基于PSGA的岸基導(dǎo)彈火力分配研究*

汲萬峰，王光源，章堯卿，孫鈞正

(海軍航空工程學(xué)院，山東 煙臺(tái) 264001)

0 引言

遺傳算法(genetic algorithna，GA)作為一種基于生物自然選擇與遺傳機(jī)理的隨機(jī)搜索算法，因其在優(yōu)化求解方面具有較強(qiáng)的優(yōu)越性[1]，因而在航跡規(guī)劃問題中得到了廣泛的應(yīng)用[2-4]。但GA存在2個(gè)不容忽視的缺陷，分別是未成熟收斂和遺傳后期的收斂遲滯[5]。主要原因是：一方面，為了保證算法的全局收斂性，就要維持種群中個(gè)體的多樣性和搜索的有效性，避免有效基因的丟失；另一方面，為了加快收斂速度，就要使種群較快地向最優(yōu)狀態(tài)轉(zhuǎn)移，這又會(huì)降低群體的多樣性，容易陷入局部最優(yōu)。如何較快地找到最優(yōu)解并防止早熟收斂問題是GA的一個(gè)較難權(quán)衡的問題。

許多學(xué)者對(duì)GA的改進(jìn)方法進(jìn)行了研究，主要集中在2個(gè)方面：①對(duì)于GA自身過程算子或控制參數(shù)的不斷完善和改進(jìn)。如：分層遺傳、自適應(yīng)遺傳、小生境、并行遺傳等[6]。②引入其他優(yōu)化思想或智能技術(shù)，發(fā)揮互補(bǔ)優(yōu)勢(shì)[7-8]。文獻(xiàn)[7]將禁忌搜索與遺傳算法配合，在利用遺傳算法求解配送中心選址問題的同時(shí)，設(shè)計(jì)禁忌搜索規(guī)則來解決配送中心選址所涉及的路線安排問題。文獻(xiàn)[8]研究了模擬退火算法與遺傳算法融合的混合遺傳方式，有一定的指導(dǎo)意義，但是在實(shí)際應(yīng)用實(shí)現(xiàn)中還需針對(duì)問題具體分析。

本文設(shè)計(jì)了一種基于PS(predatory search)的改進(jìn)遺傳算法，來提高算法的綜合搜索能力，并進(jìn)一步研究了基于改進(jìn)遺傳算法的飛行器航跡規(guī)劃問題。

1 GA簡(jiǎn)介

GA是根據(jù)生物的進(jìn)化思想啟發(fā)而得出的一種全局優(yōu)化算法，通過對(duì)生物遺傳和進(jìn)化過程中選擇、交叉、變異機(jī)理的模仿，來完成對(duì)問題最優(yōu)解的自適應(yīng)搜索過程。GA主要執(zhí)行以下步驟[9]：

(1) 依據(jù)編碼方式生成初始種群

編碼是GA要解決的首要問題，通過編碼將解空間的數(shù)據(jù)表示成基因串?dāng)?shù)據(jù)，按照相應(yīng)的編碼方案隨機(jī)產(chǎn)生指定種群大小的個(gè)體。

(2) 適應(yīng)度分配

GA在搜索過程中用適應(yīng)度來評(píng)估個(gè)體的優(yōu)劣，并作為后續(xù)遺傳操作的依據(jù)，個(gè)體的適應(yīng)度越大則被遺傳到下一代的概率就越大。

(3) 選擇操作

選擇操作是根據(jù)各個(gè)個(gè)體的適應(yīng)度值，按照“適者生存”的規(guī)則，從上一代群體中選擇出一些優(yōu)良的個(gè)體遺傳到下一代群體中。GA進(jìn)行選擇的原則是適應(yīng)性強(qiáng)的個(gè)體為下一代貢獻(xiàn)的概率大，則被保留到下一代的概率也大。

(4) 交叉操作

交叉操作是GA最主要的遺傳操作，通過交叉操作可以得到新一代個(gè)體，新個(gè)體組合了父輩個(gè)體的特性。簡(jiǎn)單的交叉操作是按照交叉概率隨機(jī)選擇若干對(duì)染色體并隨機(jī)選取交叉點(diǎn)實(shí)行相應(yīng)位置的基因交換，得到新的染色體。

