改进量子行为粒子群算法求解武器目标分配问题
基于粒子群优化算法的坦克火力分配方法
基于粒子群优化算法的坦克火力分配方法坦克火力分配是指在战场上，根据实际情况和战术需求，合理地分配坦克的火力，以取得最大的战斗效果和生存能力。
传统的坦克火力分配方法一般是由指挥官根据经验和直觉来做出决策，这种方法存在着主观性强、效果难以保证的问题。
近年来，随着智能算法的发展和应用，基于粒子群优化算法的坦克火力分配方法逐渐引起了研究者的关注。
粒子群优化算法是一种模拟自然界群体行为的优化方法，能够通过模拟粒子的群体行为来找到问题的最优解。
基于粒子群优化算法的坦克火力分配方法主要包括以下步骤：1. 建立数学模型：在进行坦克火力分配之前，首先需要建立一个数学模型，将问题转化为数学表示，例如将坦克单位和目标单位的关系表示为数学公式。
2. 确定优化目标：在坦克火力分配中，优化目标一般是最大化攻击效果或最大化生存能力。
根据实际需求，确定一个或多个优化目标。
3. 设计适应度函数：适应度函数是粒子群优化算法的核心，它用来评估每个粒子（即每种分配方案）的优劣程度。
适应度函数一般包括坦克的攻击力、射程、装甲等因素。
4. 初始化粒子群：在进行优化之前，需要初始化一定数量的粒子，并随机生成每个粒子的位置和速度。
5. 更新粒子位置和速度：根据粒子群优化算法的思想，在每次迭代时，根据当前位置和速度，更新每个粒子的新位置和速度。
6. 评估和选择粒子：根据适应度函数，评估每个粒子的适应度，并选择适应度最好的粒子作为当前的最优解。
7. 更新最优解：如果某个粒子的适应度优于当前最优解，那么将其更新为新的最优解。
8. 终止条件判断：根据设定的终止条件，判断是否终止算法。
例如可以设定迭代次数或达到某个收敛阈值时终止算法。
9. 输出结果：将得到的最优解作为坦克火力分配方案输出。
基于粒子群优化算法的坦克火力分配方法能够综合考虑多个因素，通过对分配方案的不断优化，使得坦克的火力能够更加精准地打击目标，并提高坦克的生存能力。
该方法还具有自适应性强、全局搜索能力好等特点，能够有效解决传统方法中存在的问题。
一种量子粒子群算法的改进方法
一种量子粒子群算法的改进方法
杨传将;刘清;黄珍
【期刊名称】《计算技术与自动化》
【年(卷),期】2009(028)001
【摘要】针对量子粒子群算法存在的问题,设计基于公共历史的两种群并行搜索的量子粒子群算法.在利用群体历史优质解及最优粒子变异的基础上,对粒子群进行筛选,加快粒子群的收敛速度,并采用两种群并行搜索,防止同时陷入局部极值.通过多个函数的测试,该算法在收敛速度及寻找全局最优方面,都表现出较好的效果.
