CN103942369A - 一种面向临近空间的智能目标发生方法 - Google Patents

Abstract

本发明公开了一种面向临近空间的智能目标发生方法，该方法能够实现对临近空间目标的智能化、复杂化和真实化的仿真。该方法首先根据需要创建三维目标模型和环境模型，然后对三维目标模型进行参数设置，并加载三维目标模型以及环境模型渲染形成三维视景；然后采用PSO算法对三维目标模型进行智能目标最优三维路径规划，其中PSO算法中适应度函数考虑到雷达的探测概率、目标高度、气象信息、路径长度以及目标参数建立，控制三维目标模型根据以最优的三维路径进行目标发生的仿真。该方法用于生成临近空间智能三维目标。

Description

一种面向临近空间的智能目标发生方法

技术领域

本发明涉及一种面向临近空间的智能目标发生方法，能够仿真模拟了临近空间目标发生器的物理特征和部分智能行为，并用二维地图与三维视景结合的方式展现出来，属于三维仿真技术领域。

背景技术

临近空间一般指距地面20～100km，普通航空器飞行空间与卫星轨道空间之间的空域，并没有明确的物理或几何标志。它大致包括：大部分大气平流层、全部中间层和部分热层区域。在这样的空间区域，既可以避免目前绝大多数的地面攻击，又可以提高军事侦察和对地攻击的精度，对于情报收集、侦察监视、通信保障以及对空对地作战等，具有极大的发展潜力。然而，目前由于军事需求的牵引和技术进步的推动，临近空间飞行器引起了世界各国的广泛关注。

目标发生器的主要作用是模拟真实目标的各种特性并提供系统需要的复杂环境。目前它的种类很多，这是由于所需目标的多样性决定的，有的目标需要主要考虑光电特性，有的主要考虑运动特性，而现在应用最多，发展前景最好的当属引入虚拟现实技术的目标发生器。

虚拟现实是一种由计算机和电子技术创造的新世界，是一个看似真实的模拟环境，通过多种传感设备，用户可根据自身的感觉，使用人的自然技能对虚拟世界中的物体进行考察和操作，参与其中的事件，同时提供视、听、触等直观而又自然的实时感知，并使参与者“沉浸”于模拟环境中。

视景仿真又称虚拟仿真、虚拟现实仿真，是上世纪末才逐渐发展起来的一门综合性的现代化仿真技术，是计算机技术、多媒体技术以及图形图象技术等多种高科技的结合。例如由美国Multigen-Paradigm公司开发的三维建模软件Creator，可用于构建三维模型，Multigen Creator是一个软件包，专门创建用于视景仿真的实时三维模型。Creator使得输入、结构化、修改、创建原型和优化模型数据库更容易，不仅可用于大型的视景仿真，也可用于娱乐游戏环境的创建。并用三维渲染软件Vega对三维复杂场景进行渲染。Vega拥有图形化的虚拟场景配置工具Lynx，这是一种基础的点击式图形环境Lynx，可以快速、容易、显著地改变场景。

考虑到临近空间的特殊性，适用于临近空间的飞行器如平流层飞艇、高空无人机、高空侦察机以及高超音速飞行器等具有速度快、体积小飞行高度高等特点，而且不同的临近空间飞行器的飞行参数都各不相同，他们的飞行作用也不尽相同，针对以上情况，结合现实情况，对不同飞行器的机械特性进行研究，设计各个飞行器的飞行参数及指标，使仿真目标更加真实，仿真结果更加真实可信。

现如今的目标发生器以引入虚拟现实的目标发生器最有代表性，但这类目标发生器普遍存在着智能性不足的缺点，只能模拟简单的目标行为，比如让目标沿着单一路径匀速直线运动，往往不能满足仿真的复杂性和多变性，不能为目标的研究提供更加真实地信息，使仿真结果可信度不够，如何增加目标的智能性，比如基于多目标优化的三维路径规划问题，目标被雷达探测到后的智能规避行为等，这将是虚拟现实技术在临近空间目标的发生过程中的应用亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种面向临近空间的智能目标发生方法，能够仿真模拟临近空间目标发生器的物理特征和部分智能行为并建立仿真系统，所仿真的目标能够进行智能三维路径规划，实现了目标发生的智能化，满足了仿真的复杂性。