(5) 變異操作

變異操作是對(duì)于群體中的任一個(gè)體，以一定的概率隨機(jī)改變串結(jié)構(gòu)中某個(gè)串的值，即對(duì)群體中的個(gè)體，以某一概率改變某一個(gè)或一些基因座上的基因值。

(6) 重插入操作

通過以上遺傳環(huán)節(jié)所生成的子代個(gè)體，通過基于適應(yīng)度的再選擇機(jī)制被保留并插入父代種群中，同時(shí)父代中相應(yīng)位置的個(gè)體被淘汰，從而產(chǎn)生新的參與下一代進(jìn)化的種群。

2 PSGA算法的實(shí)現(xiàn)

2.1 PSGA算法的改進(jìn)方法

本文設(shè)計(jì)一種基于PS[10-12]的改進(jìn)遺傳算法。主要基于2個(gè)理由：① GA的收斂主要取決于交叉算子和變異算子，交叉算子提供了全局搜索能力，而變異算子則提供了局部搜索能力。進(jìn)化初期，應(yīng)確保種群在大范圍內(nèi)搜索，進(jìn)行全局進(jìn)化以避免過早收斂；進(jìn)化后期，種群成熟度較高，個(gè)體更加逼近最優(yōu)解，種群應(yīng)該在局部范圍內(nèi)搜索，盡可能提高搜索精度[10]。因此，交叉概率和變異概率的取值需綜合考慮，平衡選擇。② PS是一種模擬動(dòng)物捕食行為的空間搜索策略[11]，能夠有效地平衡全局探索能力和局部開發(fā)能力。PS的基本思想是：動(dòng)物在捕食過程中，當(dāng)沒有發(fā)現(xiàn)獵物或獵物跡象時(shí)，在整個(gè)捕食空間沿著一定的方向以很快的速度尋找獵物；一旦發(fā)現(xiàn)獵物或發(fā)現(xiàn)獵物跡象，它們就放慢步伐，在發(fā)現(xiàn)獵物或存在獵物跡象的區(qū)域進(jìn)行集中搜索，以期望找到獵物；如果尋找一段時(shí)間后而沒有找到獵物，捕食動(dòng)物將放棄這種集中的區(qū)域，而繼續(xù)在整個(gè)捕食空間尋找獵物。

借鑒PS思想，改進(jìn)的PSGA(predatory search genetic algorithms)算法采取以下原理：算法運(yùn)行時(shí)，首先以較大的交叉概率Pc1和較小的變異概率Pm1進(jìn)行全局搜索；一旦發(fā)現(xiàn)一個(gè)較好的解，則改變?yōu)橐暂^大的變異概率Pc2和較小的交叉概率Pm2進(jìn)行局部搜索；如果在局部搜索過程中最優(yōu)解得不到改善，則再以較大的交叉概率Pc1和較小的變異概率Pm1進(jìn)行全局探索。在整個(gè)算法運(yùn)行過程中，不斷地根據(jù)搜索解的情況自適應(yīng)地調(diào)整交叉概率和變異概率的取值。

本文設(shè)計(jì)的PSGA算法的具體方法為：在進(jìn)化過程中，根據(jù)適應(yīng)度的變化來調(diào)整交叉和變異概率，以平衡全局搜索和局部開發(fā)。以最小化適應(yīng)度為目標(biāo)，設(shè)歷代最好適應(yīng)度為gbest，當(dāng)代最好適應(yīng)度為fbest，以兩者的比值g=fbest/gbest來改變交叉和變異概率。設(shè)定一個(gè)小于1的正數(shù)k，比較g值和k值的大小，如果g≤k，則進(jìn)行局部開發(fā)，優(yōu)化代數(shù)為num代，交叉概率和變異概率分別取為Pc2和Pm2；如果g>k，則以Pc1和Pm1來更新交叉和變異概率。

