自适应遗传算法解决战场频率指配问题研究

合集下载

应对战场电磁干扰的自适应动态指标配置方法

应对战场电磁干扰的自适应动态指标配置方法

摇 第8期
应对战场电磁干扰的自适应动态指标配置方法
1649
battlefield electromagnetic interference. The experiment and simulation were made, and the calculated re鄄 sults of the proposed algorithm was compared with those of the standard algorithm. The simulated results show that the proposed algorithm is feasible and accurate. Keywords: electromagnetic interference; cyberspace battlefield; self鄄adaption; grey target decision; dy鄄 namic indicator; indicator determination; spectrum control
Abstract: In the confrontation between friend and foe, the continuous electromagnetic conflict and inter鄄 ference may lead to the decrease in operational effectiveness or even functional loss of equipment. How to achieve rapid response and accurately configure the components and parts parameters in the electromag鄄 netic interference environment has become one of the key capabilities to win the modern war. According to the uncertain, dynamic and multi鄄dimensional characteristics of battlefield electromagnetic interfer鄄 ence, an adaptive dynamic indicator configuration method based on grey bullseye decision theory is pro鄄 posed for the decision鄄making environment with unknown index weights and time sequence weights. Tak鄄 ing the approaching degree as a measurement standard, an adaptive grey target decision model with multi鄄 ple time intervals is given vertically, and the adaptive adjustment method of the acquisition interval timing is given horizontally to realize the adaptive adjustment and determination of the countermeasure indica鄄 tors. A adaptive dynamic indicators configuration model is constructed based on the type and principle of

matlab遗传算法求解配送中心选址问题案例讲解

matlab遗传算法求解配送中心选址问题案例讲解

matlab遗传算法求解配送中心选址问题案例讲解遗传算法是一种基于生物进化原理的优化算法,可以用于求解各种复杂的问题,包括配送中心选址问题。

下面是一个使用MATLAB实现遗传算法求解配送中心选址问题的案例讲解。

一、问题描述假设有一组客户和一组候选的配送中心,每个客户都有一个需求量,配送中心有一个最大容量。

目标是选择一些配送中心,使得所有客户的需求量能够被满足,同时总成本最低。

二、算法实现1. 初始化种群在MATLAB中,可以使用rand函数随机生成一组候选配送中心,并使用二进制编码来表示每个配送中心是否被选中。

例如,如果候选配送中心有3个,则可以生成一个长度为3的二进制串来表示每个配送中心的状态,其中1表示被选中,0表示未被选中。

2. 计算适应度值适应度值是评估每个解的质量的指标,可以使用总成本来表示。

总成本包括建设成本、运输成本和库存成本等。

在MATLAB中,可以使用自定义函数来计算适应度值。

3. 选择操作选择操作是根据适应度值的大小选择解的过程。

可以使用轮盘赌选择、锦标赛选择等算法。

在MATLAB中,可以使用rand函数随机选择一些解,并保留适应度值较大的解。

4. 交叉操作交叉操作是将两个解的部分基因进行交换的过程。

可以使用单点交叉、多点交叉等算法。

在MATLAB中,可以使用自定义函数来实现交叉操作。

5. 变异操作变异操作是对解的基因进行随机修改的过程。

可以使用位反转、位变异等算法。

在MATLAB中,可以使用rand函数随机修改解的基因。

6. 终止条件终止条件是判断算法是否结束的条件。

可以使用迭代次数、最优解的变化范围等指标来判断终止条件。

在MATLAB中,可以使用自定义函数来实现终止条件的判断。

三、结果分析运行遗传算法后,可以得到一组最优解。

可以根据最优解的适应度值和总成本进行分析,并确定最终的配送中心选址方案。

同时,也可以使用其他评价指标来评估算法的性能,如收敛速度、鲁棒性等。

基于三角函数自适应遗传算法的停机位分配方法研究

基于三角函数自适应遗传算法的停机位分配方法研究

基于三角函数自适应遗传算法的停机位分配方法研究摘要:停机位分配是较复杂的组合优化问题,也是民航机场生产调度的关键。

而当前的停机位分配研究大多存在考虑因素片面性,对航班差异化和运行多方利益公平性的考虑不多。

针对上述现有研究存在的不足,从机场运行利益多方考虑,构建飞机的燃油成本和增加靠桥率为优化目标构建分配模型。

为提高遗传算法的收敛速度和搜索效率,引入三角函数来自适应调整遗传算法的交叉和变异算子。

将改进的遗传算法(SAGA)对国内机场航班进行停机位分配,通过与原分配方案的求解结果进行对比,求解结果能够有效提高总适应度值,总适应度值提高了15.6%,最优解提高了验证改进算法的合理性和有效性。

关键词:停机位分配;遗传算法;自适应;交叉和变异算子1.引言随着经济水平的飞速发展,越来越多国民选择乘坐飞机出行,大力发展民航运输是当今的大趋势。

但是在民航运输业方兴未艾的同时,民航运输需求与机场规模的矛盾、保障设施数量与航班架次的矛盾逐渐突出。

快速增长的国民需求给保障航班运行的机场跑道、滑行道、停机位、航站楼和相关服务保障设施等资源带来巨大的压力,在保证地面飞行安全前提下,通过生产资源的合理调度和优化配置,提高资源利用率和服务水平从而提升经营效益,这已成为机场运营迫切需要深入研究和尽快解决的关键问题[1]。

停机位资源的优化分配是短期内机场资源优化分配的关键步骤,在有限的机场资源条件下建立更合理的停机位分配方案对于降低机场工作人员的工作负担、提高机场的运行效率和服务质量意义重大。

