《基于遗传神经网络算法的防御系统武器分配多目标优化》

防御系统的主要目的是最大限度地阻止并摧毁敌人。此外，由于资源受限，还需考虑己方武器成本的最小化。上述决策问题可在战略、战役或战术层面进行讨论。类似地，此类模型也可适用于海军、空军和陆军系统。这种单准则最小化问题属于NP完全问题。近年来，遗传算法在组合优化问题中的应用日益受到关注[2,5,6,16]。与运筹学方法[12,14]、模拟退火算法[10]、霍普菲尔德人工神经网络[8]、玻尔兹曼机[11]以及弹性网络[17]相比，遗传算法提供了一种替代方案。模拟退火算法[10]基于Metropolis过程[15]和退火调度机制。此外，霍普菲尔德和坦克应用了由互联模拟神经元构成的特定神经网络，该网络通过能量函数最小化弛豫过程，为旅行商问题寻求次优解。所有上述方法都具有共同特征——大规模并行处理。遗传算法为解决NP完全问题提供了途径。霍兰德[9]发展了该方法及其理论基础。尽管基本遗传算法存在诸多变体[13]，但其核心机制始终作用于种群个体且相对标准化。戈德堡和林格尔[7]提出了一种称为"部分映射交叉"的交叉算子。巴克和佩罗夫[3]则基于非阿贝尔群理论提出了新型交叉算子。

从另一视角看，人工神经网络（ANN）在优化问题中的应用研究证实了其可实时解决某些优化问题。旅行商问题已在[8,10]中探讨。线性优化问题的最小化方法在[8]中提出。基于拉格朗日函数的拉格朗日规划神经网络在[11]中进行了研究。非线性优化问题的神经技术则在[7]中得以完善。本文提出了三种解决优化问题的遗传算法方案，其中应用了结合霍普菲尔德人工神经网络的遗传算法。并将程序模块分配的两个NP完全问题实例构建为多目标优化问题。