【总页数】4页(P100-103)
【作者】杨传将;刘清;黄珍
【作者单位】武汉理工大学自动化学院,湖北,武汉,430063;武汉理工大学自动化学院,湖北,武汉,430063;武汉理工大学自动化学院,湖北,武汉,430063
【正文语种】中文
【中图分类】TP301
【相关文献】
1.一种基于Cauchy变异的量子粒子群算法 [J], 高浩;吴冬梅;丁洁
2.一种求解武器目标分配问题的量子粒子群算法 [J], 刘爽英;韩燮
3.一种求解组卷问题的量子粒子群算法 [J], 李欣然;靳雁霞
4.基于一种改进量子粒子群算法的配电网重构 [J], 谢梦琼;张学毅;杨洋
5.一种基于改进的量子粒子群算法的翼型优化设计方法研究 [J], 吴淞
因版权原因，仅展示原文概要，查看原文内容请购买。
基于粒子群优化的多数据链任务分配模型及方法
基于粒子群优化的多数据链任务分配模型及方法
随着科技的发展，多数据链任务分配成为现代军事作战的一个非常重要的问题。
如何合理地分配任务，使得多个数据链能够协同作战，以达到最好的效果，成为了一个引人关注的研究问题。
本文介绍了一种基于粒子群优化的多数据链任务分配模型及方法。
首先，我们需要确定多数据链系统的任务分配问题所需要优化的目标函数。
本文中，我们以最大化整个多数据链系统的效益为目标函数。
其中，效益可以定义为数据链之间的传输速度和通信质量。
同时，我们需要考虑到指挥官对整个战场的实时可视化需求，以及现代军事作战所面临的信息安全挑战，包括对敌方信息的拦截和干扰等。
其次，我们介绍一种基于粒子群优化的算法来解决此问题。
粒子群优化算法是一种基于群体智能的全局寻优算法，其精髓在于通过不断地种群迭代和信息交流来提高搜索性能和收敛速度。
在多数据链任务分配问题中，每个粒子代表着一个方案，所有粒子一起组成了一个搜索空间。
通过不断地迭代更新每个粒子的位置和速度，最终找到整个搜索空间中的最优解。
最后，我们给出了一个实验示例来验证该方法的有效性。
在本实验中，我们利用国防科技大学的多数据链仿真平台来模拟了多数据链系统的战场环境。
我们将比较基于粒子群优化的方法和其他常见的优化算法，在实验结果中，我们发现基于粒子群优化的方法在效率和精度上都有明显地优势，较好地解决了多数据链任务分配问题。
综上所述，本文介绍了一种基于粒子群优化的多数据链任务分配模型及方法，该方法具有快速有效、准确性高等特点，可以优化整个多数据链系统的效益，为现代军事作战提供重要的支撑作用。
多飞行器协同任务分配的改进粒子群优化算法
多飞行器协同任务分配的改进粒子群优化算法摘要：在当今军用和民用领域，飞行器在目标搜索、对地攻击、空中搜救、交通巡查以及快递运输等方面发挥着重要作用。
因为单架飞行器无法高效率的完成复杂任务，经常需要使用多个飞行器协同完成复杂任务。
因此，多飞行器系统在复杂的任务环境实现灵活的任务，已成为重要研究内容，多飞行器协同任务分配问题已成为飞行器自主导航领域亟需解决的关键问题。
多飞行器协同任务分配是指：给定飞行器的种类及数量，根据一定的物理环境信息和任务要求，将一个或多个任务分配给一个飞行器，当所有飞行器完成所分配的任务后，整个飞行器编队的整体效能达到最优。
基于此，对多飞行器协同任务分配的改进粒子群优化算法进行研究，以供参考。
关键词：多飞行器协同；任务分配；粒子群；优化算法引言路径规划技术是当前无人机领域的热门研究方向之一，近年来，随着无人机的广泛使用，路径规划对于无人机执行任务和规避工作环境中的障碍至关重要。
路径规划旨在为无人机规划安全、可行的最优路径。
并且规划的路径还需要满足无人机实际应用过程中的操作可行性。
因此，在满足安全性与可行性的基础上，增强无人机在复杂的多障碍环境下的路径寻优能力，具有重要的研究意义。
