CN110986680B - 一种城市环境中低慢小目标的复合拦截方法 - Google Patents
一种城市环境中低慢小目标的复合拦截方法 Download PDFInfo
- Publication number
- CN110986680B CN110986680B CN201910969809.8A CN201910969809A CN110986680B CN 110986680 B CN110986680 B CN 110986680B CN 201910969809 A CN201910969809 A CN 201910969809A CN 110986680 B CN110986680 B CN 110986680B
- Authority
- CN
- China
- Prior art keywords
- weapon
- target
- interception
- intercepted
- stage
- 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.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41H—ARMOUR; ARMOURED TURRETS; ARMOURED OR ARMED VEHICLES; MEANS OF ATTACK OR DEFENCE, e.g. CAMOUFLAGE, IN GENERAL
- F41H11/00—Defence installations; Defence devices
- F41H11/02—Anti-aircraft or anti-guided missile or anti-torpedo defence installations or systems
Abstract
本发明公开了一种城市环境中低慢小目标的复合拦截方法,包括输入来袭目标、拦截武器以及城市外界环境的相关信息;更新目标状态以及武器状态;进行拦截武器适宜性检验;根据动态武器目标分配模型,利用遗传算法得到第t阶段的武器目标分配方案;当拦截武器完成一次拦截,判断目标是否全消失,若是,则结束动态武器目标分配;否则,复合拦截过程进入下一阶段,即t+1阶段。本发明充分考虑城市复杂环境对各拦截武器的约束限制,将低慢小目标的来袭方式看作多波次来袭,比较符合实际作战环境,且充分考虑上一次目标分配对下一次目标分配的影响、目标当前状态的影响以及拦截武器当前状态的影响,非常符合实际的需要。
Description
技术领域
本发明属于目标拦截规划调度领域,具体涉及一种城市环境中低慢小目标的复合拦截方法。
背景技术
近年来,随着低空空域管制的逐步开放和无人机技术的飞速发展,无人机的“黑飞”现象日益增多,其违规违法运行对民航安全问题产生了不可忽略的威胁,严重干扰了正常的社会秩序。更有不法分子利用小型无人机进行有意的破坏活动,相比于先进的大型军用无人机的攻击,以低空、慢速、小型为特征的无人机更有可能在恐怖分子的操纵下携带危险物品,极易给犯罪分子可乘之机。小型无人机“黑飞”与骚扰、破坏事件层出不穷,给国家和民众安全、社会秩序带来严重威胁,发展研究针对小型无人机的防控手段刻不容缓。
目前,针对“低慢小”目标的处置手段主要有传统火力拦截、激光拦截、无线电干扰和网式拦截等。防空导弹主要用于武力威慑,其杀伤破片对地面人群、建筑极易造成二次毁伤,且效费比很低;高射机枪(炮)的精准度很差,且流弹对地面人群、建筑都可能造成二次毁伤;因此传统火力拦截不适合处置“低慢小”目标。近年来,激光拦截技术得到迅猛发展,国内外多家军工企业研制出多款针对无人机的激光拦截武器,但是利用激光武器对“低慢小”目标进行处置拦截还存在一些缺点或不足,主要表现在:1)激光在大气中传输容易衰减,其射程受大气的影响,不具备全天候作战能力,一旦遇到浓云雨雾、雷电雪霾等恶劣天气,光束质量变差,难以发挥应用的威力;2)跟踪瞄准难度大,在拦截目标时,如遇到视线有阻挡或目标高机动运动,其跟踪瞄准要达到理想的精度,是一个尚在解决的问题;3)随着射程的增加,光束在目标上形成的光斑逐步增大,导致激光的功率密度随之降低;4)能量转换效率低,激光武器系统体积和质量较大,机动性不高。无线电干扰武器通过发射无线电波束干扰无人机的控制信号和GPS导航信号,但其处置对象单一,极易影响其他正常民生活动,并且由于无人机的程序预先设定模式不同,会出现坠落、悬停或返航的不可预估后果。网式软杀伤拦截技术是一种新型拦截技术,其能在三四百米距离内对可疑目标实施高精度网式拦截,但拦截范围较小,且柔性网拦截精度受风的影响较大。
由此可见,针对不同的应用场景,单一体制的拦截手段无法满足无人机防控需求,需要重点开展多体制拦截手段综合集成技术研究。利用多种拦截武器的协同合作,对来袭目标实施有效拦截的方法。
如何集成柔性网、激光、定向电子干扰等多种单体制拦截技术,对具有典型威胁模式的“低慢小”目标制定复合拦截策略,提高目标拦截概率和拦截武器的作战效能,是非常具有现实意义的。
发明内容
有鉴于此,本发明的目的在于提供一种城市环境中低慢小目标的复合拦截方法,综合考虑各种拦截武器自身性能的不同、以及城市复杂环境对拦截武器造成的拦截约束,用于针对城市环境中的“低慢小”目标的复合拦截。
为达到该目的,本发明采用如下技术方案,一种城市环境中低慢小目标的复合拦截方法,包括以下步骤:
