基于模糊遗传算法的先进战机协同攻防决策
发布时间：2022-02-15 14:32
根据先进战机的特点以及协同空战的发展方向,采用了一种基于先敌发现、先敌发射、先敌摧毁能力的空战态势分析模型,为了更符合作战情形对其进行了部分改进。将模糊遗传算法应用于上述模型,给出了求解多机协同攻防决策问题的算法,模糊推理器主要用于交叉概率Pc和变异概率Pm的整定。最后用具体算例进行仿真验证,结果表明采用的空战态势分析模型能够较为准确地描述多机协同空战,同时采用的算法具有较好的可行性和实时性,为协同空战的攻防决策提供了新的解决方案。
【文章来源】：火力与指挥控制. 2020,45(03)北大核心CSCD
【文章页数】：8 页
【部分图文】：
防御能力结构图
由模糊推理器进行控制；终止条件：最大进化代数为T=300。2.4模糊推理器设计2.4.1Pc、Pm采用模糊推理器的必要性遗传算法的收敛速度和解的质量与其交叉概率Pc和变异概率Pm的选择有关［11］。为获得更高的全局最优性和更快的收敛速度［15］，本文根据种群进化情况对Pc和Pm进行在线模糊控制，加快了搜索速度，有效地提高了解的质量［16］。虽然专家学者们所提出确定Pc和Pm值的算法的形式不同，但其基本控制思想是相同的，主要有以下3条［11］，如图4所示：图4Pc和Pm控制原理框图图4中，fmax为群体中最优个体的适应度值；fave为种群平均适应度值；fc为待交叉的2个串中适应度较大的个体的适应度值；fm为待变异串的适应度值。序号1表示保证进化过程稳定性（加快收敛速度）；序号2表示淘汰劣质个体（保护优秀个体）。为了更好地处理“较大”、“较斜这些模糊信息，本文采用模糊推理器来整定交叉概率Pc和变异概率Pm。2.4.2Pc查询表的确定过程1）控制量（输入量、输出量）的选择对于Pc的控制，选择输入量是以及为本代被选为两两交叉的串中适应度较大的串的平均适应度值，输出量即为Pc，对输入量进行如下归一化处理［11］：（13）经过以上变换，Pc查询表中的输入变成了fcm和fc，为方便起见，我们将输入变量记为FCM和FC，输出变量记为PC。模糊推理器结构如图5所示（i表示种群代数）。图5模糊推理器结构2）输入-输出变量论域的确定经过式（13）的归一化处理：输入变量FCM的取值范围为x=（0，1），对其进行线性变换；则FCM的取?
0-0.3：单机处于劣势；0.3-0.5：略有劣势；0.5-0.7：略有优势；0.7-1：单机处于优势。根据以上信息，利用模糊遗传算法进行寻优，得到最优基因为0110100001010010，具体攻击决策方案如表7所示。表7多目标攻击决策方案通过以上分配方案可以看到，我方2号机攻击敌方1号机，1、3号机同时攻击敌方2号机，1、4号机同时攻击敌方3号机，3号机攻击敌方4号机的分配方案可以保证敌机生存概率以及我机毁伤概率最小，验证了所提空战决策方案的可行性。在相同的条件下，与标准遗传算法进行比较，研究模糊遗传算法的收敛速度。如图6所示，模糊遗传算法在进化到第30代时，目标函数已经收敛，而标准的遗传算法在进化到第89代时，才完全收敛。故相较于标准遗传算法，模糊遗传算法收敛速敌机1234我机21,31,43坐标编号X/kmY/kmZ/km我机14.23.24.324.73.74.335.24.24.3432.636.04.645.73.74.3敌机131.636.04.6232.135.54.6332.136.54.6表5Pm（i+1）的模糊控制表fcmfc-6-5-4-3-2-10123456-60.70.50.40.40.40.30.10.10.10.10.10.10.1-50.70.50.40.40.40.40.40.20.10.10.10.10.1-40.70.70.70.40.40.40.40.20.10.10.10.10.1-30.90.80.80.60.50.50.40.30.30.20.10.10.1-21.01.01.00.80.70