這里k的取值對(duì)PSGA算法的性能有較大的影響，k可以取常量，也可以取變量。當(dāng)k取常量時(shí)，若k值取得過大，則使得不同代數(shù)個(gè)體間的最優(yōu)適應(yīng)度值差異不明顯時(shí)就進(jìn)行局部尋優(yōu)，可能會(huì)圍繞一些非較優(yōu)解進(jìn)行局部搜索，從而影響算法的全局搜索性能；若k值取得過小，則使得不同代數(shù)個(gè)體間的最優(yōu)適應(yīng)度值具有較大差異時(shí)才進(jìn)行局部尋優(yōu)，可能會(huì)忽略掉進(jìn)化過程中搜索到的一些較優(yōu)解，從而影響算法的局部搜索性能。當(dāng)k取變量時(shí)，考慮到遺傳算法在進(jìn)化過程中，進(jìn)化初期個(gè)體的差異性較大，不同個(gè)體間適應(yīng)度值的差異相應(yīng)較大，進(jìn)化后期個(gè)體的差異性較小，不同個(gè)體間適應(yīng)度值的差異也相應(yīng)較小，因此k的值可以根據(jù)進(jìn)化代數(shù)的增加逐漸遞增。

對(duì)于Pc1和Pm1的取值，采用自適應(yīng)交叉和變異，Pc1和Pm1將隨著進(jìn)化代數(shù)動(dòng)態(tài)地改變。

Pc1=Pc1_max-(Pc1_max-Pc1_min)i/M，

Pm1=Pm1_min+(Pm1_max-Pm1_min)i/M，

(1)

式中：i為進(jìn)化代數(shù)；M為總進(jìn)化代數(shù)；Pc1_max，Pc1_min分別為最大、最小交叉概率；Pm1_max，Pm1_min分別為最大、最小變異概率。

對(duì)于Pc2和Pm2的取值，采取式(2)的方法：

Pc2=P0g，
Pm2=P1/g，

(2)

式中：P0，P1為固定值。

對(duì)于num的取值，采取方法為

num=「n/g?，

(3)

式中：“「·?”表示向上取整函數(shù)，如「3.4?=4；n為固定值。

改進(jìn)的PSGA算法的具體步驟如下：

(1) 初始化種群，根據(jù)式(1)對(duì)交叉概率Pc1和變異概率Pm1取值。

(2) 計(jì)算種群中個(gè)體的適應(yīng)度，并根據(jù)本代最佳適應(yīng)度和歷代最佳適應(yīng)度的比值g確定交叉和變異概率。如果g≤k，則根據(jù)式(2)進(jìn)行局部?jī)?yōu)化num代；否則以Pc1和Pm1更新交叉和變異概率進(jìn)行進(jìn)化。

(3) 選擇。根據(jù)個(gè)體適應(yīng)度的大小按輪盤賭方法選擇個(gè)體，并采用精英保留策略保留最優(yōu)個(gè)體。

(4) 交叉。隨機(jī)配對(duì)交叉產(chǎn)生新個(gè)體。

(5) 變異。對(duì)種群中個(gè)體進(jìn)行變異。

(6) 進(jìn)化終止條件判斷，如滿足條件，則停止計(jì)算，輸出最佳結(jié)果；否則，執(zhí)行(2)。

2.2 仿真測(cè)試

(1) 測(cè)試函數(shù)

對(duì)本文改進(jìn)的PSGA算法的仿真測(cè)試采用2個(gè)經(jīng)典函數(shù)，分別為一元多極值函數(shù)f1和多元多峰函數(shù)f2(Shubert函數(shù))。

f1：f(x)=xsin(12πx)+2.0,x∈[-3.54]，

(4)

(5)

式中：f1為周期震蕩函數(shù)，在當(dāng)前限定域中，當(dāng)x=3.958 5時(shí)取得極小值-1.958 4；f2為一個(gè)多峰值多極值函數(shù)，在其定義域內(nèi)總共有760個(gè)局部最小點(diǎn)，其中有18個(gè)是全局最小點(diǎn)，全局最小值為13.269 1。