通过对停机位分配的约束条件进行归纳求解后建立规划和优化的数学模型,进一步通过数学方法进行算法求解。

Ghazouani等[2]以近机位使用率最高为目标,采用遗传算法进行求解。

Marinelli[3]以最小化旅客行走距离与远机位使用率为目标,使用蜂群算法进行求解。

杨越等[4]以旅客步行距离最短和近机位使用率最高为目标建立了分配优化模。

尹嘉男等[5]以飞机滑行时间最短为目标进行了研究。

基于自适应遗传算法的多无人机协同任务分配

基于自适应遗传算法的多无人机协同任务分配

2021,36(1)电子信息对抗技术Electronic Information Warfare Technology㊀㊀中图分类号:V279;TN97㊀㊀㊀㊀㊀㊀文献标志码:A㊀㊀㊀㊀㊀㊀文章编号:1674-2230(2021)01-0059-06收稿日期:2020-02-28;修回日期:2020-03-30作者简介:王树朋(1990 ),男,博士,工程师㊂基于自适应遗传算法的多无人机协同任务分配王树朋,徐㊀旺,刘湘德,邓小龙(电子信息控制重点实验室,成都610036)摘要:提出一种自适应遗传算法,利用基于任务价值㊁飞行航程和任务分配均衡性的适应度函数评估任务分配方案的优劣,在算法运行过程中交叉率和变异率进行实时动态调整,以克服标准遗传算法易陷入局部最优的缺点㊂将提出的自适应遗传算法用于多无人机协同任务分配问题的求解,设置并进行了实验㊂实验结果表明:提出的自适应遗传算法可以较好地解决多无人机协同任务分配问题,得到较高的作战效能,证明了该方法的有效性㊂关键词:遗传算法;适应度函数;无人机;任务分配;作战效能DOI :10.3969/j.issn.1674-2230.2021.01.013Cooperative Task Assignment for Multi -UAVBased on Adaptive Genetic AlgorithmWANG Shupeng,XU Wang,LIU Xiangde,DENG Xiaolong(Science and Technology on Electronic Information Control Laboratory,Chengdu 610036,China)Abstract :An improved adaptive genetic algorithm is proposed,and a fitness function based ontask value,flying distance and the balance of task allocation scheme is used to evaluate the qualityof task allocation schemes.In the proposed algorithm,the crossover probability and mutation prob-ability can adjust automatically to avoid effectively the phenomenon of the standard genetic algo-rithm falling into the local optimum.The proposed improved genetic algorithm is used to solve the problem of cooperative task assignment for multiple Unmanned Aerial Vehicles (UAVs).The ex-periments are conducted and the experimental results show that the proposed adaptive genetic al-gorithm can significantly solve the problem and obtain an excellent combat effectiveness.The ef-fectiveness of the proposed method is demonstrated with the experimental results.Key words :genetic algorithm;fitness function;UAV;task assignment;combat effectiveness1㊀引言无人机是一种依靠程序自主操纵或受无线遥控的飞行器[1],在军事科技方面得到了极大重视,是新颖军事技术和新型武器平台的杰出代表㊂随着战场环境日益复杂,对于无人机的性能要求越来越高,单一无人机在复杂的战场环境中执行任务具有诸多不足,通常多个无人机进行协同作战或者执行任务㊂通常地,多无人机协同任务分配是:在无人机种类和数量已知的情况下,基于一定的环境信息和任务需求,为多个无人机分配一个或者一组有序的任务,要求在完成任务最大化的同时,多个无人机任务执行的整体效能最大,且所付出的代价最小㊂从理论上讲,多无人机协同任务分配属于NP -hard 的组合优化问题,通常需95王树朋,徐㊀旺,刘湘德,邓小龙基于自适应遗传算法的多无人机协同任务分配投稿邮箱:dzxxdkjs@要借助于算法进行求解㊂目前,国内外研究人员已经对于多无人机协同任务分配问题进行了大量的研究,并提出很多用于解决该问题的算法,主要有:群算法㊁自由市场机制算法和进化算法等㊂群算法是模拟自然界生物群体的行为的算法,其中蚁群算法[2-3]㊁粒子群算法[4]以及鱼群算法[5]是最为典型的群算法㊂研究人员发现群算法可以用于求解多无人机协同任务分配问题,但是该算法极易得到局部最优而非全局最优㊂自由市场机制算法[6]是利用明确的规则引导买卖双方进行公开竞价,在短时间内将资源合理化,得到问题的最优解和较优解㊂进化算法适合求解大规模问题,其中遗传算法[7-8]是最著名的进化算法㊂遗传算法在运行过程中会出现不容易收敛或陷入局部最优的问题,许多研究人员针对该问题对遗传算法进行了改进㊂本文提出一种改进的自适应遗传算法,在算法运行过程中适应度值㊁交叉率和变异率可以进行实时动态调整,以克服遗传算法易陷入局部最优的缺点,并利用该算法解决多无人机协同任务分配问题,以求在满足一定的约束条件下,无人机执行任务的整体收益最大,同时付出的代价最小,得到较大的效费比㊂2㊀问题描述㊀㊀多无人机协同任务分配模型是通过设置并满足一定约束条件的情况下,包括无人机的自身能力限制和环境以及任务的要求等,估算各个无人机执行任务获得的收益以及付出的代价,并利用评价指标进行评价,以求得到最大的收益损耗比和最优作战效能㊂通常情况下,多无人机协同任务分配需满足以下约束:1)每个任务只能被分配一次;2)无人机可以携带燃料限制造成的最大航程约束;3)无人机载荷限制,无人机要执行某项任务必须装载相应的载荷㊂另外,多无人机协同任务分配需要遵循以下原则:1)收益最高:每项任务都拥有它的价值,任务分配方案应该得到最大整体收益;2)航程最小:应该尽快完成任务,尽可能减小飞行航程,这样易满足无人机的航程限制,同时降低无人机面临的威胁;3)各个无人机的任务负载尽可能均衡,通常以任务个数或者飞行航程作为标准判定; 