步骤1,输入来袭目标、拦截武器以及城市外界环境的相关信息;
步骤2,更新目标状态以及武器状态;
步骤3,进行拦截武器适宜性检验;
步骤4,根据动态武器目标分配模型,利用遗传算法得到第t阶段的武器目标分配方案;
步骤5,当拦截武器完成一次拦截,判断目标是否全消失,若是,则结束动态武器目标分配;否则,复合拦截过程进入下一阶段,即t+1阶段,并转向步骤1。
具体地,步骤1中输入来袭目标、拦截武器以及城市外界环境的相关信息,其中来袭目标的相关信息包括目标速度、目标位置、目标来袭方向、目标携带的威胁系数以及目标类型;拦截武器的相关信息包括拦截武器的部署位置、作战效能和性能指标,具体包括拦截概率或概率分布、拦截武器反应时间、作战时间、效能评估时间、二次拦截间隔时间以及城市环境对各拦截武器性能的影响;其中城市环境的相关信息主要包括当前环境的湿度、可见度、风力以及建筑物的空间信息。
具体地,步骤2中更新目标状态以及武器状态的具体步骤如下:
步骤2.1,判断当前阶段可拦截的目标,更新目标状态;
步骤2.2,判断当前阶段空闲的武器,更新武器状态。
具体地,步骤2.1中判断当前阶段可拦截的目标,更新目标状态,具体步骤如下:
以n(t)表示第t个阶段时防区的“低慢小”目标数量,以n(t)维向量u(t)表示t阶段时低慢小目标的状态,u(t)的取值如下:
来袭目标为n个,则初始阶段的目标状态为:
u(1)=[1 1…1]1×n (2)
由于来袭目标数量是不断变化的,为保证目标向量与目标相对应,当有新目标出现时,对n(t)进行叠加,向量u(t)的维数也随之增加,当来袭目标被击毁或远离防区时,保留目标在向量中的位置并永久置为0;
由于拦截武器与来袭低慢小目标的状态在每一阶段都是不同的,在新目标加入或拦截武器完成一次拦截后,应对目标与武器进行分配;初始阶段即0阶段,此时武器目标分配方案为零矩阵。以X(t)=(xij(t))m×n(t)表示t阶段武器目标分配方案,X(t)是一个矩阵,表示t时刻m个拦截武器对n(t)个来袭目标的分配方案;xij(t)是一个变量,表示t时刻第i个拦截武器对第j个目标的分配方案,X(t+1)=(xij(t+1))m×n(t+1)表示t+1阶段武器目标分配方案,X'(t+1)=(x′ij(t+1))m×n(t+1)表示t阶段到t+1阶段武器目标分配方案的状态转移情况,则xij(t)、x′ij(t+1)和xij(t+1)的定义如下:
pij(t)表示t阶段武器i对目标j的毁伤概率,根据初始阶段武器目标分配方案及各阶段武器目标分配方案的状态转移情况,目标向量状态的概率函数表示为:
其中,Pr(x)表示x成立的概率函数,j=1,2,…,n(t),Pr(u(t)j=k)中k的取值如下:
假设Pr(u(t)j=0)大于某一个值时目标确认为被击毁,否则目标仍存在并转至下一阶段等待继续分配,根据t阶段的武器目标分配方案xij(t),判断当前时刻实施拦截的武器是否结束拦截任务,若是,则判断目标是否已毁伤,更新目标状态;若否,保持目标原有的状态。
具体地,步骤2.2中判断当前阶段空闲的武器,更新武器状态的具体步骤如下:
与目标状态向量相似,假设拦截武器有m个,则其状态向量可用m维向量ω(t)表示,初始阶段拦截武器的状态向量为:
ω(0)i=[1 1,…,1]1×m (8)
其中,ω(t)i的含义如下:
当武器目标分配方案进入t+1待分配阶段时,根据t阶段的武器目标分配方案X{t},判断当前时刻实施拦截的武器是否满足时间约束,t=ty+tf+tl+tz,ty表示进行武器分配所需时间、tf表示拦截武器从接受目标分配任务到实施拦截打击的时间延迟、tl表示实施拦截开始到拦截结束的时间、tz表示拦截武器拦截当前目标到转火拦截下一目标所需的时间,若满足时间约束,表示该拦截武器完成拦截任务,转入空闲状态,则更新武器状态;若不满足,则保持武器原有状态。此时,武器状态为t+1阶段分配前的武器状态向量。
经过t+1阶段的武器目标分配方案更新后,t+1阶段分配后的武器状态向量为:
具体地,步骤3中进行拦截武器适宜性检验,为描述使用拦截武器的约束条件和协调拦截武器分配方案,引入武器拦截适宜性系数qij(l),用于描述第l阶段拦截武器i对目标j的拦截适宜性,拦截适宜性系数的确定需要综合考虑目标的运动规律和位置参数以及拦截武器的技术性能限制,故将对拦截适宜性的分析抽象为转火约束系数、资源约束系数、时间约束系数、空间约束系数以及环境约束系数,具体定义如下:
转火约束是拦截武器对一个来袭目标完成拦截后,转向下一个目标实施拦截所必须满足的时间关系;假设第i个拦截武器对第j个来袭目标进行拦截的时刻为tij,准备对第k个目标进行拦截的时刻为tik,则转火约束关系为:
tij-tik≥tfi+tzi+tni (11)
拦截武器的资源约束是判断武器是否可以实施拦截,首先检测各个装备的可用性,其次检验各个装备可否实施拦截任务,柔性网拦截武器的资源约束表示为:
到t阶段时,针对柔性网拦截武器,δ为柔性网拦截武器的总弹数,若上式成立,则表示来袭目标适宜拦截,则xij(l)表示在l阶段是否将武器i分配打击目标j,若为1,表示分配,若为0则表示分配;反之,则表示来袭目标不适宜拦截,则针对激光武器与无线电干扰武器,资源约束是指武器的剩余时间是否可以实施一次拦截任务,若各个拦截武器满足资源约束,则反之,则表示来袭目标不适宜拦截,则
