基于涡旋粒子群算法的多基地优化配置实现
何超 杨洪涛
（第七一五研究所，杭州，310023）
摘要 针对我国航母编队海上作战的迫切需求，发展多基地声呐探测技术成为现阶段提升编队反潜能力的一项重要手段，如何配置多基地阵位是提升多基地探测能力的重要研究方向。文章通过涡旋粒子群算法分析实现典型编队配置下的多基地声呐探测阵位优化，同时通过Matlab并行计算提高计算速度，优化后的多基地探测覆盖范围较典型配置阵位下有较大提升。
关键词 航母编队；多基地；涡旋粒子群算法；阵位优化配置
多基地阵位配置在编队反潜性能评估、对潜作战样式、体系能力实现等方面有着重要的作用，由于环境参数、影响因素数量大，优化的计算量巨大，如何快速的寻找到最优解是编队配置优化的重要研究方向。目前，国内多基地阵位优化配置研究大多针对探测概率对比、探测误差分布等方面，缺少探测覆盖范围的优化分析。本文利用涡旋粒子群算法对四舰典型编队进行最优阵位优化，用累积检测概率建立配置优化准则，实现满足一定检测概率条件下探测覆盖范围最大。同时，利用Matlab并行计算提升算法优化时间和优化效率。
1 算法原理
涡旋粒子群优化（Vortex Particle Swarm Optimization，VPSO）在传统粒子群算法的基础上引进了耦合二阶振荡器的行为模式，使得粒子在散布过程中可以确保这些粒子逸出局部最小值。下文将详细介绍用于扩大和减少群体扩散的方法。首先给出使得群不会坍缩成一个单一的粒子或非常分散的数学论述。VPSO的优化过程基于以下两个阶段[1,2]：
（1）收敛过程进行拓展
群体对于目标函数的最小值探测由具有类似梯度下降法效应实现。最优点对于种群的吸引势能确保群体的收敛性。目标函数的梯度提供粒子的主导运动方式。
（2）分散过程的寻优
在此阶段粒子通过圆周运动从局部最优值的吸引中逃逸，粒子通过膨胀的推进能量促使出现圆周运动。这里有两种选择：算法达到更好的值或者粒子移出搜索空间。
假定典型四舰编队执行区域搜潜任务，目标与编队相向运动，目标航路如图2中虚线所示[3]。仿真舰艇配置舰壳声呐，声呐工作采用主动方式及主动多基地方式。以编队探测覆盖范围最大为优化准则进行最优阵位配置。
VPSO中的一个重要组成部分是用于驱动搜索空间中粒子的驱力，来自于逃逸势能U esp，由目标函数U obj和吸引粒子到达最优点的势能U mej组成。故势能U esp表示为：
与势能U esp相关的力可计算为：
考虑到两个位于[0,1]间的随机数使得粒子具有更好的分散性，修改驱动力为
式中，β pi表示个体认知单元的权重，β gi表示群体社会认知的权重。通过这种方式，VPSO算法在粒子速度的计算中包含一个随机分量，类似于标准PSO算法的随机分量。因此，VPSO算法有两种可能的配置：一种是确定性没有考虑实现的β pi和β gi，而另一种是使用β pi和β gi时的具有随机性的。
图6给出了弹丸超高速侵彻中厚靶引起的靶板中的波系作用。反射的稀疏波与入射冲击波相互作用后，靶内出现负压区，随着反射稀疏波向靶的深部传播，负压将会逐渐增大，当负压达到靶的动态拉伸强度时，将会形成层裂片并从靶体向外抛出。根据冲击波强度及靶板厚度的不同，可以形成一块或多块层裂片。如果最终的坑底位置与层裂片位置重合，则被定义为“弹道极限条件”。
收敛规则基于已发现的最优位置点
和最远点位置
共同决定两点的计算公式为：
最后我们可以定义其收敛判定标准
本文设计并开发了一种基于移动端的变电站虚拟培训系统，结果表明：虚拟培训系统基于3D场景的优化和Unity引擎中GPU性能的改善，能够实现流畅的虚拟场景漫游以及友好的人机交互界面。与传统的PC端虚拟培训系统相比，手机端漫游系统不受场地和线缆的约束，操作更加灵活方便。但是，由于手机端受手机性能如分辨率、视场角以及陀螺仪精度的限制，使用时容易产生一定的延迟感，从而造成用户眩晕的感觉。因此，在开发中应尽量选择分辨率高的手机型号，同时控制漫游系统的使用时间，能一定程度上缓解手机端漫游给用户造成的不适感。
（3）血瘀耳窍患者护理。此类患者多临床表现耳聋突然发生，并迅速发展，常伴有耳痛，耳鸣不休，或有眩晕，舌质暗红，因患者听力严重受损，该部分患者在交流上存在有一定障碍，常伴有恐惧感，护理患者时要因人而异，顺情从欲[2]。
式中，R con为各粒子的相关性矩阵。
（2）分散阶段的自动推进因素
（1）算法阶段定义
在分散阶段，增加推进能量的自推进因子由如下方程给出。另外，增加的能量具有最大值。最小值α max≤α ≤0
根据编队探测过程中的能力要求可以设置如下目标函数：
在离散时间内，使用下式来计算α 的值。
几乎没有任何阻碍的太空是电磁发射装置大显身手的好地方，若以某个初速度发射物体，这个速度几乎可以一直保持下去。
底板剪应力分析结果见图16，由于剪力滞效应的存在使得截面进入塑性阶段的过程较为缓慢，同时，底板在未进入塑性阶段之前的剪力相差较小，进入塑性状态后，截面剪力的绝对值增量幅度明显增大。
加速度g 具有周期性，其周期由KC 、Kα 、KV 共同决定：
能量增量的参数cτ 的使用能保证上式允许增加推进因子以实现从局部最小值逃逸。计算流程图见图1。
图1 流程示意图
2 仿真模型
群动态方程的实现如下：
图2 多基地模型示意图
