动态条件下武器目标分配算法研究.pdf

动态条件下武器目标分配算法研究

摘要

当今世界的安全形势不断发展和变化，需要对国家重要的资源进行保护和防御，

以确保其不受到威胁或攻击。武器目标分配（WeaponTargetAssignment，WTA）能够

有效地将可用的武器资源分配给不同的威胁目标，以最大程度地应对威胁以保护重点

资源。然而，由于防御武器的有限、威胁目标的不断变化以及威胁场景规模的扩大这

些特点，使得动态武器目标分配的复杂度呈指数型增长，因此如何在动态条件下为威

胁目标合理地分配防御武器资源，提高分配算法效率和稳定性是本文的主要解决的问

题，具体研究内容如下：

首先，对武器目标分配问题进行分析，介绍了其根据不同标准的分类，根据时间

因素将其分为静态和动态两种情况，分别进行分析和建模，并明确威胁目标和防御资

源模型。

其次，对目标威胁评估方法进行了深入研究。考虑到实际防御场景中目标信息的

不确定性和动态变化性，提出了一种基于区间直觉模糊集的空中目标动态威胁评估算

法。首先对目标的属性要素进行选取，构建合理威胁评估指标体系并对威胁属性采用

区间直觉模糊集进行表达。考虑模糊数的平均知识测度，给出了基于知识的区间直觉

模糊集评分函数，利用评分函数来确定目标威胁属性的客观权重。最后用加权直觉模

糊值得到总体评价，将决策矩阵和时间权重融合得到聚合决策矩阵，计算基于知识的

得分函数，得到最终的威胁评估结果。对目标威胁评估的结果表明，该算法组合了多

目标属性、多时刻的决策信息，为后续武器目标分配提供了可靠的依据。

然后，针对大规模防御场景下动态武器目标分配算法收敛慢、收敛稳定性差的问

题，设计了一种多阶段武器目标分配模型，将最小化所有目标的总威胁值作为优化目

标，提出基于综合学习策略的多种群协作粒子群算法进行全局优化求解。该算法采用

改进的整数编码策略，减少种群迭代过程中的不可行解，提高算法收敛速度，对种群

进行划分，对子种群采用不同的学习策略，实现群体间的信息共享和协同进化，采用

多维综合学习策略加快了算法的收敛速度，提高了算法的精度，同时在求解时利用基

于威胁的启发式初始化，大大提高了初始解的质量。对不同规模下的WTA求解问题进

行对比实验，结果表明该算法在求解动态武器目标分配问题具有良好的收敛性，并且

在大规模场景下最佳适应度值相较于标准粒子群算法、遗传算法最大有14.3％和12.56％

的提升，为大规模动态武器目标分配问题提供了有效的解决方案。

最后，设计基于多目标优化的动态协同WTA算法。除了考虑多目标优化问题之外，

哈尔滨工程大学硕士学位论文

还考虑了武器与雷达的协同问题，提出了一种多阶段协同WTA的多目标优化模型，将

最小化所有目标的总威胁值和最小化武器成本作为优化目标。针对动态协同WTA多目

标多约束的复杂性问题，提出了一种基于聚类和竞争机制的多目标人工蜂鸟算法，该

算法通过基于聚类的区域觅食策略提高非支配解的多样性，基于竞争的迁移觅食策略

使得算法能够保持较好的收敛性。对基准函数和多目标DWTA问题进行两组对比仿真，

结果表明本文提出的改进策略对人工蜂鸟算法的收敛性和解集的均匀性指标都有提升，

并且在相较于基于分解的多目标进化算法、多目标粒子群算法在算法的收敛性和解集

的均匀性指标上最大有16.7％和12.0％的提升，从而验证了其求解多目标协同WTA的

优势与可行性，为WTA的复杂多目标问题的求解提供了新的思路和方法。

关键词：资源防御；武器目标分配；威胁评估；多目标优化；优化算法

动态条件下武器目标分配算法研究

ABSTRACT

Thesecuritysituationinpresentworldisconstantlydevelopingandchanging,anditis

necessarytoprotectanddefendimportantnationalresourcestoensurethattheyarenot

threatenedorattacked.WeaponTarge