مدل‌ سازي و حل بهينه مسأله تخصيص و ‌زمان‌بندي حسگر- سلاح/تهديد به‌صورت يكپارچه با الگوريتم فرا ابتكاري مبتني بر GRASP

Modelling and Optimal Solving of Dependent Sensor-Weapon/Threat Assignment and Scheduling Problem by a Metaheuristic Algorithm Based on GRASP

امروزه در نبرد‌ها استفاده از سامانه‌هاي هوشمند بسيار متداول شده است. در همين راستا سلاح ­هاي هوشمند كاربرد فراواني پيدا كرده‌اند كه عمدتاً وابسته به حسگر هستند. تطابق حسگر با سلاح و تهديد يا به اختصار تخصيص حسگر-سلاح/تهديد يكي از چالش ­هاي صحنه نبرد و در زمره‌ مسائل بهينه­ سازي تخصيص منابع پيچيده است به گونه ­اي كه نتيجه نبرد­هاي پيشرفته امروزه تا حد زيادي وابسته به استفاده هوشمندانه از حسگرها و سلاح ­هاي موجود براي افزايش تأثير آنهاست. در اين مقاله مسأله حسگر-سلاح/تهديد به‌صورت يكپارچه مدل‌سازي شده است. مدل ارائه شده به دنبال حداكثر نمودن تخريب تهديدها در يك افق زماني مشخص و با رعايت محدوديت‌هاي عملياتي مي‌باشد. براي حل مدل از نرم‌افزار CPLEX استفاده شده است. همچنين يك الگوريتم فرا ابتكاري مبتني بر GRASP براي حل مساله توسعه داده شده است. در پايان، با استفاده از تعدادي نمونه مساله كه به‌صورت تصادفي ساخته شده ­اند، نتايج پياده‌ سازي كليه روش‌ها ارائه و مقايسه شده‌اند.

Nowadays, smart systems are being widely used in combats because there exist a lot of applications for these systems which usually depend on sensors. Matching sensors to weapons and threats or in short sensor -weapon/threat assignment is a major challenge in modern wars and is classified as a complex resource assignment optimization problem. Consequently, the result of modern wars highly depends on effective usage of sensors and weapons. In this paper, the sensor-weapon/threat assignments and their scheduling problem have been formulated. The object of this model is maximizing the destruction of threats in a given time horizon subject to operational constraints. This model has been solved using CPLEX. Furthermore, a metaheuristic algorithm based on GRASP is developed. Finally, using a set of randomly generated test instances, the results of all developed solution approaches are reported and compared.