3数值仿真

假设区域防空战场中，存在5个来袭目标和7个火力单元。目标威胁系数 =(0.6,0.7.0.3,0.5,0.8)，经过拦截适应性检查后，确定各武器的拦截可行域分别为 ={2}、 ={2,3}、 ={2,3,4}、 ={3,4,5}、 ={1,3,5}、 ={1,4}和 ={3,5}，不同武器平台对目标的杀伤概率如表1所示。第1个目标可被序号为5和6的火力单元拦截，第2个目标可被序号为1、2和3的火力单元拦截，第3个目标可被序号为2、3、4、5和7的火力单元拦截，第4个目标可被序号为3、4和6的火力单元杀伤，第5个目标可被第4、5、7个火力单元射击。如目标超出某火力单元杀伤能力范围，相应的毁伤概率为零。

设置目标数 n _T =5，武器平台数 n _W =7，种群规模 N =20，粒子的维数 D = n _W ，最大迭代次数 k _max =30，学习因子 c ₁ = c ₂ =2.0，全局最优粒子 P _g =(1,2,1,2,3,1,2)，武器分配为 a =(2,3,2,4,5,1,5)。

表2为最优目标分配方案：第6个武器平台拦截第1个目标；第1、3个武器平台共同拦截第2个目标；第2个武器平台拦截第3个目标；第4个武器平台拦截第4个目标；第5和第7个武器平台共同拦截第5个目标。注意到第2个和第5个目标的威胁值较高，所以分配了较多的武器，分配结果符合实际作战情况。分配方案对应各目标的拦截概率，威胁值大的目标期望的拦截概率越大，可形成有利的防空作战态势。

图3显示了射击效能函数在寻优过程中的变化曲线，图4为种群多样性变化历程。

图3表明采用本文的粒子编码策略，有效地缩小了分配问题的解空间，使算法获得了全局寻优能力和更快的收敛速度。图4表明引入多样性增强机制后，避免了传统粒子群算法容易陷入局部最优的问题。基本的粒子群算法寻找到次优解后，在群体协同下向中心收缩，多样性最终趋于零。通过增加多样性控制手段后，群体将经历收缩和发散两个交替过程，使粒子样本分散在一定的空间范围内，提升了粒子在可行域内的搜索能力。