1多飞行器协同任务分配多飞行器协同任务分配是指：给定飞行器的种类及数量，根据一定的物理环境信息和任务要求，将一个或多个任务分配给一个飞行器，当所有飞行器完成所分配的任务后，整个飞行器编队的整体效能达到最优。
在解决多飞行器任务分配问题时，需考虑飞行器的任务能力上限、任务时序约束以及实时规划有效性等要求。
理论上，多飞行器任务分配问题属于NP-hard的排列组合问题。
对于大规模系统，难以完全避免组合爆炸问题。
2粒子群算法粒子群算法(PSO)是20世纪90年代出现的一种智能进化算法。
一定数量的粒子构成群体,每个粒子代表一个潜在的解决方案,利用自适应函数来评估粒子的优缺点,遵循当前粒子群体中的最佳解和粒子历史上的最佳解,不断更新粒子群体以寻找全局最优解。
创造性思维粒子群优化的武器目标分配
＊基 金 项 目 ： 家 自然科 学基 金 （０ ７０ ３６ ９ ４ ７ ） 国 ６ ９ ４ ７ ，０ ７ ０ ４ ；
装 备 预研 基 金 资 助 项 目（ １ Ｃ ４ ５ ５ ９４ ６００）
作 者 简 介 ： 振 林 （９ １ ） 男 ， 西 运 城 人 ， 士 研 究 刘 １ ７一 ， 山 硕
生 ， 究方 向 ： 研 防空 作 战 指 挥 。
刘 振 林 ， ： 造 性 思 维 粒 子 群 优 化 的 武 器 目标 分 配 等 创
（ 第 ３ －４ ３ 总 ７ １）
・５・
的发 展 ， 究 人 员 采 用 新 兴 的 智 能 优 化 算 法 求 解 研 Ｗ ＴＡ 问题 ， 使 用 遗 传 算 法 、 子 群 算 法 、 群 算 如 粒 蚁
将 合 适 的 武器 分配 给相 应 的 目标 ， 以使 得 整 体 防空
效能 最优 。 当前 ， 空袭 样 式和 空袭 武器装 备 的快 速发 展 ， 其是 空袭 武器 机动 性 和隐身 性 能的提 高 ， 尤 以及 作 战节奏 的加 快 ， 得 战场 态势 瞬息 万变 ， 空作 战 使 防 体 系不 仅 应 关 注 ＷＴ 的分 配效 果 即求 解质 量 ， Ａ 同 时还 应 提高分 配效 率 ， 以满 足 战场实 时性要 求 。 ＷＴ 是 一 种 整 数 型 非 线 性 组 合 优 化 问 题 。 Ａ １８ ９ ６年 ， ｌｙ Ｌ ｏ ｄ证 明 其 为 ＮＰ Ｃ ｍｐｅｅ问 题 ［ ， — ｏ ｌｔ １ 即 ］ 当武器 和 目标 规 模 较 大 时 ， 统 的优 化方 法 如 分 支 传 定界 法 、 割平 面法 、 隐枚 举 法等难 以满足计 算 实时 性 要求 ， 且难 以保证 全 局最 优 。 随着计 算机 和生 物技 术
基于粒子群优化算法的坦克火力分配方法
基于粒子群优化算法的坦克火力分配方法粒子群优化算法（Particle Swarm Optimization, PSO）是一种模拟鸟群觅食行为的群体智能优化算法，它通过模拟鸟群中个体之间的信息共享和协同行动的方式，来优化问题的解。
本文将基于粒子群优化算法，提出一种坦克火力分配方法。
坦克的火力分配问题是指将一定数量的火力资源合理分配给多个目标。
在实际应用中，坦克可能需要同时攻击多个目标，因此如何从有限的火力资源中分配给不同目标，以达到最优的攻击效果，成为了一个重要的问题。
我们定义问题的数学模型。
假设有N辆坦克和M个目标，每辆坦克有一定的火力资源Fi，每个目标的重要程度分别为Wi，坦克对目标的攻击效果与火力投射距离相对应，距离越远，火力效果越弱。
我们的目标是最大化整体火力效果，即最大化每个目标的受损程度。
我们可以定义目标函数如下：max Σ (Fi * Wi * (1 - Di / Di_max))Fi表示第i辆坦克的火力资源，Wi表示第i个目标的重要程度，Di表示第i个目标与最近的坦克的距离，Di_max表示最大攻击距离。
接下来，我们将使用粒子群优化算法来求解这个问题。
PSO算法中，将每个个体看作一个粒子，其位置表示解的一个分量（即坦克对目标的分配比例），速度表示搜索的方向和速度。
