群算法（M-PSO)与标准粒子群 算法（PSO)在目标分配问题上进行仿真。分别考虑6X5, IOX 10和15X20三种规模，即6 个友方5个敌方，10个友方10个敌方，15个友方20个敌方三种规模。
[0087] 在6X5规模中C1= C2= 2, w = 0.7289,种群规模为50,进化代数为1000 ;在 10 X 10规模中C1= c 2= 2, w = 0. 7289,种群规模为50,进化代数为1000 ;在15 X 20规模 中C1= c 2= 2, w = 0. 7289,种群规模为50,进化代数为1000。分别进行30次实验，随机 选取某次实验两种算法的效果对比如图Ia至图Ic所示，30次实验中平均效果结果如下：
[0088]
[0089] 从该结果可以看出，改进后算法相对标准粒子群算法性能上有较好的提升，尤其 是当规模较小时，本优化算法性能提升显著。根据暴力搜索结果，在6X5规模下，0. 29295 是最优值；在IOX 10规模下，〇. 76350是最优值。在规模较大时，虽然很难再找到最优值， 但是优化算法仍能较大提升原算法的寻优能力。本优化算法会使寻优时间少量增加，但是 所耗时间仍然满足场景要求。因此，本算法相比于原来的算法可以获得更好的效果，具有很 好的实用价值。
[0090] 当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟 悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变 形都应属于本发明所附的权利要求的保护范围。
【主权项】
1. 一种基于种群爆炸粒子群算法的目标分配优化方法，其特征在于，包括： 步骤1，将己方和对方均采用实数编码，对方记为1，2，'"q…N，己方记为1，2，"'k…M，则寻优过程中的可行解空间为（xi，X2……/)，表示分配方案，并随机产生初始分配方 案，其中，的取值范围为1~N之间的整数，X1=q表示第q个对方分配给第i个己方，N 为对方总数，M为己方总数； 步骤11，随机产生第一个初始粒子X.产…，X，…粒子位置各维的 分量值属于区间（〇，1); 步骤12,W第一个初始粒子Xi为基础，按照生成其他 初始粒子X2~XD;其中，D为种群规模，讀表示第n个粒子位置的第i维分量； 步骤13,将已生成的所有初始粒子X。按round狂。X(N-l)+l)取整，获得初始分配方案， 其中n= 1，2, . . .D; 步骤2,利用公式;iMx:计算初始种群Xi~XD中各 个粒子的适应度值，并设定各个粒子的适应度值为各个粒子当前的个体最优解pbest;从 各个粒子的个体最优解pbest中选择最小作为初始种群的全局最优解gbest; 其中，t为第q个对方的威胁度值，Pk为己方k对对方q的命中率，ykq的值为0或1， 若为1则己方k攻击对方q，否则己方k不攻击对方q; 步骤3,采用迭代过程进行寻优捜索： 步骤31，若当前粒子种群同时满足W下S个条件，则执行步骤32 ;否则，直接执行35 ; 1) 从第m次迭代到当前迭代之间保持全局最优解gbest持续不变的迭代次数（t-m)大 于第一设定阔值； 2) 设t为当前迭代次数，t小于第二设定阔值； 3) 种群爆炸算子未被屏蔽，初始种群爆炸算子默认为未被屏蔽； 步骤32,判断所有粒子的收敛程度： 根据当前的迭代次数t通过c_boundary= ((MaxDT-t) /Ma址T+0. 05)Xdis_BANG计算 一个收敛边界c_boundary，并计算各粒子到全局最优解gbest的欧式距离DIS，若DIS<收 敛边界c_boundary，则粒子收敛于全局最优解gbest; 判断完所有粒子的收敛程度后，若收敛边界c_boundary内的粒子达到设定量时执行 步骤33,否则直接执行步骤35 ; 其中，为最大迭代次数，dis_BANG为常数，代表最大 收敛边界； 步骤33,执行种群爆炸算子后执行步骤34,执行种群爆炸算子包括： 步骤 331，利用BANG= ((MaxDT-t)/Ma址T+0. 02)X(N/3)+l计算爆炸威力BANG,其中，MaxDT为最大迭代次数，t为当前迭代次数；， 步骤332,根据计算第i个粒子的爆炸方向矩阵fi，则计 算结果表示为：，rand表示取0~1之间均匀 分布的一个随机数，難表示第i个粒子的第j维将受到"引力"，表示第i个粒 子的第j维将受到"斥力"，所述"斥力"即使粒子远离全局最优解方向的力；"引力"即使粒 子接近全局最优解方向的力； 步骤333，用Vi+f1XBANG更新粒子速度Vi，用Xi+Vi更新粒子位置X1; 步骤 34,用（w+w_l)XVi+CiXrandX(pbest-Xi) + (C2+c_2)XrandX(gbest-Xi)更新粒 子速度Vi，然后执行步骤36,其中w_l和c_2为引入的调整参数，并且在每一次迭代结束后 进行更新，w_l用w_l+(-〇. 3/40)实时更新，c_2用c_^(l/40)实时更新； 其中，W为速度更新公式中原速度的权重值，Cl、C2分别为速度更新公式中局部最优解 和全局最优解的权重值； 步骤35,若不满足条件3): 则依据（w+w_l)XVi+CiXrandX(pbest-Xi) + (C2+c_2)XrandX(gbest-Xi)更新粒子速 度Vi，然后执行步骤36; 若满足条件3): 则依据wXVi+CiXrandX(pbest-Xi)+C2XrandX(gbest-Xi)更新粒子速度Vi，然后执 行步骤36 ; 步骤36,检测粒子速度是否越界：粒子速度Vi任意一维的取值在[-N/4，N/4]之外，贝U越界，否则未越界；若越界，该维的速度值取边界值，未越界速度不变；执行步骤37 ; 步骤37,依据Xi+Vi更新粒子位置X1，执行步骤38 ; 步骤38,检测粒子位置是否越界：粒子任意一维的取值在为[1，闲之外，则越界，否则， 未越界；若越界，该维的值取边界值附近一定范围内的随机值，未越界位置不变； 步骤39,更新全局最优解与个体最优解 如果t次迭代产生的粒子新位置的适应度小于该粒子的个体最优解pbest的适应度， 则更新该粒子的个体最优解为粒子新位置，否则不变；若粒子新位置的个体最优解的适应 度小于全局最优解的适应度，则用该粒子的个体最优解取代全局最优解，否则不变；同时执 行步骤40和步骤41 ; 步骤40,若当前迭代过程中执行过种群爆炸算子，则要生成影子种群：影子种群的初 始位置为t-1次迭代执行完毕的粒子位置或者各个粒子的个体最优位置；若当前迭代过程 中未执行过种群爆炸算子，则直接执行步骤4 ; 在种群爆炸算子的影响代数t+1到t+U中依次进行交叉操作，直到第t+U次迭代结束， 获得影子种群的全局最优解； U为种群爆炸屏蔽量，即t+1到t+U默认种群爆炸算子为被屏蔽，且受到种群爆炸算子 影响，执行步骤42 ; 步骤41，t+1至Ijt+U次迭代中，实际种群直接执行步骤34、36、37、38和39,直到第t+U 次迭代结束，获得实际种群的全局最优解，执行步骤42 ; 步骤42,将影子种群与实际种群融合：若影子种群的全局最优解的适应度小于实际种 群的全局最优解的适应度值，将影子种群的全局最优解赋值给实际种群的全局最优解，同 时任选一个粒子，将影子种群的全局最优解赋值给该粒子的个体最优解，然后执行步骤4 ; 步骤4,判断粒子群的最大迭代次数是否达到设定次数，若达到则迭代结束，且迭代结 束后获得实际种群的最终全局最优解，并将该最终全局最优解转换为分配方案；否则返回 执行步骤3。
【专利摘要】本发明提供一种基于种群爆炸粒子群算法的目标分配优化方法，属于智能算法优化领域。本优化方法为根据寻优过程中种群的聚集情况，引入“种群爆炸算子”，结合混沌搜索以及自适应的部分原理，在一定限制条件下进行粒子的发散处理，同时进行参数调节，避免种群过早陷入局部最优，实现了在虚拟战场中坦克智能兵力间交战的目标分配问题。步骤1，将己方和对方均采用实数编码，使用混沌搜索产生良好的初始种群；步骤2，调整算法的初始参数；步骤3，采用基于“种群爆炸算子”的粒子群算法进行迭代寻优搜索；步骤4，当迭代次数达到设定次数时迭代结束，获得最优方案。相比于原算法，本方法增强了粒子的全局寻优能力，并满足了高实时性的要求。
【IPC分类】G06Q10/04, G06N3/00
【公开号】CN105005820
【申请号】CN201510155893
【发明人】陈晨, 陈正雄, 陈杰, 方浩, 王健, 张啸天
【申请人】北京理工大学
【公开日】2015年10月28日
【申请日】2015年4月3日