基于改进多目标布谷鸟搜索算法的翼型气动优化设计

布谷鸟搜索（CS）算法是一种新型的受自然现象启发的元启发式智能优化算法，其强大的全局搜索能力和收敛速度受到了广泛关注。多目标布谷鸟搜索（MOCS）算法是一种在单目标布谷鸟算法基础上发展的可以直接求解Pareto解集的多目标优化算法。针对原始MOCS算法的不足，采用一系列措施以提高算法的收敛精度、收敛速度以及解的均匀性：通过引入非支配排序与拥挤距离来改进解的适应度评估；通过改进随机游走策略来提高局部搜索能力；通过引入改进的自适应丢弃概率策略来提高算法的收敛速度；加入档案管理机制，提高解的均匀性。典型的多目标数值算例结果表明，改进的MOCS算法相较于当前主流的NSGA-Ⅱ算法拥有更快的收敛速度和更高的收敛精度。以RAE2822双目标升阻比优化设计为例，将改进的MOCS算法应用于多目标气动优化中，改进的MOCS算法共获得64个Pareto解，优化后的翼型气动性能有明显的提升，设计者可以根据自己的偏好选取不同的Pareto解。对于气动优化问题，改进的MOCS算法与目前主流的NSGA-Ⅱ相比，收敛速度更快。     

基于改进烟花算法的资源分配

资源分配问题作为一个NP-Hard问题,在云计算、无线电、卫星调度、多无人机协同作业等领域皆有研究需求,是一个共性的数学问题。烟花算法作为一种智能优化算法,具有求解大规模资源分配问题的能力,但也存在求解精度低等问题。为了提高传统烟花算法的计算效率和全局寻优能力,提出一种改进烟花算法,用遗传算法中的变异算子替代高斯变异操作,并增加模拟退火流程。最后在多无人机协同作业任务分配数学模型上进行仿真验证,实验结果表明在收敛速度以及计算精度方面,该算法均优于其余3种烟花算法。     

基于DE-MADDPG的多无人机协同追捕策略

针对多无人机协同对抗快速目标的追逃博弈问题,研究了多无人机的协同追捕策略。基于解耦多智能体深度确定性策略梯度算法DE-MADDPG研究了多无人机协同对抗快速目标的追捕策略,设计了多无人机协同追捕的全局奖励和局部奖励两种奖励函数,训练后的多无人机能够有效地执行协同追捕任务。通过设置快速目标的多种逃逸控制策略,仿真验证了所设计的方法能够利用追捕无人机的数量优势,通过协作完成对快速目标的协同围捕,并且通过比较,验证本文所提出的算法相比MADDPG算法更快地取得了收敛效果。     

一种适用于三维混合网格的GMRES加速收敛新方法

为提高流场计算收敛效率,发展了一套适用于三维混合网格Naiver-Stokes方程求解的并行广义最小残差（GMRES）隐式时间推进方法。该方法由科学计算可移植扩展工具包（PETSc）中的Krylov子空间求解器实现,线性方程系统中的系数矩阵直接以显式给出以提高算法的稳定性。为进一步提高GMRES方法的收敛速度,对非结构网格的序号进行了重排序,使得系数矩阵的非零元素尽量向主对角线靠近。利用所发展的GMRES方法,完成了对ONERA-M6机翼、AIAA阻力预测会议通用研究模型（CRM）等算例的计算,计算结果与试验结果吻合良好。通过与其他隐式推进方法进行比较,对算法的收敛特性进行了研究。结果表明,所发展的GMRES方法计算更加稳定,残差下降速度相对LU-SGS（Lower-Upper Symmetric Gauss-Seidel）方法更快,尤其是气动力系数向着收敛解逼近的速度更加明显,提高了计算效率。     

非对称机动能力多无人机智能协同攻防对抗

协同攻防对抗是未来军用无人机的重要作战场景。针对不同机动能力无人机群体间的攻防对抗问题，建立了多无人机协同攻防演化模型，基于多智能体强化学习理论，研究了多无人机协同攻防的自主决策方法，提出了基于执行-评判（Actor-Critic）算法的集中式评判和分布式执行的算法结构，保证算法稳定收敛的同时，提升执行效率。无人机的评判模块使用全局信息评价决策优劣引导策略学习，而执行时只需要依赖局部感知信息进行自主决策，提高了多机攻防对抗的效能。仿真结果表明，所提的多无人机强化学习方法具备较强的自进化属性，赋予了无人机一定智能，即稳定的自主学习能力，通过不断演化，能自主学习提升协同对抗的决策效能。     

多架无人作战飞机攻击行为的协调

建立了基于Agent的无人作战飞机指挥控制系统的形式化语义模型，提出了无人作战飞机编队的联合作战目标、联合作战意图和协同攻击效能的定义，以及结合联合作战意图、协同作战效能的多架无人作战飞机编队攻击行为的协调方法。仿真结果表明，结合联合作战意图和协同攻击效能的攻击行为可有效地提高编队的作战效能。     

