CN105678030B - 基于专家系统和战术战法分形化的空战战术团队仿真方法 - Google Patents
基于专家系统和战术战法分形化的空战战术团队仿真方法 Download PDFInfo
- Publication number
- CN105678030B CN105678030B CN201610121117.4A CN201610121117A CN105678030B CN 105678030 B CN105678030 B CN 105678030B CN 201610121117 A CN201610121117 A CN 201610121117A CN 105678030 B CN105678030 B CN 105678030B
- Authority
- CN
- China
- Prior art keywords
- tactics
- air
- team
- combat
- library
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Abstract
本发明公开了基于专家系统和战术战法分形化的空战战术团队仿真方法,该方法通过以下步骤实现:应用知识建立、知识表示与处理的数学方法,进行仿真建模,每一个战术和战法都对应地转化为一个数据集,以库或子库的方式存储调用;构建分形战法库;建立一套评价战术团队作战效能的战术指标体系;建立空战知识自学习机制;应用人工智能技术建立战法推理机制;战法重构:即实现战术与战术或战法与战法之间的平滑过渡。本方法已在科研项目中试用和验证,运用该方法建立蓝方虚拟智能战术团队,红方空战模拟训练人员只须在已方飞机仿真平台上操作与指挥,就能自动实现与对手的全过程空战仿真对抗训练,既减少硬件规模,又能提高训练难度。
Description
技术领域
本发明涉及作战仿真技术领域,具体涉及一种基于专家系统和战术战法分形化的空战战术团队仿真方法,该方法构建了蓝方虚拟智能战术团队,实现了“人-机”战术对抗。
背景技术
现代空战的基本样式是编队空战,双、四机编队是基本的战斗队形。在利用仿真系统进行空战战术模拟训练时,出现两种情况:一是不可能一次配备太多的人在回路仿真器;二是飞行员在驾驶不熟练的机种进行仿真对抗时,不能真正体现模拟对抗效果和武器作战效能。如需要展开针对F22的战法研究,普通飞行员驾驶F22战机模拟器,由于不掌握F22飞机的性能和战术,无法真正发挥其作战效能,达不到对抗的效果。本申请提出解决此问题的方法是:构建蓝方虚拟智能战术团队,该团队代表了空战战术模拟训练时蓝方的整体作战力量(包括飞行员、指挥员、其它战勤人员、及相关战术战法应用等)。不是1对1的简单对抗,而是团队与团队之间的多对多的对抗。
因此,构建蓝方虚拟智能战术团队就涉及到虚拟飞机、虚拟指挥、战术战法知识处理与仿真应用等多方面仿真技术。在虚拟飞机方面,目前主要有两种方法:一是兵力生成技术可以实现多架虚拟飞机,但这些飞机是按照事先规划方案运行,没有智能对抗功能;二是单架虚拟飞机实现技术,方法比较多,都是针对敌我双方的位置进行优化,以达到最佳态势,实施攻击,但是这些技术和方法没有考虑到多机协同作战的情况,无法实现多架飞机的协同作战。
发明内容
针对背景技术中存在的问题,本发明的目的在于提供一种基于专家系统和战术战法分形化的空战战术团队仿真方法,运用该方法建立蓝方虚拟智能战术团队,红方空战模拟训练人员只须在已方飞机仿真平台上操作与指挥,就能自动实现与对手的全过程空战仿真对抗训练,既减少硬件规模,又能提高训练难度。
本发明的目的是通过以下技术方案来实现的:
基于专家系统和战术战法分形化的空战战术团队仿真方法,所述空战战术团队仿真方法包括如下步骤:
1)应用知识建立、知识表示与处理的数学方法,进行仿真建模,每一个战术和战法都对应地转化为一个数据集,将各数据集按类型和特征,以库或子库的方式存储调用;
2)采用分形理论、人工智能和专家系统,对多项基本战术和战法进行分形,构建分形战法库;
3)对空战对抗中的主要因素进行分析,研究相互之间的关系,研究出多种指标对应的模型,建立一套评价战术团队作战效能的战术指标体系,作为推理和学习的依据;
4)建立空战知识自学习机制,不断丰富以空战态势为特征的空战态势知识库,空战知识自学习机制采用一种“先验”+“后验”模式的学习机制,依据综合战术评估指标体系,通过学习,不断丰富知识库和规则库;
5)应用人工智能技术建立战法推理机制,使用已经建立的战术评价指标体系,并与当前态势相关联,自动优化选择下一步该如何采取对抗行动,既当前的战术还是更换新战术;