时间约束是指来袭目标从时间角度出发,考虑是否处于拦截武器的威力范围内,设第i个拦截武器对第j个来袭目标进行拦截的时刻为tij,tsij为第j个来袭目标在第i个拦截武器的威力范围内逗留的时间,tfij为第j个来袭目标到第i个拦截武器最远射程的时刻,则时间约束条件描述为:
tfij≤tij+tni≤tsij+tfij (13)
空间约束是考虑拦截武器在空间上是否具备拦截来袭目标的条件,考虑来袭目标是否在拦截武器的威力范围内以及是否存在建筑物遮挡,设dij为第j个来袭目标至第i个拦截武器的距离,himin、himax为第i个拦截武器的最近射程和最远射程,wij为第j个来袭目标至第i个拦截武器的视距,根据武器、目标以及建筑物的空间信息,判断武器与目标之间是否有建筑物遮挡;若有建筑遮挡,则wij=0;若否,则wij≠0;因此空间约束描述为:
当外界天气的湿度、可见度、风力不理想时,会影响拦截武器的拦截效能,降低武器的拦截概率;当外界环境理想,各拦截武器能充分发挥自己的拦截效能;针对各种拦截武器,需分类别考虑其环境约束系数,定义如下:
其中,α∈(0,1),代表拦截武器受外界环境影响之后的拦截概率;
综上,qij(l)的计算如下:
具体地,步骤4中根据动态武器目标分配模型,利用遗传算法得到第t阶段的武器目标分配方案,具体步骤如下:
步骤4.1,模型基本假设;
步骤4.2,建立动态目标分配模型;
步骤4.3,利用遗传算法求解武器目标分配方案。
具体地,步骤4.1中模型基本假设如下:
(1)一个武器只能拦截一个目标;
(2)一个目标只能被一个武器所拦截。
具体地,步骤4.2中建立动态目标分配模型的具体步骤如下:
在复合拦截过程中,根据拦截武器及来袭低慢小目标的状态变化,将其分阶段进行研究,当拦截武器完成一次拦截或有新目标进入防区需要对其进行目标分配开始,复合拦截过程进入一个新的阶段,依次可以将整个复合拦截过程分为不确定的T个阶段;
设有m个拦截武器,在考虑动态的目标分配决策过程中,空中来袭目标是一个变量,设某一阶段目标数量为n个,eij为第i个拦截武器拦截第j个来袭目标成功的概率,μj(t)为t阶段第j个来袭目标的威胁值,令qij(t)表示t阶段时第i个拦截武器拦截给第j个来袭目标的拦截适宜性系数;
令xij(t)表示t阶段时第i个拦截武器是否拦截第j个来袭目标,若取值为1,则代表拦截;若取值为0,则代表不拦截,即:
因此,第t阶段时武器拦截目标的决策矩阵为:
则t阶段时,第i个拦截武器拦截第j个来袭目标成功的概率为:
则t阶段第j个来袭目标被复合拦截成功的概率为:
因此,t阶段成功拦截全部目标的概率为:
则t阶段的毁伤价值目标优化函数为:
步骤4.3中利用遗传算法,求解当前阶段的武器目标分配方案:
根据目标状态向量与武器状态向量,在满足适宜性检验的前提下,即q(ij)(l)≠0,利用遗传算法,求解当前阶段最优的武器目标分配方案。
具体地,步骤5中当拦截武器完成一次拦截,判断目标是否全消失,若是,则结束动态武器目标分配;否则,复合拦截过程进入下一阶段,即t+1阶段,并转向步骤1。
与现有技术相比,本发明的优点在于:
(1)本发明在对低慢小目标实施复合拦截的问题上,充分考虑城市复杂环境对各拦截武器的约束限制,包括外界天气以及建筑物对拦截武器的影响。
(2)本发明将低慢小目标的来袭方式看作多波次来袭,比较符合实际作战环境。
(3)本发明建立的动态目标分配模型充分考虑上一次目标分配对下一次目标分配的影响、目标当前状态的影响以及拦截武器当前状态的影响。
附图说明
图1为本发明目标复合拦截方法的流程图。
具体实施方式
为了能够更清楚的描述本发明的技术内容,下面结合具体实施例来进一步描述。
参照图1,本发明的针对“低慢小”目标的复合拦截方法,具体包括以下步骤:步骤1:输入来袭目标、拦截武器以及城市外界环境的相关信息;步骤2:更新目标状态以及武器状态;步骤3:进行拦截武器适宜性检验;步骤4:根据动态武器目标分配模型,利用遗传算法得到第t阶段的武器目标分配方案;步骤5:当拦截武器完成一次拦截,判断目标是否全消失,若是,则结束动态武器目标分配;否则,复合拦截过程进入下一阶段,即t+1阶段,并转向步骤1。
本实施例中,步骤1中输入来袭目标、拦截武器以及城市外界环境的相关信息,其中来袭目标的相关信息主要包括目标速度、目标位置、目标来袭方向、目标携带的威胁系数以及目标类型;拦截武器的相关信息主要包括拦截武器的部署位置、作战效能和性能指标,具体包括拦截概率(分布)、拦截武器反应时间(伺服调改时间)、作战时间、效能评估时间、二次拦截间隔时间以及城市环境(即当前的防控区域)对各拦截武器性能的影响;其中城市环境的相关信息主要包括当前环境的湿度、可见度、风力以及建筑物的空间信息。
本实施例中,步骤2中更新目标状态以及武器状态的具体步骤如下:
步骤2.1:判断当前阶段可拦截的目标,更新目标状态;
步骤2.2:判断当前阶段空闲的武器,更新武器状态。
步骤2.1中判断当前阶段可拦截的目标,并更新目标状态的内容如下:
对来袭低慢小目标实施复合拦截过程中,低慢小目标的数量可能会因新目标出现以及目标被损坏而产生变化,因此目标的数量及状态是不断变化的。以n(t)表示第t个阶段时防区的“低慢小”目标数量,以n(t)维向量u(t)表示t阶段时低慢小目标的状态,u(t)的取值如下:
假设来袭目标为n个,则初始阶段的目标状态为:
u(1)=[1 1…1]1×n
