仿生智能優(yōu)化算法及其應用研究.pdf

1、科學研究和工程應用領域經常遇到優(yōu)化問題，如何設計有效的模型和算法求解這些優(yōu)化問題一直是一個研究的熱點。如，在電子對抗研究領域，國內外協同作戰(zhàn)研究方面存在的武器-目標分配問題，這是一個典型的組合優(yōu)化問題，本文針對電子對抗中的協同干擾問題建立了適合仿生智能優(yōu)化算法求解的數學模型，并重點研究了如何改進現有仿生智能優(yōu)化算法求解該模型。
　　關于仿生智能優(yōu)化算法，在理論和應用上需要進一步的研究，目前已有的IIGA等算法在背景項目的應用中仍然

2、存在許多問題有待研究解決。其中，下面三個方面的不足最為研究人員關注:(1)算法的普適性、魯棒性仍然有待提高。(2)算法的延展性不夠，算法性能隨著優(yōu)化問題規(guī)模的增大而迅速降低。(3)已有算法如何應用于工程優(yōu)化問題還需要進一步的研究。論文工作在分析前人已有成果的基礎上，重點對(1)和(3)兩個問題開展了仿生智能優(yōu)化算法及其應用的研究工作。本文主要研究成果概括如下:
　　(1)增強型自適應進化算法
　　提出了增強型自適應進化算法(

3、ESEA)。設計了貪婪繁殖算子、策略選擇算子、X進化算子、種群多樣性維持算子和進化策略學習算子來組成算法的進化結構;設計了多種有效的進化策略，即候選解產生策略;設計了概率選擇策略并用于進化種群中的個體，采用改進的概率模型計算策略被選擇的概率;引進了一種學習機制，可根據策略在進化過程中的表現自適應地學習每種策略的選擇概率。通過對比實驗發(fā)現提出的增強型自適應進化算法相比同類算法提高了普適性和魯棒性，并且新的操作算子、多進化策略和自適應學習機

4、制對算法性能的提升起重要的作用。
　　(2)基于自適應學習群體搜索技術的集成進化算法
　　針對第一算法難以適應戰(zhàn)場態(tài)勢多變、戰(zhàn)場投入的武器和目標規(guī)模與日俱增的問題，提出了基于自適應學習群體搜索技術的集成進化算法(EEA-SLPS)。算法采用了多種群隨機搜索技術和并行工作機制。與增強型自適應進化算法相比，本算法的主要特點在于集成了多種隨機搜索技術，并使它們以有效的方式進化子種群。在該算法中，將整個進化群體分成三個子群體，并采用

5、三個子算法分別對子群體進行進化。論文設計了多種不同性質的信息交流方式(IEMs)。做了大量的IEMs性能測試實驗。通過對實驗數據結果的分析，發(fā)現信息交流方向應由包含整個種群最優(yōu)解的子群指向不包含整個種群最優(yōu)解的子群，交流方向不應該是預定義的，應是動態(tài)自適應的。對比實驗結果表明所設計的算法比同類算法在魯棒性和普適性上均有所提高。
　　(3)求解協同干擾決策問題的啟發(fā)式自適應離散差分進化算法
　　針對現代作戰(zhàn)環(huán)境中多UCAV(U

6、nmanned Combat Air Vehicle)協同對抗多部威脅雷達任務規(guī)劃這一軍事運籌決策問題，提出了基于多指標干擾效能綜合評估方法的多UCAV協同干擾決策問題優(yōu)化模型。為了有效求解多UCAV協同干擾決策問題模型，提出了啟發(fā)式自適應離散差分進化算法。為了提高算法求解特定領域問題的效率，設計了基于威脅度的擴展型整數編碼方案、基于威脅度的啟發(fā)式個體調整操作和基于約束滿足的個體修復等操作。實驗結果表明提出的啟發(fā)式自適應離散差分進化算法

7、相比同類算法具有更高的魯棒性和更好的求解效率。
　　(4)自適應離散差分進化算法策略選擇
　　提出了求解協同干擾武器目標分配問題(CJWTA)的自適應離散差分進化(SaDDE)算法。好的策略池決定SaDDE算法的主要性能。論文中引入了基于相對排列順序的標度法(RPOSM)，通過RPOSM改進了層次分析法，提出了基于RPOSM的層次分析法(RPOSM-AHP)以解決策略選擇問題，通過理論和實驗數據結合的方法給出了解決策略選擇問