.50.40.40.40.20.10.10.1-14.03.02.41.40.80.70.50.50.40.20.10.10.107.05.04.02.01.00.80.70.60.40.20.10.10.117.06.05.23.62.41.40.80.70.50.40.20.10.127.07.07.05.24.02.01.00.80.70.50.40.20.138.07.67.06.16.03.62.41.40.80.60.50.40.24108.47.07.07.05.24.02.01.00.80.70.50.45109.28.68.27.06.05.23.62.41.60.80.60.561010108.07.07.07.05.24.02.41.00.80.7图6进化过程曲线·20·0394
【参考文献】：
期刊论文
[1]基于遗传算法的模糊优化控制[J]. 王琼,马旭洁,邵克勇,来斌. 自动化技术与应用. 2016(03)
[2]中远距协同空战多目标攻击决策[J]. 李战武,常一哲,孙源源,杨海燕,罗卫平. 火力与指挥控制. 2016(02)
[3]基于MATLAB的无人机攻防决策优化仿真[J]. 刘佐,孟凡计,王玉文. 火力与指挥控制. 2013(12)
[4]改进遗传算法的超视距协同多目标攻击决策[J]. 张涛,于雷,魏贤智,周中良. 火力与指挥控制. 2013(05)
[5]敌对环境下多无人机协同空战决策[J]. 朱艳萍,姚敏,赵敏. 火力与指挥控制. 2013(03)
[6]基于SAGA的协同多目标攻击决策[J]. 罗德林,王彪,龚华军,吴文海,沈春林. 哈尔滨工业大学学报. 2007(07)
[7]一种新的模糊遗传算法[J]. 李擎,郑德玲,唐勇,陈占英. 北京科技大学学报. 2001(01)
[8]论协同空战及其关键技术[J]. 李林森,于海勋,韩志刚,佟明安,孙隆和. 电光与控制. 2000(01)
博士论文
[1]箔条干扰的特性与雷达抗箔条技术研究[D]. 李金梁.国防科学技术大学 2010
硕士论文
[1]基于Petri网的多机协同多目标攻击决策技术研究[D]. 朱爱峰.南京航空航天大学 2010
本文编号：3626797
【文章来源】：火力与指挥控制. 2020,45(03)北大核心CSCD
【文章页数】：8 页
【部分图文】：
防御能力结构图
由模糊推理器进行控制；终止条件：最大进化代数为T=300。2.4模糊推理器设计2.4.1Pc、Pm采用模糊推理器的必要性遗传算法的收敛速度和解的质量与其交叉概率Pc和变异概率Pm的选择有关［11］。为获得更高的全局最优性和更快的收敛速度［15］，本文根据种群进化情况对Pc和Pm进行在线模糊控制，加快了搜索速度，有效地提高了解的质量［16］。虽然专家学者们所提出确定Pc和Pm值的算法的形式不同，但其基本控制思想是相同的，主要有以下3条［11］，如图4所示：图4Pc和Pm控制原理框图图4中，fmax为群体中最优个体的适应度值；fave为种群平均适应度值；fc为待交叉的2个串中适应度较大的个体的适应度值；fm为待变异串的适应度值。序号1表示保证进化过程稳定性（加快收敛速度）；序号2表示淘汰劣质个体（保护优秀个体）。为了更好地处理“较大”、“较斜这些模糊信息，本文采用模糊推理器来整定交叉概率Pc和变异概率Pm。2.4.2Pc查询表的确定过程1）控制量（输入量、输出量）的选择对于Pc的控制，选择输入量是以及为本代被选为两两交叉的串中适应度较大的串的平均适应度值，输出量即为Pc，对输入量进行如下归一化处理［11］：（13）经过以上变换，Pc查询表中的输入变成了fcm和fc，为方便起见，我们将输入变量记为FCM和FC，输出变量记为PC。模糊推理器结构如图5所示（i表示种群代数）。图5模糊推理器结构2）输入-输出变量论域的确定经过式（13）的归一化处理：输入变量FCM的取值范围为x=（0，1），对其进行线性变换；则FCM的取?