由于来袭目标数量是不断变化的,为保证目标向量与目标相对应,当有新目标出现时,对n(t)进行叠加,向量u(t)的维数也随之增加,当来袭目标被击毁或远离防区时,保留目标在向量中的位置并永久置为0。
由于拦截武器与来袭低慢小目标的状态在每一阶段都是不同的,在新目标加入或拦截武器完成一次拦截后,应对目标与武器进行分配。初始阶段即0阶段,此时武器目标分配方案为零矩阵。以X(t)=(xij(t))m×n(t)表示t阶段武器目标分配方案,X(t)是一个矩阵,表示t时刻m个拦截武器对n(t)个来袭目标的分配方案;xij(t)是一个变量,表示t时刻第i个拦截武器对第j个目标的分配方案,X(t+1)=(xij(t+1))m×n(t+1)表示t+1阶段武器目标分配方案,X'(t+1)=(x′ij(t+1))m×n(t+1)表示t阶段到t+1阶段武器目标分配方案的状态转移情况,则xij(t)、x′ij(t+1)和xij(t+1)的定义如下:
本实施例以pij(t)表示t阶段武器i对目标j的毁伤概率,则根据初始阶段武器目标分配方案及各阶段武器目标分配方案的状态转移情况,目标向量状态的概率函数可表示为:
其中,Pr(x)表示x成立的概率函数,j=1,2,…,n(t),Pr(u(t)j=k)中k的取值如下:
假设Pr(u(t)j=0)大于某一个值时目标确认为被击毁,否则目标仍存在并转至下一阶段等待继续分配,根据t阶段的武器目标分配方案xij(t),判断当前时刻实施拦截的武器是否结束拦截任务,若是,则判断目标是否已毁伤,更新目标状态;若否,保持目标原有的状态。
步骤2.2中判断当前时刻武器空闲的武器,并更新武器状态,具体内容如下:
与目标状态向量相似,假设拦截武器有m个,则其状态向量可用m维向量ω(t)表示,初始阶段拦截武器的状态向量为:
ω(0)i=[1 1,…,1]1×m
其中,ω(t)i的含义如下:
当武器目标分配方案进入t+1待分配阶段时,根据t阶段的武器目标分配方案X{t},判断当前时刻实施拦截的武器是否满足时间约束,t=ty+tf+tl+tz(ty表示进行武器分配所需时间、tf表示拦截武器从接受目标分配任务到实施拦截打击的时间延迟、tl表示实施拦截开始到拦截结束的时间、tz表示拦截武器拦截当前目标到转火拦截下一目标所需的时间),若满足时间约束,表示该拦截武器完成拦截任务,转入空闲状态,则更新武器状态;若不满足,则保持武器原有状态。此时,武器状态为t+1阶段分配前的武器状态向量。
经过t+1阶段的武器目标分配方案更新后,t+1阶段分配后的武器状态向量为:
上式中,x′ij(t+1)的含义同上文。
本实施例中,步骤3中进行拦截武器适宜性检验;拦截武器在复合拦截过程中受技术性能设计指标的约束,如武器自身性能以及目标的距离、速度、来袭方向等。为描述使用拦截武器的约束条件和协调拦截武器分配方案,引入武器拦截适宜性系数qij(l),用于描述第l阶段拦截武器i对目标j的拦截适宜性。由于拦截适宜性系数的确定需要综合考虑目标的运动规律和位置参数以及拦截武器的技术性能限制等,因此,将对拦截适宜性的分析抽象为转火约束系数、资源约束系数、时间约束系数、空间约束系数以及环境约束系数,具体定义如下:
转火约束是拦截武器对一个来袭目标完成拦截后,转向下一个目标实施拦截所必须满足的时间关系;假设第i个拦截武器对第j个来袭目标进行拦截的时刻为tij,准备对第k个目标进行拦截的时刻为tik,则转火约束关系为:
tij-tik≥tfi+tzi+tni
其中,tfi为第i个拦截武器系统反应时间,tzi为第i个拦截武器二次拦截间隔时间,tni为第i个拦截武器执行拦截的持续时间,若上式成立,表示来袭目标适宜拦截,则反之,表示来袭目标不适合拦截,则一般情况下,柔性网、激光武器以及无线电干扰拦截武器的相关时间参数如表1所示:
表1:拦截武器的时间参数
拦截武器的资源约束主要是判断武器是否可以实施拦截,首先检测各个装备的可用性,其次检验各个装备可否实施拦截任务。柔性网拦截武器的资源约束可表示为:
到t阶段时,针对柔性网拦截武器,δ为柔性网拦截武器的总弹数。一般情况下,δ=4。若上式成立,则表示来袭目标适宜拦截,则xij(l)表示在l阶段是否将武器i分配打击目标j,若为1,表示分配,若为0则表示分配;反之,则表示来袭目标不适宜拦截,则针对激光武器与无线电干扰武器,资源约束主要是指武器的剩余时间是否可以实施一次拦截任务,若各个拦截武器满足资源约束,则反之,则表示来袭无人机不适宜拦截,则
时间约束是指来袭目标从时间角度出发,考虑是否处于拦截武器的威力范围内,即拦截武器对目标进行拦截时,来袭目标必须处于威力范围内。设第i个拦截武器对第j个来袭目标进行拦截的时刻为tij,tsij为第j个来袭目标在第i个拦截武器的威力范围内逗留的时间,tfij为第j个来袭目标到第i个拦截武器最远射程的时刻,则时间约束条件可描述为:
tfij≤tij+tni≤tsij+tfij
空间约束主要是考虑拦截武器在空间上是否具备拦截来袭目标的条件,主要考虑来袭目标是否在拦截武器的威力范围内以及是否存在建筑物遮挡,设dij为第j个来袭目标至第i个拦截武器的距离,himin、himax为第i个拦截武器的最近射程和最远射程。wij为第j个来袭目标至第i个拦截武器的视距,根据武器、目标以及建筑物的空间信息,判断武器与目标之间是否有建筑物遮挡。若有建筑遮挡,则wij=0;若否,则wij≠0。因此空间约束可描述为:
