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。     

基于Dodgson集结算法的多机协同空战机动决策方法

针对多机编队协同作战空战问题,研究了协同机动决策改进方法。基于Dodgson集结函数,设计了新的协同决策中的机群偏好集结环节,提出了一种基于Dodgson集结算法的多机自主协同空战机动决策方法。典型多机协同空战算例表明,该决策算法能在敌机不机动、初始态势占劣等多种条件下,产生合理有效的机动决策。     

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。     

一类组合神经网络在协同空战分析中的应用

为了在恶劣、复杂的协同空战环境里帮助飞行员进行更有效的决策，在其指挥级，提出了一类有／无教师组合神经网络－ＰＢ－ＳＯＦＭ网络，并用它来完成目标分析和攻击排序。对于典型的２：４空战，给出了ＢＰ－ＳＯＦＭ网络的结构，并探讨了各个子网的训练和测试方法，及该组合神经网络的使用方法。设计并实现了一个基于ＢＰ－ＳＯＦＭ网络的多机协同空战仿真系统。仿真结果表明，该系统是可行的。     

基于近端策略优化的空战决策算法研究

面对未来有/无人机协同作战场景,实时准确的空战决策是制胜的关键。复杂的空中环境、瞬变的态势数据以及多重繁琐的作战任务,使有/无人机协同作战将替代单机作战成为未来空战的发展趋势,但多智能体建模和训练过程却面临奖励分配困难、网络难收敛的问题。针对5v5 有/无人机协同的空战场景,抽象出有人机和无人机智能体的特征模型,提出基于近端策略优化算法的空战智能决策算法,通过设置态势评估奖励引导空战过程中有/无人机智能体的决策行为向有利态势发展,实现在与环境的实时交互中,输出空战决策序列。通过仿真实验对所提空战决策算法进行验证,结果表明：本文提出的算法在经过训练学习后,能够适应复杂的战场态势,在连续动作空间中得到稳定合理的决策策略。     

机载联合攻击系统自动决策技术研究

主要研究了基于信息化、网络化协同空战环境下的机载联合攻击系统的概念、工作原理.建立以战术任务目标为核心的火控决策系统,实现各任务阶段决策的自动化和任务实施的最佳化,并完成全任务过程数字仿真和算法评估.项目针对网络化协同作战机载联合攻击系统的特点和战术任务的要求,以智能决策技术和优化理论为基础,重点解决协同作战过程及面对突发事件时的火控自动决策和控制问题.实现系统功能与战术任务之间的最佳匹配.     

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。     

有人-无人机协同空战机动决策研究

目前，有关无人机空战的研究主要考虑无人机的完全自主决策机动算法，关于有人机有限监督决策下的空战机动决策的研究鲜有报道，更缺乏对有人—无人机协同作战的研究。为实现无人机协同空战过程中的自主机动，设计一种基于路径规划技术的有人—无人机协同空战机动决策模型。首先，引入动态栅格环境，自适应调整栅格规模和分辨率，以弥补静态栅格环境规划空间越大规划效率越低的缺陷；然后，将A star 算法规划路径作为参考路径，提出ACO-A star 混合路径规划算法，以提升ACO 算法的寻优效能；最后，基于均值聚类算法设计有人—无人机协同空战机动决策算法。进行空战对抗仿真模拟，结果表明：所提出的算法具有更好的决策正确性，可有效提升空战胜率。     

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。     

单机多目标攻击系统研究

多目标超视距决战是当今空战的重要形式,多目标攻击武器系统是目前航空武器系统研究的重点和发展的标志,攻击逻辑的优化决策对于多目标攻击系统具有重要意义。在分析多目标攻击系统特点的基础上,阐述了导弹攻击时所需要具备的条件和用层次分析法,来确定各参数加权系数的单机多目标攻击的战术决策思想。     

