反导弹集群协同任务分配方法、装置、设备及存储介质

技术领域

本发明涉及反导弹决策技术领域，尤其涉及一种反导弹集群协同任务分配方法、装置、设备及存储介质。

背景技术

在反导弹集群作战的模式下，拦截导弹群的高效任务分配对于提升整体作战性能具有重要的现实意义。近年来，反导任务分配问题已经受到了高度的重视，但目前大多数研究成果都是针对静态环境，对动态环境中如何应对突发情况进行任务分配还需进一步研究。为了快速应对不可预测的战场环境变化，考虑一种动态环境下的反导弹集群在线任务分配是必要的，以此来适应动态战场环境。任务分配是在给定拦截导弹集合和来袭目标集合的前提下，基于一定约束条件，达到一定优化目标的运筹与决策过程。在反导弹集群任务分配过程中，基于拦截弹群对目标群中多个目标信息的探测信息以及威胁度评估值制定打击策略，其中目标分配结果的优劣密切影响拦截弹群协同作战效能。因此，设计一种高效快速的目标分配方法是反导弹集群协同拦截作战过程中必须解决的问题。作为规划算法的基础，任务分配本质上为多约束非线性整数最优化求解问题，求解质量以目标函数为评价准则，根据当前战场信息给出反导弹集群的匹配打击方案。

此外，反导作战环境瞬息万变，战场态势不断发生变化，使得设计一种快速的优化求解机制至关重要，针对多约束非线性整数规划问题，目前尚无可求出精确解的算法。量子进化算法采用量子比特的概率幅进行状态编码，每个量子个体可以表示为若干个量子位状态的叠加，与传统进化算法相比，小规模的量子个体可以表示出更多的状态，丰富了种群个体的多样性和密度，因此具有更好的全局搜索能力，被广泛应用于解决需要大量计算空间的组合优化问题，因此基于量子进化算法的优势，设计一种快速在线方案决策机制是有意义的。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种快速在线获取方案的基于量子进化机制的反导弹集群协同任务分配方法、装置、设备及存储介质。

技术方案：本发明所述的基于量子进化机制的反导弹集群协同任务分配方法包括：

步骤1：根据实际战场情况将防御时间划分为K个防御时间段；

步骤2：根据来袭导弹和拦截导弹的数量，构建每个防御时间段决策矩阵；

步骤3：评估每个防御时间段来袭导弹的威胁程度向量以及拦截导弹的拦截成功概率矩阵；

步骤4：基于来袭导弹的威胁程度向量和拦截导弹的拦截成功概率矩阵，以来袭导弹毁伤效能最大、拦截导弹损失最小以及时间代价最小作为优化目标，建立每个防御时间段的导弹集群多目标分配优化模型；

步骤5：基于量子进化算法，对所述导弹集群多目标分配优化模型进行求解，得到每个防御时间段的最优导弹任务分配方案。

进一步的，所述步骤1具体包括：

根据实际战场情况设置态势更新时间域为Δt(k)，将第k防御时间段设置为[t(k),t(k+1)]，其中t(k+1)＝t(k)+Δt(k)，t(k)为第k防御时间段起始时间，k＝1,…,K。

进一步的，所述步骤2具体包括：

步骤2-1：分别获取拦截导弹、来袭导弹的数量m、n，并将拦截导弹和来袭导弹分别编号为1,…,m以及1,…,n；

步骤2-2：构建每个防御时间段决策矩阵：

式中，X(k)表示第k防御时间段的决策矩阵，x

进一步的，所述步骤3具体包括：

步骤3-1：评估每个防御时间段来袭导弹的威胁程度，建立来袭导弹威胁程度向量为：

T(k)＝[T

式中，T(k)表示第k防御时间段来袭导弹威胁程度向量，T

步骤3-2：评估每个防御时间段拦截成功率，建立拦截成功概率矩阵如下：

式中，P(k)表示第k防御时间段拦截成功概率矩阵，p

进一步的，所述随机变量ξ的取值受战场态势影响，通过历史经验信息或专家获取。

进一步的，所述步骤4建立的导弹集群多目标分配优化模型为：

式中，F(k)表示第k防御时间段的导弹集群多目标分配优化模型，f

进一步的，所述步骤5中采用量子进化算法时，将导弹集群多目标分配优化模型中的导弹任务分配方案集合作为量子染色体种群进行计算，个体交叉时采用全干扰交叉方式，进化时采用精英保留策略对量子进行优胜劣汰，最终计算得到最优导弹任务分配方案。

