[发明专利]基于改进多目标HQPSOGA算法求解武器目标分配方法

权利要求书

1.基于改进多目标HQPSOGA算法求解武器目标分配方法，其特征在于，包括以下步骤：

S1：初始化种群和参数；

S2：计算粒子在每个目标函数上的适应度；

所述适应度的计算方式为：

其中，f₁'为目标函数f₁取自然对数，

f′₂由对目标函数f₂均值归一化，将结果映射到[0,1]范围内，

f₁为表示目标生存概率的函数，其中，q_ij为第i种武器打击目标j时目标j的生存概率，V_j为目标j的价值，武器对目标的数量分配矩阵X：

x_ij表示分配给目标j的第i种武器的数量，f₂表示武器弹药消耗的函数，表示武器i对于目标j的价值，max(f₂)和min(f₂)分别是种群中个体的f₂的最大值和最小值；

S3：初始化个体最优解和非劣解；

S4：将种群中的粒子基于改进量子行为粒子群算法和自适应遗传算法的混合概率分为两组，混合概率由一个[0,1]间的随机数r表示，r和1-r分别表示用于改进量子行为粒子群算法和自适应遗传算法的种群中个体的比例；再判断是否达到最大迭代次数；当达到最大迭代次数时，则输出最优解集；当未达到最大迭代次数时，则执行步骤S5；

S5：将种群中的个体按照S4中的参数r分为两部分，分别用改进的量子行为粒子群和自适应遗传算法求解，其中，比例为r的个体；

S6：比较QPSO和AGA的全局最优位置，得到全局最优解，并得到最终的非劣解；

G_pso是改进的QPSO中全局最优解的适应度值，G_ga是AGA中最优解的适应度值，比较G_pso和G_ga，如果G_pso支配G_ga，则全局最佳位置为G_bestpso，G_bestga被替换为G_bestpso，G_ga被替换为G_pso，否则，全局最佳位置为G_bestga，G_bestpso由G_bestga替换，G_pso由G_ga替换。

2.根据权利要求1所述的基于改进多目标HQPSOGA算法求解武器目标分配方法，其特征在于：

所述计算种群中粒子的多样性贡献度值具体还包括以下步骤：

S21：通过用基于随机选择的聚类算法将粒子分为k类，用式(12)计算粒子与聚类中心的距离，作为粒子的第一部分多样性贡献度；k表示当前非劣解个数，每个非劣解代表一个多样性的方向，为找到多个多样性的方向，用非劣解初始化各聚类中心，则每个多样性方向上相似性大的粒子归为一簇；

S22：从簇中随机选择非当前点，更新聚类中心，为平衡解的质量和求解效率，用参数δ计算每个簇中选择聚类中心的次数tRand，计算式表示为：

tRand＝δ*cl  (11)；

其中，cl表示当前簇中粒子的数量，tRand∈[1,cl]；

粒子到聚类中心的距离D计算式表示为：

其中，表示粒子到聚类中心的余弦距离和欧氏距离，D表示目标函数上粒子的多样性贡献度，x_i和y_i分别表示两目标函数下第i个个体的x坐标和y坐标的值，x_1i和x_2i分别表示两目标函数下个体i的的x坐标和y坐标的值，ρ表示权重系数，N_f表示目标数；

S23：利用式(5)的距离贴近度计算粒子的第二部分多样性贡献度：

通过所述聚类中心作为模型，同一个簇中的其它粒子作为待识别对象，计算结果表示粒子与聚类中心的相似程度，则粒子多样性贡献度表示为：

其中，β表示两种距离所占比例，通常β＝0.5；

通过综合比较多样性贡献度小的粒子与引入的随机新增粒子来改善个体最优解，具体计算方式为：先计算多样性贡献度的界限值b，计算式为：

b＝(max(divContri)-min(divContri))*(MAX_Iter-iter+1)/MAX_Iter  (15)；

其中，iter表示当前迭代次数，divContri表示粒子多样性贡献度矩阵。