传感器目标分配问题是典型的多平台、多传感器、多目标分配问题。由于该问题的解空间随着传感器平台和目标总数的增加而呈指数增加,因此该问题是一个典型的多参数、多约束的完全NP问题,且这类组合优化的资源分配问题带有大量的局部极值点,具有不可微、不连续、有约束条件和高度非线性。该问题的研究是当前指挥辅助决策研究的热点。目前,大多数学者对于这一问题采用单目标规划方案,单目标规划多以对目标跟踪效能最大为优化的目标函数,然后采用线性规划类方法或智能优化算法进行求解。传统线性规划求解算法主要包括隐枚举法、分支定界法、割平面法、动态优化法等,当目标数增多时,收敛速度慢,难以处理维数较大的火力分配问题。随着现代计算机技术的发展,受自然界生物现象研究的启发,借鉴和利用自然现象或生物智能的启发式随机搜索算法比传统数学方法更具有优越性,高计算速度和大容量内存为多目标优化问题的海量解空间随机定向化搜索提供了有效的工具,如人工神经网络、混沌、遗传算法、模拟退火、禁忌搜索、粒子群优化、人工免疫算法及其混合优化策略等。这些算法通过模拟或提示某些自然现象或过程而得到发展,为解决复杂问题提供了新的思路和手段。
传感器目标分配多目标优化问题是指除了考虑探测效能外,还考虑传感器使用率,从而形成多目标优化问题。传统的多目标优化问题解决方法是通过人为的先验偏好对多个目标进行加权,从而形成单目标函数进行求解。然而,在实际操作过程中,不同的目标函数往往量纲不同,难以协调,使决策者难以量化各个目标函数的侧重点或不能提供相应信息,造成先验偏好权值很难获取,从而很难保证优化的各个目标函数同时达到最优值。采用单目标优化分配的结果在实际作战应用中表现为对目标传感器跟踪数量增大到一定程度后,跟踪效能改善不明显,从而造成传感器资源的浪费。为了解决这一问题,在跟踪效能最大的基础上,增加约束条件,在一定程度上对传感器数量进行限制,然而不能从根本上解决这一问题。近年来基于Pareto集多目标优化策略的求解方法能够避免传统方法的偏好权值选取,且能获得一系列前端解集合,供决策者参考,因此被广泛应用于多目标优化决策。(www.xing528.com)
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。