2026年IEEE TEVC，知识引导的竞争进化算法用于多解传感器-武器-目标分配问题，深度解析+性能实测

1.摘要

针对现代防空体系下传感器-武器-目标分配问题（SWTA）在多维约束及多解特性上的挑战，本文提出一种知识引导的竞争进化算法（KCEA），该算法融合知识提取机制与竞争选择策略，通过识别雷达通道冲突及资源分配规律引导搜索方向，并在保持战术解多样性的基础上实现了多解方案的同步寻优。实验结果表明，KCEA在复杂动态对抗环境下展现出优于现有主流算法的求解效能与决策灵活性。

2.问题描述

问题描述与假设

在现代防空体系中，多解传感器-武器-目标分配(MS-SWTA)问题旨在离散时域 H = { t 1 , t 2 , ... , t N H } H=\{t_1,t_2,\ldots,t_{N_{H}}\} H={t1,t2,...,tNH}内，协同调度防御资源 S S S与 W W W对来袭目标群 T T T实施拦截。

T = { T 1 , T 2 , ... , T N T } , S = { S 1 , S 2 , ... , S N S } , W = { W 1 , W 2 , ... , W N W } T=\{T_1,T_2,\ldots,T_{N_T}\},\quad S=\{S_1,S_2,\ldots,S_{N_S}\},\quad W=\{W_1,W_2,\ldots,W_{N_W}\} T={T1,T2,...,TNT},S={S1,S2,...,SNS},W={W1,W2,...,WNW}

该问题价值在于通过挖掘解空间的多模态特性，提供火力集中、分布式协同及纵深梯次防御等差异化战术备选方案。

数学模型

MS-SWTA问题优化目标最大防御系统综合拦截概率，并兼顾战术多样性。目标函数及目标 I i I_i Ii的总拦截概率定义：
max ⁡ X ∈ Ω F ( X ) = ∑ i = 1 N T V i ⋅ P i t o t a l ( X ) , P i t o t a l ( X ) = 1 − ∏ j ∈ K 1 [ 1 − γ i j ⋅ P i j ( X ) ] \max_{X \in \Omega} F(X) = \sum_{i=1}^{N_T} V_i \cdot P_i^{total}(X), \quad P_i^{total}(X) = 1 - \prod_{j \in K_1} \left[1 - \gamma_i^j \cdot P_i^j(X)\right] X∈ΩmaxF(X)=i=1∑NTVi⋅Pitotal(X),Pitotal(X)=1−j∈K1∏[1−γij⋅Pij(X)]

其中，单次拦截概率 P i j ( X ) P_i^j(X) Pij(X)由传感器精度、武器性能及拦截时机共同决定：

P i j ( X ) = ∑ s ∈ S ∑ w ∈ W ω i s w j ⋅ σ i s j k ∗ ⋅ P k i l l ( d i w ( γ i j ) , A C C i s ) P_i^j(X) = \sum_{s \in S} \sum_{w \in W} \omega_{isw}^j \cdot \sigma_{is}^{jk^*} \cdot P_{kill}(d_{iw}(\gamma_i^j), ACC_{is}) Pij(X)=s∈S∑w∈W∑ωiswj⋅σisjk∗⋅Pkill(diw(γij),ACCis)

系统需在满足硬性资源约束下寻优，分配一致性约束限制了资源配对的唯一性：
∑ s ∈ S ∑ w ∈ W x i s w j k ≤ 1 , ∑ k ∈ H x i s w j k = ω i s w j ⋅ σ i s j k \sum_{s \in S} \sum_{w \in W} x_{isw}^{jk} \leq 1, \quad \sum_{k \in H} x_{isw}^{jk} = \omega_{isw}^j \cdot \sigma_{is}^{jk} s∈S∑w∈W∑xiswjk≤1,k∈H∑xiswjk=ωiswj⋅σisjk

资源调度受限于传感器通道容量及武器载弹量：
∑ i ∈ T ∑ j ∈ K 1 σ i s j k ≤ C s m a x , ∑ i ∈ T ∑ j ∈ K 1 ω i w j k ≤ M w l o a d \sum_{i \in T} \sum_{j \in K_1} \sigma_{is}^{jk} \leq C_s^{max}, \quad \sum_{i \in T} \sum_{j \in K_1} \omega_{iw}^{jk} \leq M_w^{load} i∈T∑j∈K1∑σisjk≤Csmax,i∈T∑j∈K1∑ωiwjk≤Mwload