每个粒子根据自身的历史最优解和群体最优解，不断更新自己的位置和速度，以期望找到全局最优解。
算法步骤如下：1. 初始化粒子群的位置和速度。
位置由每个粒子的坦克对目标的分配比例组成，速度由每个分量的改变步长组成。
2. 计算每个粒子的适应度值（即目标函数值）。
根据适应度值更新个体历史最优解和群体历史最优解。
3. 更新每个粒子的速度和位置。
根据当前位置和速度，更新下一时刻的速度和位置。
4. 判断是否满足停止条件。
如果满足停止条件，则输出最优解；否则，返回第2步。
在具体实现中，我们可以设置合适的参数，如粒子群的大小、最大迭代次数、速度和位置的边界等。
改进的人工免疫算法求解武器-目标分配问题
改进的人工免疫算法求解武器-目标分配问题
徐克虎;黄大山;王天召
【期刊名称】《系统工程与电子技术》
【年(卷),期】2013(35)10
【摘要】为提高武器-目标分配(weapon-target assignment,WTA)模型求解的实时性与精确度,针对人工免疫算法(artificial immune algorithm,AIA)提出了一系列改进措施.在采用自适应锦标赛选择算子的基础上,引入“(1+λ)-选择”全局更新技术以提高算法的全局寻优能力,引入Memetic局部更新技术以提高算法的局部搜索能力,采用最优抗体抑制机制减小了AIA陷入局部最优的危险.仿真实验结果显示,改进的人工免疫算法(improved AIA,IAIA)具有较快的收敛速度及较高的收敛精度,满足WTA问题解算需求.
【总页数】7页(P2121-2127)
【作者】徐克虎;黄大山;王天召
【作者单位】装甲兵工程学院控制工程系,北京100072;装甲兵工程学院控制工程系,北京100072;装甲兵工程学院控制工程系,北京100072
【正文语种】中文
【中图分类】TP301.6;E911
【相关文献】
1.求解武器目标分配问题的改进粒子群算法 [J], 李欣然;樊永生
2.改进的人工蜂群算法求解武器目标分配问题 [J], 毛艺帆;张多林
3.改进量子行为粒子群算法求解武器目标分配问题① [J], 李欣然
4.改进差分进化算法求解武器目标分配问题 [J], 吴文海;郭晓峰;周思羽;高丽
5.基于改进多目标HQPSOGA求解武器目标分配问题 [J], 邱少明;冯江惠;杜秀丽;王建伟
因版权原因，仅展示原文概要，查看原文内容请购买。
基于粒子群优化算法的坦克火力分配方法
基于粒子群优化算法的坦克火力分配方法坦克火力分配是指在战斗中合理分配坦克的火力，以实现最佳的战斗效果。
粒子群优化算法是一种模拟自然界群体智能行为的优化算法，通过模拟鸟群觅食行为来解决优化问题。
本文将介绍基于粒子群优化算法的坦克火力分配方法。
确定优化目标。
坦克火力分配的优化目标通常是最大化对敌方目标的杀伤力或者最大化自身存活能力。
根据实际情况和需求，确定相应的优化目标。
定义问题的解空间。
坦克火力分配可以看作是一个多目标优化问题，需要同时考虑多个目标，如火力分配、存活能力等。
定义问题的解空间，包括决策变量和约束条件。
然后，初始化粒子群和优化参数。
粒子群优化算法中，粒子代表一个潜在解，每个粒子的位置表示一个解的候选解。
初始化一定数量的粒子群，并设置相应的优化参数，如最大迭代次数、收敛精度等。
接着，利用目标函数评估每个粒子的适应度。
目标函数根据定义的优化目标来评估每个粒子的适应度，适应度越高表示该解越优。
根据实际情况和需求，设计适合的目标函数。
然后，更新粒子的速度和位置。
根据粒子群优化算法的原理，通过更新粒子的速度和位置来搜索最优解。
更新粒子的速度和位置的过程中，需要考虑惯性权重、个体学习因子和社会学习因子等参数。
判断终止条件。
粒子群优化算法通过迭代搜索来寻找最优解，需要设置终止条件来判断是否达到停止迭代的条件。
常见的终止条件包括达到最大迭代次数、达到收敛精度等。