当外界天气的湿度、可见度、风力等不理想时,会影响拦截武器的拦截效能,降低武器的拦截概率;当外界环境理想,各拦截武器能充分发挥自己的拦截效能。例如,当风力达到5级以上时,柔性网的拦截性能降低30%;当空气湿度大于80%时,激光武器的拦截性能降低30%;当可见度低于80%时,激光武器的拦截效能降低30%。因此针对各种拦截武器,需分类别考虑其环境约束系数,定义如下:
综上,qij(l)的计算如下:
本实施例中,步骤4中根据动态武器目标分配模型,利用遗传算法得到第t阶段的武器目标分配方案,其具体步骤如下:
步骤4.1:模型基本假设
步骤4.2:建立动态目标分配模型
步骤4.3:利用遗传算法求解武器目标分配方案
步骤4.1中模型基本假设如下:
(1)一个武器只能拦截一个目标;
(2)一个目标只能被一个武器所拦截
步骤4.2中建立动态目标分配模型的具体内容如下:
在复合拦截过程中,根据拦截武器及来袭“低慢小”目标的状态变化,将其分阶段进行研究。当拦截武器完成一次拦截或有新目标进入防区需要对其进行目标分配开始,复合拦截过程进入一个新的阶段,依次可以将整个复合拦截过程分为不确定的T个阶段。
设有m个拦截武器,在考虑动态的目标分配决策过程中,空中来袭目标是一个变量,设某一阶段目标数量为n个,eij为第i个拦截武器拦截第j个来袭目标成功的概率,μj(t)为t阶段第j个来袭目标的威胁值,令qij(t)表示t阶段时第i个拦截武器拦截给第j个来袭目标的拦截适宜性系数。
令xij(t)表示t阶段时第i个拦截武器是否拦截第j个来袭目标,若取值为1,则代表拦截;若取值为0,则代表不拦截,即:
因此,第t阶段时武器拦截目标的决策矩阵为:
则t阶段时,第i个拦截武器拦截第j个来袭目标成功的概率为:
则t阶段第j个来袭目标被复合拦截成功的概率为:
因此,t阶段成功拦截全部目标的概率为:
则t阶段的毁伤价值目标优化函数为:
约束条件说明:
步骤4.3中,利用遗传算法,求解当前阶段的武器目标分配方案
根据目标状态向量与武器状态向量,在满足适宜性检验的前提下,即q(ij)(l)≠0,利用遗传算法,求解当前阶段最优的武器目标分配方案。
本实施例中,步骤5中当拦截武器完成一次拦截,判断目标是否全消失,若是,则结束动态武器目标分配;否则,复合拦截过程进入下一阶段,即t+1阶段,并转向步骤1。
假设防区内发现6个“低慢小”目标,防区内有柔性网、激光武器、无线电干扰设备各一套。根据多源探测,获取目标和武器相关信息。利用本专利方法实现动态武器目标分配,其中遗传算法中种群大小为50,迭代次数为100。最终得到各阶段动态目标分配优化结果,如表2所示:
表2:各阶段动态目标分配优化结果
通过以上实施例方式的描述,本领域的技术人员可以清楚地了解,各实施例方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案的实质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读写介质中,如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等。包括若干指令,用以使得一台计算机设备(如个人计算机,服务器或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,其还可以对这些已描述的实施方式做出若干替代或变型,而这些替代或变型方式都应当视为属于本发明的保护范围。
Claims (7)
1.一种城市环境中低慢小目标的复合拦截方法,其特征在于,包括以下步骤:
步骤1,输入来袭目标、拦截武器以及城市外界环境的相关信息;
步骤2,更新目标状态以及武器状态;
步骤3,进行拦截武器适宜性检验;
步骤4,根据动态武器目标分配模型,利用遗传算法得到第t阶段的武器目标分配方案;
步骤5,当拦截武器完成一次拦截,判断目标是否全消失,若是,则结束动态武器目标分配;否则,复合拦截过程进入下一阶段,即t+1阶段,并转向步骤1;
步骤1中输入来袭目标、拦截武器以及城市外界环境的相关信息,所述的来袭目标的相关信息包括目标速度、目标位置、目标来袭方向、目标携带的威胁系数以及目标类型;所述的拦截武器的相关信息包括拦截武器的部署位置、作战效能和性能指标,具体包括拦截概率或概率分布、拦截武器反应时间、作战时间、效能评估时间、二次拦截间隔时间以及城市环境对各拦截武器性能的影响;所述的城市外界环境的相关信息主要包括当前环境的湿度、可见度、风力以及建筑物的空间信息;
步骤2中更新目标状态以及武器状态的具体步骤如下:
步骤2.1,判断当前阶段可拦截的目标,更新目标状态;
步骤2.2,判断当前阶段空闲的武器,更新武器状态;
步骤2.1中判断当前阶段可拦截的目标,更新目标状态,具体步骤如下:
以n(t)表示第t个阶段时防区的低慢小目标数量,以n(t)维向量u(t)表示t阶段时低慢小目标的状态,u(t)的取值如下:
来袭目标为n个,则初始阶段的目标状态为:
u(1)=[1 1 … 1]1×n
当有新目标出现时,对n(t)进行叠加,向量u(t)的维数也随之增加,当来袭目标被击毁或远离防区时,保留目标在向量中的位置并永久置为0;
在新目标加入或拦截武器完成一次拦截后,应对目标与武器进行分配;
