精确打击武器集群作战技术发展研究

对中远程精确打击武器集群作战进行综合评述，并对集群智能化技术体系发展布局进行探讨。首先基于分布式作战概念内涵提出了集群作战的共性特点，指出网络化和智能化是集群作战的本质特征。随后从目标指示、体系对抗、自主作战三个方面提出了对集群智能化作战的军事需求，并对由集群智能化技术带来的作战能力提升进行了分析研判。最后按照观察-判断-决策-行动作战循环梳理了集群智能化技术体系布局。综述表明，集群作战将是未来精确打击武器的主要作战形态，集群智能化技术是当前以及未来一段时间内的研究热点。     

无人机集群研究进展综述

集群行为是一种常见于自然界中鱼群、鸟群、蜂群等低等群居生物的集体行为，生物群中的个体仅依靠局部感知作用和简单的通信规则自主决定其运动状态，并且从简单的局部规则涌现出协同的整体行为。受此启发，提出了无人机集群作战的概念。无人机集群作战是指依靠大量低成本、速度快、适应能力强、易于携带和投射的无人机形成规模优势，从而取得战争的主动权。由于无人机集群技术的重要战略地位，中美俄等军事大国均开始重视无人机集群技术的持续发展。介绍了无人机集群的研究动机，从模型、协议和平台3个角度总结了研究方法，重点分析了几种典型作战模式以及涉及的若干关键技术。综上所述，集群技术在军事方面具有重要的应用价值，必将引领全新的作战模式。     

OODA智能赋能技术发展思考

随着科学技术的飞速发展,信息化支持下的体系作战将是未来战争的一种主要样式,"基于感知-判断-决策-行动（OODA）以快吃慢"成为未来战争的重要制胜机理。由于战场环境日趋复杂、对抗多域多维,从战场态势到作战策略的映射关系复杂,给OODA环快速解算带来了新的挑战。为确保OODA环解算满足任务需求,将人工智能（AI）技术赋能OODA各环节,驱动各环节高效运行,缩短环路解算时间,为打赢战争提供关键支撑。首先综述了人工智能在军事领域的应用进展,分析了导弹OODA智能化赋能面临的挑战,初步提出了智能赋能OODA环涉及的相关技术的思考,以支撑导弹智能化的发展。     

基于规则的航空发动机孔探图像诊断方法研究

针对军用航空发动机内部损伤频率高、诊断决策时间长的问题,运用基于规则的推理方法,结合案例推理,进行了航空发动机内部损伤维修决策的专家诊断研究,开发了基于孔探图像的航空发动机内部损伤维修决策专家系统。依据领域专家的经验,通过分析得到了对该型发动机的专家知识,并将其转换为if-then的知识规则存放于知识库中;利用图像处理方法,对损伤进行测量,得到损伤的尺寸参数;根据损伤尺寸,依据相应的知识规则,应用正向推理得到损伤的维修决策。运用多个航空发动机内部损伤实例验证了所开发的专家系统的有效性。     

数据和知识驱动的空战目标集群类型综合识别

目标集群类型识别是体系作战样式下态势认知的关键，然而现有集群识别算法主要依据专家知识人工进行判读，难以满足作战态势快速、准确理解的需求。提出数据和知识驱动下的推理机制，构建分层精细化推理的集群场景识别框架，预识别层检测目标运动过程中的集群的分群/合群，根据设计基于边界检测的密度峰值聚类确定群的划分情况，得到集群的初步识别结果；再识别层中综合分析集群执行任务、运动特性、电磁特性，对集群目标的多源特性进行多元知识约束下的推理网络构建，在此基础上利用现有数据进行推理网络参数学习，进而使推理获得更为准确的集群类型识别结果。该框架综合知识和数据的优势具有从粗到精的集群目标识别能力，利用多特征综合推理机制对目标集群精细化分析，实现集群类型的准确识别。在典型的集群作战活动场景下推理置信度和正确率两项指标均优于现有算法，验证了所提方法的有效性，提高空战目标集群类型识别的置信度和准确率。     

基于协调近似表示空间的航空发动机故障诊断

航空发动机故障诊断的一个主要目标即是求出具有最大分布的故障类型,协调近似表示空间为统一处理不同信息系统提供了工具,并且考虑到航空发动机故障是典型的小样本问题,因此针对航空发动机故障诊断决策信息系统,在求取其基于最大分布的协调近似表示空间的基础上,引入规则融合方法得到所有不同条件下的决策规则,并将其用于历史故障数据的分析,得到了高的识别率,从实践的角度证明了该方法的有效性以及融合所得规则的普适性.      