基于粒子群优化算法的坦克火力分配方法包括确定优化目标、定义问题的解空间、初始化粒子群和优化参数、利用目标函数评估每个粒子的适应度、更新粒子的速度和位置、判断终止条件等步骤。
该方法可以有效地优化坦克的火力分配，提高坦克的战斗效果。
但需要根据实际情况和需求，合理设计适合的目标函数和约束条件，以及调整优化参数，才能得到满意的结果。
创造性思维粒子群优化的武器目标分配
创造性思维粒子群优化的武器目标分配
刘振林;唐苏妍;葛伟
【期刊名称】《火力与指挥控制》
【年(卷),期】2012(037)003
【摘要】现代战争特点为防空作战中武器目标分配(WTA)问题的求解效率和质量提出了新的需求和挑战.建立了WTA问题模型,并选择粒子群优化算法(PSO)求解模型.针对PSO算法在求解WTA模型中出现的早熟收敛特性,从认知心理学角度进行分析,将创造性思维(CT)引入PSO的速度更新公式中,提出了一种基于创造性思维的PSO算法CTPSO.针对WTA模型的离散性特点,设计了编码与解码策略,及位置和速度矢量的离散化运算规则.实验证明了CTPSO算法在WTA问题求解质量和求解效率方面的优越性.
【总页数】6页(P4-9)
【作者】刘振林;唐苏妍;葛伟
【作者单位】解放军93605部队,北京102100,;国防科技大学信息系统与管理学院,长沙410073;解放军61565部队,北京102600;解放军93605部队,北京102100,【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于改进型多目标粒子群优化算法的武器-目标分配 [J], 夏维;刘新学;范阳涛;元锋刚
2.基于整数域改进粒子群优化算法的多平台武器目标分配 [J], 杨飞;王青;侯砚泽
3.应用于武器-目标分配问题的量子行为粒子群优化算法 [J], 李欣然;靳雁霞
4.武器目标分配决策的粒子群优化算法探讨——基于多层防御模式下 [J], 石小艳
5.武器-目标分配问题的粒子群优化算法 [J], 高尚;杨静宇
因版权原因，仅展示原文概要，查看原文内容请购买。
基于粒子群优化算法的坦克火力分配方法
基于粒子群优化算法的坦克火力分配方法坦克火力分配是指根据目标属性和环境情况，合理分配坦克的各种火力资源，以达到最好的战斗效果。
通常，坦克的火力资源包括炮弹、高射机枪、火焰喷射器等。
由于敌方防御方式经常变化，对火力资源的合理分配要求根据实际情况快速适应变化，因此需要使用一种高效的坦克火力分配方法。
粒子群优化算法是一种基于群体智能的优化算法，它在解决复杂问题方面表现出色。
本研究将粒子群优化算法应用于坦克火力分配问题中，探讨其可行性和有效性。
首先，需要确定坦克火力分配问题的数学模型。
根据实际需要，采用目标函数法，以最小化坦克受到的攻击伤害为目标函数，并考虑到火力资源之间的相互配合，设置不同的约束条件。
如对于炮弹和高射机枪，由于其射程和攻击方式的不同，需要分别设置约束条件。
同时，为了避免过分依赖已知信息，给定坦克火力分配的出发点，将初值作为约束条件加入数学模型中。
然后，需要设计粒子群优化算法的流程。
将每个样本坦克看作一个粒子，将粒子的位置向最优解方向移动，直到达到全局最优解或达到最大迭代次数为止。
具体地，要初始化种群和最优解，并确定初始速度和权重因子，然后根据目标函数和约束条件，计算适应度值和速度，更新粒子的位置和适应度值，并更新最优解。
最后，对计算结果进行可视化，并对实验结果进行进一步分析和评估。
最后，进行实验验证和结果分析。
为了验证基于粒子群优化算法的坦克火力分配方法的效果，使用MATLAB进行模拟。
实验结果表明，该方法具有快速适应变化的能力，能够在大规模多目标复杂环境中发挥优秀的效果，提高坦克的作战效率。
综上所述，本研究根据实际需要，提出了一种基于粒子群优化算法的坦克火力分配方法，并设计了相应的数学模型和优化算法流程。