初始阶段即0阶段,此时武器目标分配方案为零矩阵,以X(t)=(xij(t))m×n(t)表示t阶段武器目标分配方案,X(t)是一个矩阵,表示t阶段m个拦截武器对n(t)个来袭目标的分配方案;xij(t)是一个变量,表示t阶段第i个拦截武器对第j个目标的分配方案,X(t+1)=(xij(t+1))m×n(t+1)表示t+1阶段武器目标分配方案,X'(t+1)=(x′ij(t+1))m×n(t+1)表示t阶段到t+1阶段武器目标分配方案的状态转移情况,则xij(t)、x′ij(t+1)和xij(t+1)的定义如下:
pij(t)表示t阶段武器i对目标j的毁伤概率,根据初始阶段武器目标分配方案及各阶段武器目标分配方案的状态转移情况,目标向量状态的概率函数表示为:
其中,Pr(x)表示x成立的概率函数,j=1,2,…,n(t),Pr(u(t)j=k)中k的取值如下:
假设Pr(u(t)j=0)大于某一个值时目标确认为被击毁,否则目标仍存在并转至下一阶段等待继续分配,根据t阶段的武器目标分配方案xij(t),判断当前时刻实施拦截的武器是否结束拦截任务,若是,则判断目标是否已毁伤,更新目标状态;若否,保持目标原有的状态。
2.根据权利要求1所述的复合拦截方法,其特征在于,步骤2.2中判断当前阶段空闲的武器,更新武器状态的具体步骤如下:
假设拦截武器有m个,则其状态向量可用m维向量ω(t)表示,初始阶段拦截武器的状态向量为:
ω(0)i=[1 1,…,1]1×m
其中,ω(t)i的含义如下:
当武器目标分配方案进入t+1待分配阶段时,根据t阶段的武器目标分配方案X{t},判断当前时刻实施拦截的武器是否满足时间约束,t=ty+tf+tl+tz,ty表示进行武器分配所需时间、tf表示拦截武器从接受目标分配任务到实施拦截打击的时间延迟、tl表示实施拦截开始到拦截结束的时间、tz表示拦截武器拦截当前目标到转火拦截下一目标所需的时间,若满足时间约束,表示该拦截武器完成拦截任务,转入空闲状态,则更新武器状态;若不满足,则保持武器原有状态,此时,武器状态为t+1阶段分配前的武器状态向量;
经过t+1阶段的武器目标分配方案更新后,t+1阶段分配后的武器状态向量为:
3.根据权利要求1所述的复合拦截方法,其特征在于,步骤3中进行拦截武器适宜性检验,为描述使用拦截武器的约束条件和协调拦截武器分配方案,引入武器拦截适宜性系数qij(l),用于描述第l阶段拦截武器i对目标j的拦截适宜性,拦截适宜性系数的确定需要综合考虑目标的运动规律和位置参数以及拦截武器的技术性能限制,故将对拦截适宜性的分析抽象为转火约束系数、资源约束系数、时间约束系数、空间约束系数以及环境约束系数,具体定义如下:
转火约束是拦截武器对一个来袭目标完成拦截后,转向下一个目标实施拦截所必须满足的时间关系;假设第i个拦截武器对第j个来袭目标进行拦截的时刻为tij,准备对第k个目标进行拦截的时刻为tik,则转火约束关系为:
tij-tik≥tfi+tzi+tni
拦截武器的资源约束是判断武器是否可以实施拦截,首先检测各个装备的可用性,其次检验各个装备可否实施拦截任务,柔性网拦截武器的资源约束表示为:
到t阶段时,针对柔性网拦截武器,δ为柔性网拦截武器的总弹数,若上式成立,则表示来袭目标适宜拦截,则xij(l)表示在l阶段是否将武器i分配打击目标j,若为1表示分配,若为0则表示分配;反之,则表示来袭目标不适宜拦截,则针对激光武器与无线电干扰武器,资源约束是指武器的剩余时间是否可以实施一次拦截任务,若各个拦截武器满足资源约束,则反之,则表示来袭目标不适宜拦截,则
时间约束是指来袭目标从时间角度出发,考虑是否处于拦截武器的威力范围内,设第i个拦截武器对第j个来袭目标进行拦截的时刻为tij,tsij为第j个来袭目标在第i个拦截武器的威力范围内逗留的时间,tfij为第j个来袭目标到第i个拦截武器最远射程的时刻,则时间约束条件描述为:
tfij≤tij+tni≤tsij+tfij
空间约束是考虑拦截武器在空间上是否具备拦截来袭目标的条件,考虑来袭目标是否在拦截武器的威力范围内以及是否存在建筑物遮挡,设dij为第j个来袭目标至第i个拦截武器的距离,himin、himax为第i个拦截武器的最近射程和最远射程,wij为第j个来袭目标至第i个拦截武器的视距,根据武器、目标以及建筑物的空间信息,判断武器与目标之间是否有建筑物遮挡;若有建筑遮挡,则wij=0;若否,则wij≠0;因此空间约束描述为:
当外界天气的湿度、可见度、风力不理想时,会影响拦截武器的拦截效能,降低武器的拦截概率;当外界环境理想,各拦截武器能充分发挥自己的拦截效能;针对各种拦截武器,需分类别考虑其环境约束系数,定义如下:
其中,α∈(0,1),代表拦截武器受外界环境影响之后的拦截概率;
综上,qij(l)的计算如下:
4.根据权利要求3所述的复合拦截方法,其特征在于,步骤4中根据动态武器目标分配模型,利用遗传算法得到第t阶段的武器目标分配方案,具体步骤如下:
步骤4.1,模型基本假设;
步骤4.2,建立动态目标分配模型;
步骤4.3,利用遗传算法求解武器目标分配方案。
5.根据权利要求4所述的复合拦截方法,其特征在于,步骤4.1中模型基本假设如下:(1)一个武器只能拦截一个目标;(2)一个目标只能被一个武器所拦截;
步骤4.2中建立动态目标分配模型的具体步骤如下:
在复合拦截过程中,根据拦截武器及来袭低慢小目标的状态变化,将其分阶段进行研究,当拦截武器完成一次拦截或有新目标进入防区需要对其进行目标分配开始,复合拦截过程进入一个新的阶段,依次可以将整个复合拦截过程分为不确定的T个阶段;
