基于MAX-MIN自适应蚁群优化的无人作战飞机航路规划

为了保证无人作战飞机(UCAV)以最小的被发现概率和最优的航程到达目标点,在敌方防御区域内执行任务前必须进行航路规划。蚁群优化(ACO)算法的并行实现机制适合于复杂作战环境下的UCAV航路规划,但是基本ACO算法有易陷于局部最优解的缺点。在对基本ACO算法采用精灵策略保留每次迭代最优解的基础上,提出了一种适用于航路规划的MAX-MIN自适应ACO算法,并给出了改进后ACO算法的实现流程,最后采用改进前后的ACO算法对某UCAV的任务态势分别做了仿真实验。实验结果表明改进后的ACO算法可更加有效地应用于UCAV航路规划。     

不同作战任务条件下的UCAV航路规划问题建模

UCAV航路规划是充分发挥UCAV作战优势、使任务复杂性与UCAV能力之间保持良好协调性所必须解决的关键问题。在分析UCAV航路规划技术的基本概念和基本要求的基础上,针对不同作战任务条件下的UCAV航路规划问题进行了建模研究,分别建立了单UCAV航路规划、单UCAV多航路规划以及多UCAV协同航路规划等数学模型。     

复杂环境下的多无人机协同巡逻航路规划

为提高多架无人作战飞机（UCAV）存复杂环境下的协同巡逻效率,根据先验信息将环境划分为关注程度不等的未知区域、已知区域和禁飞区域,在航路规划算法中引入搜索回报函数和加权平均距离,加强对高关注度区域的巡逻力度,改善UCAV的空间分布。应用粒子群算法对航路规划模型进行了仿真,结果表明提出的协同巡逻航路规划算法有效     

无人机智能任务规划系统技术研究

面对复杂的现代战场环境,高效智能的任务规划系统对于准确实施作战任务至关重要。以基于性能模型计算的多要素一体化无人机智能任务规划系统架构为框架,从环境建模、航路和任务规划、推演和评估等功能模块切入,对相关原理及热点技术进行了研究。基于该架构的任务规划系统可以实现高度数字化和一体化,以及与计算机辅助算法的深度耦合,从而提升规划过程的自动化与智能化程度,使无人机可以高效应对复杂战场环境,准确执行分配的作战任务。     

某类任务的无人作战飞机航路规划

讨论了对于包含了既是威胁又有价值的节点的任务模型,无人作战飞机航路规划问题解决的思路和关键环节,并构建了数学模型,然后应用A*启发算法求解各个目标点的最优航路,并依据作战指挥人员对作战方案的总体把握给出的权衡因子,计算每个目标点取得的费效比,确定满足一定条件下最先攻击目标.实例仿真表明该方法可以有效地解决这类任务的航路规划问题.     

基于蚁群算法的无人机航路规划

为了提高无人机(UAV)作战任务的成功率，在敌方防御区域内执行攻击任务前必须规划设计出高效的无人机飞行航路，保证无人机能够以最小的被发现概率及可接受的航程到达目标点。针对这一问题，对新近发展的蚁群算法进行了讨论，提出了适用于航路规划的优化方法，并对无人机的攻击任务航路进行了仿真计算。仿真结果表明，该方法是一种有效的航路规划方法。     

编队无人机的高生存力协同航路规划方法

提出了一种基于多目标遗传算法的编队无人机高生存力协同航路规划方法。方法由备选航路生成和协同规划两个步骤组成。备选航路生成的目的是为编队中的每一个无人机生成多条航路,该步骤采用的算法是多目标遗传算法。协同规划的目的是为各个无人机从备选航路中选择航路,使得各个无人机同时到达目标区域,以增加任务突然性,提高整个编队的生存力。通过仿真算例,把方法与基于Voronoi图的方法作了对比,给出了方法的优缺点分析。     

基于任务协同的无人机多侦察载荷使用研究

为解决在复杂战场环境条件下无人机多侦察载荷的协同使用问题,文章在分析无人机侦察载荷性能特点和侦察作战使用的基础上,设计了4种多侦察载荷协同使用方案,构建了无人机的侦察效能评估模型,并用实例仿真了无人机在不同作战环境下的多载荷协同使用方案,检验了各方案在复杂电磁环境和恶劣气象条件下的侦察效能,验证了方案的有效性和可行性。     

基于遗传算法的无人机协同侦察航路规划

无人机将成为侦察卫星、有人驾驶侦察机的重要补充与增强手段 ,成为未来战场上广泛应用的一种侦察工具。为了提高无人机 (UAV)的侦察效率 ,在执行侦察任务前必需规划设计出高效的无人机侦察飞行航路。针对这一问题 ,本文提出了一种侦察效率指标评估的计算方法 ,解决了航路规划中的侦察效率量化问题。考虑在大范围任务区域内进行侦察航路优化存在计算的复杂性和收敛性等问题 ,本文采用遗传算法对侦察航路进行了优化处理。通过该方法得到的侦察航路可以有效地提高无人机的侦察效率。     

基于任务协同的无人机多侦察载荷使用

为解决在复杂战场环境条件下无人机多侦察载荷的协同使用问题,文章在分析无人机侦察载荷性能特点和侦察作战使用的基础上,设计了4种多侦察载荷协同使用方案,构建了无人机的侦察效能评估模型,并用实例仿真了无人机在不同作战环境下的多载荷协同使用方案,检验了各方案在复杂电磁环境和恶劣气象条件下的侦察效能,验证了方案的有效性和可行性。     