实验结果表明，该方法具有很高的效率和准确性，是一种有效的坦克火力分配方法。
未来，我们将进一步研究和优化该方法，以适应更广泛的实际应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｄ ｅ ｆ ｎｉ ｉ ｎ ｇ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｅ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｓ ｐ ｅ ｅ ｄ ａ ｎ ｄ ｐａ ｒ ｔ ｉ ｃ ｌ ｅ ａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｉ ｏ ｎ ｄ ｅ ｇ ｒ ｅ ｅ ，ｔ ｈ ｅ ｉ ｎ ｅ ｒ ｔ ｉ ａ ｗｅ ｉ ｇ ｈ ｔ ｉ ｓ ｅ ｘ ｐ ｒ ｅ ｓ ｓ ｅ ｄ ａ ｓ ｔ ｈ ｅ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｏ ｆ
ＬＩ Ｘｉ ｎ － Ｒａ ｎ
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｎｏ ｒ ｔ ｈ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｃ ｈ ｉ ｎ ａ ， Ｔ ａ ｉ ｙ ｕ ａ ｎ ０ ３ ０ ０ ５ １ ， Ｃ ｈ ｉ ｎ ａ ）
ｏ ｆ ｈｅ ｔ ｐ ａ ｒ ｔ ｉ ａ ｌ ｏ ｐ ｔ ｉ ｍｉ ａｔ ｚ ｉ ｏ ｎ ． Ｆ ｉ ｎ ａ ｌ ｌ ｙ ，ａ ｍｕ ｌ ｔ ｉ ｐ ｌ ｅ ｗｅ ａ ｐ ｏ ｎ ｓ ｔ ａ ｒ ｇ ｅ ｔ ａ ｓ ｓ ｉ ｇ ｎ ｍｅ ｎ ｔ ｉ ｓ ｂ ｕ ｉ ｌ ｔ ｔ ｏ ｍｅ ｅ ｔ ｈｅ ｔ ｔ ａ ｒ ｇ ｅ ｔ ｏ ｆ ｈｅ ｔ ｍｉ ｎ ｉ ｍｕ ｍ ｆ ａ ｉ ｌ ｕ ｒ ｅ ｐ ｒ ｏ ｂ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｎ ｉ ｌｌ ａ ｏ ｃ ｔｉ ａ ｎ ｇ ｗｅ ａｐ ｏ ｎ ｓ ｎｄ ａ ｓ ｈ ｏ ｏ ｔ ｉ ｎ ｇ ａ ｌ ｌ ｔ ａ ｒ ｇ ｅ ｔ ｓ ． Ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｓ ｔ ｉ ｎ ｄ ｉ ｃ ａ ｔ ｅ ｈａ ｔ ｔ ｈｅ ｔ ｎ ｅ ｗ ｌｇ ａ ｏ ｒ ｉ ｔ ｈ ｍ ｃ ａ ｎ ｇ ｅ ｔ ｔ ｈ ｅ ｏ ｐ ｔ ｉ ｍａ ｌ ｏ ｒ ｓ ｕ ｂ ｏ ｐ ｔ ｉ ｍａ ｌ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｔ ｏ ＷＴ Ａ ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ， ｈａ ｔ ｔ ｉ ｓ ， ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｓ ｏ ｌ ｖ ｅ ＷＴ Ａ ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：ｑ ｕ ａ ｎ ｔ ｕ ｍ－ ｂ ｅ ｈ ａ ｖ ｅ ｄ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｗａ ｒ ｍ ｏ ｐ ｔ ｉ ｍｉ ａｔ ｚ ｉ ｏ ｎ ；ｓ ｅ ｌ ｆ － ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ ；ｉ ｎ ｅ ｒ ｔ ｉ ａ ｗｅ ｉ ｇ ｈ ｔ ；ｓ ｌ ｏ ｗｌ ｙ ｖ ａ ｒ ｙ ｉ ｎ ｇ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ；