基于效能评估的航空作战进程预测

研究了航空对抗作战中空战双方的兵力变化问题。从飞机作战效能评估的角度出发,给出了在数据链支持下的作战飞机空战能力指数计算方法,并将其转化为平均战斗力水平,从数学原理上证明了二者具有等价性和一致性。建立了能够表征数据链效应的改进Lanchester方程航空作战模型,在考虑有增援的情形下对模型进行扩展。仿真分析了等效实力比和不同增援时刻对空战进程的影响,结果表明数据链具有提高作战效能和改变战局的作用。给出了有效增援时间范围,并指出了在增援作战时存在增援介入时间的"局部最优增援时刻点",为空战决策提供了参考依据。     

由感知到动作决策一体化的类脑导航技术研究现状与未来发展

随着脑与神经科学以及人工智能技术的持续发展，昆虫和哺乳动物大脑导航机理启发下的感知/认知/路径规划/动作决策一体化类脑导航技术得到了较大发展，可以实现由原始感知信息输入到导航动作决策的直接输出，呈现出接近动物端到端面向目标导航的智能行为，具有提高密集型无人机集群导航鲁棒性、准确性、实时响应动作、自主智能性以及计算效率的潜力。阐述了昆虫和哺乳动物大脑导航机理及其互补对称关系，以及昆虫和哺乳动物大脑导航机理启发的端到端类脑导航技术内涵；论述了类脑导航技术研究进展，包括类脑环境感知、类脑空间认知、面向目标类脑导航；分析了类脑导航向智能化、神经形态系统以及群体导航发展的新趋势；最后讨论了类脑导航技术应用于无人机密集集群系统时存在的挑战。     

基于回访机制的无人机集群分布式协同区域搜索方法

为高效引导无人机（UAV）集群搜索未知任务区域内的动态目标，同时兼顾最大化覆盖搜索效能，提出一种回访机制驱动的UAV集群分布式协同搜索决策（RM-DCSD）算法。首先，基于栅格化方法构建了包含3种属性的综合态势信息图模型及其更新机理，为UAV进行实时在线搜索决策奠定基础；其次，以最大化搜索效率为优化目标，同时兼顾UAV的飞行安全与能耗代价，建立了UAV搜索效能函数，在此基础上，基于滚动优化思想进一步构建了UAV局部有限时域滚动优化模型；然后，综合考虑动目标的实际搜索需求以及传感器虚警和漏检情况，分别设计了信息素引导的回访机制与权系数动态切换引导的回访机制；接着，借鉴分布式模型预测控制思想，设计了基于信息融合的UAV集群分布式协同搜索决策机制，在确保集群分布式协同最优决策的基础上实现了对UAV成员态势信息图的解耦式更新，进一步增强了系统鲁棒性；最后，通过数值仿真实验对所提算法的有效性进行全面验证。仿真结果表明，RM-DCSD算法对动态未知搜索环境表现出良好的适应性，能够在引导UAV集群对未知区域进行最大化覆盖搜索的同时，通过回访机制驱动，有效兼顾对地面动目标的搜索需求。     

空战机动决策集模型分析

空战机动决策集模型是自主空战机动决策技术的基础,直接影响着空战机动决策的效果。本文综述了应用最为广泛的两类典型空战机动决策集模型,分析了现有基本机动动作决策集模型和典型战术动作决策集模型的特点和不足,提出了机动决策模型的改进方法。     

蜂群对抗决策故障下的容错博弈控制

针对大规模分簇蜂群无人机的任务分配问题,考虑对抗场景下某些无人机由于受到敌方攻击或操控,决策规则遭到篡改,进而导致群决策行为与期望的均衡点产生偏差的决策故障。在演化矩阵博弈的框架下,运用多群体复制子动态方程对蜂群无人机和故障建模,基于李雅普诺夫函数对故障发生前后均衡点的局部渐近稳定性及其吸引域进行了分析,从而建立了自容错条件,并设计了基于激励的簇间协同容错博弈控制方法,对群决策行为偏差进行补偿,使得蜂群任务分配状态在故障下仍能达到期望的均衡点,获得理想的分工收益。     

基于DDPG算法的无人机集群追击任务

无人机的集群化应用技术是近年来的研究热点，随着无人机自主智能的不断提高，无人机集群技术必将成为未来无人机发展的主要趋势之一。针对无人机集群协同执行对敌方来袭目标的追击任务，构建了典型的任务场景，基于深度确定性策略梯度网络（DDPG）算法，设计了一种引导型回报函数有效解决了深度强化学习在长周期任务下的稀疏回报问题，通过引入基于滑动平均值的软更新策略减少了DDPG算法中Eval网络和Target网络在训练过程中的参数震荡，提高了算法的训练效率。仿真结果表明，训练完成后的无人机集群能够较好地执行对敌方来袭目标的追击任务，任务成功率达到95%。可以说无人机集群技术作为一种全新概念的作战模式在军事领域具有潜在的应用价值，人工智能算法在无人机集群的自主决策智能化发展方向上具有一定的应用前景。     