4)优先执行价值高的任务㊂根据以上原则,提出多无人机协同任务分配的评价指标,包括:1)任务价值指标:用于评估任务分配方案可以得到的整体收益;2)任务分配均衡性指标:用于评估无人机的任务负载是否均衡;3)飞行航程指标:用于评估无人机的飞行航程㊂3㊀遗传算法㊀㊀要将遗传算法用于多无人机协同任务分配问题的求解,可以将任务分配方案当作种群中的个体,确定合适的染色体编码方法,利用按照一定结构组成的染色体表示任务分配方案㊂然后,通过选择㊁交叉和变异等遗传操作进行不断进化,直到满足约束条件㊂通常来说,遗传算法可以表示为GA=(C,E, P0,M,F,G,Y,T),其中C㊁E㊁P0和M分别表示染色体编码方法㊁适应度函数㊁初始种群和种群大小,在本文的应用中,P0和M分别表示初始的任务分配方案集合以及任务分配方案的个数;F㊁G 和Y分别表示选择算子㊁交叉算子和变异算子;T 表示终止的条件和规则㊂因此,利用遗传算法解决多无人机协同任务分配问题的主要工作是确定以上8个参数㊂3.1㊀编码方法利用由一定结构组成的染色体表示任务分配方案,将一个任务分配方案转换为一条染色体的过程可以分为2个步骤:第一步是根据各个无人机需执行的任务确定各个无人机对应的染色体;第二步是将这些小的染色体结合,形成整个任务分配方案对应的完整染色体㊂假设无人机和任务的个数分别为N u和N t,其中第i个无人机U i的06电子信息对抗技术㊃第36卷2021年1月第1期王树朋,徐㊀旺,刘湘德,邓小龙基于自适应遗传算法的多无人机协同任务分配任务共有k个,分别是T i1㊁T i2㊁ ㊁T ik,则该无人机对应的任务染色体为[T i1T i2 T ik]㊂在任务分配时,可能出现N t个任务全部分配给一个无人机的情况,另外为增加随机性和扩展性,提高遗传算法的全局搜索能力,随机将N t-k个0插入到以上的任务染色体中,产生一条全新的长度为N t的染色体㊂最终,一个任务分配方案可以转换为一条长度为N u∗N t的染色体㊂3.2㊀适应度函数在本文的应用中,适应度函数E是用于判断任务分配方案的质量,根据上文提出的多无人机协同任务分配问题的原则和评价指标可知,主要利用任务价值指标㊁任务分配均衡性指标以及飞行航程指标等三个指标判定任务分配方案的质量㊂假设有N u个无人机,F i表示第i个无人机U i的飞行航程,整个任务的总飞行航程F t可以表示为:F t=ðN u i=1F i(1)无人机的平均航程为:F=F t Nu(2)无人机飞行航程的方差D可以表示为:D=ðN u i=1F i-F-()2N u(3)为充分考虑任务价值㊁飞行航程以及各个无人机任务的均衡性,将任务分配方案的适应度函数定义为:E=V ta∗F t+b∗D(4)其中:V t为任务的总价值,F t为总飞行航程,D为各个无人机飞行航程的方差,a和b分别表示飞行航程以及飞行航程均衡性的权重㊂另外,任务分配方案的收益损耗比GL可以表示为:GL=V tF t(5)另外,在遗传算法运行的不同阶段,需要对任务分配方案的适应度进行适当地扩大或者缩小,新的适应度函数E可以表示为:Eᶄ=1-e-αEα=m tE max-E avg+1,m=1+lg T()ìîíïïïï(6)其中:E为利用公式(4)计算得到的原适应度值, E avg为适应度值的平均值,E max为适应度最大值,t 为算法的运行次数,T为遗传算法的终止条件㊂在遗传算法运行初期,E max-E avg较大,而t较小,因此α较小,可以提高低质量任务分配方案的选择概率,同时降低高质量任务分配方案的选择概率;随着算法的运行,E max-E avg将逐渐减小,t 将逐渐增大,因此α会逐渐增大,可以避免算法陷入随机选择和局部最优㊂3.3㊀种群大小㊁初始种群和终止条件按照通常做法,将种群大小M的取值范围设定为20~100㊂首先,随机产生2∗M个符合要求的任务分配方案,利用公式(4)计算各个任务分配方案的适应度值㊂然后,从中选取出适应度值较高的M 个任务分配方案组成初始种群P0,即初始任务分配方案集合㊂终止条件T设定为:在规定的迭代次数内有一个任务分配方案的适应度值满足条件,则停止进化;否则,一直运行到规定的迭代次数㊂3.4㊀选择算子首先,采用精英保留策略将当前适应度值最大的一个任务分配方案直接保留到下一代,提高遗传算法的全局收敛能力㊂随后,利用最知名的轮盘赌选择法选择出剩余的任务分配方案㊂3.5㊀交叉算子和变异算子在算法运行过程中需随时动态调整p c和p m,动态调整的原则如下:1)适当降低适应度值比平均适应度值高的任务分配方案的p c和p m,以保护优秀的高质量任务分配方案,加快算法的收敛速度;2)适当增大适应度值比平均适应度值低的任务分配方案的p c和p m,以免算法陷入局部最优㊂另外,任务分配方案的集中度β也是决定p c 和p m的重要因素,β可以表示为:16王树朋,徐㊀旺,刘湘德,邓小龙基于自适应遗传算法的多无人机协同任务分配投稿邮箱:dzxxdkjs@β=E avgE max(7)其中:E avg 表示平均适应度值;E max 表示最大适应度值㊂显然,β越大,任务分配方案越集中,遗传算法越容易陷入局部最优㊂因此,随着β增大,p c 和p m 应该随之增大㊂基于以上原则,定义p c 和p m 如下:p c =0.8E avg -Eᵡ()+0.6Eᵡ-E min ()E avg -E min +0.2㊃βEᵡ<E avg 0.6E max -Eᵡ()+0.4Eᵡ-E avg ()E max -E avg +0.2㊃βEᵡȡE avgìîíïïïïïp m =0.08E avg -E‴()+0.05E‴-E min ()E avg -E min +0.02㊃βE‴<E avg and β<0.80.05E max -E‴()+0.0001E‴-E avg ()E max -E avg+0.02㊃βE‴ȡE avg and β<0.80.5βȡ0.8ìîíïïïïïï(8)其中:E max 为最大适应度值,E min 为最小适应度值,E avg 为平均适应度值,Eᵡ为进行交叉操作的两个任务分配方案中的较大适应度值,E‴为进行变异操作的任务分配方案的适应度值,β为任务分配方案的集中度,可利用公式(7)计算得到㊂4㊀实验结果4.1㊀实验设置4架无人机从指定的起飞机场起飞,飞至5个任务目标点执行10项任务,最终降落到指定的降落机场㊂其中,如表1所示,无人机的编号分别为UAV 1㊁UAV 2㊁UAV 3和UAV 4㊂另外,起飞机场㊁降落机场㊁目标如图6所示㊂任务的编号分别为任务1至任务10(简称为T 1㊁T 2㊁ ㊁T 10),每项任务均为到某一个目标点执行侦察㊁攻击㊁事后评估中的某一项,任务设置如表2所示㊂表1㊀无人机信息编号最大航程装载载荷UAV 