防空仿真系统中多层次飞行靶标作战规划研究

提出了防空虚拟战场中多层次多智能飞行靶标协同作战的仿真方法,给出了机群的战术和航路规划算法.研究了分层作战计划并制定了战术编队和队形保持方法,根据虚拟战场威胁情况建立飞行路径图,并对路径图进行了多样化处理和约束处理,利用遗传算法针对长机进行航路规划.针对飞行器实施作战任务过程中可能面临的新威胁,设计了实时重规划方法.仿真实例验证了多层靶标规划的可行性和机动性,可作为其他作战仿真系统中空袭方的执行参考.     

威胁联网下舰载无人机对海突击航路规划

以复杂海战场环境下舰载无人机对海突击作战为背景,针对舰载无人机航路规划中容易忽略的威胁之间相互联系的问题,分析了威胁联网下航路规划领域的研究现状,针对其不足,建立了新的威胁分类方法,将威胁划分为机动威胁和固定威胁;构建了新的威胁联网模型,特别对距离舰载无人机航路较远,但联网后可以对舰载无人机产生威胁的威胁进行了着重研究,创新解决了机动威胁在威胁联网情况下的反应问题;最后基于遗传算法进行了仿真,分析对比了威胁联网与否对航路规划的影响,规划出了在威胁联网情况下的可行航路。     

基于深度强化学习的UAV航路自主引导机动控制决策算法

针对无人机(unmanned aerial vehicle, UAV)航路终端约束情况下航路自主引导机动控制决策问题,采用Markov决策过程模型建立UAV自主飞行机动模型,基于深度确定性策略梯度提出UAV航路自主引导机动控制决策算法,拟合UAV航路自主引导机动控制决策函数与状态动作值函数,生成最优决策网络,开展仿真验证。仿真结果表明,该算法实现了UAV在任意位置/姿态的初始条件下,向航路目标点的自主飞行,可有效提高UAV机动控制的自主性。     

基于Voronoi图和蚁群优化算法的无人作战飞机航路规划

无人作战飞机(UCVA)航路规划是一类复杂优化问题.在众多航路规划算法中,Voronoi图是一种根据战场多威胁源分布情况获取可行航路的图形算法,而蚁群优化(ACO)算法是受到蚂蚁觅食行为启发而形成的一种启发式仿生算法.根据已知威胁源生成Voronoi加权图,其中每条Voronoi边的总代价可以由威胁代价和燃油代价计算得出;然后给出了在Voronoi图条件下,用于航路规划的改进ACO算法模型和具体实现方法;最后,将Voronoi图与ACO算法相结合,并针对某UCAV多种空战态势下的航路规划问题进行了系列仿真实验.实验结果验证了所提方法在解决UCAV航路规划问题时的可行性和有效性.     

基于DoDAF的有人/无人机协同作战体系结构建模

有人/无人机(manned/unmanned aerial vehicle, MAV/UAV)协同作战是未来战场中重要的空中作战模式。由于MAV/UAV协同作战体系系统复杂、涉及作战节点多,需从系统工程的角度对整体作战体系进行顶层设计,并采用统一的结构框架对该体系结构建模。首先,引入美国国防部体系结构框架(Department of Defense architecture framework, DoDAF),提出一种体系结构快速开发方法,并给出开发步骤。然后,利用视图模型,对MAV/UAV协同作战体系的系统功能、作战任务活动、各作战节点的信息交互及组织关系等建立模型。最后,通过动态仿真对模型进行验证。结果表明,所提作战体系的执行状态与预期的作战流程一致,体系结构设计合理,系统内各作战节点定义及信息体系结构描述具备一致性和协调性。     

基于DoDAF的有人/无人机协同作战体系结构建模

有人/无人机(manned/unmanned aerial vehicle, MAV/UAV)协同作战是未来战场中重要的空中作战模式。由于MAV/UAV协同作战体系系统复杂、涉及作战节点多,需从系统工程的角度对整体作战体系进行顶层设计,并采用统一的结构框架对该体系结构建模。首先,引入美国国防部体系结构框架(Department of Defense architecture framework, DoDAF),提出一种体系结构快速开发方法,并给出开发步骤。然后,利用视图模型,对MAV/UAV协同作战体系的系统功能、作战任务活动、各作战节点的信息交互及组织关系等建立模型。最后,通过动态仿真对模型进行验证。结果表明,所提作战体系的执行状态与预期的作战流程一致,体系结构设计合理,系统内各作战节点定义及信息体系结构描述具备一致性和协调性。     

基于混合蚁群算法的无人机航路规划

无人机(UAV)航路规划的热点和难点在于如何满足安全性和实时性的同时,兼顾全局路径规划和局部路径重规划,以提高无人机的作战效率和生存概率。针对这一问题,在现有无人机航路规划研究基础之上,提出采用蚁群算法与人工势场法相结合的方法。蚁群算法用于全局航路规划,人工势场法用于局部路径重规划。仿真结果表明,两种算法结合所得优化航路较好反映了算法的有效性,可以为航路规划辅助决策研究提供借鉴和参考。     

基于DBN威胁评估的MPC无人机三维动态路径规划

模型预测控制(model predictive control, MPC)路径规划算法适用于三维动态环境下的无人机(unmanned aerial vehicle, UAV)路径规划;动态贝叶斯网络(dynamic Bayesian network, DBN)能够有效推理战场态势,对无人机进行威胁评估。针对威胁尾随无人机时的路径规划问题,构建DBN威胁评估模型,将UAV在战场环境中的威胁态势用威胁等级概率表示,与MPC路径规划算法相结合,得到基于DBN威胁评估的MPC UAV路径规划算法。通过多组仿真分析表明,在三维动态环境下,特别是威胁尾随无人机时,基于DBN威胁评估的MPC无人机路径规划算法可以得到有效的无人机路径。     