第三，在预算管理的责任层面。责任部门是预算的具体编制和实施部门，其有专门的预算员依照一定的标准负责相关的监督工作，以确保预算工作的合理开展。
式中，S 表示可作为发射源设备集合，R 表示可作为接收设备集合，Pij （x ）代表由第i 个主动探测设备作为发射源、第j 个探测设备作为接收源所构成的多基地探测组对x 点的探测能力。P *为探测阈值（本文中阈值设为0.5），·代表集合测度（二维情况下等价于面具）。在实现过程中，可通过对探测区域进行适当的离散化，令每一个离散网格的中心点的探测能力近似代表探测设备对该网格的探测能力，通过计算被覆盖网格数近似获得探测设备的覆盖面积。
3 仿真分析
3.1 检测概率
目标的检测概率和信噪比、检测域有关。检测概率定义为：
根据声呐方程可得多基地声呐信噪比如下[4]：
假定DT 取值 10，由于多基地混响模型复杂，为简化计算，声呐方程中只考虑海洋环境噪声影响，暂时不考虑混响影响。
无醛认定项目的实施为人造板和人造板制品生产商宣传无醛产品提供了可靠依据，规范了行业内的无醛制品的识别标准，有效的促进了人造板及其制品环保质量的提升，促进企业品牌的创建。
3.2 目标的探测概率
由于涡旋粒子群算法中每个粒子之间的计算是相互独立的，适合采用并行计算，利用多个处理器来协同求解，提高计算效率。Matlab并行计算工具箱可以在多处理器环境中解决数据密集型问题，计算步骤如下：
3.3 Matlab并行计算
声呐对目标的探测是一个连续的过程，单次的检测能力并不能真实的体现出声呐实际的探测能力，在一定的时间内持续的发现目标并配合识别、跟踪等分析手段才能有效的确认目标。本文采用累计检测概率来计算仿真模型中每条轨迹中多基地对目标的探测概率。
（1）初始化运行环境
parpool（"local"，N）
其中，local代表本地计算机，N代表需要并行计算的核数，N需小于等于电脑处理器的物理核心数目。
（2）并行计算
通识教育的有效实施需要建立一个完整、系统规范的管理体制、实践的保障机制以及评价体系。因通识教育涉及的领域宽泛，高职院校可以通过成立通识教育独立部门，配备专职人员进行通识教育的教学管理与教学运行，设计适应通识教育的教学文件及选课、授课、考核等一系列教学管理制度，同时配置建立一个跨学院、跨学科专业教师组成的柔性协调组织，负责通识教育课程体系、教学大纲、课程标准的设计与教学活动的组织实施。在大数据平台中将各级组织有机链接起来，实现跨终端数据采集、信息挖掘及分析，建立一个健全、完善、智能的高职通识教育保障机制。
当并行计算环境初始化成功后，利用parfor循环命令实现涡旋粒子群优化算法的并行运算，Matlab自己的任务调度器会自动将并行计算任务分配到已有的处理器中进行计算，由于parfor循环过程中内部的通信会消耗一定时间，所以较小数量级的计算不适合用Matlab来实现并行用算。
（3）计算时间对比
从表1中可以看出，当仿真的粒子数量和迭代次数固定时，CPU个数在超过12个以后计算时间变化趋于平缓，主要原因是核间的通信和系统调度占有一定的计算成本。
表1 计算时间对比
4 Matlab实现
利用涡旋粒子群优化算法进行多基地探测范围计算结果见图 3，利用典型阵位进行多基地探测范围结果见图 4。将探测概率大于 0.5的面积定义为编队覆盖的探测范围，从图 3、4可以看出，优化后的探测范围较典型阵位的探测范围提升16%。
图3 优化后多基地协同工作发现概率
图4 典型阵位多基地协同工作发现概率
5 结论
本文在编队典型反潜作战样式基础上，采用编队协同探测覆盖面积作为探测能力优化指标，以其最大作为最优目标，建立了编队反潜阵型优化配置模型，并利用涡旋粒子群算法配合并行运算方法实现其最大化。所得分析结果相比于典型阵位，在编队协同探测覆盖范围方面有较大提升，对于编队作战辅助决策具有一定得参考价值。
1.4.4 不良反应 记录治疗期间两组患者出现恶心、呕吐、腹泻等胃肠道反应、无症状低血糖（无典型低血糖症状但末梢血糖＜3.9 mmol/L）、有症状低血糖（典型低血糖症状伴末梢血糖＜3.9 mmol/L，可采用进食的方法缓解）、严重低血糖（出现低血糖昏迷、精神症状或需静脉注射葡萄糖）。
(1)在战时及平时均不使用的管道不宜穿过人防围护结构；上部建筑的雨污水管和燃气管等不得进入防空地下室。
参考文献：
[1]HELBERT EDUARDO ESPITIA ,JORGE IVAN SOFRONY.Vortex particle swarm optimization[C].Congress on Evlutionary Computation,2013.
[2]HENRY KUDELA,ANDRZEJ KOSIOR.Vortex particle method in parallel computations on graphical processing units used in study of the evolution of vortex structures[J].Flued Dynamics Research,2014,46(6)：1-12.
[3]刘伯胜,雷家煜.水声学原理[M].哈尔滨：哈尔滨工程大学出版社，2006.
[4]李浩,王公宝.水面舰艇编队防潜队形优化研究[J].军事运筹于系统工程,2008,(4)：68-72.