基于启发式蚁群算法的协同多目标攻击空战决策研究

协同多目标攻击空战决策是现代战机在超视距条件下进行协同空战的关键技术之一。它是寻求一个优化分配方案,将目标分配给各友机,力求使攻击效果最优。本文在对协同多目标攻击战术进行深入分析的基础上,提出了一种用于空战决策的启发式蚁群算法,该算法通过求解友机导弹对目标的最优分配来确定空战决策方案。仿真实验表明所提出的启发式蚁群算法对最优解的搜索效率明显优于基本蚁群算法,是一种求解协同多目标攻击空战决策问题的有效算法。     

事件触发机制下具有视场约束的三维协同制导

针对多枚反舰导弹同时攻击舰艇目标的实际需求,考虑导引头视场角约束,研究了事件触发控制方式下的时间协同制导问题。基于三维耦合模型提出了一种由三维比例导引律（PNG）和事件触发偏置项组成的三维时间协同制导律,并给出了事件触发条件。该偏置项利用非线性函数来确保总前置角的有界性,以满足导引头的视场角约束,并且通过分布式事件触发一致性协议,使弹群的攻击时间能够收敛到一致,并有效降低协同控制系统更新频率,减少通信资源消耗。基于Lyapunov理论证明了所提出分布式协同制导律的稳定性,且不存在Zeno现象。最后,通过数学仿真验证了所提出的三维协同制导方法的有效性和鲁棒性。     

基于深度强化学习的多无人机协同进攻作战智能规划

无人机依靠作战效费比高、灵活自主等优势逐步替代了有生力量作战,多无人机协同作战任务规划成为热点研究问题。针对传统任务规划采用的智能优化算法存在的依赖静态、低维的简单场景、机上计算较慢等不足,提出一种基于深度强化学习（DRL）的端到端的多无人机协同进攻智能规划方法。将压制敌防空作战（SEAD）任务规划过程建模为马尔科夫决策过程,建立基于近端策略优化（PPO）算法的SEAD 智能规划模型,通过两组实验验证智能规划模型的有效性和鲁棒性。结果表明：基于DRL 的智能规划方法可以实现快速、精细规划,适应未知、连续高维的环境态势,智能规划模型具有战术协同规划能力。     

基于深度强化学习的智能空战决策与仿真

飞行器空战智能决策是当今世界各军事强国的研究热点。为解决近距空战博弈中无人机的机动决策问题，提出一种基于深度强化学习方法的无人机近距空战格斗自主决策模型。决策模型中，采取并改进了一种综合考虑攻击角度优势、速度优势、高度优势和距离优势的奖励函数，改进后的奖励函数避免了智能体被敌机诱导坠地的问题，同时可以有效引导智能体向最优解收敛。针对强化学习中随机采样带来的收敛速度慢的问题，设计了基于价值的经验池样本优先度排序方法，在保证算法收敛的前提下，显著加快了算法收敛速度。基于人机对抗仿真平台对决策模型进行验证，结果表明智能决策模型能够在近距空战过程中压制专家系统和驾驶员。     

单机多目标攻击模态综合飞/火控制系统设计及仿真

多目标攻击是现代空战中的主要形式和发展趋势。本文主要介绍了多目标攻击火控系统的总体方案、基本组成及工作过程，将空战能力、空战态势指数法及动态的层次分析法应用于火控系统攻击逻辑决策中，给出了一种多目标超视距攻击火控系统的设计方案，其中在空战态势指数法中还考虑了高度因素。同时，对飞行／火力协调控制器进行了设计，并在六自由度飞机模型上进行了多目标攻击过程的数字仿真，仿真结果表明本文的设计方案是可行的。     

空战多目标分配的指派模型

针对多机协同空战中的多目标分配问题,提出了一种以空战几何态势矩阵为基础,以我方总体几何优势最大为原则,兼顾载机多目标攻击能力的目标分配算法。给出了总体几何态势训算公式及计算流程,将目标分配转化成指派问题后通过lingo 8．0软件编程进行分析研究。仿真算例表明了模型的有效性。     

战机多目标攻击与仿真试验

多目标超视距空战是今后空战的主要形式,多目标攻击武器系统是当今航空武器系统研究的重点和发展的标志。本文分析了多目标攻击系统的特点,并阐述了用快速模拟法对导弹允许攻击区的计算方法以及单机多目标攻击的战术决策思想。最后介绍了多目标攻击系统仿真试验。     

多机型协同空战多目标分配战术决策仿真算法

针对多个机型能够同时使用而且空战性能差别很大的特点,研究运用多机协同作战的理论来探讨适合多机型协同空战的目标分配战术决策方法。提出仿真算法并给出不同机型搭配的目标分配结果。计算结果表明,文中介绍的方法可以满足我军高低机型搭配作战的要求,并能更有针对性地完成战术决策任务。     

Mission decision-making method of multi-aircraft cooperatively attacking multi-target based on game theoretic framework

Coordinated mission decision-making is one of the core steps to effectively exploit the capabilities of cooperative attack of multiple aircrafts. However, the situational assessment is an essential base to realize the mission decision-making. Therefore, in this paper, we develop a mission decision-making method of multi-aircraft cooperatively attacking multi-target based on situational assessment. We have studied the situational assessment mathematical model based on the Dempster-Shafer (D-S) evidence theory and the mission decision-making mathematical model based on the game theory. The proposed mission decision-making method of antagonized airfight is validated by some simulation examples of a swarm of unmanned combat aerial vehicles (UCAVs) that carry out the mission of the suppressing of enemy air defenses (SEAD).     