为达到上述目的，本发明的技术方案包括如下步骤：

步骤1、加载二维地图信息，并在二维地图上随机选择目标的起点和终点，确定所需生成的目标的数量以及类型。

步骤2、根据所需生成的目标的数量以及类型创建三维目标模型，同时将二维地图信息以纹理的形式加载到球体表面创建环境模型，并根据需要在环境模型中添加雷达。

步骤3、根据步骤1中确定的所需生成的目标的数量及类型，根据各类型的目标在临近空间中的飞行作用，对三维目标模型进行参数设置；加载三维目标模型以及目标环境模型并进行渲染形成三维视景。

步骤4、对三维目标模型进行智能目标最优路径规划，过程如下：在目标的起点和终点之间随机选择n条可行路径，每一条可行路径作为为一个粒子，建立粒子群，可行路径由散点组成，初始化每个粒子的速度与位置，设定迭代次数，以粒子群优化算法PSO进行粒子的迭代搜索；迭代搜索进行至设定的迭代次数之后或者满足迭代要求之后，获得最终的优化结果对应的可行路径，该可行路径即为最优路径。

PSO的适应度函数为：J＝∑(w₁T+w₂M+w₃H+w₄N+w₅P),则在迭代搜索的过程中，每一次迭代均需要计算出每个粒子的适应度函数；对于一个可行路径中每一个散点，T为环境模型中的雷达探测到该散点的概率；M为该散点处实时的气象信息；H为该散点处目标的高度；N代表该散点在其所在可行路径中的编号；P为目标的最小转弯半径；w₁、w₂、w₃、w₄、w₅为常数，分别为T、M、H、N、P的权重，根据实际的需求设定权重值。

步骤5，三维目标模型根据步骤4获得的最优路径进行目标发生仿真。

进一步地，该方法建立了基于HLA的仿真系统，仿真系统包括目标联邦成员、雷达联邦成员、环境信息联邦成员、管理联邦成员以及信息处理联邦成员；

其中目标联邦成员用于模拟所述步骤1～步骤5的过程，最终生成目标并对目标进行最优路径规划；雷达联邦成员用于模拟雷达对于目标的搜索和探测过程；环境信息联邦成员读取环境模型中的气象信息；管理联邦成员监管其他联邦成员状态，同时控制仿真的开始与结束；信息处理联邦成员用于读取雷达联邦成员的探测结果并对探测结果进行处理；整个仿真系统采用数据库保存各类数据；该仿真系统中的各联邦成员之间通过RTI进行数据交互，实现数据实时共享。

进一步地，步骤2中在进行三维模型创建时进行模型优化，优化包括如下两个方面：①删除三维模型中不可见的背面多边形；②删除冗余多边形，冗余多边形为始终不会被显示出来的多边形。

进一步地，步骤4中对三维目标模型进行参数设置时，所设置的参数具体包括：目标的速度、加速度、飞行姿态、最小转弯半径以及不同姿态下的雷达反射面积。

进一步地，粒子群优化算法PSO采用的是改进的粒子群优化算法，则以粒子群优化算法PSO进行粒子的迭代搜索的步骤如下：

S401以整个路径规划的搜索空间为粒子空间，在搜索空间里随机地产生初始化粒子种群，数量为n；

在迭代次数t为1时，随机产生一个位置x_id(t)与速度v_id(t)作为该粒子的初始位置与初始速度；其中x_id(t)与v_id(t)为相同规模的数组，其中每一项均相对应；v_id(t)数组中的每一项为其对应x_id(t)数组中对应项的变化速度；

