狼群算法(Wolf Pack Algorithm，WPA)作为群体智能优化算法[15]，已成功在高维复杂函数优化、背包问题[16-17]、无人机航迹规划[18]等优化问题领域得到了很好的应用，但文献[19-20]指出了WPA还存在寻优精度较低、易陷局部最优、效率不高的弊端，并进行了有效改进。WPA在搜索能力方面还存在上升空间，本文引入了蚁群算法[21-22]中信息素启发规则改进WPA，针对游走行为中人工狼的更新规则，提出使用信息素引导搜索过程，通过不断更新信息素形成狼群对历次捕猎的“记忆”，并应用于狼群更新机制，以改善算法的全局搜索能力。本文将这种新的信息素启发狼群算法(Pheromone Heuristic Wolf Pack Algorithm，PHWPA)应用于UAV集进攻中的火力分配问题，构建了问题的数学模型，进而给出了算法实现过程，并通过仿真实验验证了该方法的可行性及有效性。
1 构建火力分配数学模型 UAV集群在进攻作战中突出系统整体优势，可根据目标情况进行调整，快速适应任务要求，进而协同作战，以较少的消耗达成作战目的。假设UAV集群作战攻击多个目标的具体场景如下：
集群共有v型UAV，第z型UAV数量为mz(z=1，2，…，v)，且
 | (1) |
所有v型UAV对第g个目标的综合杀伤概率Pg为
 | (2) |
火力分配是以UAV集群作战系统的整体作战效能最优为目标的，即在保证任务完成的情况下，消耗较少的UAV作战单元，使得攻击后的目标价值收益F最大。本文采用了带有杀伤概率门限的火力分配数学模型[11]。
 | (3) |
式中：Pg为Pg的均值。
模型约束条件包括：
1) 任务完成约束。每个目标至少分配1架UAV对其进行攻击。
 | (4) |
式中：Ag为第g个目标分配的UAV总数。
2) 有效杀伤约束。该约束条件要求对每个目标的综合杀伤概率大于预设的杀伤概率门限。
 | (5) |
式中：Pdg为第g个目标的预设杀伤门限，可根据具体情况指定。
3) 攻击消耗约束。用于攻击的任何一型UAV不能超过其数量限制。
 | (6) |
整个模型的特征如下：
1) 保证每个目标均能被有效杀伤。通过衡量目标综合杀伤概率是否超过预设杀伤概率门限，判定目标是否被有效杀伤，若低于预设杀伤概率门限，则认为对目标的分配为无效分配。
2) 目标价值Wg可以保证高价值目标被优先分配。
3) Ag的大小比pzg对Pg值的影响更大，Ag值越小，综合杀伤概率的平均值就越大，所以模型可以保证使用较少的UAV火力单元。
4) Pg保证目标g在分配UAV火力单元目相同的情况下，即Ag相同，选择Pg大的UAV组合，使综合杀伤概率尽可能大。
上述模型带有非线性约束，采用罚函数法将其转化为一个无约束优化问题来求解。该问题属于非线性整数规划问题，这里采用PHWPA进行解决。
2 算法实现 2.1 狼群算法 狼群组织严密，分工明确，通过各自履行责任进而完成共同协作，保证狼群的生存和发展。WPA模拟狼群分工协作式捕猎行为、猎物分配规则，通过狼群个体对猎物气味、环境信息的探知、人工狼群相互间信息的共享和交互以及人工狼基于自身职责的个体行为决策最终实现了狼群捕猎的全过程，相互关系如图 1所示[15]。
 |
| 图 1 狼群的捕猎模型 Fig. 1 Hunting model of wolf pack |
| 图选项 |
根据狼群特征，WPA采用基于人工狼主体的自下而上的设计方法和基于职责分工的协作搜索路径结构，将人工狼区分为头狼、探狼、猛狼，整个捕猎过程抽象为游走、召唤、围攻3种智能行为以及“胜者为王”的头狼产生规则和“强者生存”的狼群更新机制，相关含义参见文献[15]。
2.2 求解火力分配问题的WPA 围绕火力分配模型，首先进行了火力分配问题的算法描述，并借鉴文献[17]中运动算子设计方法，重新设计了游走、召唤2个算子改进WPA，以便于问题的求解；进而给出了头狼产生规则、游走行为、召唤行为、围攻行为、狼群更新机制等智能行为的详细描述以及新算子在具体智能行为中的应用。