6)战法重构:即实现战术与战术或战法与战法之间的平滑过渡。
进一步,构建步骤2)中所述分形战法库的方法具体为:以时间分段取样法为基础,舍去红蓝双方空战初始时的巡航时间,从一方发现对方开始,将战法过程分形化处理,采用动态步长记录,在武器截获目标前后分别按5秒或1秒为一个战法分形基准时间,将一个战法分为若干个分形子战法,每个子战法的构成元素如下:
飞机状态集:{机型,数量,编号,时间,位置姿态,速度,雷达状态,干扰状态};
导弹状态集:{型号,时间,位置姿态,速度};
将子战法录入特征库保存,从而构成一个分形战法库。
进一步,步骤6)中所述战法重构具体为:按照当前的空中态势,经过推理判断,保持或更换战法,按指令从所述分形战法库中读取当前数据,通过两点间的常规飞行方程解算,平滑过渡到下一时刻的战法。
进一步,建立步骤3)中评价战术团队作战效能的战术指标体系的方法具体为:对空战对抗中的主要因素进行分析,研究相互之间的关系,并研究多种指标的模型,建立一套评价“虚拟飞行员”战术指标体系:{飞机被探测概率、截获概率、持续跟踪时间、毁伤概率、逃生概率、战损、武器交换比、干扰概率、抗干扰概率};以这些指标作为进行推理和学习的依据。
进一步,步骤4)中的所述空战知识自学习机制具体为:所述空战知识自学习机制采用一种“先验”+“后验”模式的学习机制,先获取空战双方的态势,采用人机结合的方式,对态势进行分析,根据专家知识和已有的规则判断,从有限的动作行为库中获取当前的动作,然后对这样的动作进行预先综合评估,如果满足条件,达到最优,则作为一条肯定的知识存储到库中,如果不满足条件,也进行学习记录,然后更换另外一个行为动作,达到最优为止,如果都没有达到最优,就从使用过的动作中的最优动作,形成一条新的知识存放在库中。
进一步,建立步骤5)中的所述战法推理机制具体为:
针对分形战法库,战法指令设计为:
f<In+1,An+1,Tn+1>=f(In,An,Tn,红方态势)
其中:
In、In+1分别表示前、后时刻或时间步队形参数;
An、An+1分别表示前、后时刻或时间步飞机状态参数;
Tn、Tn+1分别表示前、后时刻或时间步态势参数;
上述函数主要完成根据现在队形、位置和敌方的态势解算新的队形,在队形上影响In+1,具体为:
按照现有的计算方法解算飞机毁伤情况,在数量上影响In+1;
按照毁伤情况,是否更换长机编号;
根据在In+1和Tn+1明确、队形不定情况下,在分形战法库查讯到的多个An+1进一步处理,取和An距离最近的An+1,构建新的队形。
本发明具有以下积极的技术效果:
运用本申请所公开的方法建立蓝方虚拟智能战术团队,红方空战模拟训练人员只须在已方飞机仿真平台上操作与指挥,就能自动实现与对手的全过程空战仿真对抗训练,既减少硬件规模,又能提高训练难度。
附图说明
图1是本发明的虚拟战术团队仿真原理框图;
图2是本发明的战术团队自主学习模型;
图3是本发明的战法知识库框图;
图4是本发明的推理专家系统流程框图。
具体实施方式
下面,参考附图,对本发明进行更全面的说明,附图中示出了本发明的示例性实施例。然而,本发明可以体现为多种不同形式,并不应理解为局限于这里叙述的示例性实施例。而是,提供这些实施例,从而使本发明全面和完整,并将本发明的范围完全地传达给本领域的普通技术人员。
为了易于说明,在这里可以使用诸如“上”、“下”“左”“右”等空间相对术语,用于说明图中示出的一个元件或特征相对于另一个元件或特征的关系。应该理解的是,除了图中示出的方位之外,空间术语意在于包括装置在使用或操作中的不同方位。例如,如果图中的装置被倒置,被叙述为位于其他元件或特征“下”的元件将定位在其他元件或特征“上”。因此,示例性术语“下”可以包含上和下方位两者。装置可以以其他方式定位(旋转90度或位于其他方位),这里所用的空间相对说明可相应地解释。
如图1所示,本申请的基于专家系统和战术战法分形化的空战战术团队仿真方法包括如下步骤:
1.梳理、分析、取舍和归纳总结战法,应用知识建立、知识表示与处理的数学方法,进行仿真建模,每一个战术和战法都对应地转化为一个数据集,各数据集按类型和特征,以库或子库的方式存储调用。
2.采用分形理论、人工智能和专家系统,对多项基本战术和战法进行分形,构建分形战法库。
3.对空战对抗中的主要因素进行分析,研究相互之间的关系,研究出多种指标的对应的模型,建立一套评价战术团队作战效能的战术指标体系,作为推理和学习的依据。
4.建立空战知识自学习机制,不断丰富以空战态势为特征的空战态势知识库(规则库),空战知识自学习机制采用一种“先验”+“后验”模式的学习机制,依据综合战术评估指标体系,通过学习,不断丰富知识库和规则库。