S402、将每个粒子的初始位置作为自身的最优位置p_ibest，计算当前时刻t时每个粒子的适应度函数J的取值，同时以当前迭代次数t时J值最小的粒子的自身最优位置为粒子群的全局最优位置p_gbest；

设定总迭代次数为T，以下面的S403～S405为一次迭代：

S403、以改进的粒子群优化算法对每个粒子进行速度和位置的更新，改进的粒子群算法为带惯性权重的粒子群算法，其中粒子i的下一次迭代t+1时的速度v_id(t+1)和位置x_id(t+1)更新为：

v_id(t+1)＝wv_id(t)+c₁·rand()·(p_ibest-x_id(t))+c₂·rand()·(p_gbest-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

$w=\left\{\begin{array}{c}{w}_0+0.2\mathrm{rand},t\≤t_0\\ w_0\frac{T-t+t_0}{T}+0.2\mathrm{rand},t>t_0\end{array}\right.$

其中w为时变惯性权重， $w=\left\{\begin{array}{c}{w}_0+0.2\mathrm{rand},t\≤t_0\\ w_0\frac{T-t+t_0}{T}+0.2\mathrm{rand},t>t_0\end{array}\right.,$ w₀为初始权重;函数rand()为[0,1]区间内以均匀分布选取的独立随机数，rand()与x_id(t)为相同规模的数组；c₁、c₂为常数学习因子，rand为[0,1]区间内以均匀分布选取的独立随机数;

S404、计算下一次迭代t+1每个粒子所对应路径的J值，获得每个粒子的自身最优位置p’_ibest，i=1～n，并获得对应t+1次迭代的粒子群的全局最优位置p’_gbest；

比较p’_ibest对应J值与p_ibest对应J值，若p’_ibest对应J值小，则将p’_ibest的值赋给p_ibest；

比较p’_gbest对应J值与p_gbest对应J值，若p’_gbest对应J值小，则将p’_gbest的值赋给p_gbest；

S405、判断是否达到总迭代次数T或者p’_ibest与p_ibest差值是否小于一设定值，该设定值根据迭代需要进行设定，若是，则获得本次迭代的p_1best～p_Nbest以及p_gbest，以全局最优位置p_gbest作为最终的优化结果，否则返回S403，进行下一次迭代。

进一步地，S501中N的取值范围为10～40之间。

有益效果：

1、本方法通过对临近空间目标发生器的物理特征和智能行为进行分析，在进行仿真时，建立了三维路径优化的过程，该过程采用粒子群算法进行路径优化，并且在建立适应度函数时能够充分考虑到目标行为的复杂性，建立了考虑雷达威胁、飞行速度和高度、路径气象信息以及飞行器参数的适应度函数，最终能够获得具有理想飞行环境的最优三维路径，实现了目标发生的智能化过程，满足了仿真的复杂性和真实性。

2、本方法在进行三维目标模型以及环境模型建立的过程中，为避免因为仿真模型过于精细，多边形过多，导致仿真模型过于复杂、并且加载时间过长的情况，考虑到实际中不需要这么精细的模型，在不影响视觉效果的前提下，用尽可能少的多边形来表达尽可能丰富的场景内容和运动目标细节，这也是可视化仿真建模的一条最基本的原则。

3、本方法面向临近空间飞行器，通常临近空间飞行器包括如下四种：平流层飞艇，高空无人机，高空侦察机，高超音速飞行器。不同的临近空间飞行器的飞行参数都各不相同，他们的飞行作用也不尽相同，针对以上情况，考虑不同飞行器的机械特征以及飞行参数，本方法所设置的参数具体包括：目标的速度、加速度、飞行姿态、不同姿态下的雷达反射面积以及最小转弯半径，这充分涵盖了飞行器飞行过程中的各项参数，在上述参数的基础上，考虑不同的飞行情况或者不同的机械特征可以再选择其他参数，这样能够使得仿真的目标更加真实，仿真的结果更加真实可信。