在解决WTA问题中采用了基于整数的编码方式，分配方案X=(x1，x2，…，xj，…，xm)，变量xj为0~n之间的整数，xj=t表示将第j架UAV分配给第t个目标；xj=0表示第j架UAV没有分配给任一目标[6]。用人工狼的位置代表一种候选分配方案，设人工狼位置矢量维度为m(UAV总数量)，N为人工狼总数，在N×m的欧式空间中人工狼i的位置X=(xi1, xi2, …，xij, …, xim)，xij为第i(i=1，2，…，N)匹人工狼在第j(j=1，2，…，m)维变量空间中所处的位置。人工狼感知到的猎物气味浓度Y=f(X)，即目标函数值；人工狼p与人工狼q之间距离dpq为两者位置编码的Manhattan距离：
 | (7) |
定义1? 游走算子Ω(Xi，Ma，r)，人工狼i的位置为Xi=(xi1, xi2, …，xij, …, xim)，Ma= {1，2，…，m}为编码位集合，可理解为人工狼的可活动范围，r为进行改变的编码位的数目，可理解为人工狼的游走步长。游走算子表示在Ma中随机选择r个编码位形成集合R，将xij(j∈R)改变为第j维变量空间中选取的随机数。
定义2? 召唤算子Ψ(Xi，Mb，r)，人工狼i的位置为Xi=(xi1，xi2，…，xij，…，xim)，Mb为人工狼位置Xi和头狼位置Xd不相同编码位的集合且不为空集，集合Mb为
 | (8) |
式中：j=1，2，…，m；k的初值为1；null表示空值；xdj表示头狼位置第j维取值。召唤算子Ψ为在Mb中随机选择r个编码位形成集合R，并将xij值按式(9)进行改变，可理解为人工狼i接收到了头狼传递的部分信息。
 | (9) |
WPA的规则和智能行为[15-17]如下：
1) 头狼产生规则。算法中具有最优目标函数值的人工狼为头狼，迭代过程中根据目标函数进行头狼更替，头狼不执行游走、召唤、围攻行为。
2) 游走行为。选取最优人工狼为头狼，除头狼外所有的人工狼视为探狼，探狼以游走步长stepa向h个方向试探性走一步，即对探狼位置Xi执行h次游走算子Xipnew= Ω(Xi，Ma，stepa)(p=1，2，…，h)。而后将所得的h个新位置{Xipnew}进行贪婪决策，即选择具有最优目标函数值且优于原有位置的为该人工狼新位置。设探狼i和头狼位置对应的目标函数值分别为Yi和Ylead，游走次数为T，最大游走次数为Tmax，重复以上过程直至Yi＞Ylead或T≥Tmax。
3) 召唤行为。猛狼(除头狼外所有的人工狼)经头狼召唤迅速以较大奔袭步长stepb向头狼所在位置Xd靠拢，即对猛狼位置Xi执行1次召唤算子Xinew=Ψ(Xi，Mb，stepb)。若Mb为空集时执行游走算子Ψ(Xi，Ma，1)。若Yi＞Ylead，则Ylead=Yi，猛狼i替代头狼进行召唤；若Yi < Ylead，则猛狼i继续奔袭直到猛狼i与头狼的距离小于判定距离dnear。
4) 围攻行为。将头狼所在位置Xd视为猎物的位置，参与围攻的人工狼i的位置Xi依式(10)进行位置变换得到新位置：比较人工狼实施围攻行为前后在新旧位置所感知到的猎物气味浓度并进行贪婪决策。
 | (10) |
上述智能行为所涉及的游走步长stepa、奔袭步长stepb、围攻步长stepc皆为整数，表示人工狼搜索的精细程度。
5) 狼群更新机制。按照狼群更新机制进行群体更新，即淘汰Nnew匹人工狼，Nnew为[N/(2U)，N/U]之间的随机整数，U为更新比例因子。算法模拟自然界狼群繁衍方式，新人工狼作为头狼子女继承头狼的优良基因，即头狼的部分编码位，新的人工狼位置Xnew由式(11)计算得到：
 | (11) |
式中：Xd为头狼所在位置；Ma={1，2，…，m}；编码位改变的数目L由式(12)计算得到：
 | (12) |
式中：*为向下取整；k为算法迭代次数；kmax为算法的最大迭代次数；N为人工狼总数。
2.3 蚁群算法中的信息素启发规则 蚁群算法模拟自然界中蚁群觅食机制，采用了分布式正反馈并行计算机制[21-22]。WTA问题中蚂蚁各自构建其目标分配方案，蚂蚁从第1架UAV开始在所有目标中选择一个目标分配给该UAV；接着对第2架UAV，蚂蚁s在当前运行分配的目标集合中选择一个目标分配给该UAV；依此顺序分配，指导完成全部目标分配[8]。算法中信息素启发的具体规则如下：
1) 状态转移规则。蚂蚁s依据伪随机规则选择目标g分配给第u架UAV。
 | (13) |
式中：τut(k)为k时第u架UAV与目标t之间的信息素，k即迭代次数；ηut为与问题相关的启发信息，在火力分配问题中，ηut根据数学模型的最优准则给定，本文设为第u架UAV对目标t单次杀伤概率与目标t价值的积；α和β分别为τut和ηut的相对重要性；q为0~1之间均匀分布的随机数；q0(0≤q0≤1)为一个指定常数；G为依据如下随机比例规则从alloweds中选择一个目标。