120侦察㊁攻击UAV 120侦察UAV 125攻击㊁评估UAV 130侦察㊁评估图1㊀任务目标位置示意图表2㊀任务设置任务编号目标编号任务类型任务价值T 11侦察1T 21攻击2T 32攻击3T 42评估3T 53侦察4T 63评估6T 74侦察2T 84攻击3T 94评估5T 105评估14.2㊀第一组实验首先,随机地进行任务分配,得到一个满足多无人机协同任务分配的约束条件的任务分配方案如下:㊃UAV 1:T 2ңT 5㊃UAV 2:T 1ңT 7㊃UAV 3:T 3ңT 6ңT 8㊃UAV 4:T 4ңT 9ңT 10计算可知,4个无人机的飞行航程分别是14.0674㊁12.6023㊁20.1854和22.1873,飞行总航程为69.0423,执行任务的总价值为30,最终的收益损耗比约为0.43㊂另外,各个飞行器飞行航程的方差约为16.18,UAV 1和UAV 2的飞行航程相对较短,而UAV 3和UAV 4的飞行航程相对较长,各个无人机之间的均衡性存在明显不足㊂为提高收益损耗比,分别利用标准遗传算法和本文提出的自适应遗传算法进行优化,两个算法的参数设置如表3所示㊂26电子信息对抗技术·第36卷2021年1月第1期王树朋,徐㊀旺,刘湘德,邓小龙基于自适应遗传算法的多无人机协同任务分配表3㊀遗传算法参数设置参数名称标准遗传算法自适应遗传算法E 公式(4)公式(6)M 2020选择方法精英策略轮盘赌选择法精英策略轮盘赌选择法P c 0.8公式(8)交叉方法单点交叉单点交叉P m 0.2公式(8)T500500最终,利用标准遗传算法得到任务分配方案如下:㊃UAV 1:T 3ңT 8㊃UAV 2:T 1ңT 7㊃UAV 3:T 9㊃UAV 4:T 6ңT 5计算可得,4个无人机的飞行航程分别为12.78㊁12.6023㊁12.434和12.9443,总飞行航程为50.7605,总任务价值为24,计算可知收益损耗比约为0.47,相对于随机任务分配提高约9.3%㊂另外,各个飞行器飞行航程的方差约为0.04,无人机飞行航程比较均衡,未出现飞行航程过长或过短的情况㊂在算法运行过程中,最佳适应度曲线如图2所示,在遗传算法约迭代到第160次时陷入局部最优,全局搜索能力不足㊂图2㊀标准遗传算法的最佳适应度曲线图1为进一步提高算法的效率,利用本文提出的改进自适应遗传算法解决多无人机协同任务分配问题㊂最终,利用自适应遗传算法得到的任务分配方案如下:㊃UAV 1:T 2ңT 3ңT 8ңT 7㊃UAV 2:T 5㊃UAV 3:T 6㊃UAV 4:T 1ңT 4ңT 9计算可知,4个无人机的飞行航程分别为12.8191㊁12.9443㊁12.9443和12.8191,总飞行航程为51.5268,总任务价值为29,收益耗比约为0.56,相对于随机任务分配提高约30.2%,相对于基于标准遗传算法的任务分配方案提高约19.1%㊂另外,各个飞行器飞行航程的方差约为0.004,无人机飞行航程的均衡性相对于基于标准遗传算法的任务分配方案有了进一步的提高㊂在算法运行过程中,最佳适应度值曲线如图3所示,可以有效避免遗传算法陷入局部最优或者随机选择㊂图3㊀自适应遗传算法的最佳适应度曲线图14.3㊀第二组实验在第一组实验中,因任务10(简称为T 10)的价值较低,在最终的任务分配方案中极少被分配㊂在第二组实验中,将T 10的价值由1调整为6,其他设置项不变㊂首先,随机进行任务分配,最终的任务分配方案和第一组实验相同㊂随后,利用标准遗传算法进行多无人机协同任务分配,最终的任务分配方案如下:㊃UAV 1:T 2ңT 3ңT 7ңT 8㊃UAV 2:T 5㊃UAV 3:T 6ңT 10㊃UAV 4:T 9基于此任务分配方案,4个无人机的飞行航程分别为12.8191㊁12.9443㊁13.6883和12.434,总飞行航程为51.8857,总任务价值为31,因此计36王树朋,徐㊀旺,刘湘德,邓小龙基于自适应遗传算法的多无人机协同任务分配投稿邮箱:dzxxdkjs@算可得收益损耗比约为0.6,相对于随机任务分配提高约17.6%㊂另外,各个飞行器飞行航程的方差约为0.21,各个无人机的飞行航程的均衡性一般,相对于随机任务分配有一定的提高㊂在算法运行过程中,最佳适应度值曲线如图4所示,在算法迭代运行约90次时陷入较长时间的局部最优,直到迭代次数为340次时,然后再次陷入局部最优㊂图4㊀标准遗传算法的最佳适应度曲线图2最后,将本文提出的自适应遗传算法用于多无人机协同任务分配问题的求解,得到最终的任务分配方案如下:㊃UAV 1:T 2ңT 3ңT 8ңT 7㊃UAV 2:T 5㊃UAV 3:T 6ңT 10㊃UAV 4:T 1ңT 4ңT 9基于此任务分配方案可得,4个无人机的航程分别是12.8191㊁12.9443㊁13.6883以及12.8191,总飞行航程为52.2708,总任务价值为35,计算可得效益损耗比约为0.67,相对于利用标准遗传算法得到的任务分配方案有了进一步提高㊂另外,各个无人机飞行航程的方差约为0.13,飞行航程的均衡性较好㊂在算法运行过程中,最佳适应度值曲线如图5所示,适应度值一直在实时动态变化,可以有效避免遗传算法陷入局部最优或者随机选择㊂由实验结果可得,当任务10的任务价值从1调整为6以后,不再出现该任务没有无人机执行的情况,这说明利用遗传算法进行多无人机协同任务分配可以根据任务的价值以及代价进行实时动态调整,符合 优先执行价值高的任务 的原则㊂图5㊀自适应遗传算法的最佳适应度曲线图25 结束语㊀㊀本文提出了一种基于自适应遗传算法的多无人机协同任务分配方法,整个遗传过程利用自适应的适应度函数评估任务分配结果的优劣,交叉率和变异率在算法运行过程中可以实时动态调整㊂实验结果表明,和随机进行任务分配相比,本文提出的方法在满足一定的原则和约束条件下,可以得到更高的收益损耗比,并且无人机飞行航程的均衡性更好㊂另外,和标准遗传算法相比,本文提出的改进遗传算法可以有效地扩展搜索空间,具有较高的全局搜索能力,不易陷入局部最优㊂参考文献:[1]㊀江更祥.浅谈无人机[J].制造业自动化,2011,33(8):110-112.[2]㊀楚瑞.基于蚁群算法的无人机航路规划[D].西安:西北工业大学,2006.[3]㊀杨剑峰.蚁群算法及其应用研究[D].杭州:浙江大学,2007.[4]㊀刘建华.粒子群算法的基本理论及其改进研究[D].长沙:中南大学,2009.[5]㊀李晓磊.一种新型的智能优化方法-人工鱼群算法[D].杭州:浙江大学,2003.[6]㊀AUSUBEL L M,MILGROM P R.Ascending AuctionsWith Package Bidding[J].Frontiers of Theoretical E-conomics,2002,1(1):1-42.[7]㊀刘昊旸.遗传算法研究及遗传算法工具箱开发[D].天津:天津大学,2005.[8]㊀牟健慧.基于混合遗传算法的车间逆调度方法研究[D].武汉:华中科技大学,2015.46。

