面向动态武器-目标分配的直觉模糊群体智能优化的局部自适应学习模型与算法研究

In the aero-space integration combats, Weapon-Target Assignment (WTA) is one the most crucial factors determining operational efficiency of weapon system. WTA is a very complicated question of NP, while Swarm Intelligence Optimization (SIO) has a dominating superiority to solve this problem. This proposal focuses on the key techniques of WTA by combining Intuitionistic Fuzzy Sets（IFS）and SIO——the former is of stronger expressiveness, the latter is of more efficient optimization. In breaking through the problem of IFS parameterized expression, balancing the global and local search, adjusting parameters adaptively, and making full use of the priori and process knowledge, Lamarckian learning and Baldwinian learning models for IFS-SIO will be designed. Adaptive cooperative strategy of these two local learning models will also be studied. Based on problem-specific priori knowledge and process knowledge in searching, the parameter-adaptive learning model will be studied. IFS-Genetic Algorithm, IFS-Particle Swarm Optimization and IFS-Differential Evolution of dynamic WTA with local optimum and parameter-adaptive learning will be proposed. The development and the prospective achievements of the project have important theory significance and practical values in promoting air and missile defense and operational efficiency of weapon system in our country.

在现代空天一体化作战中，武器-目标分配（WTA）是决定武器系统作战效能最为关键的因素之一。WTA属于NP 完全类问题，而群体智能优化算法对于解决此类问题具有先天优势。本项目重点选取具有较强表达能力的直觉模糊集理论（IFS）与较强寻优能力的群体智能优化算法相结合，针对WTA问题进行研究。通过突破多目标优化中的直觉模糊参数化提取、全局搜索与局部搜索的平衡、算法参数的自适应调整、先验知识与过程知识的有效利用等关键问题，建立适用于IFS群体智能优化的拉马克和班德文两类局部学习模型，并设计两种局部学习模型的自适应协同策略。有效利用待求解问题的先验知识与搜索过程中获得的知识，构建参数自适应学习模型，进而提出局部最优、具备参数自适应学习能力的IFS遗传、IFS微粒群、IFS差分进化的动态WTA方法。本项目的开展及其预期研究成果，对于提升我国防空反导能力和武器系统作战效能具有重大的理论意义与实用价值。

本项目探寻提升武器-目标分配“动态化”、“智能化”能力需求，突破多目标优化中的直觉模糊参数化提取、全局搜索与局部搜索的平衡、算法参数的自适应调整、先验知识与过程知识的有效利用等关键科学问题，研究具有局部自适应学习能力的IFS遗传、IFS粒子群、IFS差分进化的WTA方法。主要进展包括：. （1）改进遗传算法求解直觉模糊多目标规划方法。该方法首先将目标函数和约束函数直觉模糊化，进而设计直觉模糊多目标规划模型；运用模拟退火的思想设计拉马克学习机制，以一定概率接受差解，保持种群多样性，通过在遗传算法的个体邻域内的不断学习，提高个体适应度值，改进个体基因，提升局部搜索能力。. （2）基于直觉模糊支配的混合多目标PSO算法。该方法采用基于模拟退火算法的拉马克局部学习策略，建立多邻域局部搜索；通过粒子种群加速因子、同构因子、自适应调节惯性权重，以自适应调节局部搜索与全局搜索的平衡；利用递减扰动策略对迭代后期的粒子进行扰动，已达到全局最优。. （3）基于直觉模糊熵的离散粒子群的动态武器-目标分配方法。该算法设计了直觉模糊参数的选取策略，将直觉模糊熵作为粒子群状态测度及速度变异的基本参数。其次，设计了平衡两种认知功能的调节参数、速度变异机制与位置变异策略，建立了两套不同的IFDPSO改进算法和两种衍生算法。最后，建立了具有时间和转火射击资源约束下的WTA模型。. （4）基于Baldwin效应的memetic 差分进化的武器-目标分配方法。该算法采用简化的模式搜索为局部搜索算子，差分进化算法为全局搜索算子，Baldwin效应为结合机制，提升了普通memetic差分进化算法中仅根据个体适应度值引导进化的方法，加大局部搜索成功个体的被学习概率，使其能够参与引导进化，提高了求解WTA问题的效益值和速度。. 项目达到并超额完成预定目标，发表论文22篇，其中SCI 5篇，EI 4篇，著作3部，并培养2名博士后，1名博士和4名硕士。该成果可为提升我国防空反导能力与武器系统作战效能提供支持，具有重大理论意义与实用价值。