水面舰艇编队反舰作战中作战网络结构的优化

合理的作战网络结构是将信息优势转化为决策优势并最终建立火力优势的基础, 对于促进"战场透明"的实现, 充分发挥信息"兵力倍增器"的作用至关重要. 首先采用复杂网络方法建立了水面舰艇编队反舰作战的网络模型; 从网络的边和节点两方面分析了网络结构对信息质量的影响, 并论述了信息质量对反舰作战过程及效果的影响; 在此基础上, 采用遗传算法对反舰作战网络结构进行了优化研究. 优化结果表明: 对于质量较高的信息, 需缩小其传递路径, 使其快速地到达武器节点, 建立火力优势; 而对于质量相对较低的信息, 则可以适当增加其传递途径, 腾出网络带宽以及指控节点以便高质量信息的快速传递、处理. 研究结果对于提高基于信息系统的水面舰艇编队体系作战能力具有一定的军事价值.     

有人机/无人机编队协同任务分配方法

任务分配方法是任务控制过程的重要组成部分,是编队协同作战指挥策略的关键。以合同网协议(contract net protocol, CNP)和多智能体系统（multi-agent system, MAS）理论为基础,建立了有人机/无人机编队MAS结构和基于投标过程的任务分配模型,将任务优先权引入任务分配模型中,可以实现预先任务分配和执行过程中动态任务分配,保证动态环境下编队整体分配效能较优。针对作战想定进行了仿真计算,结果表明,基于CNP和MAS理论的有人机/无人机编队协同任务分配策略具有良好的预先任务分配和实时任务分配效果,能够满足编队作战任务的需要。     

有人/无人作战智能体分布式任务分配方法

有人/无人作战智能体任务联盟是面向分布式网络化作战体系提出的一种作战样式,任务分配问题是研究任务联盟指挥策略的关键点之一。以有人/无人作战智能体任务联盟为研究对象,提出与之适应的分布式体系结构。将任务执行质量引入任务分配问题建模中,以拍卖算法为基础,通过编组整体拍卖、方案预处理等改进机制,有效降低了个体方案的构建开销,并在约束的时间内实现任务联盟的动态任务分配。针对作战想定进行了仿真计算,结果表明算法能在有限拍卖次数下给出接近理想优化效果的分配方案。     

异构编队卫星近距离操作轨迹规划方法

针对编队卫星的空间在轨服务任务,提出一种多类载荷异构星群的协同操作方案。首先,考虑星间自主通信,建立了由一颗主故障识别的观测卫星和多颗主维修补给的操作卫星构成的编队系统。其次,提出一种基于循环交替策略的多星协同轨迹规划方法,并基于差分进化算法优化了星群轨迹。最后,结合算例仿真,分析了系统内各成员卫星在编队控制过程中所需的脉冲大小以及编队系统整体的安全性能。仿真结果表明,异构编队系统可快速规划出安全性较高、鲁棒性较强的在轨服务轨迹,具有一定的工程应用价值。     

突击作战中干扰机编队协同决策研究

针对攻击机突击作战中,干扰机编队协同决策问题,在给出两种不同威胁作用范围定义及相互关系的基础上,为配合攻击机完成预定作战任务,并充分考虑干扰机编队自身安全,建立了确定干扰目标分配和干扰最优布阵的协同决策模型;为保证特定航路走廊的安全性,避免复杂的几何建模,同时为增加群体的多样性,设计了一种基于数学形态学的小生境遗传算法。仿真结果表明,特定威胁环境中,该算法对要求完成任意突击任务的航路走廊,能快速计算出合理的干扰机编队协同方案。     

基于MAS的多UAV协同任务分配设计与仿真

对多无人机UAV（Uninhabited Aerial Vehicle）协同任务问题,提出了基于多智能体系统MAS（Multi-Agent System）的系统框架;对多UAV协同目标分配问题建立了数学模型,提出基于Agent的分布协同拍卖的动态任务分配算法,通过多Agent拍卖实现目标分配;建立了多UAV仿真系统,基于HLA/RTI和知识共享与操作语言KQML（Knowledge Queryand Manipulate Language）实现多UAV系统中各Agent的交互;仿真系统能方便有效的仿真多机协同问题,对目标分配问题的仿真结果表明,目标分配算法具有良好的优化效果和时间特性,能够满足一般战场的实时性需求。     

基于DE-DMPC的UAV编队重构防碰撞控制

当战场环境发生变化时,无人驾驶飞机(unmanned aerial vehicle, UAV)编队只有进行编队重构,才能保证编队的生存能力。在重构过程中碰撞问题严重威胁UAV安全应着重考虑。通过对UAV编队重构防碰撞问题进行分析,提出采用分布式模型预测控制(distributed model predictive control, DMPC)的方法,将编队重构问题转化为滚动在线优化问题。结合碰撞约束建立重构代价函数,针对代价函数求解复杂的问题,提出采用改进微分进化(differential evolution, DE)算法求解代价函数,并对算法的收敛性进行了分析。仿真实验表明,所提出的算法能够有效实现编队重构防碰撞控制,同时其代价更小、寻优能力更强。     

基于多指标正交实验设计的UAV编队配系优化

以对抗条件下,无人机（unmanned aerial vehicle, UAV）编队执行对地攻击任务为作战背景,构建多UAV对地攻击模型,利用多指标正交实验设计原理,研究编队配系的优化方法。首先,以武器类型和目标类型为对象,建立对抗双方各自的目标分配模型;其次,以目标探测、识别、杀伤和评估为基本任务,建立编队的攻击过程模型;以任务执行总代价、目标毁伤程度和任务执行时间为评价指标,建立目标函数模型;最后,将UAV的种类和数量视为实验因素和水平,研究基于正交实验设计的编队最优配系方案选择方法。实验结果表明,针对特定的任务要求,该方法可以依据现有的资源条件,得出最优的编队编组策略。     

