[发明专利]基于改进多目标HQPSOGA算法求解武器目标分配方法

说明书

本发明提供一种基于改进多目标HQPSOGA算法求解武器目标分配方法，包括以下步骤：初始化种群和参数；计算粒子在每个目标函数上的适应度；初始化个体最优解和非劣解；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；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。本发明方法方法是改进算法具有更强的全局寻优能力，可有效提高求解质量，在武器‑目标分配问题上求解精度更高。

技术领域

本发明涉及技术领域，具体而言，尤其涉及基于改进多目标HQPSOGA算法求解武器目标分配方法。

背景技术

进化算法求解过程中，多样性的保持对求解效果有很大的影响，多样性的提高可以一定程度上克服算法陷入早熟收敛的问题。在多样性的改进中：

1、文献《Modified particle swarm optimization for BMDS interceptorresource planning.Applied Intelligence.》中提出一种“反向预测器”资源规划粒子群算法，迭代时将粒子位置进行扰动，增加粒子多样性；

2、文献《A new PSO-based algorithm for multi-objective optimizationwith continuous and discrete design variables.Structural andMultidisciplinary Optimization.》设置程序挑选引导粒子更新种群，保证算法多样性和快速收敛性；

3、文献《量子行为粒子群优化算法研究》提出基于势阱的量子行为粒子群优化算法(Quantum-behavior Particle Swarm Optimization,QPSO)，给出描述量子空间中粒子行为的量子模型，粒子具有更强的不确定性；针对QPSO的早熟收敛现象，提出多样性控制的QPSO算法；

4、文献《一种求解武器目标分配问题的量子粒子群算法》根据聚集度判断早熟停滞，并用慢变函数克服早熟收敛,保持了种群多样性；

5、文献《融合社会学习和莱维飞行的改进QPSO算法》针对QPSO粒子间信息共享机制单一等问题，利用社会学习策略和莱维飞行策略提高算法的收敛精度和速度等。

在多目标优化方面，文献《Optimal allocation of cooperative jammingresource based on hybrid quantum-behaved particle swarm optimisation andgenetic algorithm》将QPSO与遗传算法相结合，提出混合量子行为粒子群和可调节遗传算法(HQPSOGA)，作用于雷达干扰资源优化多目标分配模型，求解精度和收敛速度都有所提高，为干扰机的形成提供了更好的整体干扰能力。

但是QPSO算法在求解多目标优化问题时，收敛速度快也易过早丧失解的多样性，陷入早熟收敛，所以很有必要对多目标QPSO算法的多样性进行改进，提高HQPSOGA的求解精度。

发明内容

根据上述提出的技术问题，而提供一种基于改进多目标HQPSOGA算法求解武器目标分配方法。本发明主要利用基于改进多目标HQPSOGA算法求解武器目标分配方法，其特征在于，包括：

步骤S1：初始化种群和参数；

步骤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，