5.应用人工智能技术建立战法推理机制,使用已经建立战术评价指标体系,并与当前态势相关联,对自动优化选择下一步该如何采取对抗行动,既当前的战术还是更换新战术。
6.战法重构,实现战术(战法)与战术(战法)之间的平滑过渡。
通过以上步骤,按照图1的主要基本程序运行流程,构建出具有一定智能的空战战术团队对手。
虚拟战术团队仿真实现方法的核心技术之一战法分形和重构。
战法分形处理具体过程如下:
在战法分割时,选定战法长度,需要考虑两方面因素,如果划分的战法长度太大,造成战法更换不及时,战场态势应变能力差,如果战法长度太小,会造成系统的运算效率太低。对一个战法分割时,是以时间分段取样法为基础,舍去红蓝双方空战初始时的巡航时间,从一方发现对方开始,将战法过程分形化处理,采用动态步长记录,在武器截获目标前后分别按5秒、1秒为一个战法分形基准时间(后续描述),可以将一个战法分为若干个分形子战法(通常在200个以内),每个子战法的构成元素:
飞机状态集:{机型,数量,编号,时间,位置姿态(x,y,z,φ,θ,γ),速度(Vx VyVz),雷达状态,干扰状态};
导弹状态集:{型号,时间,位置姿态(x,y,z,φ,θ,γ),速度(Vx Vy Vz)}
将子战法录入特征库保存,构成一个分形战法库;如对100个战法进行分形处理,该库将有20000个战法。
战法重构具体过程如下:
战法重构既是按照当前的空中态势,经过推理判断,保持或更换战法,按指令从分形战法库中读取当前数据,通过两点间的常规飞行方程解算,平滑过渡到下一时刻的战法。为保证战法更换时的平滑过渡、战法储存和解算的优化,以及与战役信息比较容易实时对接等因素,经过试验、统计和分析,若取1秒为一战法分形基准时间,飞行距离只有几百米,这一基准时间可以满足战法的平滑更换。
对空战对抗中的主要因素进行分析,研究相互之间的关系,并研究多种指标的模型,建立一套评价“虚拟飞行员”战术指标体系:{飞机被探测概率、截获概率、持续跟踪时间、毁伤概率、逃生概率、战损、武器交换比、干扰概率、抗干扰概率}。以这些指标作为进行推理和学习的依据。
如图2所示,空战知识自学习机制采用一种“先验”+“后验”模式的学习机制,先获取空战双方的态势,采用人机结合的方式,对态势进行分析,根据专家知识和已有的规则判断,从有限的动作行为库中获取当前的动作,然后对这样的动作进行预先综合评估,如果满足条件,达到最优,则作为一条肯定的知识存储到库中,如果不满足条件,也进行学习记录,然后更换另外一个行为动作,达到最优为止,如果都没有达到最优,就从使用过的动作中的最优动作,形成一条新的知识存放在库中。
如图3所示,第三代战斗机空战一般以编队及编队间协同方式进行。为使知识库结构清晰,按照作战态势的几大要素建立知识库,按照机型、编队数量建立各种空战态势的产生式规则,每种态势对应的指令和接收指令后的动作都有所不同,全部规则均收集在飞行知识库内。本申请采用常用的产生式规则,完成了飞行知识库的编码,每条规则有两部分,即条件和结论。
如图4所示,在空战过程中,推理机产生的指令靠知识库的推理出的结论还达不到要求,必须融入很多态势变化的计算。针对分形战法库,战法指令设计为:
f<In+1,An+1,Tn+1>=f(In,An,Tn,红方态势)
其中:
In、In+1分别表示前、后时刻(或时间步)队形参数;
An、An+1分别表示前、后时刻(或时间步)飞机状态参数;
Tn、Tn+1分别表示前、后时刻(或时间步)态势参数。
函数主要完成根据现在队形、位置和敌方的态势解算新的队形,在队形上影响In+1,具体:
1.按照现有的计算方法解算飞机毁伤情况,在数量上影响In+1
2.按照毁伤情况,是否更换长机编号,
3.根据在In+1和Tn+1明确、队形不定情况下,在分形战法库查讯到的多个An+1进一步处理,取和An距离最近的An+1,构建新的队形。
上面所述只是为了说明本发明,应该理解为本发明并不局限于以上实施例,符合本发明思想的各种变通形式均在本发明的保护范围之内。
Claims (6)
1.基于专家系统和战术战法分形化的空战战术团队仿真方法,其特征在于,所述空战战术团队仿真方法包括如下步骤:
1)应用知识建立、知识表示与处理的数学方法,进行仿真建模,每一个战术和战法都对应地转化为一个数据集,将各数据集按类型和特征,以库或子库的方式存储调用;
2)采用分形理论、人工智能和专家系统,对多项基本战术和战法进行分形,构建分形战法库;
3)对空战对抗中的主要因素进行分析,研究相互之间的关系,研究出多种指标对应的模型,建立一套评价战术团队作战效能的战术指标体系,作为推理和学习的依据;
