智能无人蜂群作战系统适应性进化模型仿真研究

doi:10.16182/j.issn1004731x.joss.22-FZ0893

系统仿真学报 ›› 2023, Vol. 35 ›› Issue (4): 878-886.doi: 10.16182/j.issn1004731x.joss.22-FZ0893

• 论文 • 上一篇

智能无人蜂群作战系统适应性进化模型仿真研究

李志强¹(), 李元龙², 殷来祥², 马向平³

^1.国防大学联合作战学院，北京 100091
^2.国防大学研究生院，北京 100091
^3.唐山师范学院计算机系，河北唐山 063000

收稿日期:2022-08-03 修回日期:2022-10-11 出版日期:2023-04-29 发布日期:2023-04-12
作者简介:李志强(1973-)，男，教授，博士生导师，博士，研究方向为兵棋推演与作战实验。E-mail：2683014096@qq.com

Research on Unmanned Swarm Combat System Adaptive Evolution Model Simulation

Zhiqiang Li¹(), Yuanlong Li², Laixiang Yin², Xiangping Ma³

^1.Joint Operation Institute, National Defense University, Beijing 100091, China
^2.Graduate School, National Defense University, Beijing 100091, China
^3.Department of Computer, Tangshan Teachers College, Tangshan 063000, China

Received:2022-08-03 Revised:2022-10-11 Online:2023-04-29 Published:2023-04-12

摘要/Abstract

摘要：

智能无人蜂群作战系统主要由有限行为能力的大规模作战个体组成，一般不具备应对复杂战场环境和作战对手变化的适应能力。采用遗传算法与增强学习相结合的方法探索构建基于个体的无人蜂群作战系统适应性进化模型，为了提高系统适应性进化速度，提出采用个体针对型变异优化策略改进遗传算法来提高蜂群系统的学习进化效率，在复杂系统建模仿真的SWARM平台上进行仿真实验研究，验证了本文方法的有效性。

关键词: 无人蜂群, 遗传算法, 适应性, 进化, 增强学习

Abstract:

Aiming at the fact that the intelligent unmanned swarm combat system is mainly composed of large-scale combat individuals with limited behavioral capabilities and has limited ability to adapt to the changes of battlefield environment and combat opponents, a learning evolution method combining genetic algorithm and reinforcement learning is proposed to construct an individual-based unmanned bee colony combat system evolution model. To improve the adaptive evolution efficiency of bee colony combat system, an improved genetic algorithm is proposed to improve the learning and evolution speed of bee colony individuals by using individual-specific mutation optimization strategy. Simulation experiment on SWARM platform of complex system modeling and simulation verify the effectiveness of the proposed theoretical method.

Key words: unmanned swarm, genetic algorithms, adaptability, evolution, reinforcement learning

中图分类号:

TP949

李志强, 李元龙, 殷来祥, 马向平. 智能无人蜂群作战系统适应性进化模型仿真研究[J]. 系统仿真学报, 2023, 35(4): 878-886.

Zhiqiang Li, Yuanlong Li, Laixiang Yin, Xiangping Ma. Research on Unmanned Swarm Combat System Adaptive Evolution Model Simulation[J]. Journal of System Simulation, 2023, 35(4): 878-886.

