CN111240353B - 基于遗传模糊树的无人机协同空战决策方法 - Google Patents
基于遗传模糊树的无人机协同空战决策方法 Download PDFInfo
- Publication number
- CN111240353B CN111240353B CN202010012883.3A CN202010012883A CN111240353B CN 111240353 B CN111240353 B CN 111240353B CN 202010012883 A CN202010012883 A CN 202010012883A CN 111240353 B CN111240353 B CN 111240353B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- fuzzy
- air
- model
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008901 benefit Effects 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000013210 evaluation model Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 80
- 230000009471 action Effects 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 26
- 238000009396 hybridization Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 230000004083 survival effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000009189 diving Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000035899 viability Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005034 decoration Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于遗传模糊树的无人机协同空战决策方法,包括以下步骤:建立无人机协同空战综合优势评价指标体系,该体系包括无人机空战能力评估模型以及无人机空战态势评估模型;建立目标分配评估函数,由遗传算法寻找最优目标分配结果,构建基于遗传算法的无人机协同空战目标分配模型;构建无人机空战运动模型,并对无人机基本机动动作库进行细化扩充;构建基于遗传模糊树的无人机协同空战决策模型,由样本数据对模糊树进行参数辨识,用遗传算法对模糊树结构进行辨识,求得满足精度要求且复杂度较低的无人机协同空战决策模型。本发明除了能保证无人机群协同空战中获得最优的目标分配结果,还可以使无人机在单对单空战中进行最优机动。
Description
技术领域
本发明涉及基于遗传模糊树的无人机协同空战决策方法,属于无人机技术领域。
背景技术
在现代战争中,空战是主导战争走向的关键因素之一,谁拥有了制空权谁就占据了战场优势。目前,随着无人机系统和人工智能技术的快速发展,研制具有智能决策系统的制空型无人机,在一定程度上代替有人机进行空战对抗,引起了各航空强国的广泛关注。无人机能够极大的减少现代战场中的战争成本,不会出现飞行员伤亡,且无人机一般体型较小,易于维护修理,零件材料成本较低。无人机可适应大多数恶劣的环境,摆脱了受飞行员身体承受能力影响的机动限制。在大部分空战战场环境下,无人机能够做超高速运动或者十几G过载的大机动。而且较有人机而言,无人机节省了飞行员驾驶舱空间,能够配备更多的机载设备,可以代替有人机完成大量的作战任务。世界各国正在加大无人机研究力度,为在未来战争中取得制空权做准备。
