作战过程中,作战分组复杂,电子战装备种类繁多,为指挥员的指挥行动带来了极大的挑战。为了解决这一问题,首先针对多分群、多类型装备和多作战目标建立了电子战干扰任务分配(electronic-warfare jamming task assignment,EJTA)模型。该...作战过程中,作战分组复杂,电子战装备种类繁多,为指挥员的指挥行动带来了极大的挑战。为了解决这一问题,首先针对多分群、多类型装备和多作战目标建立了电子战干扰任务分配(electronic-warfare jamming task assignment,EJTA)模型。该模型为复杂的多目标组合优化问题,具有多决策变量和多目标函数的特征。接着,提出了一种基于角度分解的改进多目标蝙蝠优化算法(multi-object improved bat algorithm optimization based on angle decomposition,MOIBA/AD)。此算法将传统基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)的平面空间分解策略改进为角度空间分解策略,降低了个体处理难度和算法复杂度;并将种群更新策略通过改进的蝙蝠算法具有的寻优特点进行增强,使之不易进入局部最优,有效提高了算法的种群更新效果。最后,将MOIBA/AD与几种经典的和最新提出的多目标进化算法进行对比,分别对2种不同规模的EJTA模型进行求解。通过3种性能指标的对比,表明MOIBA/AD能够有效求解EJTA模型,并能够较好地保持Pareto解集的分布性。展开更多
文摘作战过程中,作战分组复杂,电子战装备种类繁多,为指挥员的指挥行动带来了极大的挑战。为了解决这一问题,首先针对多分群、多类型装备和多作战目标建立了电子战干扰任务分配(electronic-warfare jamming task assignment,EJTA)模型。该模型为复杂的多目标组合优化问题,具有多决策变量和多目标函数的特征。接着,提出了一种基于角度分解的改进多目标蝙蝠优化算法(multi-object improved bat algorithm optimization based on angle decomposition,MOIBA/AD)。此算法将传统基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition,MOEA/D)的平面空间分解策略改进为角度空间分解策略,降低了个体处理难度和算法复杂度;并将种群更新策略通过改进的蝙蝠算法具有的寻优特点进行增强,使之不易进入局部最优,有效提高了算法的种群更新效果。最后,将MOIBA/AD与几种经典的和最新提出的多目标进化算法进行对比,分别对2种不同规模的EJTA模型进行求解。通过3种性能指标的对比,表明MOIBA/AD能够有效求解EJTA模型,并能够较好地保持Pareto解集的分布性。