4、本发明在进行三维路径的选择时，采用了改进的粒子群优化算法，即带惯性权重的粒子群算法，而且采用了时变的惯性权重，即惯性权重通过公式慢慢减小，既保证了搜索范围，又保证了搜索精度。

附图说明

图1本发明方法流程图；

图2二维地图加载展示图；

图3（a）三维目标模型示意图；（b）雷达模型示意图；

图4粒子群算法流程图；

图5HLA仿真系统示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种面向临近空间的智能目标发生方法，能够产生临近空间智能目标，并结合HLA仿真技术，与其他联邦成员结合，构成临近空间飞行器探测仿真系统，本方法能够模拟临近空间飞行器的特性，并以三维视景的方式进行展示。

实施例1、

本方法的流程如图1所示，具体分为如下几个步骤：

步骤1、加载二维地图信息，并在二维地图上随机选择目标的起点和终点，确定所需生成的目标的数量以及类型；具体如图2所示。

步骤2、根据所需生成的目标的数量以及类型创建三维目标模型，同时将二维地图信息以纹理的形式加载到球体表面创建环境模型，并根据需要在环境模型中添加雷达。其中所建立的三维目标模型如图3（a）所示，雷达模型如图3（b）所示。

本步骤在实际的实现过程中，包括模型创建以及优化两个过程，具体为：

（1）、三维模型的创建

三维目标模型以及环境模型构建均可以使用Creator，3Ds Max，Maya等自行绘制，也可以采用软件自带的，已绘制好的模型，本实施例采用3D辅助建模的方法创建模型，将已有的3D模型导入3Ds Max，然后对模型格式进行变换，变换成Creator所能采用的Flt格式。

根据项目需要，环境模型创建为整个地球，其中环境模型中的场景环境设置可以使用纹理技术，将地形图以纹理的形式加载到球体表面

（2）、模型优化

在依据上述（1）进行建模时，由于仿真模型过于精细，多边形过多，导致仿真模型过于复杂、并且加载时间过长，但实际上在本实施例中不需要这么精细的模型，在不影响视觉效果的前提下，用尽可能少的多边形来表达尽可能丰富的场景内容和运动目标细节，这也是可视化仿真建模的一条最基本的原则。

因此在进行优化时，采用的方法有：

①删除不可见的背面多边形，包括远处的背面多边形、不可见的建筑物的内墙面和某些底面，将它们从模型库中安全删除。

②删除冗余多边形，冗余多边形即始终不会被显示出来的多边形，包括模型几何体内部的多边形和被其他多边形完全遮蔽的多边形等。Creator提供了LOD技术可以更好地解决这一问题。Creator也提供了可以自动有包含较多细节的模型创建简化模型的工具—Generate LOD，用这个工具可以很方便的实现低层模型的创建。

步骤3、根据步骤1中确定的所需生成的目标的数量及类型，根据各类型的目标在临近空间中的飞行作用，对三维目标模型进行参数设置。加载三维目标模型以及目标环境模型并进行渲染形成三维视景。

由于本方法是面向四种临近空间飞行器：平流层飞艇，高空无人机，高空侦察机，高超音速飞行器。不同的临近空间飞行器的飞行参数都各不相同，他们的飞行作用也不尽相同，针对以上情况，结合现实情况，对不同飞行器的机械特性进行研究，设计各个飞行器的飞行参数及指标，使仿真的目标更加真实，仿真的结果更加真实可信。

临近空间飞行器的参数主要包括：速度、加速度、飞行姿态、不同姿态下的雷达反射面积、最小转弯半径、三维模型等，以上参数的选取决定了目标发生器仿真的可信度，能够使仿真目标按照真实物体的机械特性进行移动，不会出现飞行器的突兀移动。