基于分裂算子的遗传算法和自适应遗传算法

基于分裂算子的遗传算法和自适应遗传算法

基于分裂算子的遗传算法和自适应遗传算法谢娟英,张琰,王春霞,蒋帅【摘要】针对遗传算法所存在的早熟和收敛速度慢等问题,基于低等生物的分裂生殖现象,提出了分裂算子的概念,并将该算子引入到传统遗传算法和自适应遗传算法中,对这两种遗传算法进行了改进。

通过一系列多峰函数测试实验,将改进算法分别与基本遗传算法和自适应遗传算法进行比较,证明引入分裂算子后的遗传算法和自适应遗传算法不仅有效地收敛到全局最优解,而且提高了收敛速度。

【期刊名称】计算机工程与应用【年(卷),期】2010(046)033【总页数】4【关键词】分裂算子;遗传算法;自适应遗传算法1 引言遗传算法(Genetic A lgorithms,GA)[1-3]是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法,它使用群体搜索技术,通过对当前群体施加选择、交叉、变异等一系列遗传操作,使群体逐步进化到包含或接近最优解的状态。

然而传统遗传算法在解决多峰函数优化等复杂优化问题时,往往会陷入局部最优,而无法到达全局最优解。

同时,传统遗传算法的收敛速度较差。

为了解决这些问题,Srinvas等人提出了自适应遗传算法(Adaptive Genetic A lgorithm,AGA)[4],该算法为防止优秀个体在进化后期被随意打乱,改进了基本遗传算法中的交叉概率和变异概率,使其随进化代数自适应调整,从而提高了收敛速度。

基于低等生物的无性分裂生殖现象提出分裂算子的概念,并将该算子引入基本遗传算法和自适应遗传算法,目的是希望当系统收敛于某一局部最优解时,通过分裂算子的作用对种群施加扰动,使其能够跳出局部最优,继续新的搜索,最终得到全局最优解。

通过函数测试实验,将本文算法与传统遗传算法、自适应遗传算法、改进的自适应遗传算法,以及量子遗传算法[5-10]进行比较,证明本文算法不仅有效避免了早熟现象,找到了问题的全局最优解,并且也提高了收敛速度。

2 算法原理2.1 分裂算子分裂算子是为解决遗传算法在寻优过程中陷入局部最优解时无法自拔的现象而提出。

自适应精英遗传算法的快递车路径规划

自适应精英遗传算法的快递车路径规划

第9卷第6期导航定位学报 Vol.9,No. 6 2021年12月Journal of Navigation and Positioning Dec.,2021引文格式:袁梦飞,阚秀,曹乐,等. 自适应精英遗传算法的快递车路径规划[J]. 导航定位学报,2021,9(6): 104-111.(YUAN Mengfei, KAN Xiu, CAO Le, et al. Path planning of express vehicle based on adaptive elite genetic algorithm[J].Journal of Navigation and Positioning, 2021, 9(6): 104-111.)DOI:10.16547/ki.10-1096.20210616.自适应精英遗传算法的快递车路径规划袁梦飞,阚秀,曹乐,王夏霖,吴健珍,罗晓(上海工程技术大学电子电气工程学院,上海201620)摘要:针对快递车物流配送效率低、行驶路线不规范的问题,提出了自适应精英遗传算法实现对快递车的路径规划。

通过搭建车载定位系统,实时对车辆位置进行监督以确保行驶在规定路线上。

在实际快递位置分布的基础上建立了路径规划模型,设计了基于经纬度坐标的适应度函数,以地表距离作为种群评价标准更加贴合实际运输需求;引入自适应交叉算子和自适应变异算子,根据个体基因的适应度值自适应地调节交叉和变异概率,并将精英个体进行遗传保留,更好地平衡了算法的局部搜索能力和全局优化性能。

通过与其他4种智能算法的对比实验,来验证改进算法的有效性及可行性,实验结果表明改进算法的收敛性最快且解的精度明显优于其他4种算法。

关键词:快递车;自适应交叉算子;自适应变异算子;精英遗传策略;路径规划中图分类号:P228文献标志码:A 文章编号:2095 4999(2021)06 0104 08Path planning of express vehicle based on adaptive elite genetic algorithmYUAN Mengfei, KAN Xiu, CAO Le, WANG Xialin, WU Jianzhen, LUO Xiao(School of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai 201620, China)Abstract: Aiming at the problem of low logistics distribution efficiency of express vehicles and irregular driving routes, an adaptive elite genetic algorithm was proposed to realize the path planning of express vehicles. By building a vehicle-mounted positioning system, the vehicle position was monitored in real time to ensure that it was driving on a prescribed route. A path planning model was established on the basis of the actual express location distribution, and a fitness function based on latitude and longitude coordinates was designed, and the ground distance was used as the population evaluation criterion to better fit the actual transportation needs; adaptive crossover operator and adaptive mutation operator were introduced according to the fitness value of individual genes, adaptively adjusted the crossover and mutation probability, and retained the elite individuals genetically, which better balanced the local search ability and global optimization performance of the algorithm. Through comparative experiments with other four intelligent algorithms, the effectiveness and feasibility of the improved algorithm were verified. The experimental results showed that the improved algorithm had the fastest convergence and the accuracy of the solution was significantly better than the other four algorithms.Keywords: express vehicle; adaptive crossover operator; adaptive mutation operator; elite genetic strategy; path planning0引言近年来随着互联网电商行业的蓬勃兴起,快递配送公司如雨后春笋般纷纷成立,快递车的路径规划受到了越来越多专家学者和企业的关注[1-4]。

如何设计适用于遗传算法的交叉和变异率调整策略

如何设计适用于遗传算法的交叉和变异率调整策略引言:遗传算法是一种模拟自然进化过程的优化算法,通过模拟生物的遗传、交叉和变异等操作,寻找问题的最优解。

在遗传算法中,交叉和变异率是两个重要的参数,它们直接影响算法的搜索能力和收敛速度。

本文将探讨如何设计适用于遗传算法的交叉和变异率调整策略,以提高算法的性能。

一、交叉率的调整策略在遗传算法中,交叉是生成新个体的主要方式之一,它通过交换两个个体的基因片段来产生新的个体。

交叉率的大小直接影响到算法的探索能力和多样性。

如果交叉率过高,容易导致个体之间的相似度过高,降低了算法的探索能力;如果交叉率过低,又会导致算法陷入局部最优解中。

因此,为了设计适用于遗传算法的交叉率调整策略,我们可以采用自适应的方式。

一种常用的方法是根据种群的适应度动态调整交叉率。

具体做法是,根据种群中个体的适应度高低,适应度较高的个体交叉率较低,适应度较低的个体交叉率较高。

这样可以保证种群中的优秀个体得到保留,同时增加种群的多样性,提高算法的搜索能力。

另外,我们还可以引入交叉率的变化机制,即在算法的不同阶段使用不同的交叉率。

例如,在算法的初期阶段,可以使用较高的交叉率,以增加种群的多样性,提高算法的全局搜索能力;而在算法的后期阶段,可以逐渐降低交叉率,以加强算法的局部搜索能力,更好地收敛到最优解。

