基于改进智能优化算法的多目标激光反导系统动态决策优化

论文摘要

本论文主要研究对象是动态多目标激光反导系统（Dynamic Multi-objective Laser Anti-missiles System, DMLAMS）的动态决策优化问题。多目标激光反导系统已经在美国等国家实现应用,将启发式算法应用到动态组合优化问题上是一个新领域。本文建立起了DMLAMS的动态决策模型,将计算攻击一个排列的目标时间分割成序列的个数,将激光武器攻击每个目标的时间累加,并且在计算每次攻击时间之前对这些目标的位置和速度信息实时更新,最后将这些分时间累加成总时间即模型的输出。遗传算法是一种具有全局搜索能力的方法,广泛应用于各种实际问题中。首先,介绍了恒交叉和变异概率的普通遗传算法,得到了一组次优解和适应度不收敛的种群;为提高种群的适应度值和快速搜索到决策优化的问题的最优解,通过变化遗传算法中最重要的两个算子:交叉和变异,来提高求的最优解的概率。引入了变异和交叉概率同增减的方法,即变异和交叉随种群的平均适应度大小自动增加或减小;变异优先的方法,即在算法的初始阶段,变异的概率高,交叉概率低,在算法的结束阶段,调整为变异概率低,交叉概率高。算法改进了种群适应度和求取全局最优解的比率。本文通过仿真结果证明了模拟退火算法能够求取DMLAMS问题的全局最优解,并通过调整模拟退火算法的退火速度,减少了算法计算时间。用蚁群算法的遗传代数求得了DMLAMS问题的全局最优解。分析了三个算法在解决DMLAMS决策优化问题上的各自特点。混合遗传算法是遗传算法改进的又一个方向,提出了模拟退火遗传算法和蚁群遗传算法,使种群的适应度随着代数的增加逐代提高,排列攻击时间减小。两种算法求得的全局最优解的概率分别是10.24%,10.47%。最后,精英个体的加入,使种群的适应度得到了进一步的提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的背景和意义
• 1.2 智能优化算法的分类和研究现状
• 1.2.1 智能优化算法的分类
• 1.2.2 智能优化算法的研究现状
• 1.3 本文的主要研究内容
• 第2章 DMLAMS建模及动态置换算法
• 2.1 引言
• 2.2 DMLAMS决策问题数学描述
• 2.2.1 组合优化算法的定义
• 2.2.2 自寻的制导规律的选取
• 2.2.3 DMLAMS决策优化建模
• 2.3 动态置换算法描述及仿真
• 2.3.1 DP算法描述
• 2.3.2 DP算法仿真分析
• 2.4 本章小结
• 第3章 基于改进的遗传算法的DMLAMS决策优化
• 3.1 改进的遗传算法简介
• 3.1.1 遗传算法的基本概念
• 3.1.2 两则改进的遗传算法方案
• 3.2 匀速运动动态仿真
• 3.2.1 普通遗传算法仿真结果
• 3.2.2 交叉变异同步变化方案仿真结果
• 3.2.3 变异优先方案仿真结果
• 3.3 匀加速运动动态仿真
• 3.3.1 普通遗传算法仿真结果
• 3.3.2 交叉变异同步变化方案仿真结果
• 3.3.3 变异优先方案仿真结果
• 3.4 本章小结
• 第4章 基于多种启发式算法的DMLAMS决策优化
• 4.1 模拟退火算法原理及应用
• 4.1.1 Metropolis准则
• 4.1.2 模拟退火算法原理和步骤
• 4.1.3 模拟退火算法仿真分析
• 4.1.4 快速模拟退火算法的应用
• 4.2 蚁群算法的原理及应用
• 4.2.1 蚁群算法的原理
• 4.2.2 蚁群算法的流程
• 4.2.3 蚁群算法的仿真研究
• 4.3 遗传算法、模拟退火算法和蚁群算法的比较分析
• 4.3.1 遗传算法和模拟退火算法的比较
• 4.3.2 模拟退火算法和蚁群算法的比较
• 4.3.3 遗传算法和蚁群算法的比较
• 4.4 本章小结
• 第5章 基于混合遗传算法的DMLAMS决策优化
• 5.1 引言
• 5.2 模拟退火遗传算法（SAGA）的仿真实现
• 5.3 蚁群遗传算法（ACOGA）的仿真实现
• 5.4 精英个体（Elites）对种群适应度的影响
• 5.5 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