导弹发射包线指数优化搜索仿真分析

以某型近距空空格斗导弹为例，针对传统计算导弹发射包线精度较低、模型复杂、解算耗时长问题，分析影响导弹发射包线形状大小的重要参数，建立简化的导弹六自由度运动模型。在搜索包线边界时，综合考虑八个重要运动参数，构建指数多项式函数，粗略估算初始搜索空间，避免搜索初始值的盲目性。在黄金分割法的基础上，提出指数优化搜索算法，结合每次搜索值的空间误差和函数值误差，更新并优化下一次搜索的黄金分割点。利用模型和Matlab仿真平台，解算弹道轨迹，利用搜索到的边界值进一步优化距离多项式系数，使初始计算值更接近真实边界值。实验表明，本文方法解算的弹道轨迹和发射包线与实战中数据基本吻合，有效地提高了计算精度；指数优化搜索算法有效减少了仿真计算次数，缩短了整体耗时。     

基于Bi-LSTM 的无人机轨迹预测模型及仿真

传统轨迹预测模型存在模型简化较大、考虑因素较少等问题。结合飞行轨迹连续性、时序性、交互性 的特点,提出基于双向长短期记忆(Bi-LSTM)神经网络的轨迹预测模型,将入侵者的位置、姿态和两机的相对 信息同时作为轨迹预测模型的输入,更加符合真实轨迹变化规律;对建立的基于 Bi-LSTM 的轨迹预测模型采 用综合考虑动量和速度的自适应调整学习步长的学习算法进行训练;并与基于 Elman神经网络的轨迹预测模 型进行仿真对比分析。结果表明:与基于 Elman神经网络的轨迹预测模型相比,所提模型在不同方向预测200 个点的平均绝对误差不超过4m,三维预测效果更优,可以较为准确地进行轨迹预测。     

基于改进启发式蚁群算法的无人机自主航迹规划

无人机自主航迹规划是未来无人机作战使用的关键技术难题。针对传统航迹规划方法存在的求解效率不高、实时性较差、容易陷入局部最优等缺点,提出一种基于改进启发式蚁群算法的无人机航迹规划。算法前期使用Dijkstra 算法进行初始化航迹,引入启发式信息,提高搜索效率;采用Logistic 混沌映射初始化信息素,增加解的多样性,提高算法收敛速度;算法中、后期采用多航迹选择策略和模拟退火机制,提高全局搜索能力,避免因收敛速度过快,陷入局部最优解。对该算法进行仿真分析,结果表明：在存在威胁和障碍的复杂环境中,本文的改进蚁群算法与标准蚁群算法相比,能够有效规划出一条从起点到终点的航迹,并且寻优精度更高,收敛速度更快,具有一定应用价值。     

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。     

基于自编码网络的导弹攻击区实时计算方法

针对传统中远距空空导弹三线攻击区无法为飞行员提供丰富的战术决策信息，火控系统计算攻击区实时性差、精度低的问题，提出以攻击机为中心，考虑目标逃逸机动的新型导弹杀伤包线概念。分析经典战例中目标机规避导弹的常见机动方式，将攻击区抽象为导弹的七种杀伤包线，给出准确的计算方法并进行离线仿真。确定8种影响杀伤包线的运动参数，构建样本库。引入深度学习方法，建立降噪自编码网络（AE）模型，采用无监督学习提取样本初级特征，获取表征样本库非线性规律的高维特征量；建立深度网络模型，采用监督学习提取高维特征量中的高级特征并进行拟合。实验表明深度网络的拟合值与六自由度仿真结果以及导弹真实数据相比，误差可控制在15 m之内；网络在线解算只需0.04 s，能够满足实时性需求；新型杀伤包线为飞行员及时掌握敌我态势提供了有效的辅助信息，为机动决策提供理论依据。