%本实验目的是验证改进的DE离散目标分配算法的有效性
%实验设置:各种环境,调用目标分配的算法
%目标分配实验的输入:代价矩阵
%利用代价矩阵和映射方法,在离散和连续空间转换
%目标分配实验的输出:有效的基因染色体表示
%比较实验:
%1、可行性分析,三种模型
%2、进化策略对比分析,证明采用双策略的有效性
%3、大数据分析
%4、与其他方法的比较
% 本文只用到了AssignType =2;情形,即UAV数量大于TARGET数量
%使用了改动的遗传算法
%相比较源程序,较大改动部分为:对象执行区(GetFit1和Getfit2两个函数),和差分进化区(全部改动),其他部分有少量改动,我不记得了。很多部分直接删改,可能注释没有对应的上,强烈建议对比源代码学习观看
%本人编程能力较差,编写格式不规范,很多地方注释不足以及随心所欲各种直接删改,不同实验直接改数据,以及出现的重复,各种FOR循环嵌套等等,我自己都觉得乱七八糟。再次强烈建议对比源代码
%建议只使用该代码框架(即阅读源代码即可,本代码可适当看一下就行,估计很费劲),自行删改其中内容,写自己的文章,但注意源代码自行备份,自己的代码尽量多注释以及写实验说明,方便后来的师弟或师妹。
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%清空环境
clear;
%定义地形对象
cTerrain = CTerrain3D;
%定义威胁区对象
cTread = CTread;
%调整为统一的图形环境
figure('Renderer','opengl');
%绘制地形和威胁区
cTerrain.draw();
cTread.draw();
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%数据形式说明
%xs 初始点位置集合,三维点集
%yt 目标点位置集合,三维点集
%MxsEna 能力矩阵,集合中的二元组表示最大最小飞行速度
%MxsDIs 最大航程矩阵,集合中的值表示UAV最大可飞的距离
%MytTOrd 任务点间的时序坐标,要求尽量在前面的先执行
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%调用目标分配算法
%AssignType表示不同的模型,1, N=M; 2, N>M; 3, N<M
%Key表示算法执行次数, 0,执行一次,1,执行多次
AssignType =2;
Key =0;
%时间测试
Time = cputime;
%% 第一种情况的实验
if AssignType == 1
%%%%%%%%%%%%%%%%%%%%%%%数据区%%%%%%%%%%%%
xs = [%11 2 3;2 17 5; 34 26 7;5 2 2;6 33 3;27 34 6;21 45 5;25 12 3;22 17 11;13 31 12;
%45 21 11; 36 22 11;13 21 16;41 25 10;25 25 11;53 12 14;22 12 12;18 32 11; 67 34 12;26 16 15;
78 20 15;93 31 12;31 20 13;112 32 15; 134 26 17;45 52 12;36 63 13;67 34 16;21 85 15;32 62 13;];
yt = [%40 210 12;170 90 13 ; 80 197 21 ;172 120 13;160 56 13;160 143 21;170 200 21;113 200 12;97 134 16;100 145 11;
%81 101 21; 72 152 12; 133 60 11;84 164 21; 150 90 21;146 121 12; 167 54 12; 108 165 12;99 120 21;110 143 11;
70 181 12;15 133 13 ; 19 151 12 ;160 192 13;101 120 23;160 113 12;82 101 11;173 140 12;182 65 14; 128 156 12;];
MxsEna=[%0.2 0.3; 0.2 0.4;0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3; 0.2 0.4;
% 0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;
0.2 0.3; 0.2 0.4;0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.3 0.5;0.3 0.6;];
MxsDis=[%400 700 650 500 700 900 450 610 400 700
%650 500 700 900 450 610 700 900 450 610
500 700 300 350 700 900 450 610 450 610];
ytW = [%1 3 4 2 1 1 3 2 1 2
%3 2 1 3 2 1 2 3 2 1
1 1 1 1 1 1 1 1 1 1];
MytTOrd=[3 4; 5 2; 6 8; 7 4;];
%引入新的协同矩阵,最大起始时间矩阵
Twait = [];
Twindow=[];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
if Key == 0
%%%%%%%%%%%%%%%%%%%%%%算法执行区%%%%%%%%%%%%%%%%%%
%调用目标分配算法,并取得解和相关数据,计算算法耗费时间
%定义目标分配算法对象
DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,1);
% MC = Cal1.GetMcost();
%Cal1 = CallocationTargetOld1(cTerrain);
%标签显示文字
xlabel('X/km')
ylabel('Y/km')
zlabel('Z/km')
%DDEAssign1=DDEAssignTarget1(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd);
