群体智能算法在决策控制系统的应用策略研究_于君.pdf

收稿日期：2021-08-05修回日期：2021-10-07基金项目：山西省高等学校科技创新基金资助项目（2020L0107）作者简介：于君（1985-），女，河南周口人，博士，高级工程师。研究方向：智能感知与数据挖掘、群体智能优化方法。*摘要：决策控制系统的智能化辅助程度正在逐步加深。群体智能算法以具有分布性、非直接通信、自组织、个体简单等特点，被广泛应用于智能化决策控制系统。在多种群体智能算法基本原理基础上，对其在决策控制系统中的应用策略进行详细论述，分析了多种群体智能算法在决策控制系统的应用实践。在多模态数据协同推理的发展方向下，新一代信息技术的融合应用将进一步提升决策控制系统的性能。关键词：群体智能算法；决策控制系统；蚁群算法；粒子群算法；人工蜂群算法中图分类号：TJ01文献标识码：ADOI：10.3969/j.issn.1002-0640.2022.11.001引用格式：于君.群体智能算法在决策控制系统的应用策略研究 J.火力与指挥控制，2022，47（11）：1-5.群体智能算法在决策控制系统的应用策略研究*于君（太原理工大学大数据学院，太原030024）Research on Application Strategies of Decision-making ControlSystem with Swarm Intelligence AlgorithmYU Jun（College of Data Science，Taiyuan University of Technology，Taiyuan 030024，China）Abstract：The degree of intelligent assistance of decision-making control system is graduallydeepening.Swarm intelligence algorithm has such characteristics as distribution，non-direct communication，self-organization，individual simplicity and so on.These characteristic are widely used in intelligentdecision-making control system.Based on the basic principles of multiple swarm intelligence algorithms，theapplication strategies of various swarm intelligence algorithms in decision-making control system arediscussed in detail，and theapplication practiceof multipleswarm intelligence algorithmsin decision-makingcontrol system is analyzed.Under the development direction of multimodal data collaborative reasoning，thefusion application of a new generation of information technology will further improve the performance ofdecision-making control system.Key words：swarm intelligence algorithm；decision-making control system；ant colony algorithm；particle swarm optimization algorithm；artificial bee colony algorithmCitation format：YU J.Research on application strategies of decision-making control system withswarm intelligence algorithm J.Fire Control&Command Control，2022，47（11）：1-5.0引言随着信息化、网络化、数字化和智能化技术的不断演进，未来的战场体系愈发多元，战争空间也将由海、陆、空、太空、深海向着电子空间不断延伸，多域联合、集智决策和自主协同已经成为了现代战争的主流方向。军事决策控制系统正向着智能云脑化、决策智能化发展1。智能化的决策控制系统需文章编号：1002-0640（2022）11-0001-05Vol.47，No.11Nov，2022火 力 与 指 挥 控 制Fire Control&Command Control第 47 卷第 11 期2022 年 11 月1（总第 47-）火 力 与 指 挥 控 制2022 年第 11 期要在多模态海量数据的基础上实现预警评估、指挥打击、毁伤评估、后勤保障等全环节的实时高效运行。为了解决实际环境中的复杂优化问题，群体智能算法将逐渐应用到决策控制系统中。群体智能算法是从自然界各类生物构成的群体行为中受到启发而产生的，对复杂问题具有自适应性和高效能性，在决策控制系统中的态势评估预测、结构损伤检测、运输指挥调度、搜索路径规划、驻地选址评估、通信网络规划等问题上实现了快速寻优2。目前使用较多的群体智能算法有蚁群算法、蜂群算法、粒子群算法等经典算法，还有后续提出的狼群算法、布谷鸟算法、蛙跳算法、遗传算法、蝙蝠算法等。本文主要对这些较为典型的群体智能算法进行分析，分别讨论其在决策控制系统中的应用研究成果及算法改进策略。