本發明屬于信息處理，尤其涉及一種目標損毀價值最大的目標打擊任務分配方法。

背景技術：

1、在當今信息化和網絡化作戰快速發展的背景下，現代戰場的復雜性顯著提升。作戰單位不僅面臨多變的戰術環境，還必須應對敵方技術的快速進步和戰術的動態調整。這一切使得傳統的作戰理論和方法逐漸顯得力不從心，各國軍隊在無人武器系統的系列化、智能化和體系化發展上，必須不斷適應新技術的變化和戰術需求的轉變。隨著科技的飛速發展，無人系統、網絡信息技術及特種作戰等新型戰場形勢逐漸顯露，極大地推動了對先進武器和彈藥研發的迫切需求，尤其是巡飛彈與低成本作戰無人機等新型武器系統的崛起。

2、巡飛彈的概念自上世紀末首次提出，它將無人機技術與巡航導彈技術有機結合，成為一種智能化彈藥。這一創新的武器系統以其獨特的功能和特點迅速引起了各國軍事專家的關注。與傳統導彈相比，巡飛彈具備長時間滯空的能力，能夠在目標區域進行偵察與監視，并靈活選擇最佳打擊時機。這使得巡飛彈不僅能夠執行偵察定位、戰場封鎖、精確打擊和毀傷評估等多種作戰任務，還能夠在戰場上充當無線中繼、目標指示和空中預警等多重角色。例如，美國的“switchblade”與以色列的“harop”巡飛彈，在現代戰場上已經顯示出其獨特的作戰優勢，能夠以低成本實現高效打擊。

3、近年來，隨著技術的逐漸成熟，巡飛彈已成為現代戰場中不可或缺的作戰單元。在面對多目標環境時，如何合理高效地分配和使用巡飛彈，成為作戰指揮中亟需解決的關鍵問題。這一問題不僅涉及單一巡飛彈的打擊能力，還關乎整個作戰系統的協同作戰效能。

4、巡飛彈的任務分配旨在通過科學合理的策略提升其利用率和打擊效果，其首要意義在于提高整體戰場的作戰效能。現代戰場環境千變萬化，敵方目標和威脅動態變化，傳統的任務分配往往難以快速應對這種動態變化。例如，ahner?d.k等人在論文《optimalmulti-stage?allocation?of?weapons?to?targets?using?adaptive?dynamicprogramming》中采用動態規劃法進行導彈打擊火力分配，并證明了動態規劃進行火力分配決策的最優性，但是當面對中大規模問題時，求解效率過低，無法應對動態要求。王永春等人在論文《水面艦艇空中目標火力分配模型研究》利用專家經驗構建活力分配決策判斷樹，在小規模上能得到較優的分配解，但在中大規模且較為復雜的場景下，分配規則難以準確提取，適用性大大降低。傳統基于人類經驗的火力分配模型存在適用性有限、決策效果客觀性和合理性較差等問題，而動態規劃法的效率局限性又很大，因此，許多學者開始探索利用啟發式搜索算法進行火力分配決策。例如，在發明專利《基于改進pso算法的開闊地反無人機火力部署方法》(公開號:cn111581878a)詳細介紹了一種針對開闊地場景下反無人機問題的火力部署方案。盡管這一方法通過引入擾動結構提升了模型的全局搜索能力，并在一定程度上改進了傳統pso算法容易陷入局部最優解的缺陷，但仍可能在復雜動態場景中面臨求解效率和適應性不足的問題。在發明專利《基于蟻群算法的火力分配方法》(公開號:cn106779210a)中詳細介紹了一種基于改進蟻群算法的火力分配方案。盡管這一方法在一定程度上能夠有效提升火力分配的決策效率和解的質量，但經典蟻群算法仍然存在收斂速度較慢、易陷入局部最優等問題。