 | (14) |
式中: alloweds为蚂蚁s当前可分配的目标集；ηug为第u架UAV对目标g单次杀伤概率与目标g价值的积；τug(k)为k时第u架UAV与目标g之间的信息素。
2) 信息素更新规则。当一次迭代过程结束后，根据当前最优目标函数值Fmax及其对应解Xbest，按式(15)全局更新规则对信息素进行调整：
 | (15) |
式中: Δτug为第u架UAV选择目标g相应信息素增量；ρ为信息素挥发因子，0 < ρ < 1。
 | (16) |
式中：Q为信息素强度，是一个常数；Fmax(k)为第k次迭代目标函数最优值；Xbest(k)为对应的最优解。
2.4 算法改进策略 为强化对解空间的学习，避免陷入局部最优，提高算法寻优效率，在求解火力分配的WPA基础上提出了PHWPA，针对WPA的游走行为和更新机制做出如下改进：
1) 在人工狼搜索过程中，增加信息素引导，可以理解为狼群搜捕猎物的过程形成了一定记忆。在游走行为中，对人工狼位置执行游走算子时，相应编码位由选取随机数改为按照式(13)、式(14)选取新位置。
2) 在更新狼群过程中使用信息素，这一过程可以理解为：一方面新的人工狼继承了头狼的优良基因，另一方面采用信息素引导使新的人工狼传承了整个狼群在捕猎中形成的“智慧”，符合自然界种群繁衍进化的特点。在狼群更新机制中，新人工狼按照式(12)产生时，同样其编码位按照式(13)、式(14)计算其改变值。
信息素更新的时机选择在每次迭代时狼群完成围猎之后、更新狼群之前，利用头狼位置信息及其目标函数值按式(15)对信息素进行全局更新，不断更新的信息素代表着狼群在整个捕猎过程中形成的捕猎“智慧”，有利于该智能优化算法对解空间进行更好的学习。
2.5 PHWPA的实现步骤 步骤1? 初始化。人工狼总数N，初始化每匹人工狼的位置Xi，最大迭代次数kmax，更新比例因子U，最大游走次数Tmax，各步长stepa、stepb、stepc，判定距离dnear，信息素的启发因子α，期望启发因子β，信息素强度Q，信息素挥发因子ρ以及常数q0，信息素初值τinitial，最大值τmax，最小值τmin。
步骤2 ?计算各人工狼的目标函数值。选取头狼，其余人工狼执行游走行为，利用式(13)、式(14)更新，直到某匹人工狼感知的猎物气味浓度(目标函数值)大于头狼感知的气味浓度，或达到最大游走限制次数，转入步骤3。
步骤3? 除头狼外的所有人工狼执行召唤行为，向发出召唤的头狼进行奔袭。若奔袭过程中，人工狼感知的气味浓度大于头狼所感知的气味浓度，则进行头狼更替，之后人工狼向新的头狼位置奔袭，直到人工狼与头狼的距离d≤dnear，转入步骤4。
步骤4 ?除头狼外的所有人工狼执行围攻行为。将头狼所在位置视为猎物的位置，参与围攻的人工狼位置根据式(10)进行变换并进行贪婪决策。
步骤5? 全局信息素更新。根据当前头狼位置信息及其所感知的猎物气味浓度，根据式(15)、式(16)对全局信息素进行更新。
步骤6? 狼群更新。按照狼群更新机制，更新Nnew匹人工狼，新人工狼变化的编码位相应数值按照式(13)、式(14)计算得到。
步骤7? 判断是否结束。判断是否达到优化精度要求或最大迭代次数kmax，若达到则输出头狼的位置，即所求问题的最优解，否则转步骤2。
综上，可得出基于PHWPA的火力分配流程，如图 2所示。
 |
| 图 2 基于PHWPA的火力分配流程 Fig. 2 WTA flowchart based on PHWPA |
| 图选项 |
3 算法验证及仿真 为验证PHWPA求解火力分配问题的可行性和有效性，进行了仿真实验，算例参考文献[11]。
设UAV集群共有4种型号，每型4架，需要协同攻击10个目标。UAV编号与目标标号如表 1所示。
表 1 无人机编号与目标编号 Table 1 UAV number and target number
| UAV型号 | UAV编号 | 目标编号 |
| Ⅰ型 | V1~V4 | T1~T10 |
| Ⅱ型 | V5~V8 | T1~T10 |
| Ⅲ型 | V9~V12 | T1~T10 |
| Ⅳ型 | V13~V16 | T1~T10 |
表选项
UAV集群中作战单元对目标的杀伤概率矩阵为P。