0-0.3：单机处于劣势；0.3-0.5：略有劣势；0.5-0.7：略有优势；0.7-1：单机处于优势。根据以上信息，利用模糊遗传算法进行寻优，得到最优基因为0110100001010010，具体攻击决策方案如表7所示。表7多目标攻击决策方案通过以上分配方案可以看到，我方2号机攻击敌方1号机，1、3号机同时攻击敌方2号机，1、4号机同时攻击敌方3号机，3号机攻击敌方4号机的分配方案可以保证敌机生存概率以及我机毁伤概率最小，验证了所提空战决策方案的可行性。在相同的条件下，与标准遗传算法进行比较，研究模糊遗传算法的收敛速度。如图6所示，模糊遗传算法在进化到第30代时，目标函数已经收敛，而标准的遗传算法在进化到第89代时，才完全收敛。故相较于标准遗传算法，模糊遗传算法收敛速敌机1234我机21,31,43坐标编号X/kmY/kmZ/km我机14.23.24.324.73.74.335.24.24.3432.636.04.645.73.74.3敌机131.636.04.6232.135.54.6332.136.54.6表5Pm（i+1）的模糊控制表fcmfc-6-5-4-3-2-10123456-60.70.50.40.40.40.30.10.10.10.10.10.10.1-50.70.50.40.40.40.40.40.20.10.10.10.10.1-40.70.70.70.40.40.40.40.20.10.10.10.10.1-30.90.80.80.60.50.50.40.30.30.20.10.10.1-21.01.01.00.80.70.50.40.40.40.20.10.10.1-14.03.02.41.40.80.70.50.50.40.20.10.10.107.05.04.02.01.00.80.70.60.40.20.10.10.117.06.05.23.62.41.40.80.70.50.40.20.10.127.07.07.05.24.02.01.00.80.70.50.40.20.138.07.67.06.16.03.62.41.40.80.60.50.40.24108.47.07.07.05.24.02.01.00.80.70.50.45109.28.68.27.06.05.23.62.41.60.80.60.561010108.07.07.07.05.24.02.41.00.80.7图6进化过程曲线·20·0394
【参考文献】：
期刊论文
[1]基于遗传算法的模糊优化控制[J]. 王琼,马旭洁,邵克勇,来斌. 自动化技术与应用. 2016(03)
[2]中远距协同空战多目标攻击决策[J]. 李战武,常一哲,孙源源,杨海燕,罗卫平. 火力与指挥控制. 2016(02)
[3]基于MATLAB的无人机攻防决策优化仿真[J]. 刘佐,孟凡计,王玉文. 火力与指挥控制. 2013(12)
[4]改进遗传算法的超视距协同多目标攻击决策[J]. 张涛,于雷,魏贤智,周中良. 火力与指挥控制. 2013(05)
[5]敌对环境下多无人机协同空战决策[J]. 朱艳萍,姚敏,赵敏. 火力与指挥控制. 2013(03)
[6]基于SAGA的协同多目标攻击决策[J]. 罗德林,王彪,龚华军,吴文海,沈春林. 哈尔滨工业大学学报. 2007(07)
[7]一种新的模糊遗传算法[J]. 李擎,郑德玲,唐勇,陈占英. 北京科技大学学报. 2001(01)
[8]论协同空战及其关键技术[J]. 李林森,于海勋,韩志刚,佟明安,孙隆和. 电光与控制. 2000(01)
博士论文
[1]箔条干扰的特性与雷达抗箔条技术研究[D]. 李金梁.国防科学技术大学 2010
硕士论文
[1]基于Petri网的多机协同多目标攻击决策技术研究[D]. 朱爱峰.南京航空航天大学 2010
本文编号：3626797
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3626797.html