设有m个拦截武器,在考虑动态的目标分配决策过程中,空中来袭目标是一个变量,设某一阶段目标数量为n个,eij为第i个拦截武器拦截第j个来袭目标成功的概率,μj(t)为t阶段第j个来袭目标的威胁值,令qij(t)表示t阶段时第i个拦截武器拦截给第j个来袭目标的拦截适宜性系数;
令xij(t)表示t阶段时第i个拦截武器是否拦截第j个来袭目标,若取值为1,则代表拦截;若取值为0,则代表不拦截,即:
因此,第t阶段时武器拦截目标的决策矩阵为:
则t阶段时,第i个拦截武器拦截第j个来袭目标成功的概率为:
则t阶段第j个来袭目标被复合拦截成功的概率为:
因此,t阶段成功拦截全部目标的概率为:
则t阶段的毁伤价值目标优化函数为:
6.根据权利要求5所述的复合拦截方法,其特征在于,步骤4.3中利用遗传算法,求解当前阶段的武器目标分配方案:
根据目标状态向量与武器状态向量,在满足适宜性检验的前提下,即q(ij)(l)≠0,利用遗传算法,求解当前阶段最优的武器目标分配方案。
7.一种计算机可读写介质,其上存储有计算机程序,其特征在于,所述程序执行时实现如权利要求5或6所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910969809.8A CN110986680B (zh) | 2019-10-12 | 2019-10-12 | 一种城市环境中低慢小目标的复合拦截方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910969809.8A CN110986680B (zh) | 2019-10-12 | 2019-10-12 | 一种城市环境中低慢小目标的复合拦截方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110986680A CN110986680A (zh) | 2020-04-10 |
CN110986680B true CN110986680B (zh) | 2022-05-20 |
Family
ID=70081970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910969809.8A Active CN110986680B (zh) | 2019-10-12 | 2019-10-12 | 一种城市环境中低慢小目标的复合拦截方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110986680B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221235A (zh) * | 2021-03-18 | 2021-08-06 | 北京机械设备研究所 | 实时联合打击优化模型的建立方法 |
CN114926026B (zh) * | 2022-05-21 | 2023-02-14 | 中国电子科技集团公司第二十研究所 | 一种多维特征深度学习的目标分配优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007078235A (ja) * | 2005-09-13 | 2007-03-29 | Toshiba Corp | 防空システム |
US8563908B1 (en) * | 2008-12-19 | 2013-10-22 | Lockheed Martin Corporation | Methods and systems for threat engagement management |
CN106599537A (zh) * | 2016-11-17 | 2017-04-26 | 西北工业大学 | 一种基于多目标克隆进化算法的大规模武器‑目标分配方法 |
CN107830766A (zh) * | 2016-08-22 | 2018-03-23 | 李查启学 | 无人飞行器陆空防御装置系统 |
CN108509728A (zh) * | 2018-04-04 | 2018-09-07 | 西北工业大学 | 一种对海协同作战飞机生存力权衡设计方法 |
CN108680063A (zh) * | 2018-05-23 | 2018-10-19 | 南京航空航天大学 | 一种针对大规模无人机集群动态对抗的决策方法 |
CN110186328A (zh) * | 2019-06-03 | 2019-08-30 | 北京航空航天大学 | 一种多目标拦截的导弹分配方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10495421B2 (en) * | 2017-08-25 | 2019-12-03 | Aurora Flight Sciences Corporation | Aerial vehicle interception system |
IL258077B (en) * | 2018-03-13 | 2021-02-28 | Elta Systems Ltd | A drone crash system and methods and computer software products useful by the way |
-
2019