反雷达识别技术和方法

无论是近东和马岛局部战争的经验,还是科技文献和专利的分析,均表明反雷达识别技术已引起了人们的高度重视。 反雷达识别技术方法的分类如图1所示。     

编队内协同超视距空战目标分配模型研究

为解决当前目标分配计算量大、难以实时计算的问题,提出了一种针对编队内飞机协同超视距空战的目标分配新模型。该模型根据现代空战以中远距拦射为主要作战任务、编队内飞机之间的距离很小的特点,忽略编队内飞机之间相对目标的距离差异,从武器类型的角度建立,从而减小问题解的规模。对某作战想定采用粒子群优化算法对一般目标分配模型和新模型进行了分析比较,结果表明该模型具有计算量小、求解速度快的特点。     

混合编队协同空战电子支援干扰功率分配方法

针对电子战飞机和战斗机编队协同空战条件下电子支援干扰功率分配问题进行研究。根据电子干扰的功率条件建立电子干扰压制距离模型;基于电子压制距离构建作战优势模型,得到压制功率与作战优势之间的函数关系;以编队作战优势最大化为目标函数建立功率分配优化模型。最后,对模型的合理性进行仿真验证。结果表明,所建立的功率分配方法能够进行合理的功率分配,实现最优干扰效能。     

ABMS中基于Q学习算法的空战目标分配方法

Q学习算法由于不需要先验知识即可学习,对于求解复杂的优化决策问题具有广泛的应用前景。本文针对当前空战目标分配算法的优缺点,提出了ABMS(agent based modeling and simulation)中基于Q学习算法的空战目标分配方法。首先介绍了空战Agent建模;然后给出了Q学习算法应用于空战目标分配的方法流程,并严格定义了“状态动作”对的选择规则,最后通过仿真实验证明了该方法的合理性和有效性。本文方法避免了对先验知识的依赖,并且脱离了局部最优陷阱。     

有人/无人作战智能体分布式协同目标分配方法

有人作战智能体（manned combat agent, MCA）控制无人作战智能体（unmanned combat agent, UCA）的分布式目标分配是MCA/UCA协同作战的重要内容之一。结合设想的MCA/UCA混合编队结构和功能,建立了有限控制下的分布式协同目标分配模型。提出通信结构、信息结构和协同机制三维一体的模型求解策略,以合同网协议作为协同机制基本框架,分别对合同网的目标选择策略、招标策略、投标策略、中标策略进行扩展,可有效在多个编组之间进行目标到UCA及其所隶属的MCA的协同目标分配。针对想定案例进行了仿真计算,结果表明该方法能以牺牲少量计算时间为代价,以较少的通信量得到了较高质量的解。     

基于鲁棒优化的无人机空战博弈决策

作为无人机空战过程中较大的不确定性因素,作战双方毁伤概率易受外界因素影响,可能在一定范围波动,针对这一问题将鲁棒优化思想引入无人机空战博弈模型中,结合纳什均衡求解的适应度函数的期望和方差,建立了变权重的自适应目标函数,设计了权重的分配方法。在确保策略解可行的同时,提高了毁伤概率变化因素下混合策略的鲁棒性。仿真实验结果表明,与原博弈模型相比,新模型纳什均衡解下的双方博弈收益受参数变化影响较小,可提供更可靠的策略参考。     

面向应急对地观测任务的多飞艇协同分配方法

应急条件下多飞艇协同任务分配是一个重要而极具前景的研究课题,对提高飞艇观测效能起着至关重要的作用。针对多飞艇协同任务分配问题,设计了一种基于Agent双向招标的改进合同网协同机制,详细解释了双向招标的方法和标值计算的启发式规则。针对应急观测任务的高时效性特点,建立了一个多目标约束满足优化模型,并提出一种针对批量动态任务的快速分配算法--动态自适应协同任务分配算法(dynamical flexible collaborative algorithm,DFCA)。大量模拟实验结果表明,该算法能够在很短的时间内获得较好的任务分配方案,具有较高的任务完成率和权值收益率。     

基于直觉模糊博弈的无人机空战机动决策

为解决不确定环境下无人机空战的机动决策问题,将博弈论和直觉模糊集结合,首先对无人机的机动可选方案进行直觉模糊多属性评估,得到机动博弈的直觉模糊支付矩阵,并提出满足直觉模糊全序关系下的纳什均衡条件,建立了求解不确定环境下纳什均衡的规划模型。同时,采用个体控制参数和遗传代数自适应的策略改进差分进化算法,并对模型进行求解。仿真验证模型和算法的合理性和有效性,为不确定环境下空战决策问题的求解提供了新思路。     

基于机群关系特征的多机协同作战任务分配

本文研究多机协同作战的任务分配问题。首先,根据不同飞机种类的特点提出了任务适应度概念,用以描述不同任务场景下各机种执行该任务的相对优劣程度。其次,根据同一机群内和不同机群间的飞机单元执行同一任务时的相互关系,提出了关系特征函数,用以描述执行同一任务时其他执行单元对自身效能的影响。再次,针对某一任务需要多架飞机单元共同完成的实战需求,设计了考虑任务适应度和机群关系特征的全局收益指标,并通过求解最优化问题实现了多机种协同作战收益最大化。最后,针对典型的多机协同作战场景,给定任务需求后进行求解,得到了任务分配结果。结果表明,所提出的方法能够充分利用不同机种的各自优势及机群内外成员关系提高全局收益,对多机协同作战任务分配问题具有重要的意义。