(2)k值的確定

本文改進(jìn)的PSGA算法對(duì)k的取值分為3種情況進(jìn)行測(cè)試：k=0.8，k=0.99，k=0.8+0.19i/M，i為進(jìn)化代數(shù)，M為總進(jìn)化代數(shù)。測(cè)試結(jié)果如表1所示。表1中，算法的種群規(guī)模為80，針對(duì)每個(gè)函數(shù)，在每個(gè)k值和不同的最大設(shè)定代數(shù)情況下分別運(yùn)行30次。收斂是指算法終止時(shí)，優(yōu)化結(jié)果與理論最優(yōu)值之間的誤差在0.001以內(nèi)。

從表1可以看出：k取3種不同的值，當(dāng)運(yùn)行代數(shù)超過100代時(shí)，針對(duì)2個(gè)函數(shù)f1和f2，算法均收斂到理論最優(yōu)解，顯示該算法具有較強(qiáng)的尋優(yōu)能力。當(dāng)運(yùn)行代數(shù)為50代時(shí)，對(duì)f1，k=0.8和k=0.99時(shí)算法收斂性能稍好；對(duì)f2，k=0.8+0.19i/M時(shí)算法收斂性能稍好?？梢妅值的選擇要根據(jù)具體情況來確定。考慮到航跡規(guī)劃目標(biāo)函數(shù)是一個(gè)復(fù)雜多極值函數(shù)，本文根據(jù)k=0.8+0.19i/M取值。

(3) 不同算法的比較

為了說明改進(jìn)的PSGA算法的搜索性能，現(xiàn)將改進(jìn)的PSGA算法與其他一些算法進(jìn)行仿真測(cè)試比較，參與對(duì)比測(cè)試的算法為：基本遺傳算法(SGA)、自適應(yīng)遺傳算法(AGA)及本文的PSGA算法。遺傳操作方式采取單點(diǎn)交叉和基本位變異。

GA算法中Pc=0.7，Pm=0.05。

AGA算法中自適應(yīng)概率調(diào)整為

(6)

式中：fmax為種群中最大的適應(yīng)度值；favg為每代種群的平均適應(yīng)度值；f′為要交叉的2個(gè)個(gè)體中較小的適應(yīng)度值；f為要變異個(gè)體的適應(yīng)度值；Pc1=0.85；Pc2=0.5；Pm1=0.06；Pm2=0.03。

PSGA算法中，Pc1_max=0.85，Pc1_min=0.5，Pm1_max=0.06，Pm1_min=0.03，另P0=0.3，P1=0.06，n=5，k=0.8+0.19i/M。

仿真測(cè)試時(shí)，各算法的種群規(guī)模均為80，每個(gè)算法分別在不同的最大迭代代數(shù)設(shè)置下運(yùn)行30次。測(cè)試的所有數(shù)據(jù)和結(jié)果都在同一計(jì)算環(huán)境上(即同一臺(tái)計(jì)算機(jī)、同一個(gè)操作系統(tǒng)和同一段時(shí)間內(nèi))運(yùn)算所得。表2表示各算法針對(duì)不同的最大迭代代數(shù)設(shè)置分別運(yùn)行30次的數(shù)據(jù)統(tǒng)計(jì)結(jié)果。

從表2中可以看出：

(1) 對(duì)函數(shù)f1,f2測(cè)試的結(jié)果數(shù)據(jù)中，最大迭代代數(shù)為50代時(shí)，PSGA算法稍不如AGA，主要原因是PSGA算法在發(fā)現(xiàn)較好解之后要進(jìn)行局部搜索，由此降低了交叉概率，從而使種群中產(chǎn)生較好新個(gè)體的可能性變小，這在一定程度上影響了算法的收斂速度。尤其在進(jìn)化早期，對(duì)算法的影響較大。

(2) 最大迭代代數(shù)設(shè)置為100，200，300代時(shí)，無論從平均適應(yīng)度值、收斂次數(shù)，還是收斂到理論最優(yōu)值的次數(shù)，PSGA算法均略優(yōu)于GA，AGA，表明隨著迭代代數(shù)的增加，PSGA算法具有更高的收斂精度和收斂率，這說明PSGA算法在提高算法的搜索精度和防止陷入局部最優(yōu)方面起到了很好的效果。