多模态解空间

MS-SWTA问题特征在于其解空间的显著多模态性，即存在多个在空间分布或结构上具有显著差异、但在目标函数值上高度相近分配策略：
max ⁡ X ∈ Ω m F 1 ( X ) ≈ max ⁡ X ∈ Ω m ′ F 1 ( X ) , m ≠ m ′ \max_{X \in \Omega_m} F_1(X) \approx \max_{X \in \Omega_{m'}} F_1(X), \quad m \ne m' X∈ΩmmaxF1(X)≈X∈Ωm′maxF1(X),m=m′
d ( X m , X m ′ ) > δ threshold , X m ∈ Ω m , X m ′ ∈ Ω m ′ d(X_m, X_{m'}) > \delta_{\text{threshold}}, \quad X_m \in \Omega_m, X_{m'} \in \Omega_{m'} d(Xm,Xm′)>δthreshold,Xm∈Ωm,Xm′∈Ωm′

这种多模态特性源于传感器--武器组合的等效性、发射时机补偿效应及资源分配模式的多样性。

3.知识引导的竞争进化算法

编解码方案

双层编码，第一层为整数编码，代表目标 T i T_i Ti 的第 j j j 次拦截尝试所选取的资源对索引 a i j : a_i^j: aij:

a i j ∈ { 0 , 1 , ... , ∣ F i ∣ } a_i^j\in\{0,1,\ldots,|F_i|\} aij∈{0,1,...,∣Fi∣}

第二层则动态维护冲突元组 ( j 1 , T i , j 2 ) (j_1,T_i,j_2) (j1,Ti,j2),记录因雷达通道或武器资源受限而产生的决策冲突。

解码过程中，算法依据目标战略重要性执行启发式时机搜索，在最小化脱靶量的同时，通过平移发射窗口尝试消除资源冲突。若冲突无法通过时间调整解决，则禁用该分配并将其存入知识库。

知识提取与利用

知识提取与利用机制通过将解码过程中识别的约束冲突转化为领域知识，引导搜索过程由不可行域向高质量可行域加速演化。

冲突模式识别：算法系统记录雷达通道、武器资源及时间协同三类冲突，并将其结构化为冲突元组。
知识引导的变异算子：提取的知识直接干预交叉与变异操作。知识引导交叉根据冲突频率 c i c_i ci 计算目标 T j T_j Tj 的选择概率 p i p_i pi，旨在保留成功分配模式的同时探索冲突目标的替代方案：
p i = 1 + c i p_i = 1 + c_i pi=1+ci
知识增强的环境选择：在目标函数值相等时，算法优先保留冲突数较少的个体。

竞争选择策略

竞争选择策略通过引入相似性感知竞争实现了对多模态区域内高质量解的有效保留与协同进化。

解决方案相似性度量：算法通过计算资源分配模式与时域协调差异来量化个体间的结构化距离。对于解 X 1 X_1 X1 与 X 2 X_2 X2，相似性距离 d ( X 1 , X 2 ) d(X_1, X_2) d(X1,X2) 定义为资源对分配不一致项的归一化统计：
d ( X 1 , X 2 ) = ∑ i = 1 N T ∑ j = 1 K m a x 1 [ a i j ( X 1 ) ≠ a i j ( X 2 ) ] N T ⋅ K m a x d(X_1, X_2) = \frac{\sum_{i=1}^{N_T} \sum_{j=1}^{K_{max}} 1[a_i^j(X_1) \neq a_i^j(X_2)]}{N_T \cdot K_{max}} d(X1,X2)=NT⋅Kmax∑i=1NT∑j=1Kmax1[aij(X1)=aij(X2)]
基于相似性的竞争机制：策略采用局部锦标赛模式，强制个体与其最相似的竞争者直接对抗。若适应度差异显著则取优者，若适应度相近则依据约束违反数进行筛选。

4.结果展示

5.参考文献

Li W, Yao X, Li K, et al. Knowledge-Guided Competitive Evolutionary Algorithm for Multi-Solution Sensor-Weapon-Target Assignment Problem[J]. IEEE Transactions on Evolutionary Computation, 2026.