各目标的杀伤概率门限Pdj均设为0.9。各目标的价值矩阵W=[0.6，0.7，0.3，0.5，0.6，0.35，0.65，0.55，0.4，0.75]。
 |
采用本文的PHWPA、WPA、ACO算法、最大最小蚁群(MMAS)算法、模拟退火离散粒子群算法(SA-DPSO)[11]以及仅在更新狼群时使用信息素的PHWPA1、仅在探狼搜索过程使用信息素引导的PHWPA2分别对该火力分配问题进行优化求解。最大迭代次数均为100，涉及WPA的参数：狼群规模Nw=32，更新比例因子Uw=6，游走次数Tmax=10，游走步长stepa=2，奔袭步长stepb=4，围攻步长stepc=1，判定距离dnear=2stepb；涉及ACO算法的参数：蚁群规模Na=32，α=2，β=5，Q=20，ρ=0.4，q0=0.8，信息素初始值τinitial=10，信息素最大值τmax=10，信息素最小值τmin=2。
图 3表示采用PHWPA得出的最优方案，该火力分配方案共使用4型13架UAV攻击10个目标，具体UAV与目标对应分配情况如表 2所示。表 3中各目标杀伤概率均达到杀伤概率门限指标要求，方案表明在保证任务完成的情况下减少了UAV作战单元的消耗，有利于保持UAV集群整体优势。
 |
| 图 3 无人机-目标最优分配方案 Fig. 3 Optimal UAV-target assignment |
| 图选项 |
表 2 最优攻击分配方案 Table 2 Optimal UAV-target assignment
| UAV型号 | UAV编号 | 对应分配目标编号 |
| Ⅰ型 | V1 ?V2? V3 ?V4 | T8? T5? T6 ?T3 |
| Ⅱ型 | V5? V6? V7? V8 | - ?T4? -? T8 |
| Ⅲ型 | V9 ?V10? V11? V12 | - ?T9? T2 ?T10 |
| Ⅳ型 | V13 ?V14 ?V15? V16 | T7 ?T2? T10 ?T1 |
表选项
表 3 各目标杀伤概率 Table 3 Kill probability of each target
| 目标编号 | 杀伤概率 |
| T1 | 0.9 |
| T2 | 0.985 |
| T3 | 0.91 |
| T4 | 0.91 |
| T5 | 0.9 |
| T6 | 0.9 |
| T7 | 0.979 |
| T8 | 0.91 |
| T9 | 0.92 |
| T10 | 0.979 |
表选项
由图 4、图 5可看出，因为初始狼群、蚁群是随机产生的，所以每次迭代会略有不同，为检验PHWPA的收敛性，并证明其有效性。对各算法分别进行了100多次仿真实验，算法收敛趋势基本一致，PHWPA与各算法目标函数值变化情况如图 5所示，可以看出，PHWPA能够迅速收敛至全局最优解，并且每次仿真均可以收敛至最优解；WPA收敛至全局最优解时间较长，收敛速度相对较慢，且部分解是局部最优解；基本ACO算法收敛速度慢，且常陷入局部最优解；MMAS算法收敛趋势与WPA相近，且部分解为局部最优解；SA-DPSO算法能够稳定收敛，但常陷入局部最优解；PHWPA1、PHWPA2收敛趋势与PHWPA较为接近，但实验中这2种算法也存在收敛速度慢、陷入局部最优解的情况，不如PHWPA收敛情况稳定。因此，本文提出的PHWPA能够有效提高对全局最优解的寻优效率。
 |
| 图 4 各算法最优值迭代过程 Fig. 4 Iterative process of optimal value of each algorithm |
| 图选项 |
 |
| 图 5 PHWPA与其他算法迭代过程比较 Fig. 5 Comparison of iterative process between PHWPA and other algorithms |
| 图选项 |
4 结论 UAV集群作战是UAV自主作战发展的必然趋势，战场环境下UAV集群协同攻击多目标的火力分配问题研究具有重要意义。
1) 针对UAV集群进攻作战火力分配问题进行了研究，主要考虑达成有效杀伤目的、同时节约UAV火力资源且满足任务约束等要求，建立了合理的火力分配数学模型。
2) 在使用WPA进行模型求解中，重新设计了游走、召唤算子，并在智能行为中描述新算子的具体应用。