基于二进制粒子群算法的战时航空网络规划研究

领空作为国家资源的一部分,其使用、调配关系到国家的安全与发展,在战时,将更多的空中资源调配给军航使用,有利于保障军事行动的顺利进行。基于此,提出一种基于二进制粒子群算法(BPSO)的战时航空网络规划方法。首先,对航空网络建模,收集航班数据;其次,建立航空网络性能评价体系;然后,以使用尽可能少的民航机场维持预期网络性能为目标,以作战意图和战场环境为约束条件,通过BPSO 算法进行求解;最后,进行仿真分析。结果表明:该方法能够结合作战意图、反映战场环境、合理调配航空资源,为战时航空管制工作提供决策依据。     

Optimization and verification of single pilot operations model for commercial aircraft based on biclustering method

Commercial aircraft crews have experienced a trend from five-person crew to dual-pilot crew. Arised from both technological and market demands, Single Pilot Operations (SPO) is considered an important development direction in modern aviation technology. In this paper, starting from Dual-Pilot Operations (DPO), the piloting process, decision-making process and decision-making mode of DPO for commercial aircraft are studied to obtain the operational requirements of SPO. Then, based on above analysis, the operational mechanism of SPO is studied and the core technology of SPO mode is proposed. Next, a new closed frequent bicluster mining algorithm named FsCluster is proposed for the optimization of the SPO model, and the other efficient bicluster mining algorithm named TsCluster is proposed for the analysis and verification of the SPO model. Finally, a typical flight phase scenario is modelled by Magic System of System, and combined with the proposed algorithms for analysis and verification to determine whether the SPO mode can meet the DPO requirements.     

有人/无人机混合编队有限干预式协同决策

针对Leader-Follower异构型有人/无人机混合编队协同决策系统具有递阶分布式决策结构、决策信息分散以及通信约束等特点,在智能体模糊认知图(ABFCM)和动态模糊认知图(DFCM)的理论基础上,提出了一种有限干预式协同决策机制。通过构建层次化的Follower平台自主决策模型,实现了该平台与外部系统良好的交互能力,体现了自主决策的"动态性"。通过设计Leader平台的3种干预策略,满足了不同层次的决策需求,体现了干预过程的"有限性"。仿真结果表明:有限干预协同决策模型能够适应外部环境的动态变化,充分发挥Follower平台的自主决策能力;而不同层次的有限干预介入既减轻了Leader平台的控制负荷,又保证了决策的有效性和可行性,可为解决其他同类复杂系统的协同决策问题提供理论依据和方法参考。     

证据推理冲突问题研究

证据推理是一种重要的人工智能方法,广泛应用于数据融合、数据挖掘和智能决策。但 Dempster组合规则对于高冲突情况的处理不是十分合理的。首先研究了几种组合规则的改进方法和造成其缺陷的机理,给出一类组合规则的改进方法,基于有无先验给出两类算法。仿真结果表明新的证据推理组合规则在处理冲突方面的性能得到了明显的改进。     

适应拓扑变化的拥塞最小化网络更新策略

软件定义网络的出现推动了航空集群机载网络的发展，同时也为机载网络的一致性更新带来了挑战。针对拓扑变化导致的网络更新期间可用路径失效问题，提出适应拓扑变化的拥塞最小化网络更新策略。首先，为减少可用路径失效带来的数据包丢失，在更新之前采用重路由机制进行处理；然后，针对重路由机制可能引起的网络拥塞，设计了贪婪流迁移算法缓解拥塞；最后，通过瞬时拥塞最小化更新算法完成整个网络更新。仿真结果表明：与传统的拥塞一致性更新算法相比，所提更新策略用规则开销、瞬时网络拥塞方面的少量提高换取了网络更新期间数据包丢失的显著降低。     

自主空战连续决策方法

未来空战正朝着无人化、自主化方向发展,自主空战决策方法是未来空战的重要支撑手段之一。传统空战决策方法由于维度限制,存在无法处理连续动作与远视决策的问题。基于Actor-Critic 方法提出空战连续决策的统一架构,依据空战训练经验对状态空间、动作空间、奖励及训练科目进行合理设计,测试多种连续动作空间强化学习算法在高不确定性空战场景下的学习效果并进行可视化验证。结果表明：基于本文提出的方法架构,可以实现连续动作下的远视价值寻优,智能体可以在复杂空战态势下做出最优决策,对随机机动飞行目标有较高的击杀率,且空战机动轨迹具有较高的合理性。     

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。