基于启发式强化学习的空战机动智能决策

空战机动智能决策一直是研究热点,现有的空战机动决策主要采用优化理论和传统的人工智能算法,是在相对固定的环境下进行决策序列计算研究。但实际空战是动态变化的,且有很多不确定性因素。采用传统的理论方法进行求解,很难获取与实际情况相符的决策序列。提出了基于启发式强化学习的空战机动智能决策方法,在与外界环境动态交互的过程中,采用"试错"的方式计算相对较优的空战机动决策序列,并采用神经网络方法对强化学习的过程进行学习,积累知识,启发后续的搜索过程,很大程度上提高了搜索效率,实现空战决策过程中决策序列的实时动态迭代计算。最后仿真实验结果表明本文提出的算法所计算的决策序列与实际情况相符。     

基于智能微分对策的自主机动决策方法研究

提出了一种基于智能微分对策的自主机动决策系统.该系统通过预测对抗双方的未来运动状态,将双边极值问题转化为单边极值问题,以降低计算复杂程度,满足机动决策的实时性要求.为体现对抗特性,采用战术过程评价获得最优机动,战术过程评价采用逐级淘汰方法.仿真结果表明,对抗双方未来运动状态预测误差能满足机动决策的需求,机动决策结果能有效提高作战性能.     

自主空战机动决策方法综述

自主空战机动决策是基于数学优化、人工智能等方法,模拟飞行员空战决策,自动生成飞行控制指令的过程。它在空战仿真、飞行员辅助决策和无人战斗机自主飞行等领域广泛运用。根据求解思路的不同,综合论述了两类自主空战机动决策方法:针对基于对策的空战决策方法,阐述了从追逃对策到双目标对策的发展脉络和内在联系,并着重分析了两类重要的双目标对策模型——矩阵对策和影响图对策;针对基于人工智能的空战决策方法,系统论述了基于专家系统的机动决策、基于遗传学习系统的机动决策、基于人工免疫系统的机动决策和基于神经网络的机动决策,明确了各种决策的建模方法、适用条件、改进途径等问题。总结了各个空战机动决策方法的优点及不足,指出了自主空战机动决策的进一步研究思路。     

人工智能在OODA 循环中的应用

当前人工智能(AI) 是商业和工业，甚至军事应用领域中最热门的流行语。军事国防领域也已经将人 工智能发展成为了一种技术，并应用到军事作战和决策系统中。最初OODA 循环是最知名的空战战术模型， 后来发展成为各国空军的作战方法。OODA 循环对于任务的定义和决策过程的理解起到了重要的作用。本文主 要研究了人工智能在OODA 循环决策中的应用。讨论了未来OODA 循环各阶段中所需的AI 作用和技术，包 括可解释的人工智能和基于学习的人工智能。     

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。     

智能空战仿真中的目标威胁估计方法研究

针对智能空战仿真中的目标威胁估计问题,提出了一种基于遗传模糊推理的目标威胁估计方法,用于支撑智能空战仿真中目标分配决策。首先,研究了基于遗传模糊推理的目标威胁估计方法;然后,介绍了该目标威胁估计方法在智能空战仿真中的应用。仿真结果表明,目标威胁估计结果合理,能有效支撑目标分配决策。     

基于深度强化学习的空战机动决策试验

空战智能决策将极大改变未来战争的形态与模式。深度强化学习决策机可以挖掘飞行器潜力，是实现空战智能决策的重要技术范式，但其工程实现鲜有报道。针对基于深度强化学习的双机近距空战机动智能决策的工程实现问题，开发了适于应用的深度神经网络在线机动决策模型，发展了通过飞行控制律跟踪航迹导引决策指令的机动控制方案，并进一步开展了软硬件实现工作与人机对抗飞行试验，实现了智能空战从虚拟仿真到真实飞行的迁移。研究结果表明基于本文发展的近距空战机动决策及控制方法，智能无人机在与人类“飞行员”的对抗中能够迅速做出有利于己方的动作决策，通过机动快速占据态势优势。研究结果显示了深度神经网络智能决策技术在空战决策中的潜在应用价值。     