2016年,美国辛辛那提大学做了一次战斗机飞行员与人工智能(AI)的空战对抗模拟实验,飞行员操作模拟器与人工智能控制的无人机模型交战,结果每一轮空战飞行员都被击落,即便传统的反逻辑操作在非线性模型面前也无法成功。人工智能获胜的关键在于其实现了无人机的优化占位引导,即使在近距缠斗需要快速判断对手意图的情况下,也能够引导无人机占据有利的攻击位置,有效提升了无人机的智能性和自主性。因此,由人工智能辅助引导的无人机在未来战争中无疑会体现出举足轻重的军事价值。
由于传统空战决策算法在求解空战决策问题时有所缺陷,采用人工智能方法更适用于空战决策的求解。
发明内容
本发明的目的是提供一种基于遗传模糊树的无人机协同空战决策方法,以克服传统空战决策算法在求解空战决策问题时存在的缺陷。
为实现上述目的,本发明采用的技术方案为:
一种基于遗传模糊树的无人机协同空战决策方法,包括以下步骤:
步骤1,建立无人机协同空战综合优势评价指标体系,该体系包括无人机空战能力评估模型以及无人机空战态势评估模型;其中,无人机空战能力评估包括机动性、火力以及探测能力,无人机空战态势评估包括角度优势、距离优势、速度优势、高度优势;
步骤2,建立目标分配评估函数,对其修改后作为遗传算法的适应度函数,由遗传算法寻找最优目标分配结果,构建基于遗传算法的无人机协同空战目标分配模型;
步骤3,构建无人机空战运动模型,并对无人机基本机动动作库进行细化扩充;
步骤4,构建基于遗传模糊树的无人机协同空战决策模型,由样本数据对模糊树进行参数辨识,样本输入为当前空战态势,样本输出为由改进遗传算法寻优得到的最优机动动作;用遗传算法对模糊树结构进行辨识,求得满足精度要求且复杂度较低的无人机协同空战决策模型。
所述步骤1具体包括如下步骤:
步骤11,构建如下的无人机空战能力评估模型:
SF=[lnA+ln(∑B+1)+ln(∑C+1)+1]ε1ε2ε3
式中,SF为无人机空战能力指数;A为机动参数;B为火力参数;C为探测能力参数;ε1为生存力参数;ε2为航程系数;ε3为无人机电子对抗能力系数;
上述无人机空战能力评估模型中:
机动参数为:
式中,ny盘为飞机海平面最大稳定盘旋过载;nymax为飞机的最大可用过载;αmax为过失速机动最大可用迎角,SEP为飞机的能量爬升率;
火力参数为:
式中,rmax为空空导弹最大有效射程;Δhmax为空空导弹允许发射总高度差;ψ为空空导弹发射包线总攻击角;Pk为空空导弹单发杀伤概率;为导弹最大过载;ω为导弹最大跟踪角速度;θ为导弹总离轴发射角;n1为无人机挂载导弹数量;
探测能力参数包括雷达探测能力参数C1和红外探测能力参数C2,即:
C=C1+C2
雷达探测能力参为:
式中,Rmax为雷达最大作用距离,αR为雷达最大搜索范围角;PR为雷达发现目标概率;
红外探测能力参数为:
其中:IRmax为红外探测设备最大作用距离;αIR为红外探测设备最大搜索范围角;PIR为雷达发现目标概率;
无人机的生存力参数为:
式中,w为飞机翼展;l为飞机全长;RCS为无人机迎头平均雷达截面积;
航程系数表示无人机的留空时间,其表达式为:
ε2=(dlmax/1400)0.25
式中,dlmax表示无人机内燃油最大航程;
步骤12,构建无人机空战态势评估模型,包括角度优势函数、距离优势函数、速度优势函数以及高度优势函数;
定义角度优势函数如下:
定义距离优势函数如下:
式中,D为我机与敌机之间的距离;DR为雷达最大搜索距离;DMmax、DMmin分别为最大、最小攻击距离;DMkmax、DMkmin分别为最大、最小不可逃逸距离;e为自然常数;
定义速度优势函数如下:
若VFbest>1.5VT
若VFbest≤1.5VT
式中,VF和VT分别为我机和敌机飞行速度;VFbest为我机最佳飞行速度;e为自然常数;
定义高度优势函数如下:
式中,HF和HT分别为我机和敌机飞行高度;HFbest为我机最佳飞行高度;e为自然常数;
综上,得到无人机的视距内空战综合优势函数为:
式中,max(SF(i),SF(j))表示敌我双方无人机的最大视距内空战能力;SF(i)、SF(j)分别为我方与敌方的无人机空战能力。
所述步骤2具体包括如下步骤:
视距内空战的目标分配模型应从降低敌机的生存概率以及我机的毁伤概率两方面来考虑,以此为原则,构建目标分配评估函数如下:
其中,xij=1表示我方第i架无人机攻击敌方第j架无人机,xij=0表示我方第i架无人机不攻击敌方第j架无人机,上述约束条件中,第一子式表示一架敌机最多被m架我机攻击;第二子式表示我方一架飞机最多能攻击s架敌机,且s必须少于我方第i架无人所携带的空空导弹数量Ki;