技術實現思路

1、本發明要解決的技術問題是，提供一種目標損毀價值最大的目標打擊任務分配方法。

2、為實現上述目的，本發明采用如下的技術方案：

3、一種目標損毀價值最大的目標打擊任務分配方法，包括：

4、步驟s1、構建最大打擊毀傷價值模型；

5、步驟s2、通過sa-pso-ts優化算法對最大打擊毀傷價值模型進行求解，實現目標打擊任務分配。

6、作為優選，最大打擊毀傷價值模型為：

7、

8、其中，火力分配決策變量矩陣為[xij]n×m，該矩陣為n行m列，n為巡飛彈的數量，m為要打擊目標的數量，若第i個巡飛彈打擊第j個目標，則xij＝1，否則xij＝0，pij為第i個xfd一次打擊第j個目標的毀傷概率，distij為第i個巡飛彈到第j個目標之間的距離，vj為第j個目標的價值，max_distace為xfd的最大飛行距離限制。

9、作為優選，步驟s2中，首先獲得目標的價值和威脅程度，并初始化算法參數；其次初始化粒子群，給每個粒子隨機生成一組解；然后將初始解送進粒子群+模擬退火+禁忌搜索算法里去優化，先根據初始化的粒子群進行一次優化，取出粒子群中的最優解，將該最優解作為模擬退火算法的初始解，然后根據初始解計算指標，并隨機交換若干個鄰域解，若產生的新解滿足約束條件，則接受該解，并將該解納入禁忌表中。若計算的指標比原來解好或者滿足metropolis準則，則進行現有解的替換，若產生的新解不滿足約束條件，則繼續產生解，直到產生的解滿足約束條件。若計算的新解指標優于歷史最佳指標，則更新最優解。然后將該輪迭代產生的最優解存為粒子群的最優解，然后進行下一次迭代，直到終止。直到迭代次數結束或者溫度小于最小溫度，則優化過程結束。

10、本發明通過融合粒子群優化(pso)、模擬退火(sa)和禁忌搜索(ts)的優點，針對傳統粒子群方法存在的全局搜索能力不足、易陷入局部最優以及針對蟻群算法收斂速度慢，復雜動態場景適應性不足等問題進行了有效改進。該算法利用pso快速全局探索得到初始解，結合模擬退火的隨機擾動和metropolis準則跳出局部最優，并通過禁忌搜索避免重復搜索、探索潛在空間，增強了粒子群在全局范圍內的尋優能力，全面提升了解的質量和優化效率。同時，該算法通過動態溫度控制和約束條件的即時校驗，有效提升了在復雜動態場景下的適應性和對約束條件的處理能力，為火力分配等問題提供了高效且可靠的優化解決方案。

技術特征：

1.一種目標損毀價值最大的目標打擊任務分配方法，其特征在于，包括：

2.如權利要求1所述的目標損毀價值最大的目標打擊任務分配方法，其特征在于，最大打擊毀傷價值模型為：

3.如權利要求2所述的目標損毀價值最大的目標打擊任務分配方法，其特征在于，步驟s2中，首先獲得目標的價值、威脅程度和巡飛彈與目標的距離矩陣，并初始化算法參數；其次初始化粒子群，給每個粒子隨機生成一組解；然后將初始解送進粒子群+模擬退火+禁忌搜索算法里去優化，先根據初始化的粒子群進行一次優化，取出粒子群中的最優解，將該最優解作為模擬退火算法的初始解，然后根據初始解計算指標，并隨機交換若干個鄰域解，若產生的新解滿足約束條件且新解不在禁忌表中，則接受該解，并將該解納入禁忌表中。若計算的指標比原來解好或者滿足metropolis準則，則進行現有解的替換，若產生的新解不滿足約束條件，則繼續產生解，直到產生的解滿足約束條件。若計算的新解指標優于歷史最佳指標，則更新最優解。然后將該輪迭代產生的最優解存為粒子群的最優解，然后進行下一次迭代，直到終止。直到迭代次數結束或者溫度小于最小溫度，則優化過程結束。

技術總結
本發明公開一種使目標損毀價值最大的目標打擊任務分配方法，包括：步驟S1、構建最大打擊毀傷價值模型；步驟S2、通過SA?PSO?TS優化算法對最大打擊毀傷價值模型進行求解，實現目標打擊任務分配。采用本發明的技術方案，可以實現目標損毀價值最大的目標打擊任務分配。

技術研發人員：張凱歌,張森,付帥,雷國成,肖文棟
受保護的技術使用者：北方自動控制技術研究所
技術研發日：
技術公布日：2025/4/28