• 一种基于改进粒子群的海上静止目标搜寻方案生成方法

    • 摘要:

      本发明涉及一种基于改进粒子群的海上静止目标搜寻方案生成方法,建立海上搜寻任务成功率的计算模型;将问题空间映射到算法空间,并初始化种群;执行第一阶段:利用种群在解空间中通过迭代策略进行迭代搜索,并分析解空间形态;执行第二阶段:根据解空间形态更新种群迭代策略,并进行迭代搜索,得到更新迭代搜索后的结果;将更新迭代搜索后的结果映射回问题空间,得到搜寻方案及该方案的任务成功率.本发明可有效利用种群在搜索过程中获得的历史数据,分析解空间的形态并更新搜索策略,最终生成高质量的搜寻方案.

    • 专利类型:

      发明专利

    • 申请/专利号:

      CN201711417504.3

    • 申请日期:

      2017.12.25

    • 公开/公告号:

      CN109961129A

    • 公开/公告日:

      2019-07-02

    • 发明人:

      赵怀慈 郝明国 刘明第 吕进锋 刘鹏飞

    • 申请人:

      中国科学院沈阳自动化研究所

    • 主分类号:

      G06N3/00(2006.01),G,G06,G06N,G06N3

    • 分类号:

      G06N3/00(2006.01),G,G06,G06N,G06N3,G06N3/00

    • 主权项:

      1.一种基于改进粒子群的海上静止目标搜寻方案生成方法,其特征在于:包括以下步骤: 步骤1:建立海上搜寻任务成功率的计算模型; 步骤2:将问题空间映射到算法空间,并初始化种群; 步骤3:执行第一阶段:利用种群在解空间中通过迭代策略进行迭代搜索,并分析解空间形态; 步骤4:执行第二阶段:根据解空间形态更新种群迭代策略,并进行迭代搜索,得到更新迭代搜索后的结果; 步骤5:将更新迭代搜索后的结果映射回问题空间,得到搜寻方案及该方案的任务成功率. 2.根据权利要求1所述的基于改进粒子群的海上静止目标搜寻方案生成方法,其特征在于:所述海上搜寻任务成功率的计算模型为: 其中,pc(x,y)表示目标位于海图上位置(x,y)的概率;pd(x,y)为搜寻单位探测概率,表示若目标存在于位置(x,y),搜寻单位可成功发现目标的概率. 3.根据权利要求1所述的基于改进粒子群的海上静止目标搜寻方案生成方法,其特征在于:解空间中的任意位置均代表一个搜寻计划,该搜寻计划在解空间中可用五维向量表示(x,y,l,w,r);其中,x、y分别确定矩形区域的中心位置的横纵坐标,l、w分别表示矩形区域的长与宽,r表示矩形区域相对于水平方向的倾斜方向. 4.根据权利要求1所述的基于改进粒子群的海上静止目标搜寻方案生成方法,其特征在于:所述初始化种群为对种群规模进行初始化,根据解空间上下界,确定个体各维参数值. 5.根据权利要求1所述的基于改进粒子群的海上静止目标搜寻方案生成方法,其特征在于:所述迭代策略为个体之间进行信息交换,更新个体速度,根据速度更新自身位置. 6.根据权利要求5所述的基于改进粒子群的海上静止目标搜寻方案生成方法,其特征在于:所述个体速度由以下因素决定:个体原有速度、个体位置与个体最优解距离、个体位置与种群最优解距离. 7.根据权利要求1所述的基于改进粒子群的海上静止目标搜寻方案生成方法,其特征在于:所述迭代搜索包括: vid(t+1)=ωvid(t)+c1r1(pid-yid(t))+c2r2(pgd-yid(t)) yid(t+1)=yid(t)+vid(t+1) 其中,pid为个体最优解;pgd为种群最优解;ω为惯性权重,在不同搜索阶段取值不同,且在第一阶段的ω取值比第二阶段ω取值大;c1为个体向个体最优解推进的加速因子,c2为个体向种群最优解推进的加速因子,c1、c2在不同搜索阶段取值不同,在第一阶段,c1取值比c2小;r1、r2为[0,1]的随机数. 8.根据权利要求1所述的基于改进粒子群的海上静止目标搜寻方案生成方法,其特征在于:所述分析解空间形态包括以下过程: 将种群获得的所有备选解按其适应度值从大到小排序,并选取适应度值较大的备选解; 对选取的备选解按其位置进行聚类,并利用重要程度函数对所得类进行评价. 9.根据权利要求8所述的基于改进粒子群的海上静止目标搜寻方案生成方法,其特征在于:所述重要程度函数为: 其中,Pos为评价备选解优劣的适应度函数,即该备选方案可获得的任务成功率,表示解空间中两个不同备选解的距离,Ci为第i个类. 10.根据权利要求1所述的基于改进粒子群的海上静止目标搜寻方案生成方法,其特征在于:所述更新种群迭代策略为: 根据各个类的重要程度值,更新惯性权重值: 其中,ωi(ωmin≤ωi≤ωmax)为个体进入第i个类时个体的惯性权重,gm为所有类重要程度值的均值,g(Ci)为第i个类的重要程度值,ωs为标准惯性权重值; 判断如果当前个体位于重要程度值大于重要程度阈值的类时,c1取值大于c2,否则,c1取值小于c2.