针对无人机协同空战决策目标分配问题,采用二进制编码,在目标分配问题中,采用以基因位表示无人机所对应的目标来编码,即每一个基因值代表无人机是否攻击对应的目标来编码;在战机编码时,单机编码位数等于敌机数目n,单机编码中,1表示本机向对应敌机进行攻击,0表示不攻击,单机编码即代表本机的一种攻击方案;设我机数目为m,则总的编码长度为n*m,这n*m位编号的改变就意味着攻击方案的改变;
在遗传算法中,规定适应值非负,且希望可求解其最大值,故对目标分配评估函做如下处理,建立适应函数f(x)与目标函数g(x)的映射关系为:
f(x)=Cmax-g(x),g(x)<Cmax
否则,f(x)=0;
其中,Cmax是一个输入值或者理论上的最大值,或者是到当前所有代中g(x)的最大值;则适应函数为:
令群体规模N=50;采用适应值比例计算选择概率,以赌轮盘方式执行;初始杂交概率为0.8,杂交方式为单点杂交;初始变异概率为0.001;终止条件:最大进化代数为T=150或者最优个体的适应度和群体适应度连续10代不再上升时;对最优个体进行保留:若进行遗传操作后的种群不包含上一代适应度最大的个体,则将当前适应度最小的个体替换为该最优个体,其中,最优个体的适应度小于被替换个体时不保留。
所述步骤3具体包括如下步骤:
步骤31,对无人机基本机动动作进行细化扩充,细化后的基本机动动作库包括减速前飞、匀速前飞、加速前飞、左侧爬升、爬升、右侧爬升、左转弯、右转弯、左侧俯冲、俯冲、右侧俯冲;
步骤32,构建无人机空战运动模型;
无人机在空中进行机动决策的过程就是进行机动动作选择的过程,采用三自由度质点运动模型对战机的飞行轨迹和相应姿态控制进行描述,忽略侧滑角的影响,战机三自由度质点运动模型如下:
式中,V,α和β分别为无人机飞行速度、航向角和俯仰角;nx和ny分别为无人机切向过载和法向过载;γ为战机坡度;g为重力加速度;
所述步骤4具体包括如下步骤:
步骤41,构建基于遗传模糊树的无人机协同空战决策模型:
每个节点的模糊集Nt描述了一个模糊子空间χt,令χr(T)为整个输入空间,则根节点上的模糊集Nr(T)定义为
从递推式得:μt(x)≤μp(t)(x),即每个子节点模糊集包含于其父节点模糊集,即父节点上模糊子空间被左右子节点划分为两个更小的模糊子空间;最终,样本空间划分为所有叶节点的模糊子空间;在每个叶节点上的模糊子空间内定义一条Takagi-Sugeno型模糊规则L(t):如果x为则
步骤42,模糊树模型参数辨识:
θt的值通过下式计算:
步骤43,模糊树模型结构辨识:
对于树结构个体,采用如下的矩阵编码方法:规定根节点的编号Na=1;对于非根节点,若为左子节点则编号Na=2×NF(a),NF(a)为父节点的编号,若为右子节点Na=2×NF(a)+1;以节点自身的编号、左右子节点以及父节点的编号按顺序构造一个四元组,作为该节点的编码Ncode,若无父节点或子节点对应的编号为0;
将各节点的编码进行聚合并按照节点编号排列,得到整棵树的矩阵编码;
遗传算法对模糊树结构寻优的目的是找到一个满足一定精度条件下的最简模型,故模型的优劣可从精度和复杂度这两个方面来衡量,模型的精度由准则函数E表示,E越小,则精度越高;模糊树模型的复杂度可由模糊树叶节点的个数M来反映,M越小,则模型的复杂度就越低;因此,反映模型品质的树个体适应度定义如下:
式中,WE、WM为权值(WE+WM=1),g(T)表示树个体T的适应度,g(T)>0;
步骤44,基于遗传模糊树的无人机协同空战决策技术模型的输入输出:
模型的输入信息包括三方面的内容:我方无人机空战能力、无人机空战能力以及无人机空战态势,空战能力信息存放在数据库中,在准确识别敌机机型之后进行选取求解;无人机空战态势则随双方位置不断变化而改变,随空战态势的改变,我机的最优机动动作选取也随之而改变;最优机动动作由遗传算法来进行求解:
选取机动动作完成后无人机空战综合优势函数作为适应度函数,则
令群体规模N=50;采用适应值比例计算选择概率,以赌轮盘方式执行;初始杂交概率为0.8,杂交方式为单点杂交;初始变异概率为0.001;终止条件:最大进化代数为T=150或者最优个体的适应度和群体适应度连续10代不再上升时;对最优个体进行保留。将最优机动动作记作lmax;