(3) 從表2的平均運(yùn)行時(shí)間比較來看，對(duì)于算法的改進(jìn)帶來程序在執(zhí)行效率上的略微降低，但是，相對(duì)于達(dá)成優(yōu)化目標(biāo)而言，這種損失是必然的和可以接受的。

表1 PSGA算法在不同k值和不同進(jìn)化代數(shù)下的測(cè)試結(jié)果Table 1 Test results for PSGA algorithm in different k values and different evolution algebras

3 PSGA算法在岸基導(dǎo)彈火力分配中的應(yīng)用

3.1 火力分配模型

對(duì)導(dǎo)彈火力分配問題的解決一般假設(shè)[13]：紅方有k種導(dǎo)彈的發(fā)射平臺(tái)，而且每種發(fā)射平臺(tái)只發(fā)射某一型導(dǎo)彈；打擊目標(biāo)有n個(gè)，目標(biāo)重要程度為Wj,j=1,2,…,n，可用表達(dá)式Wj=(a1,a2)(sj,wj)T來表示，其中sj表示目標(biāo)j的價(jià)值因素，wj表示目標(biāo)j的威脅度，a1，a2為權(quán)重系數(shù)，0

(7)

式中：xij為第i種發(fā)射平臺(tái)用于打擊第j個(gè)目標(biāo)的導(dǎo)彈數(shù)目。

此問題的模型可描述為:尋找問題一組解X,滿足以下目標(biāo)函數(shù)與約束條件，目標(biāo)函數(shù)為

(8)

約束條件為

(9)

毀傷概率Pij可表示為[14]

i=1,2，…,n，j=1，2，…,m，

(10)

故構(gòu)建艦艇毀傷效益最優(yōu)火力分配模型為

(11)

約束條件為

3.2 仿真算例

3.2.1 戰(zhàn)場(chǎng)想定

岸導(dǎo)部隊(duì)接上級(jí)指揮機(jī)關(guān)命令，對(duì)藍(lán)方某具有重要戰(zhàn)略意義的島嶼實(shí)施海上封鎖。岸導(dǎo)部隊(duì)通過合理選擇發(fā)射陣地，可使封鎖海域處于其火力打擊范圍之內(nèi)。

據(jù)上級(jí)情報(bào)：藍(lán)方一海上護(hù)航運(yùn)輸船編隊(duì)試圖借助高海情的掩護(hù)，對(duì)該島嶼實(shí)施裝備物資保障(其中2艘均可發(fā)射箔條彈和釋放電磁干擾的運(yùn)輸船，3艘均裝備有防空武器和電磁干擾設(shè)備的護(hù)衛(wèi)艦)。

考慮到特殊戰(zhàn)場(chǎng)條件下，艦艇不便出航、飛機(jī)不便出動(dòng)的特殊情況，紅方岸導(dǎo)部隊(duì)獨(dú)立遂行打擊該編隊(duì)的任務(wù)，破壞藍(lán)方作戰(zhàn)企圖。作戰(zhàn)岸導(dǎo)部隊(duì)編制為1個(gè)團(tuán)，下轄2個(gè)營(yíng)。假設(shè)紅方信息渠道通暢，部隊(duì)已機(jī)動(dòng)到達(dá)某預(yù)設(shè)陣地待機(jī)，隨時(shí)等待發(fā)射命令。戰(zhàn)場(chǎng)敵我態(tài)勢(shì)如圖1所示。

圖1 戰(zhàn)場(chǎng)態(tài)勢(shì)圖Fig.1 Battlefield situation

各參數(shù)取值如下：

(1) 綜合考慮運(yùn)輸船A，B，護(hù)衛(wèi)艦C，D，E的政治價(jià)值、軍事價(jià)值和經(jīng)濟(jì)價(jià)值得到其綜合價(jià)值分別為0.8，0.7，0.4，0.3，0.3。