面向无人机蜂群的航电云多层任务调度模型

在航空作战体系中，基于航电云的无人机（UAV）蜂群作战是提高未来无人机综合作战能力的一种新模式。针对无人机蜂群作战的航电云架构，如何将云端作战任务派发到无人机且保证作战任务完成时间是其中关键。在无人机蜂群分层分簇网络结构和模块级资源虚拟化的基础上，对传统单层平台级任务调度模型进行改进，提出了一种细化到模块级的多层任务调度模型，将作战任务从云端逐层调度到无人机功能模块上执行。利用OMNeT++对无人机蜂群多层任务调度模型以及传统的单层任务调度模型分别进行仿真，云端以攻击使命组为例构建使命组集进行分配，并对任务吞吐量、消息平均端到端延时和任务完成时间进行性能对比。仿真结果表明：与平台级单层任务调度相比，在执行任务方面，模块级多层任务调度模型将单个任务平均完成时间降低了46.2%，将使命组完成时间降低了52.1%，在保证任务吞吐量的基础上具有对复杂任务更稳定的调度能力；在网络性能方面，模块级多层任务调度模型消息端到端延时更低，延时分布更集中，提高了网络消息传输的实时性。     

基于多目标算法的空中作战任务规划框架研究

空中作战任务规划是一项复杂的任务，随着空中作战飞行器的种类、数量及其之间交互性的增加，任务规划也变得越来越复杂。任务规划人员必须在有限的时间内制定出最优的任务分配策略。决策支持工具可以辅助任务规划人员找到最优的规划方案。介绍了设计多目标进化算法以及在空中作战任务规划领域的框架和工作流程，具体的任务包括空中打击动态目标的定位问题和情报监视侦察（ISR）任务规划。总结了这些研究的经验教训，探讨了未来可能的发展方向。     

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).     

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。     

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。     

多无人机协同覆盖路径规划

多无人机协同覆盖路径规划(CPP)由于其并行性和容错能力,对于提高无人机完成侦察、监视、搜索等任务的效率具有重要意义。提出了一种基于无人机任务性能评价和任务区域划分的多无人机协同CPP算法。定量分析了无人机执行覆盖任务的能力,根据无人机及携带成像传感器的性能给出了计算无人机任务性能指数的数学公式;提出了一种基于任务性能和子区域宽度的任务区域划分算法,使无人机的总转弯次数达到最少。仿真结果表明,所提出的CPP算法能够规划出全局最优的多无人机协同覆盖路径。     

Exploring mission planning method for a team of carrier aircraft launching

High-level efficiency and safety are of great significance for improving the fighting capability of an aircraft carrier. One way to enhance efficiency and safety level is to organize the carrier aircraft into combat effectively. This paper studies the mission planning problem for a team of carrier aircraft launching, and a novel distributed mission planning architecture is proposed. The architecture is hierarchical and is comprised of four levels, namely, the input level, the coordination level,the path planning level and the execution level. Realistic constraints in each level of the distributed architecture, such as the vortex flow effect, the crowd effect and the motion of aircraft, are considered in the model. To solve this problem, a distributed path planning algorithm based on the asynchronous planning strategy is developed. The proposed Mission Planning Approach for Carrier Aircraft Launching(MPACAL) is validated using the setups of the Nimitz-class aircraft carrier.Compared to the isolated planning architecture and the centralized planning architecture, the proposed distributed planning architecture has advantages in coordinating the launch tasks not only belonging to the same catapult but also when all different catapults are considered. The proposed MPACAL provides a modeling method for the flight deck operation on aircraft carrier.     

基于自适应粒子群优化算法的无人机三维航迹规划

针对传统的粒子群优化算法容易陷入局部最优解的问题,提出了一种自适应粒子群优化算法,在迭代寻优过程中自适应地调节惯性权重和2个学习因子的数值。建立了无人机在山区环境执行勘察任务的航迹规划环境模型,分析了无人机自身约束条件。设计了自适应粒子群优化算法的适应度函数和航迹规划算法流程。分别采用自适应粒子群优化算法和传统粒子群优化算法开展了无人机三维航迹规划仿真实验。仿真结果对比表明,所提出的自适应粒子群优化算法比传统粒子群优化算法具有更高的全局搜索能力和搜索精度。     

Unmanned aerial vehicle swarm mission reliability modeling and evaluation method oriented to systematic and networked mission

With the development of Unmanned Aerial Vehicle (UAV) system autonomy, network communication technology and group intelligence theory, mission execution in the form of a UAV swarm will be an important realization of future applications. Traditional single-UAV mission reliability modeling methods have been unable to meet the requirements of UAV swarm mission reliability modeling. Therefore, the UAV swarm mission reliability modeling and evaluation method is proposed. First, aimed at the interdependence among the multiple layers, a multi-layer network model of a UAV swarm is established. At the same time, based on the system having the following characteristics—using a mission chain to complete the mission and applying the connectivity of the mission network—the mission network model of a UAV swarm is established. Second, vulnerability and connectivity are selected as two indicators to reflect the reliability of the mission, and aimed at random attack and deliberate attack, vulnerability and connectivity evaluation methods are proposed. Finally, the validity and accuracy of the constructed model are verified through simulations, and the model and selected indicators can meet the reliability requirements of the UAV swarm mission. In this way, this study provides quantitative reference for UAV-swarm-related decision-making work and supports the development of UAV-swarm-related work.