[发明专利]一种用于武器-目标分配的遗传算法参数取值方法

说明书

一种用于武器‑目标分配的遗传算法参数取值方法，涉及计算机仿真与方法优化领域。根据变异个体的适应度值取值设定自适应的交叉概率和变异概率，分别建立交叉概率、变异概率在以变异个体的适应度为定义域的连续函数。设置非线性的函数曲线，函数取最小适应度值、平均适应度值、最大适应度值时的斜率最大。本发明具有能够使遗传算法加快算法跳出局部最优和全局收敛的速度且尽可能的保留优良个体的特点。

技术领域

本发明属于计算机仿真与方法优化领域，涉及一种用于武器-目标分配的遗传算法参数取值方法。

背景技术

随着科技和智能化作战的发展，利用计算机算法解决武器-目标分配是当今各军事强国竞相研究的一个重要军事问题。目前用于解决武器-目标分配问题的寻优算法主要有遗传算法、粒子群算法和蝙蝠算法。其中，遗传算法取得了相对较好的寻优效果，但由于算法的交叉和变异概率始终为固定值，使得算法的收敛速度较慢，且若陷入局部最优则需耗费较长时间才能跳出。交叉和变异概率是影响遗传算法寻优性能的关键参数，对遗传算法的交叉概率和变异概率进行自适应取值能更好地满足算法在不同寻优阶段对其的需求，可加快算法跳出局部最优和收敛的速度。

任子武的论文《自适应遗传算法的改进及在系统辨识中应用研究》和于光帅的论文《一种改进的自适应遗传算法》先后提出了各种改进的自适应遗传算法，均提高了算法的寻优性能。任子武所提出的参数取值方法是交叉概率和变异概率在种群个体的最小适应度值到平均适应度值区间为常数，在种群个体的平均适应度值到最大适应度值区间线性递减；于光帅所提出的参数取值方法是交叉概率和变异概率在个体的最小适应度值到种群个体的最大适应度值区间线性递减。

现有技术改进后的自适应参数取值方法使得遗传算法在用于解决武器-目标分配问题时一定程度上加快了算法跳出局部最优的速度，也能有效避免算法的早熟收敛。但现有技术还存在一些不足。一方面，在寻优初期种群个体较集中时，以较大概率参与交叉和变异的较优个体依然较少，仍需较长时间才能跳出局部最优。另一方面，在寻优中期种群个体较分散，较小的交叉概率和变异概率不利于算法的快速寻优。而在寻优后期种群个体较集中，较大的交叉概率和变异概率容易破坏种群的优良个体，不利于算法的快速收敛。

发明内容

本发明的目的是克服现有技术的上述不足而提供一种用于武器-目标分配的遗传算法参数取值方法，其技术方案如下。

根据变异个体的适应度值取值设定自适应的交叉概率和变异概率。分别建立交叉概率、变异概率在以变异个体的适应度为定义域的连续函数。将种群个体在最小适应度值的交叉概率和变异概率设为最高，在最大适应度值的交叉概率和变异概率设为最低。设置非线性的函数曲线，其在定义域内递减。函数取最小适应度值、平均适应度值、最大适应度值时的斜率相等且大于或等于该函数在定义域内其他位置的斜率。根据设置的函数曲线，通过当前变异个体的适应度计算遗传算法的交叉概率和变异概率。

进一步，设定与平均适应度值对应的交叉概率、变异概率。

进一步，函数取最小适应度值、平均适应度值、最大适应度值时的斜率为0

进一步，函数曲线在最小适应度值到平均适应度值区间内斜率先下降再上升；函数曲线在平均适应度值到最大适应度值区间内斜率先下降再上升。

进一步，函数曲线在定义域内可导。

进一步，计算函数曲线的参数其中f是要变异个体的适应度，f^′是两个要交叉个体中较大的适应度，f_min是种群个体的最小适应度，f_ave是种群个体的平均适应度，f_max是种群个体的最大适应度，λ是无穷小正数，β为小于1的常数。

分别建立交叉概率函数：

和变异概率函数：