(2) 根據(jù)作戰(zhàn)主要目的(對(duì)運(yùn)輸船進(jìn)行打擊)，通過層次分析法對(duì)艦艇綜合價(jià)值和威脅度的權(quán)重進(jìn)行歸一化處理后得到a1為0.7，a2為0.3。

(3) 參數(shù)數(shù)值

查閱導(dǎo)彈相關(guān)數(shù)據(jù)，并由有關(guān)公式計(jì)算得參數(shù)數(shù)值如表3所示。

表3 參數(shù)數(shù)值表Table 3 Numerical value of parameters

(4) 紅方岸導(dǎo)團(tuán)對(duì)藍(lán)方運(yùn)輸船編隊(duì)實(shí)施集火打擊，由于新型岸艦導(dǎo)彈連續(xù)發(fā)射時(shí)間間隔小于4.5 s，經(jīng)過合理的航路規(guī)劃后，可以使48枚導(dǎo)彈同時(shí)從不同方向打擊敵編隊(duì)。

(5) 藍(lán)方編隊(duì)采取獨(dú)立防御措施，每艘艦艇獨(dú)立完成防御任務(wù)。艦艇之間的間距合理，1枚導(dǎo)彈不會(huì)同時(shí)擊傷2艘艦艇。

(6) 藍(lán)方艦船的彈藥數(shù)量沒有限制，即只要其沒有被消滅，就可以一直對(duì)來襲導(dǎo)彈進(jìn)行攔截。

(7) 藍(lán)方戰(zhàn)場(chǎng)信息資源豐富，可以有效地對(duì)紅方導(dǎo)彈進(jìn)行不同程度地?cái)r截。

(8) 紅方戰(zhàn)區(qū)信息保障充分，岸導(dǎo)部隊(duì)發(fā)射陣地在戰(zhàn)區(qū)防空火力范圍內(nèi)能獲得有效的信息保障。

3.2.2 仿真計(jì)算與分析

根據(jù)模型(11)，采用遺傳算法進(jìn)行仿真。仿真條件為：Matlab7.1，CPU Pentium 1.6G 內(nèi)存2G。仿真得到火力分配方案如表4所示。

表4 火力分配方案Table 4 Fire distribution scheme

導(dǎo)彈發(fā)射總數(shù)為43枚。其中21枚導(dǎo)彈對(duì)運(yùn)輸船A，B進(jìn)行了打擊，由于A，B的價(jià)值差異，較多的導(dǎo)彈(12枚)射向了價(jià)值較大的A船；另有22枚導(dǎo)彈對(duì)護(hù)衛(wèi)艦C，D，E進(jìn)行了打擊，由于護(hù)衛(wèi)艦C的威脅度較高，但同時(shí)C艦的攔截概率也較高，導(dǎo)致導(dǎo)彈在3個(gè)目標(biāo)間的分配數(shù)目差別不大(僅為1枚)。對(duì)各目標(biāo)的毀傷概率依次為：0.96，0.95，0.84，0.87，0.87，對(duì)目標(biāo)的毀傷程度均為擊毀。結(jié)果符合作戰(zhàn)要求。

從仿真結(jié)果可以看出：

(1) 分配方案證明了模型的有效性

分配方案符合作戰(zhàn)要求。其中在打擊運(yùn)輸船編隊(duì)任務(wù)中，主要作戰(zhàn)目的是對(duì)運(yùn)輸船進(jìn)行打擊。由于2艘運(yùn)輸船A，B的綜合價(jià)值分別為0.8，0.7，分配方案中打擊A船的導(dǎo)彈數(shù)目多于B船，在相同威脅度和射擊有利度條件下，導(dǎo)彈分配偏向了價(jià)值大的運(yùn)輸船。

在3艘護(hù)衛(wèi)艦C，D，E中，C艦綜合價(jià)值高于D艦和E艦(綜合價(jià)值依次為0.4，0.3，0.3)。在威脅度方面，C艦高于D艦，D艦高于E艦(威脅度依次為0.6，0.55，0.5)。因此在射擊有利度差別不大的情況下，導(dǎo)彈在3個(gè)目標(biāo)間的分配數(shù)目差別不大。