- 2019-10-12 CN CN201910969809.8A patent/CN110986680B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007078235A (ja) * | 2005-09-13 | 2007-03-29 | Toshiba Corp | 防空システム |
US8563908B1 (en) * | 2008-12-19 | 2013-10-22 | Lockheed Martin Corporation | Methods and systems for threat engagement management |
CN107830766A (zh) * | 2016-08-22 | 2018-03-23 | 李查启学 | 无人飞行器陆空防御装置系统 |
CN106599537A (zh) * | 2016-11-17 | 2017-04-26 | 西北工业大学 | 一种基于多目标克隆进化算法的大规模武器‑目标分配方法 |
CN108509728A (zh) * | 2018-04-04 | 2018-09-07 | 西北工业大学 | 一种对海协同作战飞机生存力权衡设计方法 |
CN108680063A (zh) * | 2018-05-23 | 2018-10-19 | 南京航空航天大学 | 一种针对大规模无人机集群动态对抗的决策方法 |
CN110186328A (zh) * | 2019-06-03 | 2019-08-30 | 北京航空航天大学 | 一种多目标拦截的导弹分配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110986680A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083971B (zh) | 一种基于作战推演的自爆式无人机集群作战兵力分配方法 | |
CN109658770B (zh) | 人民防空训练空情模拟系统 | |
CN106203870A (zh) | 一种面向联合作战的目标体系分析及武器分配方法 | |
Tyurin et al. | General approach to counter unmanned aerial vehicles | |
CN110986680B (zh) | 一种城市环境中低慢小目标的复合拦截方法 | |
CN111766901B (zh) | 多无人机协同目标分配攻击方法 | |
CN103488171B (zh) | 一种基于情景构建的无人机自主鲁棒决策方法 | |
CN113625569B (zh) | 一种基于混合决策模型的小型无人机防控决策方法及系统 | |
CN114626246A (zh) | 多层反导协同作战任务规划建模方法 | |
CN114357742B (zh) | 一种干扰机配合下的多机空中突击协同行为模拟方法 | |
Shin et al. | Weapon-target assignment problem with interference constraints using mixed-integer linear programming | |
CN110765586A (zh) | 一种基于改进粒子群算法的雷达组网优化布站方法 | |
CN105426634A (zh) | 一种预警机战场生存力评估方法 | |
Zhang et al. | Fire scheduling for multiple weapons cooperative engagement | |
CN108734334B (zh) | 一种基于d数和威胁性优先的弹炮结合火力分配方法 | |
CN114548674B (zh) | 面向多智能体对抗场景的威胁态势评估方法、装置及设备 | |
CN116384436A (zh) | 一种无人机“蜂群”对抗方法 | |
CN114202185A (zh) | 一种高功率微波武器协同防空的体系贡献率评估方法 | |
CN114047761A (zh) | 基于编队跨平台资源调度的弹性杀伤网构建方法及装置 | |
You et al. | Air combat command and guidance situation assessment based on attack area | |
Ma et al. | Multi-ship cooperative air defense model based on queuing theory | |
Zhang et al. | Effectiveness analysis of optimized uav swarm construction based on task | |
CN108871080A (zh) | 防空武器系统目标拦截排序设计方法 | |
CN113221235A (zh) | 实时联合打击优化模型的建立方法 | |
Jia et al. | Heterogeneous Interception Equipment Deployment Method Based on Heuristic Optimization Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |