复杂战场(超)大规模地面战车及海上舰艇的最优编队设计的制作方法
【专利摘要】复杂战场中(超)大规模地面战车及海上舰艇的编队是现代化陆军和海军建设中重点研究问题之一，尤其是海军中大规模航母舰队的编队问题。本发明主要是从群体优化的角度解决大规模地面战车和海上舰艇的正多边形编队，主要包括：(1)基于圆心和初始角度的正多边形任意队形生成。(2)粒子群算法对圆心和初始角度的优化，这是编队问题中的重点之一。(3)为了指导每个舰艇的最终运动方向和位置，粒子群算法对初始点与目标点的配对问题。(4)为了验证本发明的有效性，先确定所有舰艇所集结的位置，比如，从Google地图上截取一块海域，分别对3个，10个，15个，50个，100个舰艇进行正多边形编队。
【专利说明】
复杂战场（超）大规模地面战车及海上舰艇的最优编队设 计
技术领域
[0001] 本发明主要涉及复杂战场中大规模地面战车或海上舰艇的编队问题，特别针对在 复杂的平面中大规模的战车和舰艇的正多边形编队问题。主要包括以下几个内容：正多边 形队形的形成、队形中心的优化问题、队形初始角度的优化问题、初始点与目标的的配对问 题，以及群体智能优化方法解决编队问题。在考虑距离代价最小情况下，不但给出最优的队 形中心位置，而且各个战车或舰艇在队形中的具体位置。以上结果对于大规模坦克战车在 平原中编队，大规模的不同类型战车的混合编队，以及大规模舰艇在海面集结、不同区域舰 艇的编队、不同舰艇的协同防御、发挥群体舰艇的作战优势等，都有一定的参考价值和理论 指导意义。
【背景技术】
[0002] 随着中国经济实力的迅速增长和世界地位不断提高，为了保证所取得来之不易的 成果，必须有强大的国防力量作为基础。针对现代化大规模的集团陆军，特别在复杂的战场 上，实现大规模的地面战车快速编队，以及不同战斗队形的相互快速转化，对于打击敌军以 及更好保护自己都有很重要的作用。针对我国现代化的海军，我国有很长的海岸线以及丰 富的海洋资源，那么建立一支强大的海军保证我国海洋的核心利益，维护亚太地区的和平， 以及促进世界的和平与发展是尤为重要。近年来，航空母舰是中国海军一直研究的重点和 难点之一。从中国海军未来的发展角度上看，创建多个航母舰队必定是我国海军发展的趋 势。那么这里面最重要的因素除了船体的建造之外，那么相应的关键技术也是必不可少的。
[0003] 本专利主要研究（超）大规模地面战车及航母舰队的编队问题，具体来说，大量的 战车或舰艇从无序形状到一定固定形状的编队过程。此过程不但考虑所有舰艇移动的距离 之和达到最小，而且要求所形成的形状必须满足正多边形或其他形状的条件。从本质上看， 超大规模的航母编队问题是一个带约束条件的、离散的、连续的、超高维的混合优化问题。 目标函数（代价函数）为从初始状态到最终状态的距离之和，以及考虑所有舰艇移动的最 大距离；约束条件为最终的状态需要满足一定的条件，即队形的要求，比如正三角形、正六 边形、正多边形；由于针对超大规模的舰艇编队，它是一个高维空间的优化问题，因为要求 对很多参数进行优化和确定。最终所得结论的物理意义：在消耗能量最小的情况下，给出每 个舰艇的运动方向和运动距离，形成一定的战斗队形。
[0004] 从理论上讲，将每个舰艇当作一个点，把不同的形状看作不同的平面图形。最简单 的情况下，三个离散点进行直线编队，这个理论证明寻找最优的直线也是很困难的。那么对 于多个点的直线编队、多个点的不同队形的编队，从理论上来分析也是十分困难的。针对 以上问题，本发明主要从群体智能优化的角度，将编队问题理解为一个带约束条件的优化 问题，针对正多边形的编队问题，设计一种简单的、高效的优化方法寻找最优编队和最优位 置。
[0005] 在通常情况下，对于多边形编队问题来说，主要有二个技术难点。其一，在正多边 形的编队过程中，每个节点很难知道它的邻居点；其二，多个约束条件较多，约束条件不但 要求每条边相等，而且相互二条边夹角都要相同。为了解决该问题，我们一般先通过求平面 中的凸包点，并通过凸包点集合来判断每个点的邻居点。该方法的不足在于：由于先计算凸 包点，则计算时间增加；其次，还需满足凸包点的个数需要等于正多边形的边数；再次，解 空间的维数通常是正多边形边数的二倍。当处理大规模或者超大规模的航母编队问题，即 正多边形边数很大时，则大多数的算法都难于解决。
【发明内容】
[0006] 在大规模舰艇的集结、航母的自身防御体系中，正多边形是最重要的、最普遍的、 最常见的队形之一。本
【发明内容】
主要是针对多舰艇的的正多边形编队问题。主要内容是提 出了一种队形生成的方法，寻找队形的最优位置，即队形中心点位置和初始偏角，以及一种 简洁的、高效的群体智能方法解决编队问题。
[0007] (1)正多边形舰艇队形的生成方法
[0008] 由于正多边形的队形特点，当已知队形的中心、初始角度和多边形的边数，则队形 中的每个点能计算出来。
[0009] 当队形的中心坐标为（x，y)，初始角度0，则正三边形的三个坐标分别为
[0013] 当队形的中心坐标为（x，y)，初始角度0，则正方形的四个坐标分别为
[0018] 以此类推，当正N边形的中心坐标为（x，y)，初始角度0，则正N边形的N个坐标 分别表不为
[0020] 通过以上方法，将一个带约束条件的问题转变为一个无约束条件的问题，而且由 原来的2N维空间转变为3+N维空间，大大减少解空间的范围和大小，提高了优化的效率。其 次，将带约束优化问题转化一个无约束条件的优化问题。
[0021] (2)基于群体智能优化方法的编队问题
[0022] (超）大规模多地面战车或舰艇的编队问题本质上是一个带约束条件的连续型和 离散型的混合优化问题。第一，中心点的坐标和初始角度优化，则编队问题是一个连续型优 化问题；第二，初始粒子和最终位置配对，则编队问题也是一个离散型优化问题。粒子群算 法的主要任务不但需要优化中心坐标点的位置（x，y)和初始角度9，而且还需要解决相应 的配对问题，即每个战车或舰艇在队形的具体位置。
[0023] 粒子群算法是一种经典的随机智能优化算法，是由Kenndy和Eberhart二位博士 1995年所提出的，主要是通过观察鸟群和鱼群寻找食物的过程提炼出来的。由于编程简单 且效率较高，粒子群算法广泛解决各种各样的优化问题，比如，网络参数的优化、智能电网、 机器人研究、智能控制等等。粒子群算法中最重要的内容为粒子速度与位置的迭代公式，最 核心思想是当前粒子的速度与原有的速度、个人的经验和别人的经验三者都有关。粒子的 速度与位置的更新公式可表示为
[0024] VijCt+l) = wVij(t)+c1r1(pbest(t)-Xij(t))+c 2r2(gbest(t)-Xij(t))Xij(t+l)= X.jW+V^a+l)
[0025] 其中(t+1)为第t+1次中第i个粒子的第j维的速度，pbest为当前粒子的最 优历史位置和gbest为所有粒子的最优历史位置。 Cl为认识因子和c 2为社会因子，通常情 况下，取值为2. 0,巧和r 2服从[0,1]之间的均匀分布的随机数。
[0026] 粒子主要的组成部分：中心点的坐标（x，y)，基准点的初始角度0，初始点与最终 点的配对序列和适应值。先通过中心点坐标和初始角度，确定队形中每个点的坐标，然后 对于每个队形生成一个配对序列，即将初始点与最终点进行配对，并计算每个初始点与配 对后的点得距离。针对正N边形，所有的初始点坐标表示为（x' py' i)，（x' 2，y' 2)， (x' 3，y' 3)，...，（x' n，y' n)，则第i个的移动距离为
[0027] Dt = - x,.)2 +(乃一乃)2
[0028] 其中（x〃 i，y" J为第i个舰艇配对后的坐标点。
[0029] 当只需要考虑所有移动距离的平均和最小时，其优化目标函数为
[0031] 当只需要考虑所有移动距离中最大距离时，其优化目标函数为
[0032] minmax {Dp D2, ? ? ?，DJ
[0033] 综合以上二种因素，其优化目标函数为
[0035] 本发明的主要优点
[0036] 1、将带约束条件的编队问题转变为一个无约束条件的优化问题，即利用相关知识 先生成一个满足约束条件的队形，则只需要优化队形的中心和初始角度。
[0037] 2、编队问题的解空间维数从2N降为N+3,其中N表示编队舰艇的总个数。使优化 的问题大大简化，优化效果大大提高。
[0038] 3、针对大规模的地面战车或舰艇编队，能给出一种对于正N边形编队的高效方 法。当编队战车或者舰艇个数很大时，粒子群算法一般情况下给出一个较满意的编队结果； 当编队的战车或舰艇个数较小时，粒子群算法能给出很满意的结果。
[0039] 4、为了验证本专利的有效性，本专利主要解决海面上大规模的舰艇编队问题，本 专利也能应用于大规模坦克的编队，大规模不同类型战车编队，多无人汽车的编队，多舰艇 的编队、多机器人的编队等等。
【附图说明】
[0040] 1、图1根据中心点、初始角度和半径生成满足正N边形的点
[0041] 2、图2 3个舰艇编队后的位置
[0042] 3、图3粒子群算法目标函数的变化曲线（正三边形）
[0043] 4、图4 10个舰艇编队后的位置
[0044] 5、图5粒子群算法目标函数的变化曲线（正10边形）
[0045] 6、图6 15个舰艇编队后的位置
[0046] 7、图7 50个舰艇编队后的位置
[0047] 8、图8 100个舰艇编队后的位置
[0048] 具体实施
[0049] 本专利运用了最经典、最广泛的群体智能优化算法之一一一粒子群算法，设计了 一个简单的、维数低的方法，不但能够减少优化过程中所需的时间，而且能够能达到较好的 效果。更重要的是，我们通过了一些相关的专业知识，针对多边形的编队问题，设计了一种 相对简单的方法，并能约束条件很好的处理，即所得到的解一定能够满足相应的约束条件。
[0050] 基于粒子群算法的超大航母编队的方法，主要分为以下几个步骤：
[0051] 第一步：所有粒子位置的初始化。先确定所有舰艇所集结的位置，比如，从Google 地图中导入一块复杂海域的地形图，并标识出舰艇的所在当前位置，这些当前位置则是所 有粒子的初始位置。为了验证方法的有效性，我们先从Google上截取一块地图，并只随机 生成一些离散点。
[0052] 第二步：对粒子群算法中重要参数进行赋值。
[0053] 粒子的个数：粒子数目越多，寻找到最优中心点，初始角度越好，但所需的时间越 多。
[0054] 每个粒子的维数：主要取决于正多边形的边数，边数越多，编队的队形越来越像一 个圆，解空间的维数越大，所需的时间越多，寻找到最优的队形越难。
[0055] 粒子的初始速度：粒子变化的最大范围，既不能太大也不能太小。
[0056] 惯性权值的变化范围，个体因子和社会因子：主要决定所有粒子是否收敛以及收 敛速度的关键因素。一般情况下，惯性权值随优化过程不断的线性递减的，初始的惯性权值 通常为0. 9。如果维数越来越大，最终的惯性权值应取小一点，比如0. 2,0. 1 ;如果维数较 小，则最终的惯性权值取大一点，比如〇. 4,0. 35。
[0057] 粒子的最大位置和最小位置：通过初始粒子的范围确定粒子的最大位置和最小位 置。
[0058] 队形半径的大小：主要决定队形的稠密和疏松。当队形半径较大时，队形较疏松； 当队形的半径较小时，队形较稠密。
[0059] 舰艇总个数：主要是由编队队形的边数确定。边数越大，则优化问题越难，所需时 间越多，越具有实际意义。
[0060] 第三步：计算每个粒子的适应度函数。首先，先通过（x，y，0 )计算所有点的最 终位置，再根据粒子的相应数值生成一个递增序列，用于初始点与最终点的配对，如下表所 不。
[0061]
[0062] 由上表可知，初始的第1个点与编队中第4个点配对，初始的第2个点与编队中第 3个点配对，初始的第3个点与编队中第6个点配对，初始的第4个点与编队中第2个点配 对，初始的第5个点与编队中第1个点配对，初始的第6个点与编队中第6个点配对。
[0063] 并根据配对结果计算每个舰艇初始位置到最终位置的距离和，以所有移动距离中 最大距离和平均距离为目标函数。如果新粒子的适应值比前pbest的适应值更小，则用新 粒子更新pbest ;否则，pbest保持不变。 \pbest{t) f(pbest(t)) <
[0064] pbest{t + \) = \ ?
[a (?) otherwise
[0065] 其中f( ?)通常为优化目标函数，即所有舰艇移动距离的最大值和平均和。
[0066] 第四步：当pbest中最小的适应值小于gbest的适应值时，用相应的最小适应值的 位置更新gbest。否则，gbest保持不变。
[0067] gbest (t+1) = argmin {f (pbesti (t)), f (pbest2 (t)f (pbestn (t))}
[0068] 其中n为粒子的总个数。
[0069] 第五步：针对连续型和离散型的参数，运用以下公式进行更新
[0070] V; j (t+1) = wVi j (t)+c1r1 (pbest (t)-Xi j(t))+c2r2 (gbest (t)-Xi j(t))Xi j (t+1)= X^W+V^a+l)
[0071] 第六步：粒子的当前位置超出所设置的最大值和最小值，对超出范围的粒子重新 赋值，即
[0072] Ut+1) =X_(j) + (X_(j)-X_(j))Xr3 ^(t+l) < Xnin(j)
[0073] Xjt+l) =X_(j) + (X_(j)-X_(j))Xr4 ^(t+l) > Xnax(j)
[0074] 同理可知，对于粒子的当前的速度来说，当超出粒子的最大速度时，粒子的速度重 新赋值为
[0075] V^a+l) = Vnin(j) + (Vnax(j)-Vnin(j)) Xr5 （t+1) > X_ (j)
[0076] ^(t+1) = V_(j) + (V_(j)-V_(j))Xr6 ^ (t+1) < V_ (j)
[0077] 其中X_(j)和X_(j)分别为第j维的最小位置和最大位置；V_(j)和V_(j)分 别为第j维的最小速度和最大速度。
[0078] 第七步：当迭代次数小于最大的设置次数时，转向第三步；否则，终止程序。
【主权项】
1. 复杂战场（超）大规模地面战车及海上舰艇的最优编队设计主要对大规模的陆军战 车在某个区域中编队，以及海军中不同区域多舰艇的集结、不同舰艇的协同防御有很重要 的参考价值，即以减少平均移动距离和，或者最小化所有移动距离的最大值为目标，设计最 优的战斗队形，并给出每个战车或舰艇的运动方向和距离。2. 本专利主要针对正多边形的舰艇编队问题，首先利用队形的中心和初始角计算出战 斗队形中每个点的坐标和具体位置；其次，还需对每个初始点和目标点进行配对。从本质上 看，大规模的战车和舰艇的编队问题是一个连续型和离散型的混合优化问题，即优化队形 中心的坐标和初始角度，以及初始点与目标点之间的配对问题。3. 利用粒子群算法求解多舰艇队形的中心、初始角度和配对的序列。由于粒子群算法 具有编程简单，优化效率较高的特点，则粒子群算法在较短的时间内给出较满意的编队结 果。4. 多舰艇编队问题所涉及的目标函数是所有舰艇从初始状态到目标状态的平均距离、 距离和，最大距离，以及相应的不同组合。
【文档编号】G06Q10/04GK105894104SQ201410513045
【公开日】2016年8月24日
【申请日】2014年9月30日
【发明人】刘军
【申请人】刘军