Page 74 - 基于深度学习的人工智能技术研究

Research on Artificial Intelligence Technology Based on Deep Learning
基于深度学习的人工智能技术研究

第四节 群体智能技术

一、群体智能算法在决策控制系统的应用

随着信息化、网络化、数字化和智能化技术的不断演进，未来的战场体系愈

发多元，战争空间也将由海、陆、空、太空、深海向着电子空间不断延伸，多域
联合、集智决策和自主协同已经成为现代战争的主流方向。军事决策控制系统正
向着智能云脑化、决策智能化发展。智能化的决策控制系统需要在多模态海量数

据的基础上实现预警评估、指挥打击、毁伤评估、后勤保障等全环节的实时高效
运行。为了解决实际环境中的复杂优化问题，群体智能算法将逐渐应用到决策控
制系统中。群体智能算法是从自然界各类生物构成的群体行为中受到启发而产生
的，对复杂问题具有自适应性和高效能性，在决策控制系统中的态势评估预测、
结构损伤检测、运输指挥调度、搜索路径规划、驻地选址评估、通信网络规划等

问题上实现了快速寻优。目前使用较多的群体智能算法有蚁群算法、蜂群算法、
粒子群算法等经典算法，还有后续提出的狼群算法、布谷鸟算法、蛙跳算法、遗
传算法、蝙蝠算法等。

（一）蚁群算法在决策控制系统中的应用策略
1. 蚁群算法
蚁群算法是模拟蚂蚁群体在觅食途中分泌信息素做标记的角度来提出的，主
要涉及两个智能环节：蚂蚁如何选择下一个目的地以及如何更新信息素。由于信
息素等化学物质的挥发性，这种算法在路径搜索过程中容易提早陷入停止，无法

实现更优路径的选择。因此，蚁群算法在决策控制系统中的应用过程进行优化，
包括改进信息素约束条件、优化信息素浓度更新模型、调整转移概率模型以及与
其他算法融合应用等策略。

2. 改进信息素约束条件
在工程应用中，寻求最优解不能简单地只考虑时间和距离，研究人员往往将
影响应用目标实际选择的指标和条件加入蚁群算法模型的初始化过程，以建立更
贴近实际问题的数学模型。潘泽东等针对防空兵作战路线选择问题，根据实地取
证和历年经验对路面材质、转弯半径等 8 项指标分别赋以权重，并融入里程指数

的计算模型，将里程指数之和最小化设定为最佳机动路线，在应对外界环境的多

66