1蚁群算法在决策控制系统中的应用策略1.1蚁群算法蚁群算法是模拟蚂蚁群体在觅食途中分泌信息素做标记的角度来提出的，主要涉及两个智能环节：蚂蚁如何选择下一个目的地以及如何更新信息素。由于信息素等化学物质的挥发性，这种算法在路径搜索过程中容易提早陷入停止，无法实现更优路径的选择。因此，蚁群算法在决策控制系统中的应用过程进行优化，包括改进信息素约束条件、优化信息素浓度更新模型、调整转移概率模型以及与其他算法融合应用等策略。1.2改进信息素约束条件在工程应用中，寻求最优解不能简单地只考虑时间和距离，研究人员往往将影响应用目标实际选择的指标和条件加入蚁群算法模型的初始化过程，以建立更贴近实际问题的数学模型。潘泽东等针对防空兵作战路线选择问题，根据实地取证和历年经验对路面材质、转弯半径等 8 项指标分别赋以权重，并融入里程指数的计算模型，将里程指数之和最小化设定为最佳机动路线，在应对外界环境的多变性上增加了模型优势3。尚冠宇将蚁群算法引入水下无人军事平台航路规划，将转弯机动、航行深度、上浮间隔等约束条件加入空间环境模型，实现在短时间内找到最优水下无人平台航路规划方案，成功率、规划平均时间均优于遗传算法、格扩展法、动态规划法和序列规划法4。1.3优化信息素浓度更新模型为了解决由于信息素挥发而造成的陷入局部寻优问题，研究人员会采取设置动态参数、加入分时段的挥发因子等优化信息素浓度更新模型的方式，进而实现求解寻优范围最大化。黄钦龙等针对无人艇编队火力分配问题，采用时变的挥发因子动态调整不同搜索阶段中的信息素，得到的火力分配最优解要优于固定参数的经典蚁群算法，且收敛速度更快5。梁洁雅等针对飞机作战任务航路规划问题、局部和整体搜索过程分别启用不同的信息素浓度机制帮助增加算法的搜索空间，改进后的蚁群算法能够更好地跟随地形规划航线，在适应度和规划时间方面都优于传统蚁群算法，且航线起伏较小6。1.4调整转移概率模型研究人员还通过调整选择节点时的转移概率模型来抵消由于信息素正反馈机制导致的误差增大问题。孟小玲等针对战后军事物资回收车辆路径优化问题，根据回收点之间信息素浓度和路径长度两种因素共同计算选择下一个回收点的概率，并引入信息素减少系数提高循环信息利用率，改进后的蚁群算法，在稳定性、可行性和有效性方面均优于传统算法7。1.5融合应用在上述应用策略的基础上，研究人员将其他算法与蚁群算法进行局部融合，进而提高蚁群算法整体适用性能。例如：薛杨针对基层部队常见多发的车辆路径问题，基于蚁群信息素对 K-means 聚类方法进行改进，并结合欧氏距离、曼哈顿距离计算方法设计路径优化模型8。辛建霖等针对无人机作战航迹规划问题，结合 Dijkstra 算法和 Logistic 混沌映射的启发式信息优化蚁群算法的初始设置，采用多航迹选择策略的状态转移规则增加求解多样性，并应用模拟退火机制提升全局搜索能力，提出一种改进的蚁群算法9。整体来看，蚁群算法在决策控制系统的作战车辆规划、军事物流调度、编队火力分配、无人机作战方案等问题中广泛应用。2粒子群算法在决策系统控制中的应用粒子群算法是在模拟鸟群自组织聚集飞行过程基础上提出的，算法核心是确定个体位置、速度及状态。个体在搜索空间中仅是一个没有重量和体积的微粒，并在搜索空间中按照一定的速度飞行，其飞行速度由个体及群体的飞行经验进行动态调整。粒子群算法具有参数量少、流程简单、求解高效21856（总第 47-）于君：群体智能算法在决策控制系统的应用策略研究的特点，但是由于局部最优值强烈吸引附近的粒子群靠近，容易导致“早熟”，出现算法收敛停滞且最优解得不到有效更新。研究人员不断对其进行改进优化，在实际应用中有以下 3 类方式：一是按照经验和实际约束条件调整参数设置；二是针对算法的缺陷直接优化群体拓扑结构；三是结合多种算法进行优化。2.1对算法参数进行动态设置参数对于粒子群算法的运算过程影响很大，目前还没有一套系统的理论指导参数的设置。研究人员一般根据所针对具体问题的历史经验，对学习因子、粒子速度等参数进行动态调整来获得更高的精度结果。都东等针对多级物资储备体系对作战前线的保障效率问题，通过采用 Logistic 混沌映射初始化粒子种群、异步化自学习和社会学习因子、异化粒子位置更新策略等方法对粒子群算法进行改进，提出一种基于改进粒子群的多级物资配送方案，在收敛速度、求解精度和算法稳定性方面均优于一般粒子群算法10。蔡睿等针对控制方舱中的作战任务与操作号手间协同冲突问题，采用多维异步处理策略调整粒子的位置，并依据迭代次数修正惯性权重参数，提出了一种多席位协同任务规划策略11。2.2动态调整单粒子拓扑结构粒子群优化算法依靠群体共享的信息才能实现全局寻优，单个粒子需要同时具备个体认知和社会认知经验，因此，在处理多模态复杂模型时通过动态调整粒子群中每个粒子所形成的拓扑结构，来提高对整个空间的有效搜索。阎炼等针对水面舰艇导弹目标分配优化问题，将武器对目标拦截可行性以及目标威胁程度与粒子群算法的惯性权重 结合，设定舰空导弹射中全部目标的失败概率最小为最优解来设置粒子编码方案，提出一种基于改进粒子群算法的目标分配算法12。江志针对海警的搜救活动，采用粒子群算法构建移动自组织网络，通过设计数据包转发时间动态和数据传输效用值分析策略，动态调度网络拓扑节点，提出一种基于粒子群算法的快读搜救和临时通信网络解决方案，用以辅助海上搜救决策13。2.3融合应用研究人员还通过将粒子群优化算法与其他算法思想相结合，利用不同算法的优势互补来提高解决实际问题的能力。赵明明等针对无人机作战决策系统中多无人机空战博弈策略的问题，提出一种采用量子粒子群算法在模糊策略下博弈的纳什均衡求解方法，给出了多无人机空战博弈模型的最优作战策略14。温包谦等针对重点区域前线防守火力部署问题，结合遗传算法的种群多样度高、能够随机全局搜索和粒子群算法的个体记忆、收敛速度快等特性，先用粒子群算法产生最优解的个体，再通过遗传算法的选择、交叉、变异操作，寻求对来袭者杀伤力最强的部署方法15。通过调整优化，粒子群优化算法在军事决策控制系统的目标分配、搜救指挥、弹道控制、兵力