مدل‌سازی و مسیریابی بهینه‌ی حملات ازدحامی ریزپرنده‌ها در عملیات‌های شبکه محور

امروزه تهدیدات ناشی از ریزپرنده‌ها از مهم‌ترین چالش‌های سیستم‌های پدافندی به شمار می‌آیند. دو مولفه‌ی اصلی در مدیریت این تهدیدات، مدل‌سازی و تصمیم‌گیری بر اساس مدل ترسیم شده از آن‌ها است. تعیین مسیر بهنیه‌ی حرکت ریزپرنده‎‌ها از جمله مهم‌ترین تصمیم‌گیری‌ها در این حوزه به‌شمار می‌آید. در این فرآیند، مسیربابی براساس مدل‌سازی انجام شده از ارزیابی فضای حالات و منابع موجود انجام می‌شوند. در همین راستا در این مقاله، به‌منظور تصویرسازی دقیق‌تر شرایط، ماهیت دنباله‌ای مساله‌ی تخصیص ریزپرنده‌ها در عملیات‌ها آفندی درنظر گرفته می‌شود. از این‌رو در این مقاله مدلی چندهدفه- چندمرحله‌ای برای تعیین وزن یال‌ها در گراف مسیریابی ارائه شده است. همچنین، از الگوریتم ژنتیک و الگوریتم ژنتیک با مرتب‌سازی غیرمغلوب برای یافتن مسیریابی بهینه‌ی انجام عملیات در صحنه نبرد استفاده می‌شود. کارایی الگوریتم ژنتیک با مرتب‌سازی غیرمغلوب ‌با استفاده از سه معیار فاصله‌ی نسلی به‌عنوان معیار همگرایی، گستردگی به‌عنوان معیار تنوع و زمان محاسبات واقعی مورد بررسی قرار می‌گیرد.

modeling and optimal routing of drones swarming attack in network centric operations

today, the threats caused by micro air vehicles are one of the most important challenges of the defense systems. the two main components in managing these threats are modeling and decision-making which is based on the model drawn from them. determining the optimal path for the movement of micro air vehicles is one of the most important decisions in this field. in this process, routing is done based on the modeling which is done by evaluating the status and available resources. regarding this issue, in this article, in order to depict the situation more accurately, the sequential nature of the allocation of micro air vehicles in offensive operations is taken into consideration. therefore, in this article, a multi-objective-multi-stage model is presented to determine the weight of the edges in the routing graph. also, genetic algorithm and nsga-ii: non-dominated sorting genetic algorithm are used to find the optimal routing for operations in the battle field. the efficiency of the nsga-ii: non-dominated sorting genetic algorithm is evaluated by using three criteria: generational distance as a convergence criterion, spread as a diversity criterion, and actual computation time.