4)建立空战知识自学习机制,不断丰富以空战态势为特征的空战态势知识库,空战知识自学习机制采用一种“先验”+“后验”模式的学习机制,依据综合战术评估指标体系,通过学习,不断丰富知识库和规则库;
5)应用人工智能技术建立战法推理机制,使用已经建立的战术评估指标体系,并与当前态势相关联,自动优化选择下一步该如何采取对抗行动,即当前的战术还是更换新战术;
6)战法重构:即实现战术与战术或战法与战法之间的平滑过渡。
2.根据权利要求1所述的基于专家系统和战术战法分形化的空战战术团队仿真方法,其特征在于:构建步骤2)中所述分形战法库的方法具体为:以时间分段取样法为基础,舍去红蓝双方空战初始时的巡航时间,从一方发现对方开始,将战法过程分形化处理,采用动态步长记录,在武器截获目标前后分别按5秒或1秒为一个战法分形基准时间,将一个战法分为若干个分形子战法,每个子战法的构成元素如下:
飞机状态集:{机型,数量,编号,时间,位置姿态,速度,雷达状态,干扰状态};
导弹状态集:{型号,时间,位置姿态,速度};
将子战法录入特征库保存,从而构成一个分形战法库。
3.根据权利要求1所述的基于专家系统和战术战法分形化的空战战术团队仿真方法,其特征在于:步骤6)中所述战法重构具体为:按照当前的空中态势,经过推理判断,保持或更换战法,按指令从所述分形战法库中读取当前数据,通过两点间的常规飞行方程解算,平滑过渡到下一时刻的战法。
4.根据权利要求1所述的基于专家系统和战术战法分形化的空战战术团队仿真方法,其特征在于:建立步骤3)中评价战术团队作战效能的战术指标体系的方法具体为:对空战对抗中的主要因素进行分析,研究相互之间的关系,并研究多种指标的模型,建立一套评价“虚拟飞行员”战术指标体系:{飞机被探测概率、截获概率、持续跟踪时间、毁伤概率、逃生概率、战损、武器交换比、干扰概率、抗干扰概率};以这些指标作为进行推理和学习的依据。
5.根据权利要求1所述的基于专家系统和战术战法分形化的空战战术团队仿真方法,其特征在于:步骤4)中的所述空战知识自学习机制具体为:所述空战知识自学习机制采用一种“先验”+“后验”模式的学习机制,先获取空战双方的态势,采用人机结合的方式,对态势进行分析,根据专家知识和已有的规则判断,从有限的动作行为库中获取当前的动作,然后对这样的动作进行预先综合评估,如果满足条件,达到最优,则作为一条肯定的知识存储到库中,如果不满足条件,也进行学习记录,然后更换另外一个行为动作,达到最优为止,如果都没有达到最优,就从使用过的动作中的最优动作,形成一条新的知识存放在库中。
6.根据权利要求1所述的空战战术团队仿真方法,其特征在于,建立步骤5)中的所述战法推理机制具体为:针对分形战法库,战法指令设计为:
f<In+1,An+1,Tn+1>=f(In,An,Tn,红方态势)
其中:
In、In+1分别表示前、后时刻或时间步队形参数;
An、An+1分别表示前、后时刻或时间步飞机状态参数;
Tn、Tn+1分别表示前、后时刻或时间步态势参数;
函数主要完成根据现在队形、位置和敌方的态势解算新的队形,在队形上影响In+1,具体为:
按照现有的计算方法解算飞机毁伤情况,在数量上影响In+1;
按照毁伤情况,是否更换长机编号;
根据在In+1和Tn+1明确、队形不定情况下,在分形战法库查讯到的多个An+1进一步处理,取和An距离最近的An+1,构建新的队形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610121117.4A CN105678030B (zh) | 2016-03-03 | 2016-03-03 | 基于专家系统和战术战法分形化的空战战术团队仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610121117.4A CN105678030B (zh) | 2016-03-03 | 2016-03-03 | 基于专家系统和战术战法分形化的空战战术团队仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678030A CN105678030A (zh) | 2016-06-15 |
CN105678030B true CN105678030B (zh) | 2019-09-27 |
Family