3) 针对WPA在解决火力分配问题时易陷入局部最优解的问题，提出了PHWPA，引入ACO算法中信息素启发机制，强化了人工狼群对搜索空间的认知，对狼群算法搜索环节进行启发式引导，赋予了人工狼群“记忆”，在人工狼群更新环节引入信息素启发，继承了狼群的捕猎“智慧”，提升了狼群算法的搜索效率。
仿真结果表明，该优化算法是快速且有效的，在寻优精度和稳定上都有较好的表现，为研究UAV集群作战系统火力分配问题提供了一种新的解决方案。
参考文献
| [1] | 罗德林, 徐阳, 张金鹏. 无人机集群对抗技术新进展[J]. 科技导报, 2017, 35(7): 26-31. LUO D L, XU Y, ZHANG J P. New progresses on UAV swarm confrontation[J]. Science & Technology Review, 2017, 35(7): 26-31. (in Chinese) |
| [2] | 牛轶峰, 肖湘江, 柯冠岩. 无人机集群作战概念及关键技术分析[J]. 国防科技, 2013, 34(5): 37-43. NIU Y F, XIAO X J, KE G Y. Operation concept and key techniques of unmanned aerial vehicle swarms[J]. National Defense Science & Technology, 2013, 34(5): 37-43. (in Chinese) |
| [3] | 段海滨, 申燕凯, 王寅, 等. 2018年无人机领域热点评述[J]. 科技导报, 2019, 37(3): 82-90. DUAN H B, SHEN Y K, WANG Y, et al. Review of technological hot spots of unmanned aerial vehicle in 2018[J]. Science & Technology Review, 2019, 37(3): 82-90. (in Chinese) |
| [4] | LLOYD S P, WITSENHAUSEN H S.Weapon allocations is NP-complete[C]//IEEE Summer Conference on Simulation.Piscataway: IEEE Press, 1986: 88-95. |
| [5] | 张永利, 计文平, 宋本钦. 舰空导弹对空中目标打击辅助决策研究[J]. 指挥控制与仿真, 2019, 41(3): 19-23. ZHANG Y L, JI W P, SONG B Q. Research on auxiliary decision of surface-to-air missiles strike to air targets[J]. Command Control & Simulation, 2019, 41(3): 19-23. (in Chinese) |
| [6] | 董朝阳, 路遥, 王青. 改进的遗传算法求解火力分配优化问题[J]. 兵工学报, 2016, 37(1): 97-102. DONG C Y, LU Y, WANG Q. Improved genetic algorithm for solving firepower distribution[J]. Acta Armamentarii, 2016, 37(1): 97-102. (in Chinese) |
| [7] | 吴凯, 徐利, 孙海涛. 防空作战火力资源优化分配研究[J]. 空天防御, 2019, 2(2): 5-8. WU K, XU L, SUN H T. Research on optimal assignment of fire resources in air-defense operations[J]. Air & Space Defense, 2019, 2(2): 5-8. (in Chinese) |