本发明所述的基于量子进化机制的反导弹集群协同任务分配装置包括：

决策矩阵构建模块，用于根据来袭导弹和拦截导弹的数量，构建每个防御时间段决策矩阵；

指标获取模块，用于评估每个防御时间段来袭导弹的威胁程度向量以及拦截导弹的拦截成功概率矩阵；

优化模型建立模块，用于基于来袭导弹的威胁程度向量和拦截导弹的拦截成功概率矩阵，以来袭导弹毁伤效能最大、拦截导弹损失最小以及时间代价最小作为优化目标，建立每个防御时间段的导弹集群多目标分配优化模型；

量子进化模块，用于基于量子进化算法，对所述导弹集群多目标分配优化模型进行求解，得到每个防御时间段的最优导弹任务分配方案。

本发明所述的基于量子进化机制的反导弹集群协同任务分配设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述方法。

本发明所述的包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述方法。

有益效果：本发明与现有技术相比，其显著优点是：本发明在动态对抗环境下，通过将末端前防御时间划分为多个阶段，以目标毁伤效能最大、拦截导弹损失最小以及时间代价最小作为优化目标，依据导弹作战能力建立离散型约束，构建复杂约束下的导弹集群目标分配优化模型，并采用基于量子进化算法的在线方案决策机制搜索最优决策，解决传统方法无法满足导弹集群动态实时任务分配的问题，实现快速在线的导弹集群最优任务分配。

附图说明

图1是本发明提供的基于量子进化机制的反导弹集群协同任务分配方法的流程示意图；

图2是量子进化算法的流程示意图；

图3是本发明中量子旋转方向策略图；

图4是本发明中导弹拦截过程示意图；

图5是本发明中第1-6个阶段的适应度函数变化示意图；

图6是本发明中第7-10个阶段的适应度函数变化示意图；

图7是本发明提供的基于量子进化机制的反导弹集群协同任务分配装置的结构示意图；

图8是本发明提供的基于量子进化机制的反导弹集群协同任务分配设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一

本实施例提供了一种基于量子进化机制的反导弹集群协同任务分配方法，如图1所示，包括如下步骤：

步骤1：根据实际战场情况将防御时间划分为K个防御时间段。具体可根据实际战场情况设置态势更新时间域为Δt(k)，将第k防御时间段设置为[t(k),t(k+1)]，其中t(k+1)＝t(k)+Δt(k)，t(k)为第k防御时间段起始时间，k＝1,…,K。

步骤2：根据来袭导弹和拦截导弹的数量，构建每个防御时间段决策矩阵。

首先分别获取拦截导弹、来袭导弹的数量m、n，并将拦截导弹和来袭导弹分别编号为1,…,m以及1,…,n；之后构建每个防御时间段的决策矩阵：

式中，X(k)表示第k防御时间段的决策矩阵，x

步骤3：评估每个防御时间段来袭导弹的威胁程度向量以及拦截导弹的拦截成功概率矩阵。

该步骤具体包括：

步骤3-1：评估每个防御时间段来袭导弹的威胁程度，建立来袭导弹威胁程度向量为：

T(k)＝[T

式中，T(k)表示第k防御时间段来袭导弹威胁程度向量，T

步骤3-2：评估每个防御时间段拦截成功率，建立拦截成功概率矩阵如下：

式中，P(k)表示第k防御时间段拦截成功概率矩阵，p

式中，P(k)表示第k防御时间段拦截成功概率矩阵，p

步骤4：基于来袭导弹的威胁程度向量和拦截导弹的拦截成功概率矩阵，以来袭导弹毁伤效能最大、拦截导弹损失最小以及时间代价最小作为优化目标，建立每个防御时间段的导弹集群多目标分配优化模型。

根据实际反导作战场景，构建动态约束条件：考虑我方拦截导弹的作战能力，通常要求拦截导弹数量不少于对方导弹数量，因此设计拦截能力约束表示为，

m≥n.