%执行run并返回结果集
t1 = cputime;
[solU solT solC solF ] = DDE1.run();
Time = cputime -t1;
% %结果
solU
solT
solC
solF
Time
else if Key == 1
for i=1:10
DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,i);
% MC = Cal1.GetMcost();
%Cal1 = CallocationTargetOld1(cTerrain);
%标签显示文字
xlabel('X/km')
ylabel('Y/km')
zlabel('Z/km')
%DDEAssign1=DDEAssignTarget1(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd);
%执行run并返回结果集
t1 = cputime;
[solU solT solC solF ] = DDE1.run();
solu(i,:) = solU;
solt(i,:) = solT;
solc(i,:) = solC;
solf(i,:) = solF;
Time(i,:) = cputime -t1;
end %i
% %结果
solu
solt
solc
solf
Time
end % key=1
end % key=0
else if AssignType == 2
%% 第二种实验的情况
%%%%%%%%%%%%%%%%%%%%%%%数据区%%%%%%%%%%%%
xs = [%11 2 3;2 17 5; 34 26 7;5 2 2;6 33 3;27 34 6;21 45 5;25 12 3;22 17 11;13 31 12;
%45 21 11; 36 22 11;13 21 16;41 25 10;25 25 11;53 12 14;22 12 12;18 32 11; 67 34 12;26 16 15;
78 40 15;93 31 12;31 25 13;112 32 15; 134 26 17;45 52 12;36 55 13;67 34 16;21 45 15;160 30 13;];
yt = [%40 210 12;170 90 13 ; 80 197 21 ;172 120 13;160 56 13;160 143 21;170 200 21;113 200 12;97 134 16;100 145 11;
%81 101 21; 72 152 12; 133 60 11;84 164 21; 150 90 21;146 121 12; 167 54 12; 108 165 12;99 120 21;110 143 11;
70 151 12;40 155 13 ; 19 151 12 ;150 140 13 ];
MxsEna=[%0.2 0.3; 0.2 0.4;0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3; 0.2 0.4;
% 0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;
0.2 0.3; 0.2 0.4;0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.3 0.5;0.3 0.6;];
MxsDis=[%400 700 650 500 700 900 450 610 400 700
%650 500 700 900 450 610 700 900 450 610
500 700 300 350 700 900 450 610 450 610];
ytW = [%1 3 4 2 1 1 3 2 1 2
%3 2 1 3 2 1 2 3 2 1
1 1 1 1];
%这个数据里都代表的是目标点,是目标点与目标点的关系
MytTOrd=[3 2];
%引入新的协同矩阵,最大起始时间矩阵
Twait = [30 40 20 15 50 70 30 80 90 65];
Twindow=[];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
if Key == 0
%%%%%%%%%%%%%%%%%%%%%%算法执行区%%%%%%%%%%%%%%%%%%
%调用目标分配算法,并取得解和相关数据,计算算法耗费时间
%定义目标分配算法对象
DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,1);
% MC = Cal1.GetMcost();
%Cal1 = CallocationTargetOld1(cTerrain);
%标签显示文字
xlabel('X/km')
ylabel('Y/km')
zlabel('Z/km')
%DDEAssign1=DDEAssignTarget1(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd);
%执行run并返回结果集
[solU solT solC solF cpop ] = DDE1.run();
Time
cpop;
% %结果
solU
solT
solC
solF
Time
else if Key == 1
Time2=0;
cpop3=0;
for i=1:20
DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,i);
% MC = Cal1.GetMcost();
%Cal1 = CallocationTargetOld1(cTerrain);
%标签显示文字
xlabel('X/km')
ylabel('Y/km')
zlabel('Z/km')
%DDEAssign1=DDEAssignTarget1(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd);
%执行run并返回结果集
t1 = cputime;