| [8] | 罗德林, 段海滨, 吴顺详, 等. 基于启发式蚁群算法的协同多目标攻击空战决策研究[J]. 航空学报, 2006, 27(6): 1166-1170. LUO D L, DUAN H B, WU S X, et al. Research on air combat decision-making for cooperative multiple target attack using heuristic ant colony algorithm[J]. Acta Aeronautica et Astronautica Sinica, 2006, 27(6): 1166-1170. (in Chinese) |
| [9] | 段海滨, 丁全心, 常俊杰, 等. 基于并行蚁群优化的多UCAV任务分配仿真平台[J]. 航空学报, 2008, 29(S): S192-S197. DUAN H B, DING Q X, CHANG J J, et al. Multi-UCAVs task assignment simulation platform based on parallel ant colony optimization[J]. Acta Aeronautica et Astronautica Sinica, 2008, 29(S): S192-S197. (in Chinese) |
| [10] | 魏政磊, 赵辉, 黄汉桥, 等. 基于SAGWO算法的UCAVs动态协同任务分配[J]. 北京航空航天大学学报, 2018, 44(8): 1651-1664. WEI Z L, ZHAO H, HUANG H Q, et al. Dynamic UCAVs cooperative task allocation based on SAGWO algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(8): 1651-1664. (in Chinese) |
| [11] | 李俨, 董玉娜. 基于SA-DPSO混合优化算法的协同空战火力分配[J]. 航空学报, 2010, 31(3): 626-631. LI Y, DONG Y N. Weapon-target assignment based on simulated annealing and discrete particle swarm optimization in cooperative air combat[J]. Acta Aeronautica et Astronautica Sinica, 2010, 31(3): 626-631. (in Chinese) |
| [12] | 顾佼佼, 赵建军, 颜骥, 等. 基于MODPSO-GSA的协同空战武器目标分配[J]. 北京航空航天大学学报, 2015, 41(2): 252-258. GU J J, ZHAO J J, YAN J, et al. Cooperative weapon-target assignment based on multi-objective discrete particle swarm optimization-gravational search algorithm in air combat[J]. Journal of Beijing University of Aeronautics and Astronautics, 2015, 41(2): 252-258. (in Chinese) |
| [13] | 李天龙, 张军超. 基于融合算法的空-地多目标攻击火力分配[J]. 电光与控制, 2019, 26(11): 56-59. LI T L, ZHANG J C. Air-to-ground multi-target attack firepower assignment based on fusion algorithm[J]. Electronics Optics & Control, 2019, 26(11): 56-59. (in Chinese) |
| [14] | 邱少明, 胡宏章, 杜秀丽, 等. 基于DDE改进蝙蝠算法的动态火力分配方法[J]. 现代防御技术, 2019, 47(6): 61-67. QIU S M, HU H Z, DU X L, et al. Dynamic fire distribution method using improved bat algorithm based on DDE[J]. Modern Defence Technology, 2019, 47(6): 61-67. (in Chinese) |