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。     

空战攻防对策的力学准则研究法

提出一种空战攻防对策研究方法－－力学准则研究法。由攻防双方的相对运动状态变量，或称为对微状态变量，构成解析函数，用来实时预测空战结局和实时决策空战攻防策略。此解析函数称为空战攻防对策力学准则。以该准则作为知识基础构成智能式火力、飞行和推力综合控制系统，自夸劝实现空战攻环境识别、对策结局预测，攻防策略决策与实施，以提高空战效率和效果。     

基于变权重伪并行遗传算法的空战机动决策

针对空战机动决策中态势多样化对机动决策的影响以及控制量的细化问题,以敌我双机空战为背景,利用空战优势函数值作为空战机动决策的依据,基于滚动时域控制方法,采用变权重自适应伪并行遗传算法解决空战决策问题。重点分析了隐身优势函数以及变权重函数的建立、遗传编码方式、操作算子的确定,最后对空战决策进行了仿真。仿真结果验证了隐身优势函数的合理性,以及该理论在空战机动决策方面的有效性。     

智能火-飞-推综合控制系统的知识元

提出一种进行空战的决策方法,以攻防对策状态空间表达点捕获区、逃逸区及它们的界栅,给出了界栅表达式,讨论了如何利用界栅及相关知识进行空战结局预测、攻防策略的决策,是发展智能火-飞-推综合控制系统的知识元。     

现代空战机动决策研究

将影响图和对策论引入到现代空战机动决策中,提出了考虑交战双方对抗的n步连续机动决策的多级影响网对策决策模型。首先,确定现代空战飞机相关数学和运动模型;其次,将大规模群集空战转化为多个小集团作战;在此基础上,依据协同的原则,又将小集团作战转化为多个一对一空战,然后运用多级影响图对策理论解决一对一空战。空战仿真结果表明该模型的有效性。     

现代战机空战对策建模研究

分析了现代战机空战的种类,着重讨论了单机单目标空战对策的建模问题,分别从二维和三维的角度描述了空战双方的几何关系并建立了飞行器相对运动模型.在此基础上,针对单机单目标空战可能出现的两种情况,建立了追-逃微分对策模型和双目标对策模型.     

基于多智能体的多机型协同作战决策系统模型研究

多机型协同作战决策系统开发是一项很复杂的工程,各组成要素之间的活动很难进行定量分析和描述,战场情况也复杂多变,具有不可预见性和不可再现性。文中基于目前多机协同作战仿真的发展现状,运用多智能体(Multi-agent)技术,提出了多机型协同作战复杂系统分析与设计决策仿真模型;介绍了运用群建模和开发工具对基于Multi-agent的多机型协同作战决策系统仿真的实现。     

战斗机战术引导的广义编队控制研究

提出了用于空战战术引导的广义编队控制的概念和模型。分析了空战战术的特点,设计了战术引导控制系统的结构,该控制系统主要分为战术轨迹优化和广义编队控制。采用非线性规划来构建空战战术轨迹优化的通用算法,将执行同一战术任务的所有战斗机都纳入到一个广义的编队系统中,应用反馈控制设计分布式广义编队控制模型。最后,以双机水平散开战术为例来进行仿真验证,结果表明广义编队控制在使战斗机沿预定轨迹机动的基础上,保证了在战术引导过程中我方具有较大的战术优势。     

三维空间双机格斗的捕捉区和危险区

 本文应用微分对策理论对三维空间双机格斗问题进行研究,给出了以目标机进入方向、界栅和等时线组成的捕捉区与危险区的确定方法,画出二架飞机的捕捉区和危险区,并讨论了这些区域的性质,得出与实际空战相符的结论。