进多目标粒子群算法的火箭布雷弹弹道求解方法[J]. 潘军军,冯柯,李焕良,杨小强. 火力与指挥控制. 2018(02)
[7]改进的云粒子群优化算法及其断路器优化应用[J]. 鞠文哲,夏克文,戴水东. 计算机应用研究. 2018(07)
[8]船舶工程中的云粒子群算法研究[J]. 陈建慧,唐玉兰,赵吉. 舰船科学技术. 2017(12)
[9]改进的云自适应粒子群算法[J]. 张锦华. 计算机工程与应用. 2012(05)
[10]云自适应粒子群算法[J]. 韦杏琼,周永权,黄华娟,罗德相. 计算机工程与应用. 2009(01)
硕士论文
[1]粒子群优化算法的改进及应用[D]. 居凤霞.华南理工大学 2014
本文编号：3480632
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3480632.html