假设每枚导弹只能选择拦截一个目标，并且敌方每枚导弹至少被一个导弹拦截，因此设计拦截数量约束表示如下，

对于

根据任务分配优化指标集定义第k阶段的任务收益函数f

任务损失函数基于来袭目标的威胁能力以及拦截导弹的价值

时间代价函数基于拦截导弹与来袭目标之间的距离以及拦截导弹的飞行速度设计，并进行归一化处理，其表达式为

基于上述目标函数的设计以及动态约束条件，建立导弹集群多目标分配优化模型如下，

总的优化目标考虑任务收益、损失和时间代价这三者的影响，若同时求解这三个最优化问题，则有可能找不到同时满足三个条件的最优解。因此需要将多目标优化问题转化为单目标优化问题，具体形式为：

其中ω

步骤5：基于量子进化算法，对所述导弹集群多目标分配优化模型进行求解，得到每个防御时间段的最优导弹任务分配方案。

量子进化算法如图2所示，量子进化算法中使用量子比特位描述状态，该状态可以描述为“0”态或“1”态的任意叠加状态，其优势就在于可以使用量子叠加态描述更丰富的状态信息，可以表示为

|q>＝α|0>+β|1>,

其中，α和β是一对复数，分别表示量子状态为0和1的概率幅度，简称为量子概率幅，且满足

|α|

因此，可以定义第k个防御时间段的第t轮迭代中导弹集群多目标分配优化模型中的导弹任务分配方案集合作为量子染色体种群Q

其中

其中，量子进化过程主要通过量子旋转门U(θ)更新量子个体的状态信息，使量子个体向最优解的方向进化，加快算法收敛。规则如下，

其中，Δθ用于确定旋转角度增量，主要用来控制算法的收敛速度，

量子交叉时采用全干扰交叉方式。为了克服算法早熟现象，量子个体间会进行交叉操作，为了保证交叉的全面性，采用全干扰交叉方式，它是一种按照对角线重新排列组合的交叉方式，可以充分利用种群中的尽可能多的染色体的信息，改进普通交叉的局部性与片面性，给进化过程增添新的动力。在这种交叉操作中，量子群中所有量子个体均参与交叉。

量子进化时采用精英保留策略对量子进行优胜劣汰。在传统的量子进化算法中利用量子比特位概率交叉、变异保持种群多样性，但并没有选择淘汰机制，可能会影响收敛速度，这里引入精英保留策略用来选择优势个体淘汰劣势个体，提高算法搜索效率。首先通过非支配排序对种群中个体进行排序，其次将父代种群和子代种群组合成新的种群，然后计算新种群中每个个体的非支配序，进行非劣前沿分级，最后选择满足种群个数的最优群体作为下一代的父代种群。

对本实施例的方法进行仿真验证：针对多枚导弹拦截来袭导弹的作战场景，对拦截导弹进行多目标任务分配，实现拦截任务。拦截导弹集群共有5枚导弹，按照导弹类型分为A,B二组，其中A组有2枚导弹，B组有3枚导弹，详细信息如表1所示。来袭导弹共3枚，基本属性如表2所示。

表1拦截导弹集群参数设置

表2来袭导弹集群参数设置

多目标优化模型和在线决策搜索机制的相关参数如下：总阶段数K＝10，态势更新时间域为Δt(k)＝1s，量子群规模为15，比特位总数为100，算法迭代总数为100，初始旋转角为0.1π，来袭导弹威胁程度向量T(k)＝[0.4,0.4,0.6]，拦截成功概率矩阵为

总优化目标F(k)中的权重值分别为ω1

其中λ1

实施例二

图7是本发明实施例二提供的基于量子进化机制的反导弹集群协同任务分配装置的示意图。该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端设备中。该装置包括：

决策矩阵构建模块，用于根据来袭导弹和拦截导弹的数量，构建每个防御时间段决策矩阵；

指标获取模块，用于评估每个防御时间段来袭导弹的威胁程度向量以及拦截导弹的拦截成功概率矩阵；

优化模型建立模块，用于基于来袭导弹的威胁程度向量和拦截导弹的拦截成功概率矩阵，以来袭导弹毁伤效能最大、拦截导弹损失最小以及时间代价最小作为优化目标，建立每个防御时间段的导弹集群多目标分配优化模型；

量子进化模块，用于基于量子进化算法，对所述导弹集群多目标分配优化模型进行求解，得到每个防御时间段的最优导弹任务分配方案。

本发明实施例所提供的装置可以用于执行本发明实施例一所提供的方法，具备执行方法相应的功能和有益效果。

值得注意的是，上述确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例三

图8是本发明实施例三提供的一种设备的结构示意图，本发明实施例为本发明上述实施例一的方法的实现提供服务，可配置上述实施例一中的方法的计算装置。图8示出了适于用来实现本发明实施方式的示例性设备12的框图。图8显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件包括系统存储器28和处理单元16的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例一所提供的方法。

实施例四

本发明实施例四还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行实施例一的方法，

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的方法中的相关操作。