针对高超音速飞行器，他目前的代表作是美国刚刚研制的X51A临近空间飞行器，美国研制他的目的就是可以在1小时内攻击地球的任意位置。X51A的可怕主要在三个方面，一是速度快，速度竟然有可能超过6倍音速，一般达到6～6.5马赫之间。二是体积小，只有一枚空空导弹那么大。三是飞行高度高，大多数时间在亚太空飞行。以X51A的特性设计高超音速飞行器，参数全部参考X51A的特性。

对于三维目标模型进行参数设置之后，即完成了三维目标模型的初步建立，然后用三维渲染软件Vega对模型进行加载，并渲染形成三维视景。

首先采用Vega中快速定制三维场景的LynX人机交互界面，LynX是Vega提供的一个界面友好、使用方便的点击式应用程序定义配置和动态预览工具。它的最主要功能是定义虚拟场景中的元素属性及其相互关系，并可以实时预览参数设置效果，最后生成用于Vega程序的应用程序定义文件—ADF文件。本专利利用LynX加载场景所需要的模型，设定位置信息，观察者模式，运动模式等，存储为ADF文件。再结合MFC实现Vega在VC上的应用，并利用Vega提供的API函数，可以实现多种功能，如调节窗口，坐标变换，视角跟随等。

本发明使用Vega实现对虚拟场景的实时渲染，并生成特效。利用Vega调整观看者观看模式，使用户以任何角度观察场景；调节仿真里的时间，实现白天黑夜的交替；实现多通道观察，用以观测场景的不同位置，实现画中画；可以对光源进行调节，选择点光源、泛光源、局部光源来满足仿真的真实性，利用特效模块加载飞行器飞行的烟雾喷射效果等，使仿真更加逼真。

步骤4、仿真开始时，对三维目标模型进行智能目标最优路径规划。

在目标的起点和终点之间随机选择N条可行路径，每一条可行路径作为一个粒子，建立粒子群，初始化每个粒子的速度与位置，设定迭代次数，以粒子群优化算法PSO进行粒子的迭代搜索，其中在粒子的速度更新时，添加扰动项；迭代搜索进行至设定的迭代次数之后，获得最终的优化结果对应的可行路径，该可行路径即为最优路径；

临近空间飞行器它的飞行环境是20km～100km的高空，因此简单的二维路径规划已经不适用，结合临近空间飞行器的特点进行路径规划，比如不同类型临近空间飞行器的飞行速度、飞行高度、最小转弯半径等，考虑采用基于多目标优化的三维路径规划，本实施例中三维路径规划的目标是让临近空间飞行器在尽可能不被雷达探测到的前提下，并结合实时的气象信息，结合临近空间飞行器的特征，选择一条最短的路径。充分考虑到上述各种因素，本实施例在PSO中采用的适应度函数为：J＝∑(w₁T+w₂M+w₃H+w₄N+w₅P)。

则在迭代搜索的过程中，每一次迭代均需要计算出每个粒子的适应度函数；对于一个可行路径中每一个散点，T为环境模型中的雷达探测到该散点的概率，T值较大时代表该散点处临近空间飞行器被雷达探测到的概率较大；M为该散点处实时的气象信息，因为临近空间飞行器一般要飞行很远的一段距离，不同的地方气象信息不同，有的地方可能极为不适合飞行，这一项的目的是避开这些不适合飞行的环境，则M值较大时代表该散点处的天气状况极为不适合飞行；H代表飞行器的高度，飞行器有的要执行攻击命令，有的要执行侦查命令，一般飞行越低效果越好；N代表该散点在其所在可行路径中的编号，这一项的目的是使目标的飞行路径最短，N值越大则代表该可行路径越长；P则代表临近空间飞行器的特点，主要考虑临近空间飞行器的最小转弯半径；w₁、w₂、w₃、w₄、w₅为常数，分别为参数T、M、H、N、P的权重，权重根据需求设定，对于T、M、H、N和P中一项参数需求高于其他参数时，设定该参数的权重高于其他参数的权重即可。例如，当设置需求的优先级为：避开雷达探测>飞行高度>转弯半径>气象信息>路径长度时，则设置w₁>w₃>w₅>w₂>w₄即可。