二、变异率的调整策略变异是遗传算法中保持种群多样性的一种重要操作,它通过随机改变个体的某些基因值来产生新的个体。

变异率的大小直接影响到算法的探索能力和多样性。

如果变异率过高,容易导致个体之间的差异过大,降低了算法的收敛速度;如果变异率过低,又会导致算法陷入局部最优解中。

为了设计适用于遗传算法的变异率调整策略,我们可以采用类似于交叉率的自适应方式。

一种常用的方法是根据种群的适应度动态调整变异率。

具体做法是,适应度较高的个体变异率较低,适应度较低的个体变异率较高。

这样可以保证种群中的优秀个体得到保留,同时增加种群的多样性,提高算法的搜索能力。

eq自适应算法

eq自适应算法EQ自适应算法是一种用于自适应均衡器设计的算法。

它可以根据输入信号的频谱特性来调整均衡器的参数,以实现对信号频谱的精确调整。

在音频处理中,均衡器被广泛应用于音乐制作、音响系统和通信系统等领域。

1. 介绍EQ自适应算法是一种基于反馈控制理论的方法,通过不断地测量输入信号和输出信号之间的差异,并根据差异值来调整均衡器参数。

这种反馈机制可以使均衡器能够自动地适应不同的输入信号,并根据需要进行频率响应调整。

2. 均衡器原理均衡器是一种可以增强或削弱特定频率范围内信号能量的设备。

它通常由一组带通滤波器组成,每个滤波器负责调整特定频率范围内的信号能量。

EQ自适应算法通过测量输入和输出之间的差异来确定需要进行调整的频率范围,然后根据差异值来更新滤波器参数。

3. EQ自适应算法流程a. 初始化:设置初始滤波器参数和控制参数。

b. 输入信号测量:对输入信号进行频谱分析,得到输入信号的频率响应。

c. 输出信号测量:对输出信号进行频谱分析,得到输出信号的频率响应。

d. 计算差异值:将输出信号的频率响应与输入信号的频率响应进行比较,计算得到差异值。

e. 参数更新:根据差异值调整滤波器参数,使输出信号的频率响应逐渐接近目标响应。

f. 结束判断:根据预设的结束条件判断是否终止算法。

如果未达到结束条件,则返回步骤b;否则,进入下一步。

g. 输出结果:输出调整后的均衡器参数。

4. EQ自适应算法优势a. 自适应性:EQ自适应算法可以根据不同的输入信号自动调整均衡器参数,无需手动设置。

这样可以更好地适应不同音频场景和音乐风格的需求。

b. 实时性:由于EQ自适应算法是基于反馈控制理论设计的,它可以在实时处理音频信号时进行参数调整,并且能够快速收敛到稳定状态。

这使得它在音响系统和通信系统等实时应用中具有很高的实用性。

c. 精确性:EQ自适应算法通过不断测量输入和输出之间的差异来调整参数,可以实现对信号频谱的精确调整。

这使得它在音乐制作和专业音频处理领域中被广泛使用。

基于matlab的遗传算法及其在稀布阵列天线中的应用(一)

基于matlab的遗传算法及其在稀布阵列天线中的应用(一)基于Matlab的遗传算法及其在稀布阵列天线中的应用引言遗传算法是一种基于生物遗传学和进化论的优化算法,它通过模拟自然进化过程来求解复杂的问题。