无人机集群对地作战任务可靠性评估

针对无人机(unmanned aerial vehicle, UAV)集群执行对地攻击任务可靠性评估问题,考虑实际作战环境和任务规划,建立了一种适用于具体任务过程的可靠性评估方法。首先,建立了UAV集群作战的时态异构网络模型,用时态打击链模拟UAV集群任务规划和协同作战过程。然后,基于连续时间马尔可夫链(continuous-time Markov chain, CTMC)建立了UAV集群在威胁区域飞行的生存概率模型。进而,综合UAV集群的作战能力和生存概率,提出了任务可靠性评估方法。最后,通过实例分析,验证了该模型的实用性和合理性。该模型考虑到各方面影响战果的因素,贴合实际,为UAV集群任务可靠性评估和决策提供了参考。     

无人机初始路径规划空间建模方法研究

提出了一种无人机初始路径规划空间建模方法，重点在于将地形威胁和火力威胁分开建模，通过引入不可接受毁伤系数来评价威胁对航路的影响，并应用数学形态学骨架化算法生成初始路径规划空间。仿真结果表明，该方法生成初始路径规划空间小，各种建模约束条件符合战场实际环境，为航路奴．划算法的工程化应用奠定了基础。     

空中目标威胁排序的灰色聚类决策方法

空中目标威胁排序是防空射击指挥中的重要环节,针对空中目标威胁排序问题,提同了一种基于灰色定权聚类决策的空中目标威胁排序方法.该方法通过对空中作战目标的分析认识,对目标的威胁因素的特征指标进行挑选,分析特征指标取值变化对目标威胁程度的影响,采取绝对关联度分析,确定特征指标的选取,在不需要精确校正指标数据的情况下.运用灰色关联聚类的思想实现了威胁排序,符合防空作战的实际情景需求.给出了应用该方法的具体步骤,通过示例结果表明灰色聚类决策对空中目标威胁排序具有良好的适用性.     

基于粒子群算法的地磁匹配航迹规划

针对无人机地磁匹配航迹规划问题,提出了一种基于粒子群优化算法的航迹规划方法.借鉴稀疏A-Star搜索算法的思想,将约束条件结合到搜索方法中,给出了基于地磁网格图的航迹节点扩展方法.结合无人机的机动性能约束和地磁匹配的自身特点,设计了一种适用于地磁匹配的航迹性能评价函数作为粒子群的适应度函数.仿真实验的结果表明:生成的航迹能够满足地磁匹配导航要求,且具有威胁规避的能力.最后,针对只在中制导段采用地磁匹配的情况提出了初步的解决方案,保证无人机顺利进入地磁匹配航迹段.     

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。     

基于多准则交互膜进化算法的UAV三维航迹规划

针对智能优化算法在无人机(unmanned aerial vehicle, UAV)三维航迹优化中搜索复杂度较高、容易陷入局部最优的问题,提出一种基于嵌套式细胞膜结构的多准则交互式多目标进化算法。以建立的多目标航迹评价模型来克服航迹评价加权求和的不足;同时在应用降维离散缩减寻优空间的基础上,采用萤火虫算法和人工蜂群算法作为不同膜内优化准则,利用膜系统计算的并行性和膜内信息交互优势提高算法性能;并对膜内进化规则进行非支配排序、搜索加权等改进,实现了UAV三维多目标航迹寻优。仿真实验表明,所提方法在有无威胁两种环境下均能快速搜索到不同侧重目标的相对最优航迹,证明了该方法的有效性。     

基于Laguerre图的自优化A-Star无人机航路规划算法

为了降低无人机航路规划的运算量,减少规划时间,确保算法对于任意形状威胁区域和地形的适应性以及所规划航路的准确性,提出了一种新颖的LA-Star算法用于无人机航路规划。首先把威胁区域和禁飞区域简化为圆形,利用Laguerre图算法进行航路预规划,在此基础上简化二次规划空间的范围,之后恢复威胁区域和禁飞区域的真实形状,在简化后的规划空间内使用改进A Star算法实施二次航路规划,最后对生成的航路进行自优化处理。仿真结果证明了LA-Star算法满足航路规划的实时性和准确性要求。     

分段优化RRT的无人机动态航迹规划算法

针对突发威胁,无人机重新规划局部航迹的问题,提出了分段优化快速扩展随机树(rapidly exploring random tree,RRT)的无人机动态航迹规划算法。首先利用分段优化RRT算法生成全局航迹,然后根据突发威胁的相关信息确定局部航迹的起点和终点,最后利用分段优化RRT算法生成局部航迹,绕过突发威胁并回到原航迹。实验结果表明算法运行时间和路径代价都降低了10%左右。对于动态航迹规划,该算法的鲁棒性与实时性较强。     

有限干预下的UAV低空突防航迹规划

低空突防航迹规划是实现有人机和无人机（unmanned aerial vehicle, UAV）编队协同作战的关键技术,针对目前智能算法在求解低空突防航迹规划问题中存在的不足,充分发挥人脑这个超级智能系统来引导飞行航迹求解过程,将基于角度量编码的小生境伪并行自适应遗传算法（niche adaptive pseudo parallel genetic algorithm, NAPPGA）和人有限干预情况下的智能决策结合起来,提出UAV低空突防航迹规划技术。通过大量仿真计算,结果表明,应用该技术预规划和重规划的三维航迹能够有效实现威胁回避、地形回避和地形跟随,满足UAV低空突防要求,具有一定的实用性。