实施例2、

根据上述实施例1提供的方案，在实际实现仿真时，则需要建立仿真系统，本实施例提供了一种基于HLA搭建的仿真系统：仿真系统包括目标联邦成员、雷达联邦成员、环境信息联邦成员、管理联邦成员以及信息处理联邦成员；

其中目标联邦成员用于模拟所述步骤1～步骤5的过程，最终生成目标并对目标进行最优路径规划。

雷达联邦成员为环境模型中的雷达。

环境信息联邦成员读取环境模型中的气象信息。

管理联邦成员监管其他联邦成员状态，同时控制仿真的开始与结束。

信息处理联邦成员用于读取雷达联邦成员的探测结果并对探测结果进行处理；整个仿真系统采用数据库保存各类数据。

该仿真系统中的各联邦成员之间通过RTI进行数据交互，实现数据实时共享。

仿真系统中的各联邦成员之间通过RTI进行数据交互，实现数据实时共享。该仿真系统利用数据库记录该仿真系统内部数据。整个系统的仿真框图如图4所示。

在仿真过程中，目标联邦成员将目标信息（目标信息包括数量、类型、位置、速度、加速度等）通过对象类的方式发送给其他联邦成员实现数据实时共享，例如目标联邦成员将目标信息发送给雷达联邦成员，使雷达联邦成员能对目标进行探测，有效绘制目标航迹，跟踪目标行走过程，达到仿真的要求。同时，在分布式仿真系统中，目标联邦成员能接受联邦内其他成员的交互信息，包括目标生成种类和数量以及路径修改信息等。

实施例3、

本实施例中粒子群优化算法PSO采用的是改进的粒子群优化算法，该算法的流程如图5所示，其步骤如下：

S401、以整个路径规划的搜索空间为粒子空间，在搜索空间里随机地产生初始化粒子种群，数量为N，N的取值范围为10～40之间，本实施例中选取N为30；

在迭代次数t为1时，随机产生一个位置x_id(t)与速度v_id(t)作为该粒子的初始位置与初始速度；其中x_id(t)与v_id(t)为相同规模的数组，其中每一项相对应；v_id(t)数组中的每一项为其对应x_id(t)数组中对应项的变化速度。

在本实施例中，由于要进行三维路径规划，则将目标起点到终点之间的三维空间建立坐标轴Oxyz，选择将x轴均等地划为k份，k为正整数，记录k个x坐标对应的（y，z）坐标值，组成二维的数组x_id(t)。在实际进行x_id(t)与v_id(t)的生成时，可以对于路径，也可直接随机在路径上选择点并生成三维的坐标值组成三维的数组x_id(t)。

S402、将每个粒子的初始位置作为自身的最优位置p_ibest，计算当前时刻t时每个粒子的适应度函数J的取值，同时以当前迭代次数t时J值最小的粒子的自身最优位置为粒子群的全局最优位置p_gbest；

设定总迭代次数为T，以下面的S403～S405为一次迭代过程：

S403、以改进的粒子群优化算法对每个粒子进行速度和位置的更新，改进的粒子群算法为带惯性权重的的粒子群算法，其中粒子i的下一时刻t+1时的速度v_id(t+1)和位置x_id(t+1)更新为：

v_id(t+1)＝ωv_id(t)+c₁·rand()·(p_ibest-x_id(t))+c₂·rand()·(p_gbest-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

$\mathrm{\ω}=\left\{\begin{array}{c}{\mathrm{\ω}}_0+0.2\mathrm{rand},t\≤t_0\\ {\mathrm{\ω}}_0\frac{T-t+t_0}{T}+0.2\mathrm{rand},t>t_0\end{array}\right.$