ID=56307741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610121117.4A Expired - Fee Related CN105678030B (zh) | 2016-03-03 | 2016-03-03 | 基于专家系统和战术战法分形化的空战战术团队仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678030B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844068B (zh) * | 2016-06-16 | 2018-11-13 | 中国人民解放军国防科学技术大学 | 一种面向仿真的q学习攻击目标分配方法 |
CN106682351A (zh) * | 2017-01-10 | 2017-05-17 | 北京捷安申谋军工科技有限公司 | 基于计算机生成兵力的作战仿真系统及仿真方法 |
CN106952014B (zh) * | 2017-02-10 | 2018-03-02 | 南京航空航天大学 | 一种基于军事仿真器的作战方案优化方法 |
CN109656147A (zh) * | 2018-11-23 | 2019-04-19 | 中国航空工业集团公司沈阳飞机设计研究所 | 空战模拟系统 |
CN111308907B (zh) * | 2019-12-20 | 2023-04-18 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种自动交战级飞机仿真控制方法、控制插件及仿真系统 |
CN111460730A (zh) * | 2020-03-26 | 2020-07-28 | 中国电子科技集团公司第二十八研究所 | 一种未来作战智能化技术应用设计方法 |
CN112598046B (zh) * | 2020-12-17 | 2023-09-26 | 沈阳航空航天大学 | 一种多机协同空战中的目标战术意图识别方法 |
CN113126648B (zh) * | 2021-02-18 | 2022-07-05 | 西北工业大学 | 一种基于专家s面控制的四旋翼无人机协同控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6195626B1 (en) * | 1998-06-19 | 2001-02-27 | Microsoft Corporation | Heightened realism for computer-controlled units in real-time simulation |
CN102063902A (zh) * | 2010-11-04 | 2011-05-18 | 黄安祥 | 基于模糊理论与专家系统的高效语音指令识别方法 |
CN102508232A (zh) * | 2011-10-20 | 2012-06-20 | 黄安祥 | 基于多源探测的空中隐身目标探测的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5378155A (en) * | 1992-07-21 | 1995-01-03 | Teledyne, Inc. | Combat training system and method including jamming |
CN104484500A (zh) * | 2014-09-03 | 2015-04-01 | 北京航空航天大学 | 一种基于拟合强化学习的空战行为建模方法 |
-
2016
- 2016-03-03 CN CN201610121117.4A patent/CN105678030B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6195626B1 (en) * | 1998-06-19 | 2001-02-27 | Microsoft Corporation | Heightened realism for computer-controlled units in real-time simulation |
CN102063902A (zh) * | 2010-11-04 | 2011-05-18 | 黄安祥 | 基于模糊理论与专家系统的高效语音指令识别方法 |
CN102508232A (zh) * | 2011-10-20 | 2012-06-20 | 黄安祥 | 基于多源探测的空中隐身目标探测的方法 |
Non-Patent Citations (2)
Title |
---|
