蚁群算法在WTA中的应用与研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇蚁群算法在WTA中的应用与研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要:WTA问题是现代战争中指挥决策最为关键的一个问题,传统的算法无法解决目标数目较多的wta问题,必须对算法进行改进、优化,甚至提出新的算法以求解WTA问题,随着科学技术的进步,蚁群算法的出现为WTA问题的求解带来了崭新的手段以及解题思路,在WTA问题的研究领域获得了广泛的应用。
关键词:蚁群算法 ACO WTA
中图分类号:TP301.6 文献标识码:A 文章编号:1672-3791(2012)09(c)-0009-01
1 蚁群算法原理
ACO 是Ant Colony Optimization的缩写,简称蚁群算法,又称为蚂蚁算法,ACO算法是在1992年由意大利科学家Marco Colorni提出的,该算法是模仿自然界蚂蚁觅食的这种行为而优化出来来的基于种群的寻找最优路径的机率型算法,ACO算法是可以理解为一种模拟进化算法,经过研读大量的相关参考文献资料,最终得出蚁群算法拥有非常多的独特的特点以及优秀的性质,具备非常大的应用价值,应用空间非常广泛。
蚂蚁在行走的过程中会留下分泌物,后面的蚂蚁则会根据这些分泌物选择其行进的路线。但是蚂蚁在选择路径的时候会根据分泌物的强度进行有机选择,某一条路径被蚂蚁选择的概率与该条路径上蚂蚁分泌物的强度呈现出正向比例特性,从专业的数学分析的角度来研究,蚂蚁群体的这种集体行为事实上已经形成了一个具备正反馈特征的学习信息现象:即后面的蚂蚁在选择路径的时候通常会选择走过最多蚂蚁的那条路径,蚂蚁便是通过个体之间的这种信息的交流选择前往目的地的最短的路径。
蚁群算法的提出便是基于蚂蚁寻找最短路径的行为特点,蚁群算法(ACO)与传统的编程模式存在一定的区别,具备一定的优势:蚁群算法的应用程序完全是建立在一定规则条件下所设计的,通过随机运行的模式寻找最优的配置方案,因此,蚁群算法的编程相对比较简练,并且筹划的过程相对比较简单,当蚁群算法程序运行的时候,最开始寻找到的目标通常情况下并不是最佳的,甚至有可能是相对偏离比较大的极度冗长的错误的目标,但是,蚁群算法应用程序会根据寻找蚂蚁觅食时候的信息素基本原理,对之前获取的目标路线不断的进行调整,逐渐将路线缩短,使得目标路线便成为最佳路线[1],要想获取最可能接近绝佳路径的目标线路,蚁群算法应用程序执行的时间应该越来越长,从另外的角度来讲,蚁群算法的实现是无数个数据的归纳总结的结果,实际上的蚁群算法应用程序就是一个不断学习、不断修正的过程。
2 WTA简介
WTA是英文Weapon-Target Assignment的简称,中文的意思是武器一目标分配,WTA问题是科技发达时期的战争中的一个极为重要的问题,WTA问题具体指的是在多个防空体系平台相互配合的过程中,如何准确、及时的指明在什么时间内使用防控体系中的那些武器设备装置采用什么样的方式去打击具体的目标,进而将系统中的各个火力单元统一的协调起来进行统一分配、管理,通常情况下,WTA也可以称之为目标分配或者火力分配。WTA问题的研究一直是世界各个国家研究提升战斗力量的关键问题之一,针对WTA问题的研究的主要目的是在威胁目标过多的情况下,防控体系后防线的指挥控制系统能够迅速、及时的做出火力分配决策[2],充分有效的调动防御武器,达到有效清除对方的目标威胁的目的,同时要尽可能的降低防御一方的损失。
针对目标进行武器分配通常情况下采用以下的优化目标:费用效能、武器能够命中目标的最大概率以及武器最大突防数量等,WTA问题的求解首先会采用动态规划理论、对策理论以及兵力规划方法建立精确的数学模型,最终采用目标规划或者线性规则等具体的方法进行求解。
WTA问题的求解必须建立在深入研究WTA问题算法的基础上。但是,WTA问题是不可控的武器-目标分配问题,是世界上七大数学难题之一的NP完全问题,通常情况下是存在约束条件的、不连续的、不可微的,甚至是高度非线性的,因而,针对WTA问题算法的求解吸引了国内外非常多的学者进行研究。在20世纪80年代初期,由于技术的限制,WTA问题的求解仅仅局限于传统的算法,传统的算法具体包括分支定界法、枚举法、动态规划法以及割平面法等。传统的算法相对比较简单,但是在程序设计阶段却异常复杂,随着目标数目的增多,传统算法的收敛速度却变得慢下来,对WTA问题的求解非常不利。
随着计算机科学技术以及电子科学的发展,优化算法也不断的进行发展,如模拟退火、人工神经元网络、遗传算法、混沌、禁忌搜索及其混合优化策略等,主要是通过提示某些自然过程或者现象或模拟等方法得到全面的发展,为难以解决的复杂问题带来了崭新的手段以及解题思路,为了实现武器目标分配的最优解决方案,算法一般情况都会要求具备较慢的降温速率、较低的终止温度、较高的初温以及各温度下足够多次的抽样,因此,模拟退火算法较为繁琐,优化过程比较占据时间,武器-目标分配根据武器的分配次数可以划分为动态武器分配以及静态武器分配两种,蚁群算法是目前解决动态武器-目标分配的最佳算法,也是解决武器-目标分配问题的核心算法,此外,为了提高蚁群算法的优化效率,TPA(Total Possibility Algorithm)算法便被设计出来主要用于求解动态武器-目标分配成本的近似值。蚁群算法在WTA中的应用非常广泛,Zne-Jung Lee以及曹英奇等科学家均是研究蚁群算法在求解WTA问题方面的专家。随着目标打击精度的不断提高,蚁群算法也在不断的改良以及完善,经过不断的努力,高尚提出了粒子群算法求以及蚁群算法,甚至有科学家提出了基于蚁群算法以及遗传算法的混合算法(GAACO)[3],使用GAACO算法求解WTA问题的时候首先需要使用遗传算法初步的求解火力分配问题,经过遗传算法求解得到的问题便被传递给经过优化的蚁群算法进行求解。
4 结语
蚁群算法的提出为WTA问题的求解带来了崭新的解决方案,本课题研究的主要内容便是围绕蚁群算法以及WTA问题展开,蚁群算法的提出是基于蚂蚁寻找最短路径的行为特点,对目标路径进行不断的修正,最终愈加的接近最佳目标路径。本课题的最后介绍了蚁群算法在WTA中的应用与研究现状,经过大量的中外文献资料审阅,最终得出结论:蚁群算法在WTA问题中的应用广泛,具有较高的精度。
参考文献
[1] 尹雪娇.基于蚁群算法的故障诊断[A].创新沈阳文集[C],2009.
[2] 高尚,杨静宇.武器-目标分配问题的粒子群优化算法[J].系统工程与电子技术,2005(7).
[3] 高尚,江新姿,汤可宗.蚁群算法与遗传算法的混合算法[A].第二十六届中国控制会议论文集[C],2007.