其中ω为时变惯性权重， $\mathrm{\ω}=\left\{\begin{array}{c}{\mathrm{\ω}}_0+0.2\mathrm{rand},t\≤t_0\\ {\mathrm{\ω}}_0\frac{T-t+t_0}{T}+0.2\mathrm{rand},t>t_0\end{array}\right.,$ w₀为初始权重;

函数rand()为[0,1]区间内以均匀分布选取的独立随机数，rand()与x_id(t)为相同规模的数组；c₁、c₂为常数学习因子，rand为[0,1]区间内以均匀分布选取的独立随机数。

S504、计算下一次迭代t+1每个粒子所对应路径的J值，获得每个粒子的自身最优位置p’_ibest，i=1～N，并获得对应t+1次迭代的粒子群的全局最优位置p’_gbest；

比较p’_ibest对应J值与p_ibest对应J值，若p’_ibest对应J值小，则将p’_ibest的值赋给p_ibest；

比较p’_gbest对应J值与p_gbest对应J值，若p’_gbest对应J值小，则将p’_gbest的值赋给p_gbest；

S405、判断是否达到总迭代次数T或者p’_ibest与p_ibest差值是否小于一设定值，该设定值根据迭代需要进行设定，若是，则获得本次迭代的p_1best～p_Nbest以及p_gbest，以全局最优位置p_gbest作为最终的优化部署方案，否则返回S403，进行下一次迭代。

在本实施例中，判断p’_ibest与p_ibest差值是否小于一设定值，其中该设定值应当尽量小，即使得p’_ibest与p_ibest差值接近为0可以忽略。

综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种面向临近空间的智能目标发生方法，其特征在于，包括如下步骤：

步骤1、加载二维地图信息，并在二维地图上随机选择目标的起点和终点，确定所需生成的目标的数量以及类型；

步骤2、根据所需生成的目标的数量以及类型创建三维目标模型，同时将二维地图信息以纹理的形式加载到球体表面创建环境模型，并根据需要在环境模型中添加雷达；

步骤3、根据所述步骤1中确定的所需生成的目标的数量及类型，根据各类型的目标在临近空间中的飞行作用，对三维目标模型进行参数设置；加载所述三维目标模型以及目标环境模型并进行渲染形成三维视景；

步骤4、对三维目标模型进行智能目标最优路径规划，过程如下：在所述目标的起点和终点之间随机选择n条可行路径，每一条可行路径作为一个粒子，建立粒子群，所述可行路径由散点组成，初始化每个粒子的速度与位置，设定迭代次数，以粒子群优化算法PSO进行粒子的迭代搜索；迭代搜索进行至设定的迭代次数之后或者满足迭代要求之后，获得最终的优化结果对应的可行路径，该可行路径即为最优路径；

所述PSO的适应度函数为：J＝∑(w₁T+w₂M+w₃H+w₄N+w₅P),则在迭代搜索的过程中，每一次迭代均需要计算出每个粒子的适应度函数；对于一个可行路径中每一个散点，T为环境模型中的雷达探测到该散点的概率；M为该散点处实时的气象信息；H为该散点处目标的高度；N代表该散点在其所在可行路径中的编号；P为目标的最小转弯半径；w₁、w₂、w₃、w₄、w₅为常数，分别为T、M、H、N、P的权重，根据实际的需求设定权重值；

步骤5，所述三维目标模型根据所述步骤4获得的最优路径进行目标发生仿真。

2.如权利要求1所述的一种临近空间的智能目标发生方法，其特征在于，该方法建立了基于HLA的仿真系统，所述仿真系统包括目标联邦成员、雷达联邦成员、环境信息联邦成员、管理联邦成员以及信息处理联邦成员；