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｓ ｏ ｌ ｖ ｉ ｎ ｇ ｅ ｆ ｉ ｆ ｃ ｉ ｅ ｎ ｃ ｙ ａ ｎ ｄ ｐ ｅ ｆ ｒ ｏ ｒ ｍａ ｎ ｃ ｅ ｏ ｆ Ｗｅ ａ ｐ ｏ ｎ Ｔ ａ ｒ ｇ ｅ ｔ Ａ ｓ ｓ ｉ ｇ ｎ ｍｅ ｎ ｔ （ ＷＴ Ａ ） ， ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ
要 ：为了提 高武器 目标分配（ ＷＴ Ａ ） 题 的求解效率和性 能，提 出一种求解武器 目标分配 问题 的改进 量子粒 子
群优化 算法．首先，通过定义粒 子进化速度及粒子 聚集度，将惯性权重表示 为粒 子进化速度和粒 子聚集度 的函数， 使 惯性权重具有 自适应性．其次，将慢变 函数 引入传 统位置更新公式 中，有效地克服 陷入局部最优解 的 问题．最 后，以分配 各类武 器迎击来袭 目标 的失败概率最低为 目标，建立多种类型武器 目标分配 问题模型． 仿真 实验表 明， 提 出的算法能快速 给 出武器 目标分配 问题 的最好 或较好 分配方 案；能高效地求解武器 目标分配 问题．
关键 词： 基 于量子行为的粒子群优化算法（ Ｑ Ｐ Ｓ Ｏ ） ；自适应 ； 惯性权重；慢变 函数；武器 目标分配（ ＷＴ Ａ ）
Ｑｕ ａ ｎ ｔ ｕ ｍ－ Ｂ ｅ ｈ ａ ｖ ｅ ｄ Ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ Ｓ ｗａ ｒ ｍ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｏ ｎ Ｗｅ ａ ｐ ｏ ｎ Ｔ ａ ｒ ｇ ｅ ｔ Ａｓ ｓ ｉ ｇ ｎ ｍｅ ｎ ｔ
ｓ ｌ ｏ ｗｌ ｙ ｖ ａ ｒ ｙ ｉ ｎｇ ｆ ｕｎ ｃ ｔ ｉ ｏ ｎ ｉ ｓ ｎ ￣ｏ ｉ ｄ ｕ ｃ ｄ ｅ ｉ ｎ ｔ ｏ ｈｅ ｔ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏｎ ａ ｌ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ｕ ｐ ｄ ｍｉ ｎｇ ｆ ｏｒ ｍ ｕ ｌ ａ ， ｅ ｆｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｏ ｖ ｅ ｒ ｃ ｏ ｍｉ ｎｇ ｈｅ ｔ ｐ ｒ ｏ ｂｌ ｅ ｍ
２ห้องสมุดไป่ตู้０ １ ３年 第 ２ ２卷 第 ７期
ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｗ ｗ ． ｃ － ｓ － ａ ． ｏ ｒ ｇ ． ｃ ｎ
计 算 机 系 统 应 用
改进量子行为粒子群算法求解武器 目标分配问
李欣然
（ 中北大 学 电子与计算机科学技术学 院，太 原 ０ ３ ０ ０ ５ １ ）
摘
ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｅ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｓ ｐ ｅ ｅ ｄ ａ ｎ ｄ ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｉ ｏ ｎ ｄ ｅ ｒｅ ｇ ｅ ， ｍａ ｋ ｉ ｎ ｇ ｈｅ ｔ ｉ ｎ ｅ ｒ ｔ ｉ ａ ｗｅ ｉ ｇ ｈ ｔ ｈ ａ ｖ ｅ ｓ ｅ ｌ ｆ － ａ ｄ ａ ｐ ｔ ｉ ｖ ｉ ｔ ｙ ． Ｓ ｅ ｃ ｏ ｎ ｄ ｌ ￣ｔ ｈ ｅ