(2) 分配方案反映了模型特點(diǎn)

極大化毀傷效益模型偏重對(duì)目標(biāo)的毀傷效益。如果擁有導(dǎo)彈數(shù)目較充裕，其所得分配方案發(fā)射彈數(shù)目很大(43枚)，作戰(zhàn)消耗較大。如果沒有對(duì)某一目標(biāo)進(jìn)行集火射擊的導(dǎo)彈數(shù)目0≤xj≤12,j=1,2，…,5這一約束，其結(jié)果必然是發(fā)射所有導(dǎo)彈以求得最大的效益。

(3) 權(quán)重系數(shù)的選擇更有利于達(dá)成作戰(zhàn)意圖

考慮到主要作戰(zhàn)目的是對(duì)運(yùn)輸船A，B實(shí)施火力打擊，而運(yùn)輸船的威脅度相對(duì)護(hù)衛(wèi)艦有一定差距，為了使分配方案符合作戰(zhàn)意圖，利用層次分析法將艦艇綜合價(jià)值sj和威脅度wj系數(shù)進(jìn)行歸一化處理后設(shè)定各自權(quán)重為：0.7，0.3。因此威脅度的“地位”相對(duì)艦艇價(jià)值有所降低，即岸艦導(dǎo)彈火力分配方案在2個(gè)參數(shù)間進(jìn)行決策時(shí)將偏重于艦艇綜合價(jià)值這一參數(shù)的大小。如果沒有權(quán)系數(shù)的引入，那么威脅度與艦艇綜合價(jià)值地位“平等”，分配方案必然傾向于護(hù)衛(wèi)艦。即：在相同的毀傷概率條件下，護(hù)衛(wèi)艦C的價(jià)值和威脅度乘積明顯高于運(yùn)輸船A，分配方案必然偏重于護(hù)衛(wèi)艦C。根據(jù)首長(zhǎng)要求和作戰(zhàn)意圖，合理地確定和調(diào)整權(quán)重系數(shù)，對(duì)導(dǎo)彈火力分配方案有明顯影響。

4 結(jié)束語

本文將動(dòng)物捕食思想引入遺傳算法，設(shè)計(jì)了一種基于捕食策略的改進(jìn)遺傳算法，通過實(shí)例測(cè)試表明，該算法與基本遺傳算法、自適應(yīng)遺傳算法相比具有更好的綜合搜索能力。進(jìn)一步研究了基于改進(jìn)遺傳算法的岸基導(dǎo)彈對(duì)海上艦艇目標(biāo)攻擊時(shí)的火力分配問題，構(gòu)建了火力分配模型，通過仿真實(shí)驗(yàn)驗(yàn)證了模型及算法的有效性。

參考文獻(xiàn)：

[1] SZCZERBA R J,GALKOWSKI P G,LICKSTIN I S,et al.Robust Algorithm for Real-Time Route Planning[J].IEEE Transactions on Aerospace and Electronic Systems,2000,36(3):869-878.

[2] 姚毅.基于遺傳算法的戰(zhàn)斗機(jī)低空突防航路規(guī)劃研究[D].武漢:海軍工程大學(xué),2007.

YAO Yi.Low-Altitude Penetration Path Planning Based on Genetic Algorithm[D]. Wuhan:Naval University of engineering, 2007

[3] 袁麟博,章衛(wèi)國(guó),李廣文.一種基于遺傳算法-模式搜索法的無人機(jī)路徑規(guī)劃[J].彈箭與制導(dǎo)學(xué)報(bào),2009,29(3):279-282.

YUAN Lin-bo, ZHANG Wei-guo, Li Guang-wen.A UAV Path Planning Based on Genetic Algorithm-Pattern Searching[J].Journal of Missiles and Guidance, 2009,29(3): 279-282.

[4] 馬云紅,周德云.一種無人機(jī)路徑規(guī)劃的混沌遺傳算法[J].西北工業(yè)大學(xué)學(xué)報(bào),2006,24(4): 468-471.