在稀布阵列天线设计中,遗传算法被广泛应用于优化天线的辐射性能和阵列结构。

优化天线辐射性能天线辐射性能的优化是稀布阵列天线设计中的一个重要任务。

遗传算法通过对辐射特性进行建模和优化,可以得到较好的辐射性能。

频率选择性表面设计频率选择性表面(Frequency Selective Surface,FSS)是一种能够对电磁波进行频率选择的结构。

通过遗传算法优化FSS的结构参数,可以实现天线在某些频段的辐射增益增加或者功率辐射方向控制。

天线阵列权重设计天线阵列的辐射性能受到阵列元件权重的影响。

通过遗传算法优化阵列元件的权重,可以实现天线辐射主瓣的控制、辐射方向的调整以及谐振频率的匹配。

优化天线阵列结构天线阵列的结构设计是稀布阵列天线设计中的另一个重点。

遗传算法可以通过优化阵列的布局和排布方式,提高天线的辐射效率和阵列的紧凑性。

阵列元件位置优化阵列元件的位置对天线的辐射性能有很大影响。

通过遗传算法优化元件的位置,可以实现天线辐射主瓣的控制、辐射方向的调整以及副瓣的抑制。

阵列元件数量优化阵列元件的数量和密度决定了阵列的性能和紧凑性。

通过遗传算法优化元件的数量和分布,可以实现辐射效率的提高和阵列结构的简化。

结论基于Matlab的遗传算法在稀布阵列天线设计中具有重要的应用价值。

通过优化天线辐射性能和阵列结构,可以实现天线设计的高效性和灵活性。

然而,遗传算法的应用仍然面临一些挑战,例如算法的收敛速度和全局最优解的搜索能力,需要进一步的研究和改进。

遗传算法的优势1.并行搜索能力:遗传算法可以同时搜索多个解的空间,并从中找到最优解。

这使得它能够在较短的时间内找到全局最优解。

2.适应性:遗传算法可以根据问题需求进行调整和改进。

遗传算法在无线通信优化中的应用实践

遗传算法在无线通信优化中的应用实践无线通信技术的发展已经深刻地改变了我们的生活方式和工作方式。

然而,随着无线设备的普及和通信网络的扩展,无线通信系统的优化变得越来越重要。

遗传算法作为一种优化算法,在无线通信优化中展现出了巨大的潜力。

本文将探讨遗传算法在无线通信优化中的应用实践。

首先,我们需要了解遗传算法的基本原理。

遗传算法是一种基于生物进化理论的优化方法,其核心思想是通过模拟自然选择和遗传机制来搜索最优解。

遗传算法的基本步骤包括初始化种群、选择、交叉、变异和评估。

在优化问题中,每个个体代表一个可能的解,通过不断迭代,遗传算法能够找到最优解。

在无线通信优化中,遗传算法可以应用于多个方面。

首先是信道分配问题。

在无线通信系统中,不同的用户需要共享有限的信道资源。

通过遗传算法,可以优化信道的分配,使得每个用户的通信质量最大化。

遗传算法可以根据用户的需求和信道的质量,动态地调整信道分配策略,从而提高整个系统的性能。

其次是功率控制问题。

在无线通信系统中,不同用户之间的距离和信号强度可能存在差异。

通过遗传算法,可以优化功率控制策略,使得信号的传输质量和能量消耗达到最优平衡。

遗传算法可以根据用户的位置和信号强度,动态地调整功率控制策略,从而提高系统的覆盖范围和通信质量。

此外,遗传算法还可以应用于天线布局问题。

在无线通信系统中,天线的布局对信号的传输质量和覆盖范围有着重要影响。

通过遗传算法,可以优化天线的位置和方向,使得信号的传输质量最大化。

遗传算法可以根据系统的需求和环境的特点,动态地调整天线布局策略,从而提高系统的性能。

除了上述应用,遗传算法还可以用于无线通信系统的资源分配、路由优化、频谱分配等问题。

遗传算法的优势在于它能够全局搜索最优解,并且可以在复杂的环境中进行自适应调整。

通过遗传算法,可以充分利用无线通信系统的资源,提高系统的性能和效率。

然而,遗传算法在无线通信优化中也存在一些挑战和限制。

首先是计算复杂度的问题。

  1. 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. 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. 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)。
方 法 产 生 , 适 合 于 对 问 题 的解 无 任 何 先 验 知 识 的 情 况 。 它

种 是 某 些 先 验 知 识 可 转 变 为 必 须 满 足 的 一 组 要 求 , 后 然
在 满 足这 些 要 求 的解 中 再 随 机 地 选 取 样 本 , 样 选 择 初 始 这
化 种 群 可 使 遗 传 算 法 更 快地 到 达 最优 解 _ 。本 文 采 用 加 入 1 ] 某 些 先 验 知 识 的初 始化 方法 , 体 过 程 为 : 具 首先 按 照 每 个 电 台 的 可用 频 段 及 频 点 之 间 的 频 率 间 隔 , 算 出 各 个 电 台 的 计 可用 频 点 数 , 电 台 的各 自可 用 频 点 进 行 编 号 ; 后 依 次 向 对 然
综 合 上 述 三个 干 扰 约 束 条 件 , 以得 到 目标 函数 , 总 可 即
的 干 扰 数 目的表 达式 : E , 一 ∑ ∑ [A( ) H( ,J+ r L , ) () a f , +卢 厂 ) M( ]
(一 12 … , 个 电 台 的可 用 频 段 为 ( , ). 为 起 始 , , N) ^ ' 几
估 。评估 的 依 据 就 是 适 应 度 函 数 F( 。 由适 应 度 函数 与 E) 目标 函数 的关 系 可 知 , 个 体 的 评 估 主 要 依 据 个 体 对 应 频 对
组 的干 扰 数 来 定 , 当搜 索 到 干 扰 数 为 0的个 体 后 , 解 的 存 如
确 保 通 信 设 备 合 理 、 序 用 频 , 须 通 过 科 学 、 效 的 频 率 有 必 有

指 配 手 段 来 对 战 场 通 信 装 备 频 率进 行 规 划 。本 文 根 据 我 军 通 信 电 台 的 用频 情 况 , 合 通 信 电 台 的 工 作 特 点 ,采 用 一 结
自适 应遗传算 法解决 战场 频率 指 配 问题 研 究
张 洪 军 童 利 标 陆 文 骏 周 杰
合肥 2 0 3 30i 合肥 、 20 3 30 1 信 息 工程 教研 室 , 徽 安 , 解 放 军 陆 军 军 官 学 院 五 系 , 徽 1 安 \ 解放军陆军军官学院 2
数。
() 台 i 2电 和 之 间 违 反 邻 频 干 扰 条 件 约 束 判断 。
1 通 信 电 台 频 率 指 配 数 学模 型 建 立
本 文 所 要 解 决 的 频率 分 配 问题 是 对 我 军 战 场 上 的所 有 通 信 电 台根 据 其 实 际 参 数 进 行 分 类 , 出 短 波 和 超 短 波 电 分
中 去 , 了使 干 扰 较 小 的个 体获 得 更 大 的适 应 度 , 将 适 应 为 应

# 。

^一 1
传 统 的选 择 操 作 方 法 是 对 在 ( ,) 间进 行 区域 划 O1区
然 O1区 , 所 度 函 数 F( 与 目标 函数 E( ) 为 反 比例 关 系 。 由 于 个 分 , 后 选 择 一 个 ( , ) 间 的 随 机 数 r 判 断 r 在 区 间 , E) ,定
频 点 , H为 终 止 频 点 。设 电 台 在 频 段 内 的频 率 间 隔 为 △厂 广 。
则 第 i 电 台 在 其 可 用 频 段 内可 选 择 的 频 点 是 ( , L 个 几 尸 +

作 者 简 介 : 洪 军 ( 0) 男 , 南 驻 马 店 人 。硕 士研 究 生 。研 究 方 向 : 能军 事 通 信 系统 。 张 18一 , 河 9 智
M c , =
何 在 每 个 电 台 的 可用 频 段 内 , 据 电磁 兼 容 原 则 选 取 可 用 依 频 点 分 配 给 各 个 电 台使 用 。 具体表 示如下 : 短波或超短 波波段有 N 个 电台 , 设 第
{ 二

(, k t 1 N] i , ,∈[ , )
21 0 1年 第 4期 ( 第 6 总 4期 )
桂林 航天 工 业高等 专科学校 学报
J OUR L OFG I N C L E FAE O P C E HNOL Y 信 息 与 电 子 工程 NA UI I O L GE O R S A E T C OG
台 , 设 短 波 或 超 短 波 波 段 共 有 N 个 通 信 电 台 , 个 电 台 假 每 都 有 各 自 的一 段 可用 频 段 。频 率 指 配 所 要 解 决 的 问 题 是 如
H, { 二: c c 一 , , 萋 N ∈
其 中 , 邻 频 信 道 最 小 间 隔 。 l () 台 i 3电 和 之 间 违反 互 调 干 扰 条件 约束 判 断 。
体 的 干 扰 数 会 出 现 0的情 况 , 此 还 要 设 定 一 个 适 应 度 常 因
按 位 置 存 储 该 个 体 。本 文 引 用 群 体 平 均 适 应 度 值 F, 先 首 判 断 与 F 的 大 小 。 由 于 本 文 所 求 为 目标 函 数 的 最 小
数 C。适 应 度 函 数 与 目标 函 数 的 关 系 可 以 用 下 式 表示 :
总 共 可 划 分 出 n 1个 可 用 频 点 , 所 有 可 用 频 点 为 ( , + 则 ^
^ +A ^ + 2 f … , + *A ) 进 行 编 码 后 可 以表 示 f, A , ^ f,
为 ( 1 2… ., 。 O, , )
2 3 种 群初 始化 设 计 .
产 生 初 始 种 群 的方 法 通 常有 两 种 , 种 是 完 全 随 机 的 一
佳 取 值 为 3 2。 . 2 2 染 色体 表 示 和 编 码 方 案 .
改 进 后 选 择 操 作 具 体 的 工 作 流 程 图 如 图 l所 示 :
遗传算法中通常有符号 编码 和二进制编 码两种方 式 。 在 本 算 法 实 现 中 , 用 符 号 编 码 方 式 。 即 对 电 台 的 可 用 频 采
在执行演 习、 练等任务时进行频率指配 。 训
fE J 一
< D