[solU solT solC solF cpop ] = DDE1.run();
solu(i,:) = solU;
solt(i,:) = solT;
solc(i,:) = solC;
solf(i,:) = solF;
Time(i,:) = cputime -t1;
% genX(i,:)=cpop(:,2);
cpop2(:,i)=cpop(:,2);
Time(i)
end %i
% %结果
% figure(3);
% grid on;
% hold on;
% plot(genX(1:length(genX),1)',genX(1:length(genX),2)','linewidth',2);
% solu
% solt
% solc
% solf
Time=Time2/20;
cpop=cpop2/20;
end % key=1
end % key=0
else if AssignType == 3
%% 第三种实验的情况
%%%%%%%%%%%%%%%%%%%%%%%数据区%%%%%%%%%%%%
xs = [%11 2 3;2 17 5; 34 26 7;5 2 2;6 33 3;27 34 6;21 45 5;25 12 3;22 17 11;13 31 12;
%45 21 11; 36 22 11;13 21 16;41 25 10;25 25 11;53 12 14;22 12 12;18 32 11; 67 34 12;26 16 15;
78 20 15;93 31 12;31 20 13;112 32 15];
yt = [%40 210 12;170 90 13 ; 80 197 21 ;172 120 13;160 56 13;160 143 21;170 200 21;113 200 12;97 134 16;100 145 11;
%81 101 21; 72 152 12; 133 60 11;84 164 21; 150 90 21;146 121 12; 167 54 12; 108 165 12;99 120 21;110 143 11;
70 131 12;15 125 13 ; 19 151 12 ;142 120 13;120 100 23;160 90 12;82 101 11;173 140 12;160 160 14; 45 155 12;];
MxsEna=[%0.2 0.3; 0.2 0.4;0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3; 0.2 0.4;
% 0.4 0.75;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;0.2 0.3;0.35 0.45;0.3 0.5;0.3 0.6;
0.2 0.5; 0.3 0.4;0.4 0.75;0.3 0.45];
MxsDis=[%400 700 650 500 700 900 450 610 400 700
%650 500 700 900 450 610 700 900 450 610
700 700 900 650];
ytW = [%1 3 4 2 1 1 3 2 1 2
%3 2 1 3 2 1 2 3 2 1
1 1 1 1 1 1 1 1 1 1];
MytTOrd=[3 4; 5 2];
%引入新的协同矩阵,最大起始时间矩阵
Twait = [30 40 20 15];
Twindow=[1300,6000];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
if Key == 0
%%%%%%%%%%%%%%%%%%%%%%算法执行区%%%%%%%%%%%%%%%%%%
%调用目标分配算法,并取得解和相关数据,计算算法耗费时间
%定义目标分配算法对象
DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,1);
% MC = Cal1.GetMcost();
%Cal1 = CallocationTargetOld1(cTerrain);
%标签显示文字
xlabel('X/km')
ylabel('Y/km')
zlabel('Z/km')
%DDEAssign1=DDEAssignTarget1(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd);
%执行run并返回结果集
t1 = cputime;
[solU solT solC solF] = DDE1.run();
Time = cputime -t1;
% %结果
solU
solT
solC
solF
Time
else if Key == 1
for i=1:20
DDE1 = DMDEAssignTarget(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd,Twait,Twindow,i);
% MC = Cal1.GetMcost();
%Cal1 = CallocationTargetOld1(cTerrain);
%标签显示文字
xlabel('X/km')
ylabel('Y/km')
zlabel('Z/km')
%DDEAssign1=DDEAssignTarget1(cTerrain,xs,yt,MxsEna,MxsDis,ytW,MytTOrd);
%执行run并返回结果集
t1 = cputime;
[solU solT solC solF ] = DDE1.run();
solu(i,:) = solU;
solt(i,:) = solT;
solc(i,:) = solC;
solf(i,:) = solF;
Time(i,:) = cputime -t1;
end %i
% %结果
solu
solt
solc
solf
Time
end % key=1
end % key=0
end % type =3
end % type =2
end % type=1
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
- 43.