MA Yun-hong, ZHOU De-yun. A UAV Path Planning Based on Chaos Genetic Algorithm[J]. Journal of Northwestern Polytechnical University, 2006,24(4): 468-471.

[5] 雷英杰,張善文,李繼武,等.MATLAB遺傳算法工具箱及應(yīng)用[M].西安:西安電子科技大學(xué)出版社,2005.

LEI Ying-jie, ZHANG Shan-wen, LI Ji-wu ,et al. Genetic Algorithm Toolbox and Its Application in MATLAB [M]. Xi’an: Xi’an Electronic and Science University Press, 2005.

[6] BAGLEY J D.The Behavior of Adaptive Systerm which Employ Genetic and Correlation Algorithm[J].Dissertation Abstricts International,1967,28(12):78-90.

[7] 胡大偉,陳誠.遺傳算法和禁忌搜索算法在配送中心選址和路線問題中的應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐,2007,9(9):171-176.

HU Da-wei, CHEN Cheng. Application of Genetic Algorithm and Tabu Search Algorithm in Distribution Center Location and Routing Problems[J].Systems Engineering Theory and Practice, 2007,9(9): 171-176.

[8] 王雪梅,王義和.模擬退火法與遺傳算法的結(jié)合[J].計(jì)算機(jī)學(xué)報(bào),1997,20(4):381-384.

WANG Xue-mei, WANG Yi-he.Combining Simulated Annealing Algorithm with Genetic Algorithm[J].Chinese Journal of Computers, 1997,20(4): 381-384.

[9] 明亮.遺傳算法的模式理論及收斂理論[D].西安:西安電子科技大學(xué),2006.

MING Liang.Schema Theory and Convergence Theory of Genetic Algorithm[D]. Xi'an: Xi'an Electronic and Science University, 2006.

[10] 張頂學(xué),關(guān)治洪,劉新芝.基于捕食搜索策略的遺傳算法研究[J].計(jì)算機(jī)應(yīng)用研究，2008,25(4): 1006-1007.

ZHANG Ding-xue,GUANG Zhi-hong,LIU Xin-zhi.Research on Genetic Algorithm of Predatory Search Strategy [J].Computer Application Research，2008,25(4): 1006-1007.

[11] LINHARES A.Preying on Optima:a Predatory Search Strategy for Combinatorial Problems[C]∥Proc of IEEE International Conference of Systems,Man and Cybernetics.Piscataway NJ, 1998: 2974-2978.

[12] LINHARES A.Synthesizing a Predatory Search Strategy for VLSI Layouts[J].IEEE Tran.On Evolutionary Computation,1999,3(2):147-152.

[13] 馮杰.遺傳算法及其在導(dǎo)彈火力分配上的應(yīng)用[J].火力與指揮控制,2004,29(2):43-45.

FENG Jie.Genetic Algorithm and Its Application in Missile Fire Allocation[J].Fire Control and Command System,2004,29(2): 43-45.

[14] 楊飛,董朝陽. 實(shí)施飽和攻擊的反艦導(dǎo)彈武器火力分配[J].系統(tǒng)仿真學(xué)報(bào)，2011,23(2):316-320.

YANG Fei,DONG Zhao-yang.The Fire Allocation in Saturation Attack for Anti-Ship Missile[J].Journal of System Simulation，2011,23(2):316-320.

[15] 胡正東,丁洪波. 反艦導(dǎo)彈武器系統(tǒng)的火力分配方法研究[J].戰(zhàn)術(shù)導(dǎo)彈技術(shù)，2008,6(2):1-3.

HU Zheng-dong, DING Hong-bo.The Allocation Methods of Anti-Ship Missile Weapon System[J].Tactical Missile Technology，2008,6(2):1-3.

[16] 尤大德,徐德民.水面艦艇防空武器抗擊單枚反艦導(dǎo)彈的效能評(píng)估[J]. 火力與指揮控制,2010,16(10):81-83.

YOU Da-de, XU De-min.Effectiveness Evaluation of Warship Air Defense Weapons Against Single Anti-Ship Missile[J]. Fire Control and Command,2010,16(10):81-83.