| [15] | 吴虎胜, 张凤鸣, 吴庐山. 一种新的群体智能算法——狼群算法[J]. 系统工程与电子技术, 2013, 35(11): 2430-2438. WU H S, ZHANG F M, WU L S. New swarm intelligence algorithm-Wolf pack algorithm[J]. Systems Engineering and Electronics, 2013, 35(11): 2430-2438. (in Chinese) |
| [16] | 吴虎胜, 张凤鸣, 战仁军, 等. 求解0-1背包问题的二进制狼群算法[J]. 系统工程与电子技术, 2014, 36(8): 1660-1667. WU H S, ZHANG F M, ZHAN R J, et al. A binary wolf pack algorithm for solving 0-1 knapsack problem[J]. Systems Engineering and Electronics, 2014, 36(8): 1660-1667. (in Chinese) |
| [17] | 吴虎胜, 张凤鸣, 战仁军, 等. 利用改进的二进制狼群算法求解多维背包问题[J]. 系统工程与电子技术, 2015, 37(5): 1084-1091. WU H S, ZHANG F M, ZHAN R J, et al. Improved binary wolf pack algorithm for solving multidimentional knapsack problem[J]. Systems Engineering and Electronics, 2015, 37(5): 1084-1091. (in Chinese) |
| [18] | 刘永兰, 李为民, 吴虎胜, 等. 基于狼群算法的无人机航迹规划[J]. 系统仿真学报, 2015, 27(8): 1838-1843. LIU Y L, LI W M, WU H S, et al. Track planning for unmanned aerial vehicles based on wolf pack algorithm[J]. Journal of System Simulation, 2015, 27(8): 1838-1843. (in Chinese) |
| [19] | 惠晓滨, 郭庆, 吴娉娉, 等. 一种改进的狼群算法[J]. 控制与决策, 2017, 32(7): 1164-1172. HUI X B, GUO Q, WU P P, et al. An improved wolf pack algorithm[J]. Control and Decision, 2017, 32(7): 1164-1172. (in Chinese) |
| [20] | 钱荣鑫. 一种基于文化机制的狼群算法[J]. 信息技术, 2015, 39(12): 98-102. QIAN R X. A wolf pack algorithm based on cultural mechanism[J]. Information Technology, 2015, 39(12): 98-102. (in Chinese) |
| [21] | DORIGO M, MANIEZZO V, COLORNI A. The ant system optimization by a colony of cooperating agents[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part B, 1996, 26(1): 1-13. |
| [22] | 段海滨. 蚁群算法原理及应用[M]. 北京: 科学出版社, 2005: 24-29. DUAN H B. Principle and application of ant colony algorithm[M]. Beijing: Science Press, 2005: 24-29. (in Chinese) |