- 44.
- 45.
- 46.
- 47.
- 48.
- 49.
- 50.
- 51.
- 52.
- 53.
- 54.
- 55.
- 56.
- 57.
- 58.
- 59.
- 60.
- 61.
- 62.
- 63.
- 64.
- 65.
- 66.
- 67.
- 68.
- 69.
- 70.
- 71.
- 72.
- 73.
- 74.
- 75.
- 76.
- 77.
- 78.
- 79.
- 80.
- 81.
- 82.
- 83.
- 84.
- 85.
- 86.
- 87.
- 88.
- 89.
- 90.
- 91.
- 92.
- 93.
- 94.
- 95.
- 96.
- 97.
- 98.
- 99.
- 100.
- 101.
- 102.
- 103.
- 104.
- 105.
- 106.
- 107.
- 108.
- 109.
- 110.
- 111.
- 112.
- 113.
- 114.
- 115.
- 116.
- 117.
- 118.
- 119.
- 120.
- 121.
- 122.
- 123.
- 124.
- 125.
- 126.
- 127.
- 128.
- 129.
- 130.
- 131.
- 132.
- 133.
- 134.
- 135.
- 136.
- 137.
- 138.
- 139.
- 140.
- 141.
- 142.
- 143.
- 144.
- 145.
- 146.
- 147.
- 148.
- 149.
- 150.
- 151.
- 152.
- 153.
- 154.
- 155.
- 156.
- 157.
- 158.
- 159.
- 160.
- 161.
- 162.
- 163.
- 164.
- 165.
- 166.
- 167.
- 168.
- 169.
- 170.
- 171.
- 172.
- 173.
- 174.
- 175.
- 176.
- 177.
- 178.
- 179.
- 180.
- 181.
- 182.
- 183.
- 184.
- 185.
- 186.
- 187.
- 188.
- 189.
- 190.
- 191.
- 192.
- 193.
- 194.
- 195.
- 196.
- 197.
- 198.
- 199.
- 200.
- 201.
- 202.
- 203.
- 204.
- 205.
- 206.
- 207.
- 208.
- 209.
- 210.
- 211.
- 212.
- 213.
- 214.
- 215.
- 216.
- 217.
- 218.
- 219.
- 220.
- 221.
- 222.
- 223.
- 224.
- 225.
- 226.
- 227.
- 228.
- 229.
- 230.
- 231.
- 232.
- 233.
- 234.
- 235.
- 236.
- 237.
- 238.
- 239.
- 240.
- 241.
- 242.
- 243.
- 244.
- 245.
- 246.
- 247.
- 248.
- 249.
- 250.
- 251.
- 252.
- 253.
- 254.
- 255.
- 256.
- 257.
- 258.
- 259.
- 260.
- 261.
- 262.
- 263.
- 264.
- 265.
- 266.
- 267.
- 268.
- 269.
- 270.
- 271.
- 272.
- 273.
- 274.
- 275.
- 276.
- 277.
- 278.
- 279.
- 280.
- 281.
- 282.
- 283.
- 284.
- 285.
- 286.
- 287.
- 288.
- 289.
- 290.
- 291.
- 292.
- 293.
- 294.
- 295.
- 296.
- 297.
- 298.
- 299.
- 300.
- 301.
- 302.
- 303.
- 304.
- 305.
- 306.
- 307.
- 308.
- 309.
- 310.
- 311.
- 312.
- 313.
- 314.
- 315.
- 316.
- 317.
- 318.
- 319.
- 320.
- 321.
- 322.
- 323.
- 324.
- 325.
- 326.
- 327.
- 328.
- 329.
- 330.
- 331.
- 332.
- 333.
- 334.
- 335.
- 336.
- 337.