其中所述目标联邦成员用于模拟所述步骤1～步骤5的过程，最终生成目标并对目标进行最优路径规划；

所述雷达联邦成员用于模拟雷达对于目标的搜索和探测过程；

所述环境信息联邦成员读取环境模型中的气象信息；

所述管理联邦成员监管其他联邦成员状态，同时控制仿真的开始与结束；

所述信息处理联邦成员用于读取雷达联邦成员的探测结果并对探测结果进行处理；整个仿真系统采用数据库保存与读取各类数据；

该仿真系统中的各联邦成员之间通过RTI进行数据交互，实现数据实时共享。

3.如权利要求1所述的一种临近空间的智能目标发生方法，其特征在于，所述步骤2中在进行三维模型创建时进行模型优化，优化包括如下两个方面：①删除三维模型中不可见的背面多边形；②删除冗余多边形，所述冗余多边形为始终不会被显示出来的多边形。

4.如权利要求1所述的一种临近空间的智能目标发生方法，其特征在于，所述步骤4中对三维目标模型进行参数设置时，所设置的参数具体包括：目标的速度、加速度、飞行姿态、最小转弯半径以及不同姿态下的雷达反射面积。

5.如权利要求1所述的一种临近空间的智能目标发生方法，其特征在于，所述粒子群优化算法PSO采用的是改进的粒子群优化算法，则所述以粒子群优化算法PSO进行粒子的迭代搜索的步骤如下：

S401以整个路径规划的搜索空间为粒子空间，在搜索空间里随机地产生初始化粒子种群，数量为n；

在迭代次数t为1时，随机产生一个位置x_id(t)与速度v_id(t)作为该粒子的初始位置与初始速度；其中x_id(t)与v_id(t)为相同规模的数组，其中每一项均相对应；v_id(t)数组中的每一项为其对应x_id(t)数组中对应项的变化速度；

S402、将每个粒子的初始位置作为自身的最优位置p_ibest，计算当前时刻t时每个粒子的适应度函数J的取值，同时以当前迭代次数t时J值最小的粒子的自身最优位置为粒子群的全局最优位置p_gbest；

设定总迭代次数为T，以下面的S403～S405为一次迭代：

S403、以改进的粒子群优化算法对每个粒子进行速度和位置的更新，所述改进的粒子群算法为带惯性权重的粒子群算法，其中粒子i的下一次迭代t+1时的速度v_id(t+1)和位置x_id(t+1)更新为：

v_id(t+1)＝wv_id(t)+c₁·rand()·(p_ibest-x_id(t))+c₂·rand()·(p_gbest-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

$w=\left\{\begin{array}{c}{w}_0+0.2\mathrm{rand},t\≤t_0\\ w_0\frac{T-t+t_0}{T}+0.2\mathrm{rand},t>t_0\end{array}\right.$

其中w为时变惯性权重， $w=\left\{\begin{array}{c}{w}_0+0.2\mathrm{rand},t\≤t_0\\ w_0\frac{T-t+t_0}{T}+0.2\mathrm{rand},t>t_0\end{array}\right.,$ w₀为初始权重;函数rand()为[0,1]区间内以均匀分布选取的独立随机数，rand()与x_id(t)为相同规模的数组；c₁、c₂为常数学习因子，rand为[0,1]区间内以均匀分布选取的独立随机数;

S404、计算下一次迭代t+1每个粒子所对应路径的J值，获得每个粒子的自身最优位置p’_ibest，i=1～n，并获得对应t+1次迭代的粒子群的全局最优位置p’_gbest；

比较p’_ibest对应J值与p_ibest对应J值，若p’_ibest对应J值小，则将p’_ibest的值赋给p_ibest；

比较p’_gbest对应J值与p_gbest对应J值，若p’_gbest对应J值小，则将p’_gbest的值赋给p_gbest；

S405、判断是否达到总迭代次数T或者p’_ibest与p_ibest差值是否小于一设定值，该设定值根据迭代需要进行设定，若是，则获得本次迭代的p_1best～p_Nbest以及p_gbest，以全局最优位置p_gbest作为最终的优化结果，否则返回S403，进行下一次迭代。

6.如权利要求5所述的一种临近空间的智能目标发生方法，其特征在于，所述S501中N的取值范围为10～40之间。