图/表 12

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

参考文献 15

1	董宇, 高敏, 张悦, 等. 美军蜂群无人机研究进展及发展趋势[J]. 飞航导弹, 2020, 60(9): 40-45.
	Dong Yu, Gao Min, Zhang Yue, et al. Research Progress and Development Trend of American Beehive UAV[J]. Airborne Missile, 2020, 60(9): 40-45.
2	杨丽娜, 曹泽阳, 李勇祥. 无人机蜂群作战构成及作战概念研究[J]. 现代防御技术, 2020, 48(4): 48-55.
	Yang Lina, Cao Zeyang, Li Yongxiang. A Study on the Combat Composition and Combat Concepts of Unmanned Aerial Vehicles[J]. Modern Defense Technology, 2020, 48(4): 48-55.
3	李浩, 孙合敏, 李宏权, 等. 无人机集群蜂群作战综述及其预警探测应对策略[J]. 飞航导弹, 2018, 58(11): 54-59.
	Li Hao, Sun Hemin, Li Hongquan, et al. Overview of UAV Swarm Combat and Its Early Warning and Detection Strategies[J]. Flight Missile, 2018, 58(11): 54-59.
4	李志强. 复杂系统与战争模拟研究[M]. 北京: 国防大学出版社, 2011.
	Li Zhiqiang. Research on Complex Systems and War Simulation[M]. Beijing: National Defense University Press, 2011.
5	李志强. 基于复杂系统的信息化战争建模仿真研究[D]. 北京: 国防大学, 2006.
	Li Zhiqiang. Research on Modeling and Simulation of Information Warfare Based on Complex System[D]. Beijing: National Defense University, 2006.
6	刘涛, 白光晗, 陶俊勇, 等. 面向任务的复杂系统韧性评估方法[J]. 系统工程与电子技术, 2021, 43(4): 1003-1011.
	Liu Tao, Bai Guanghan, Tao Junyong, et al. Mission-Oriented Resilience Evaluation Method for Complex System[J]. Systems Engineering and Electronic Technology, 2021, 43(4): 1003-1011.
7	Miller John H, Page Scott. 复杂适应系统[M]. 隆云滔译. 上海: 上海人民出版社, 2020.MillerJohn H, PageScott. Complex Adaptive System [M]. Long Yuntao Translation. TraShanghai: Shanghai People's Publishing House, 2020.
8	Allen B Downey. 复杂性思考[M]. 郭涛, 朱梦瑶译. 北京: 机械工业出版社, 2020.
	Downey Allen B. Thinking on Complexity[M]. Guo Tao, Zhu Mengyao Translation. Beijing: Machinery Industry Press, 2020.
9	颜雪松, 伍庆华, 胡成玉. 遗传算法及其应用[M]. 武汉: 中国地质大学出版社, 2018.
	Yan Xuesong, Wu Qinghua, Hu Yucheng. Genetic Algorithm and Its Application[M]. Wuhan: China University of Geosciences Press, 2018.
10	张沛, 刘帅军, 马治国, 等. 基于深度增强学习和多目标优化改进的卫星资源分配算法[J]. 通信学报, 2020, 41(6): 55-64.
	Zhang Pei, Liu Shuaijun, Ma Zhiguo, et al. Satellite Resource Allocation Algorithm Based on Depth Enhancement Learning and Multi-Objective Optimization[J]. Journal of Communications, 2020, 41(6): 55-64.
11	张俊瑞. 基于Agent的复杂系统建模与仿真[M]. 北京: 北京邮电大学出版社, 2018.
	Zhang Junrui. Agent-Based Modeling and Simulation of Complex Systems[M]. Beijing: Beijing University of Posts and Telecommunications Press, 2018.
12	Mao Hangyu, Zhang Zhengchao, Xiao Zhen, et al. Learning Multi-Agent Communication with Double Attentional Deep Reinforcement Learning[J]. Autonomous Agents and Multi-Agent Systems, 2020, 34(1): 1-32.
13	吴家豪, 彭志平, 崔得龙, 等. 于多Agent系统的粒子群遗传优化云工作流调度算法[J]. 南京大学学报(自然科学), 2017, 53(6): 130-140.
	Wu Jiahao, Peng Zhiping, Cui Delong, et al. Particle Swarm Optimization Cloud Workflow Scheduling Algorithm for Multi-Agent Systems[J]. Journal of Nanjing University(Natural Science), 2017, 53(6): 130-140.
14	韦鹏程. 基于人工智能算法的研究与应用[M]. 北京: 原子能出版社, 2021.
	Wei Pengcheng. Research and Application Based on Artificial Intelligence Algorithm[M]. Beijing: Atomic Energy Press, 2021.
15	王昊, 刘涛, 孙思远. 基于Swarm平台的Agent建模仿真探讨[J]. 无线互联科技, 2014, 19(9): 148.
	Wang Hao, Liu Tao, Sun Siyuan. Agent Modeling and Simulation Based on Swarm Platform[J]. Wireless Interconnection Technology, 2014, 19(9): 148.

[1]	陈强, 王意, 李康顺. 双重需求响应的虚拟电厂建模与调度研究[J]. 系统仿真学报, 2023, 35(4): 822-832.
[2]	马悦, 吴琳, 刘昀, 丁光照. 作战任务优选建模及求解方法研究[J]. 系统仿真学报, 2023, 35(3): 470-483.
[3]	张虎成, 杨镜宇. 基于GABC算法的作战体系智能优化方法研究[J]. 系统仿真学报, 2023, 35(1): 221-227.
[4]	徐佳, 韩逢庆, 刘奇鑫, 薛晓霞. 一种求解TSP的生物信息启发式遗传算法[J]. 系统仿真学报, 2022, 34(8): 1811-1819.
[5]	于淼, 李曼茹, 赵愈. 考虑等待提示机制的呼叫中心联合排班方法[J]. 系统仿真学报, 2022, 34(7): 1651-1661.
[6]	李智杰, 石昊琦, 李昌华, 张颉. 基于改进遗传算法的影像中心布局优化方法[J]. 系统仿真学报, 2022, 34(6): 1173-1184.
[7]	付建林, 丁国富, 张剑, 江海凡, 郭沛佩. 基于响应面和NSGA-II的AGV系统多目标优化配置[J]. 系统仿真学报, 2022, 34(5): 994-1002.
[8]	叶飞, 李梓晴, 赖李媛君. 分布式车间生产维修联合调度仿真优化方法[J]. 系统仿真学报, 2022, 34(4): 688-699.
[9]	王喆, 邵鸿远, 丛子皓, 马雯雯. 考虑供应商聚类的应急医疗物资协同配送仿真[J]. 系统仿真学报, 2022, 34(10): 2303-2311.
[10]	王语童, 马世伟, 杨元睿, 陈超宇. 多机器人组合最大覆盖面积寻优及预测方法[J]. 系统仿真学报, 2022, 34(1): 86-92.
[11]	朱海龙, 贾如侠, 张亮, 贺维. 基于证据推理和置信规则库的涡扇发动机故障预测[J]. 系统仿真学报, 2022, 34(09): 2074-2086.
[12]	何昕杰, 周少武, 张红强, 吴亮红, 周游. 基于改进遗传算法的四向穿梭车系统订单排序优化[J]. 系统仿真学报, 2021, 33(9): 2166-2179.
[13]	唐婕, 曹瑾鑫. 共享汽车联合调度优化研究[J]. 系统仿真学报, 2021, 33(8): 1959-1968.
[14]	余伟, 梁恒辉, 罗映. 一种改进差分进化算法的分数阶系统辨识研究[J]. 系统仿真学报, 2021, 33(5): 1157-1166.
[15]	陈芮莹, 王承涛, 刘振元. 考虑服务水平的IT运维人员调度的智能遗传算法[J]. 系统仿真学报, 2021, 33(3): 732-744.

智能无人蜂群作战系统适应性进化模型仿真研究

Research on Unmanned Swarm Combat System Adaptive Evolution Model Simulation

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价