基于PCA-MPSO-ELM的空战目标威胁评估

目标威胁评估是空战对抗过程中的关键环节。由于影响空战目标威胁评估的因素复杂多样，且指标之间存在相关性，导致传统的评估算法无法得到准确客观的评估结果。由此，提出了一种基于主成分分析法和改进粒子群算法优化的极限学习机（PCA-MPSO-ELM）的目标威胁评估算法。首先，综合分析了影响目标威胁程度的指标，利用主成分分析法对原始评估指标进行线性变化处理得到综合变量，消除了评估指标之间的相关性，实现了对评估数据的降维；在此基础上，构建ELM神经网络并利用改进的粒子群算法优化极限学习机的输入权值和阈值，提高了目标威胁评估模型的精度。最后，在空战训练测量仪中选取空战对抗数据，利用威胁指数法构造了目标威胁评估样本数据，通过仿真实验分析了PCA-MPSO-ELM算法的精度和实时性，结果表明所提算法可以快速准确地进行空战目标威胁评估。     

作战飞机的空-地攻击效能评估

用概率方法建立了描述单一飞机在威胁环境中攻击一个地面被动目标的数学模型,导出飞机对地攻击作战的任务成功率、目标被击毁率和飞机损失率等效能的表达式,给出用于效能评估的有关事件发生概率的计算公式,通过计算实例讨论了作战飞机空－地攻击效能的各种度量。     

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。     

基于神经网络和人工势场的协同博弈路径规划

协同博弈路径规划是空战自主决策、机器人体育比赛等应用场景中的重要问题，其难点在于对环境对抗性反馈的实时自适应和多智能体的相互配合。提出一种基于神经网络和人工势场的协同博弈路径规划方法，使用反向传播（BP）神经网络自适应调整人工势场函数系数，并将人工势场作为神经网络输出端的特征提取。为解决真实样本质量和数量不足的问题，基于遗传算法仿真生成样本数据用于神经网络训练，并通过滚动时域的思路面向动态博弈优化样本性能。从样本数据中提炼出距离差与航向差以反映协同和博弈特性，利用神经网络的黑盒特性和学习能力解决协同博弈问题。应用于二对一反隐身超视距空战路径规划，比经典人工势场法有明显性能提升，且计算开销可接受，计算复杂度分析表明该方法可以较好扩展到多机对抗场景。     

多目标攻击模糊排序算法研究

用模糊优选法对空战中多目标攻击排序进行了探讨性的研究,根据已给的速度、距离和相对角度,目标机的空战能力指数及载机与目标机的相对能量指数,用模糊的方法把各因子进行模糊量化,得到各因子的相对优属度,再用最优法确定各目标因子的权重,最后,对此进行综合评估,确定攻击排序的次序。     

基于态势评估及DDPG算法的一对一空战格斗控制方法

已有的空中格斗控制方法未综合考虑基于专家知识的态势评估及通过连续性速度变化控制空战格斗的问题。基于深度确定性策略梯度（DDPG）强化学习方法,在态势评估函数作为强化学习奖励函数的基础上,设计综合考虑飞行高度上下限、飞行过载以及飞行速度上下限的强化学习环境;通过全连接的载机速度控制网络与环境奖励网络,实现DDPG 算法与学习环境的交互,并根据高度与速度异常、被导弹锁定时间以及格斗时间设计空战格斗结束条件;通过模拟一对一空战格斗,对该格斗控制方法在环境限制学习、态势评估得分以及格斗模式学习进行验证了。结果表明：该格斗控制方法有效,可以为自主空战格斗进一步发展提供指导。     

战斗机嵌入式训练系统中的智能虚拟陪练

智能化"实虚"对抗是现代先进战斗机嵌入式训练系统的重要功能需求。自主空战决策控制技术在未来空战装备发展中扮演关键角色。将当前的功能需求和发展中的技术结合起来,得到了空战智能虚拟陪练的概念。先进控制决策技术的引入使得智能虚拟陪练能够帮助飞行员完成复杂的战术训练,而训练中真实的对抗场景为技术的验证提供了理想的环境,大量的训练数据为技术的持续迭代优化提供了保障。作为可学习和进化的空战战术专家,智能陪练在人机对抗和自我对抗中不断优化,当其具备与人相当甚至超越人的战术能力时,可应用于未来的无人空战系统。智能虚拟陪练需要具备4项基本能力：智能决策能力、知识学习能力、对抗自优化能力和参数化表示能力。对其包含的关键技术进行了分析,提出并实现了一个基于模糊推理、神经网络和强化学习的解决方案,展示了其各项基本能力及目前达到的空战水平。未来更多的模型和算法可在智能虚拟陪练的框架中进行验证和优化。