论文部分内容阅读
现代战争中复杂态势的出现要求指挥者能够协调多种资源参与多个行动以达到理想的效果,处理这种复杂态势的第一步就是寻找和挑选能达到理想效果的行动规划(COA—Course of Action)。COA的主要目的就是将多个行动排序并将可用的资源正确地分配给序列中的每个任务,即将正确的资源放在正确的位置和时间执行适当的行动。COA问题属于NP-难问题,本文主要提出了一种基于多智能体进化算法解决COA的方法。文章的主要内容如下:1、COA问题本质上为一个带约束的多目标优化问题,本文利用多智能体进化算法(MAEA—Multi-Agent Evolutionary Algorithm)解决COA问题。首先,初始化COA种群,我们将种群中的每个个体看作是一个智能体,所有的智能体生存在网格中,每个智能体只能与其邻域智能体进行竞争操作。在约束条件的处理上,本文将约束条件的判断加入到智能体邻域的竞争操作中,制定了特殊的竞争策略:该策略依据约束处理的多目标方法,在判断个体间的优劣时首先判断其约束条件的满足情况,然后再比较它们之间的支配关系,该方法可以避免因使用惩罚函数所带来的惩罚因子大小不易设置的麻烦。最后将该算法与多准则滤波遗传算法(MFGA—Multi-criteria Filtering Genetic Algorithm)进行对比仿真实验,实验证明该方法在非支配解集的支配关系,以及解集的宽广性方面具有一定的优越性。2、由多智能体进化算法得到的是多个供选择的优秀的COA个体,因此我们还面临着如何为决策者选择一个最合适的解。主要利用标准0-1线性变换对各目标值进行归一化数据预处理,然后采用加权求和方式求取最合适解。加权求和中权重的确定会很大地影响评价结果,因此必须合理确定权向量。首先本文通过制定模糊规则库将权向量分为三个等级,然后采用环比评分法分别确定每一等级的权重,该方法可以从实际出发,灵活确定比例,没有限制。实验证明该方法是合理有效的。3、针对多智能体进化算法中智能体的竞争策略可能存在的缺陷:后代解有时不一定比前代占优,即所谓的过淘汰现象,这在一定程度上损失了群体的多样性。本文提出了一种基于精英多智能体进化算法解决COA问题的方法。该方法将多智能体种群分为A、B两个子种群,每个种群分别制定不同的竞争策略。另外引入了精英种群用以存储每代子种群中的优秀个体,A、B两个子种群只能与精英种群之间进行迁移。为了避免精英种群过于庞大,我们还引入了淘汰环节来保持精英种群的规模。最后我们将该算法与本文提出的多智能体进化算法和MFGA算法进行对比仿真实验,实验证明该方法在非支配解集的支配关系,以及解集的宽广性方面相对其它两种方法都具有一定的优越性。该方法在一定程度上弥补了MAEA算法中的竞争策略存在的上述缺陷。