An online ensemble semi-supervised classification framework for air combat target maneuver recognition

Online target maneuver recognition is an important prerequisite for air combat situation recognition and maneuver decision-making. Conventional target maneuver recognition methods adopt mainly supervised learning methods and assume that many sample labels are available. However, in real-world applications, manual sample labeling is often time-consuming and laborious. In addition, airborne sensors collecting target maneuver trajectory information in data streams often cannot process information in real time. To solve these problems, in this paper, an air combat target maneuver recognition model based on an online ensemble semi-supervised classification framework based on online learning, ensemble learning, semi-supervised learning, and Tri-training algorithm, abbreviated as Online Ensemble Semi-supervised Classification Framework (OESCF), is proposed. The framework is divided into four parts: basic classifier offline training stage, online recognition model initialization stage, target maneuver online recognition stage, and online model update stage. Firstly, based on the improved Tri-training algorithm and the fusion decision filtering strategy combined with disagreement, basic classifiers are trained offline by making full use of labeled and unlabeled sample data. Secondly, the dynamic density clustering algorithm of the target maneuver is performed, statistical information of each cluster is calculated, and a set of micro-clusters is obtained to initialize the online recognition model. Thirdly, the ensemble K-Nearest Neighbor (KNN)-based learning method is used to recognize the incoming target maneuver trajectory instances. Finally, to further improve the accuracy and adaptability of the model under the condition of high dynamic air combat, the parameters of the model are updated online using error-driven representation learning, exponential decay function and basic classifier obtained in the offline training stage. The experimental results on several University of California Irvine (UCI) datasets and real air combat target maneuver trajectory data validate the effectiveness of the proposed method in comparison with other semi-supervised models and supervised models, and the results show that the proposed model achieves higher classification accuracy.     

基于粗糙集理论的编队协同空战决策规则提取

为了对空战过程中大量的冗余信息进行约简，以提高空战决策的实时性，将粗糙集理论引入到编队协同空战战术决策研究中，提出了一种用于提取空战关键信息和战术决策规则的属性约简算法。并将单一决策属性下的属性值约简方法推广，讨论了更适于编队作战分析的多决策属性下的属性值约简问题。最后，通过一个编队空战战术选择示例对该算法进行了验证，结果表明：空战的冗余信息是可以约简的；此算法可提取出对空战起主要作用的属性，即雷达／中距弹信息；并且在保证空战关键分类结果不变的情况下，可生成用于战术决策的最小简化策略，所提取的决策规则与编队空战的实际相符合。     

基于预警直升机的驱护舰编队防空作战目标威胁评估

空中威胁尤其是各种平台发射的反舰导弹日益成为编队主要的威胁因素。防空作战中,利用舰载预警直升机前出探测以提供早期预警信息是提升驱护舰编队防空作战能力的主要措施。目标威胁评估是预警直升机预警探测的重要环节。根据当前空中作战平台性能发展变化,选取多个威胁指标,采用改进的TOPSIS建立评估模型,并用实例仿真验证其可行性,为编队辅助决策提供依据。     

基于粗糙集的空战效能多指标综合评估模型

 根据现代空战的特点,构建了空战效能评估指标体系,由于超视距空战和近距格斗是现代空战的两个主要模式,因此在指标体系中分别引入了与这两种模式直接相关的分项能力,并且给出了各分项能力的计算模型,针对以往效能评估的多指标综合评价模型中权系数确定的主观性问题,应用粗糙集理论对第3代战斗机的各种指标数据进行挖掘,利用信息熵概念求得各指标的属性重要度,并归一化处理为各指标的权系数,克服了传统权系数确定方法的主观性。最后,建立了空战效能评估的多指标综合评价模型,通过实例计算验证了该模型的有效性。     

主动雷达制导型空空导弹的火控算法

主动雷达制导型空空导弹是当今战斗飞机最重要的空战武器。一般均采用复合制导模式；具有多目标攻击能力；可以远距拦射，也可以近距格斗。主动雷达制导型空空导弹具有许多重要的特点和优点。本文讨论主动雷达制导型空空导弹的火控攻击算法，内容包括：攻击瞄准向量方程及其求解，主动末制导段起始点目标位置角验算等。