基于云计算平台的航空兵训练仿真体系结构;黄安祥等;《系统仿真学报》;20110715;第23卷(第S1期);第106页至109页 * |
基友Skyline的空战仿真数据三维可视化回放研究;雷祥等;《系统仿真学报》;20130808;第25卷(第8期);第1881页至1885页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105678030A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678030B (zh) | 基于专家系统和战术战法分形化的空战战术团队仿真方法 | |
CN110929394B (zh) | 基于超网络理论的联合作战体系建模方法以及存储介质 | |
CN113791634B (zh) | 一种基于多智能体强化学习的多机空战决策方法 | |
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
CN112820164B (zh) | 一种基于分层的行为模型的vr虚拟对抗训练系统 | |
CN109636699A (zh) | 一种基于深度强化学习的无监督智能作战推演系统 | |
CN112198892B (zh) | 一种多无人机智能协同突防对抗方法 | |
CN115291625A (zh) | 基于多智能体分层强化学习的多无人机空战决策方法 | |
CN113893539B (zh) | 智能体的协同对战方法及装置 | |
CN113723013A (zh) | 一种用于连续空间兵棋推演的多智能体决策方法 | |
CN114638339A (zh) | 基于深度强化学习的智能体任务分配方法 | |
CN113625569A (zh) | 一种基于深度强化学习和规则驱动的小型无人机防控混合决策方法及系统 | |
Wu et al. | Visual range maneuver decision of unmanned combat aerial vehicle based on fuzzy reasoning | |
CN113741186B (zh) | 一种基于近端策略优化的双机空战决策方法 | |
Kong et al. | Hierarchical multi‐agent reinforcement learning for multi‐aircraft close‐range air combat | |
CN113312789A (zh) | 基于多信息融合的仿真系统及方法 | |
Karneeb et al. | Distributed discrepancy detection for a goal reasoning agent in beyond-visual-range air combat | |
Kong et al. | Multi-ucav air combat in short-range maneuver strategy generation using reinforcement learning and curriculum learning | |
CN116520884A (zh) | 一种基于分层强化学习的无人机集群对抗策略优化方法 | |
CN115951695A (zh) | 空战模拟环境中基于三方博弈的动态战术控制域解算方法 | |
Chen et al. | A MADDPG-based multi-agent antagonistic algorithm for sea battlefield confrontation | |
Mendi et al. | Applications of Reinforcement Learning and its Extension to Tactical Simulation Technologies | |
Hu et al. | A Neural Network-Based Intelligent Decision-Making in the Air-Offensive Campaign with Simulation | |
CN116679742B (zh) | 一种多六自由度飞行器协同作战决策方法 | |
CN117032300A (zh) | 基于强化学习的多无人机对多目标协同空战机动决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190927 Termination date: 20200303 |