其 中 , 为两 电 台 间不 产 生 同频 干扰 的最 小 间 隔 距 离 , D
种 应 用 较 为 广泛 的 优 化 算 法— — 遗 传 算 法 对 我 军 通 信 电 台 d 为 两 电 台工 作 时 实 际 物 理 距 离 , 为 需 指 配 的 信 道 总 N
摘 要
论 文在分析我军通信电台在执 行训 练、 演习任务过程 中频率 指配现状 的基础 上 , 出 了一种基 于遗传算法 的 提
通 信 电 台频 率 指 配 方 法 , 对 算 法 进 行 了 改 进 , 真验 证 了 此 法 解 决 战 场 通 信 电 台频 率 指 配 问 题 的 实 时 性 和 并 仿
41 5
2 1 gg 4 0 1 -
( 6 )J N G IOE等AO CENO 差言标 总 4期 O AFI E 学学 HLY 第 期 U L 林CI 科校报 COG R O桂航 高FR AT UNI OES E L天 专 P G 。 。 / 叉 文 第 4
( 总


其 中 ,、、 n y为权 重 系 数 。
适 则 前 面 已 经 设 计 了系 统 的 目标 函数 E , , 于适 应度 函 体 的 选 择 概 率 为 P , 应 度 值 为 R , 选 择 概 率 为 ( )由
数 的 设 计 要求 是 使 干 扰 数 大 的个 体 获 得 较 小 的 概率 遗传 到 下 一 代 中 , 干 扰 数 较 小 的个 体 以 较 大 概 率 遗 传 到 下 一 代 而
2 5 遗 传 操 作 设 计 与 改 进 . 2 5 1 选 择 操 作 设 计 与 改 进 ..
2 算 法 的 实 现 和 改进
2 1 适 应 度 函数 设 计 .
本 文 在 进 行 遗 传 操 作 时 采 用 改 进 的 轮 盘 赌 法 选 择 个 体 , 统 的轮 盘 赌 选 择 法 即适 应 度 比例 选 择 法 , 第 k个 个 传 设
F E 一丽 1 ()
值, 即适 应 度 函 数 的 最 大 值 , 此 只 对 ≥ F 的个 体 进 行 在 其 中 C为 适 应 度 常 数 , 文 献 E ] 经 过 验 证 , 在 2中 c的 最 保 留 , 后 计 算 其 选 择 概 率 , 样 将 大 大提 高 计 算 效 率 。 然 这
点 进 行 编 号 , 个 电 台分 得 的频 点就 用 该 编号 表 示 , 每 这样 每
组 电 台都 分 得 一 个 频 点 编 号 之 后 , 得 到 了一 个 个 体 编 码 就
串 。如 第 i 电 台 的可 用 频 段 为 ( , H , 个 几 , ) 频率 间 隔 为 △ , ,
各 电 台 随 机分 配该 电 台可 用 频 点 编 号 范 围 内 的 频 点 编 号 , 直到所有电台分配完毕 。 2 4 个体 的评 估 与保 存 . 图 1 改 进 的选 择 操 作 流 程
2 5 2 交 叉操 作 设 计 与 改进 ..
群 体 的 初 始 化 完 毕 之 后 , 要 对 个 体 的 适 应 度 进 行 评 就
高效性 。
关键 词
遗 传算法 ; 电台; 通信 频率指配
中图分 类号 : N 1.1 T 9711
文献 标志 码 : A
文章编 号 :09 0 32 1)4 45 3 10— 3 (010— 1— 1 0 0
信 息 化 作 战 的 突 出特 点 是 在 有 限 地 域 内存 在 大 量 用 频 △ ^ +2 f … , ) 这 样 如 果 在 各 自频 段 内为 每 个 电 厂, 3 , A 。 设 备 , 必将造 成信息设备用 频冲突 、 率资源紧 张、 这 频 电磁 台随 机 地 分配 了工 作 频 率 之 后 就 可 以得 到 一 个 所 有 电 台 的 环 境 恶 化 等 问 题 , 致 无法 达 到通 信 联 络 迅 速 、 确 、 密 、 频 率 组 合 :, , , , , , ) 其 中 , ∈ { , +A 导 准 保 ( 尸 … , … , ^ ^ f, 不间断的要求 。 尸 +2 f… . A ) 表 示 分 配 给 电 台 i 工 作 频 率 。频 率 L , 5 , , 的 目前 , 军 通 信 电 台 的 频 率 使 用 在 训 练 、 习 、 障 过 我 演 保 指 配 的 目的就 是 找 到 这 样 的 一 系 列 频 率 组 合 , 电 台 按 照 使 程 中 , 然采用传 统的频率 指配方法 , 人工 分段划分 法 、 依 如 所分 配 的频 率 工 作 时 相 互 之 间是 否 能 兼 容 工 作 嘲 。 编 组 划 分 法 、 叉 划 分 法 等 , 些 方 法 虽 然 能在 一 定 程 度上 交 这 因此 , 电 台 同 时 工作 时 电 磁兼 容性 进 行 分 析 , 过 设 对 通 解 决 战 场 电 台 用 频 时 的 电磁 兼 容 问题 , 面 对 当前 信 息 化 但 置 约 束条 件 来 避 免 干 扰 的 发 生 , 违 反 约 束 条 件 的 约 束 数 对 水 平越 来 越 高 的 战 场 实 际 , 些 传 统 方 法 在 实 时 性 、 这 高效 性 进行 统计 , 立 数 学模 型如 下 : 建 和稳 定 性 上 都 很 难 满 足 需 要 , 以 适 应 信 息 时 代 高技 术 战 难 () 台 i 1电 和 之 间 违 反 同频 干 扰 条 件 约 束 判 断 。 争 的要 求 和 日趋 复 杂 的 战 场 电磁 环 境 为 解 决 上 述 问 题 ,
相关文档
最新文档