PDF《火力优化分配问题 的小 生境遗传蚂蚁算法》

而蚁 群优化算法具有正反馈性 、 求精解效率高 的特点 , 但 由于初期 信息素匮乏 , 求解速度慢 , 因此将两者相结合, 能够实现优势 互补, 求得优化性能 和时间性能上 的双赢 .文献[

8 ] 将简 单遗传算法( S i m p l e G en e t i c A l g o r i t h m , S G A ) 和最大最小蚂蚁 ( m a x . m i n a nt s y s t e m) 算 法相结合 提 出了 G A A A算法.文献 [

1 0 ] 将简单遗传算法和改进的合作蚁群优化( C o o p e r a t i v e A n t C o l o n y O p t i m i z a t i o n ,C A C O) 算法结合作为两层嵌套的循环 , 外层循环采用简单遗传算法将任务分 配给 主体 , 内层循环采 用CACO算法获取优化分配方案.文献 [

1 1 ] 将简单遗传算 法和蚂蚁 网( A n t N e t ) 算法相 结合 , 提出遗传蚂 蚁路径算法 ( G en e t i c A n t R o u t i n g A l g o r i t h m, G A R A) .但上述算法都是将 简单遗传算法和蚁群优化算法相结合 , 存在以点不足: (

1 )简单遗传算法在进化代数不够大或初始种群选取覆 盖空间不足 的情 况下 , 种群多样 性差,容易陷入 局部 最优,蚁群优化算法在此基础上搜索 , 算法的全 局收敛性不能得到保 证.而增大简单遗传算法的进化代数是以牺牲算法运行时间 为代价 , 复合算法的时间优势又难 以体现. (

2 )简单遗传算法只能得到 目标函数 的一个解.当最优 解附近区域解的分布较为陡峭 , 个体的适应值跨度较大 , 靠近 最优解的个体的适应值 可能很差 , 这样 即使种群 中出现 了最 优区域中的个体, 这些个体也可能因适应值较差而遭淘汰, 使 后期算法失去进一步在该区域搜索的机会, 从而错过最优解. 本文提出一种 求解火力 分配 问题 的小 生境遗 传蚂 蚁(Nichin g g e n e t i c&a nt c o l o n y o p t i m i a t i o n a lg o r i t h m , N G A C O) 算法.算法的前期采用小生境遗传算法 , 利用其快速 、 全 局收 敛,搜索到 目标函数的多个峰值等特性 , 生成火力单位和目标 的初始多个分配方案 ;

算法后期采用蚁群优化算法 , 在前期算 法的基础上利用蚁群优化算法 的并行 、 正反馈 , 求精解效率高 等特性 , 求得最优分配方案. l 火力分配问题 的数学模型 火力分配 的任务就在于发挥诸火 力单位 的整体综合优 收稿 日期 :

2 0

0 4―0 7―0

2 ;

修订 日期 :

2 0

0 4一l 2一巧 基 金项 目:国家部 委预研 项目作者简 介:陈云飞 (

1 9

7 7一) . 男,安徽 滁州 人,博士研 究生,主要 研究 方向:人工智能 、 数据挖掘 ;

刘 玉树 (

1 9

4 1~) , 男,山东 人,博士生 导师, 主要研究方向: 辅助决策、 人工智能. 维普资讯 http://www.cqvip.com 第1期陈云飞等 : 火力优化分配 问题的 小生境遗传蚂蚁 算法

2 0

7 势, 寻求在确定的约束条件下 , 总 的射击效 果最好 的分配方 案.在 考虑 这一 问题 时,有四个 基本要素:火力单位特性、目标单位特性 、 最优准则 ( 火力打击任务要求 ) 、 射击 条件.将 上述各要素进行不同组 合, 构成 了多种多样 的复杂的最优火 力分 配 问题 , 经过 合 理地抽 象后,总可以表示 为 一个 数学规 划 问题 . 以, 表示 目标集 ( ,= i i I i=1 ,

2 ,…, n } ) , , 表示火力 单位集( ,= i J I =1 , .

2 , … , m} ) , 已知各个 目标特性和火 力单位的特性 , 且有 m≥ n ( 当 目标数多 于火力单 位数时 , 即m