基于自适应GWO的多UCAV协同攻击目标决策

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (18): 257-261.

基于自适应GWO的多UCAV协同攻击目标决策

魏政磊1，赵辉1，韩邦杰2，周欢1

1.空军工程大学航空航天工程学院，西安 710038
2.空军驻石家庄地区军事代表室，河北邯郸 056028

出版日期:2016-09-15 发布日期:2016-09-14

Research on cooperative attack decision of Unmanned Combat Aerial Vehicles using self-adaptive Grey Wolf Optimization

WEI Zhenglei1, ZHAO Hui1, HAN Bangjie2, ZHOU Huan1

1.College of Aeronautics and Astronautics, Air Force Engineering University, Xi’an 710038, China
2.Military Delegate Section of China People’s Liberation Army Air Force Stationed in Shijiazhuang, Handan, Hebei 056028, China

Online:2016-09-15 Published:2016-09-14

摘要/Abstract

摘要： 针对多架无人机相互协同攻击多个来袭目标的武器目标决策问题进行了研究。利用层次分析法（AHP）评估了空战能力指数和三维空战态势威胁指数的权重，针对协同攻击空战的分配原则，采用计算分配值的情况下提出了一种自适应搜索的灰狼求解算法，实现了武器目标攻击决策的求解。仿真表明，改进的GWO算法对决策方案的求解速度和求解质量与现有的粒子群算法（PSO）、蚁群算法（ACA）和遗传算法（GA）等相比均有所明显提高。

关键词: 目标威胁评估, 层次分析法, 协同空战, 多目标分配, 灰狼优化算法

Abstract: The target assignment decision-making for Cooperative Attack on Multiple Targets（CAMT） is investigated in this paper. Analytical Hierarchy Process（AHP） is applied to evaluate the weight values of air combat capability and 3D air combat situation for threats. There is a situation that for assignment principles of cooperative air combat, the assignment value is calculated. According to this circumstance, a self-adaptive Grey Wolf Optimization（GWO） is proposed to the CAMT problem. Simulation results show that the self-adaptive GWO proposed in this paper for solving the speed and quality of solutions outperforms significantly the existing Particle Swarm Optimization（PSO）, Ant Colony Algorithm（ACA） and Genetic Algorithm（GA）.

Key words: target threat assessment, analytical hierarchy process, cooperative air combat, multiple target assignment, grey wolf optimization

魏政磊1，赵辉1，韩邦杰2，周欢1. 基于自适应GWO的多UCAV协同攻击目标决策[J]. 计算机工程与应用, 2016, 52(18): 257-261.

WEI Zhenglei1, ZHAO Hui1, HAN Bangjie2, ZHOU Huan1. Research on cooperative attack decision of Unmanned Combat Aerial Vehicles using self-adaptive Grey Wolf Optimization[J]. Computer Engineering and Applications, 2016, 52(18): 257-261.

[1]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.
[2]	王梦璐，李连忠. 动态反向搜索更新位置的改进灰狼优化算法[J]. 计算机工程与应用, 2021, 57(18): 86-96.
[3]	黎素涵，叶春明. 重选精英个体的非线性收敛灰狼优化算法[J]. 计算机工程与应用, 2021, 57(1): 62-68.
[4]	潘成胜，张斌，吕亚娜，杜秀丽，邱少明. 改进灰狼优化算法的K-Means文本聚类[J]. 计算机工程与应用, 2021, 57(1): 188-193.
[5]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[6]	刘期烈，李建雄. 内容中心网中多参数的缓存污染攻击检测算法[J]. 计算机工程与应用, 2019, 55(4): 130-136.
[7]	王秋萍，王梦娜，王晓峰. 改进收敛因子和比例权重的灰狼优化算法[J]. 计算机工程与应用, 2019, 55(21): 60-65.
[8]	李志鹏，李卫忠，杜瑞超. 自适应磷虾群优化Elman神经网络的目标威胁评估[J]. 计算机工程与应用, 2018, 54(7): 226-231.
[9]	田启华1，黄超1，于海东2，杜义贤1，周祥曼1. 基于AHP的耦合任务集资源分配权重确定方法[J]. 计算机工程与应用, 2018, 54(21): 25-30.
[10]	王晓强，王冬. 软件需求权重的模糊网络分析法[J]. 计算机工程与应用, 2018, 54(10): 39-45.
[11]	徐达宇1，2，丁帅2. 改进GWO优化SVM的云计算资源负载短期预测研究[J]. 计算机工程与应用, 2017, 53(7): 68-73.
[12]	徐辰华1，李成县1，喻昕2，黄清宝1. 基于Cat混沌与高斯变异的改进灰狼优化算法[J]. 计算机工程与应用, 2017, 53(4): 1-9.
[13]	许青林1，熊梦琪1，刘扬帆2. 一种基于航空旅客行为的旅客细分模型[J]. 计算机工程与应用, 2017, 53(24): 69-74.
[14]	任胜兵，冯迪，陈潇男. 基于最优一致性矩阵的灰色层次分析法研究[J]. 计算机工程与应用, 2017, 53(18): 44-50.
[15]	张家辰，刘浩. 移动视频体验质量的量化评价模型[J]. 计算机工程与应用, 2017, 53(12): 133-139.