将训练数据lmax成对输入模糊树中,对模糊树的参数进行辨识,再由遗传算法寻得最优模糊树,此模型即为基于遗传模糊树的无人机协同空战决策模型,输入当前无人机空战态势,即由最优模糊树得到机动动作值记作lw(lw∈[1121]),对lw作四舍五入处理得整数值,即可对应得到机动动作。
有益效果:相比于现有技术,本发明的优点在于:
1、无人机协同空战中,可以给出最优目标分配结果,使得我方存活率以及敌机毁伤率达到最高。
2、在目标分配的基础上,小规模无人机作战中,可以指示无人机做出最优机动决策,使得我机占据空战优势。
附图说明
图1是本发明的流程图;
图2是改进基本机动动作库示意图;
图3是模糊树结构示意图;
图4是交叉算子示意图;
图5是变异算子示意图;
图6是航向角曲线;
图7是飞行高度曲线;
图8是飞行速度曲线;
图9是空战优势曲线。
具体实施方式
下面结合附图对本发明做更进一步的解释。
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明公开了一种基于遗传模糊树的无人机协同空战决策技术,属于兵器系统技术领域。首先建立无人机协同空战综合优势评价指标体系,主要包含两个方面的内容:无人机空战能力评估模型以及无人机空战态势评估模型;其次,在无人机协同空战综合优势评价模型的基础上,建立目标分配评估函数,对其适当修改后作为遗传算法的适应度函数,由遗传算法寻找最优目标分配结果;随后,构建无人机空战运动模型并对传统基本机动动作库进行改进;最后,构建基于遗传模糊树的无人机协同空战决策模型,由样本数据对模糊树进行参数辨识,样本输入为当前空战态势,样本输入为由改进遗传算法寻优得到的最优机动动作;用遗传算法对模糊树结构进行辨识,求得满足精度要求且复杂度较低的无人机协同空战决策模型。仿真验证了本发明所采取的基于遗传模糊树的无人机协同空战决策方法的可行性和有效性。其具体技术方案如下:
一种基于遗传模糊树的无人机协同空战决策技术,包括如下步骤:
步骤1,建立无人机协同空战综合优势评价指标体系,主要包含两个方面的内容:无人机空战能力评估模型以及无人机空战态势评估模型;空战能力评估包含机动性,火力以及探测能力等;空战态势评估主要由角度优势、距离优势、速度优势、高度优势四个方面来考虑;具体过程包括如下步骤:
步骤11,无人机空战能力评估模型构建,包含机动性,火力以及探测能力等;
SF=[lnA+ln(∑B+1)+ln(∑C+1)+1]ε1ε2ε3
式中,SF为无人机空战能力指数;A为机动参数;B为火力参数;C为探测能力参数;ε1为生存力参数;ε2为航程系数;ε3为无人机电子对抗能力系数;
机动参数主要考虑了现代空战中飞机机动、武器发射以及过失速机动能力的特点,未考虑现代战机的过失速机动能力,定义飞机的机动能力为:
其中,ny盘为飞机海平面最大稳定盘旋过载;nymax为飞机的最大可用过载;αmax为过失速机动最大可用迎角,SEP为飞机的能量爬升率,又称单位重力剩余功率;
火力参数要考虑不同的机载武器分别计算,本发明主要考虑无人机上的空空导弹,则战机的火力参数为:
其中,rmax为空空导弹最大有效射程;Δhmax为空空导弹允许发射总高度差;ψ为空空导弹发射包线总攻击角;Pk为空空导弹单发杀伤概率;为导弹最大过载;ω为导弹最大跟踪角速度;θ为导弹总离轴发射角;n1为无人机挂载导弹数量;
探测能力主要考虑雷达、红外探测设备两方面因素,其探测能力参数分别为C1、C2:
C=C1+C2
雷达的探测能力为:
其中,Rmax为雷达最大作用距离,αR为雷达最大搜索范围角;PR为雷达发现目标概率。
红外探测设备的探测能力为:
其中,IRmax为红外探测设备最大作用距离;αIR为红外探测设备最大搜索范围角;PIR为雷达发现目标概率。
无人机的生存系数主要考虑飞机的几何尺寸和雷达截面积两方面的因素:
其中,w为飞机翼展;l为飞机全长(含空速管的长度);RCS为无人机迎头平均雷达截面积。
无人机留空时间与作战效能有很大的关系;对于无人机的留空时间,本发明用航程系数来表示:
ε2=(dlmax/1400)0.25
其中:dlmax表示机内燃油最大航程。
由于保密原因,对各种无人机的电子对抗能力ε3只能有个粗略的了解,难以做出精确的量化估计。对无人机的电子对抗能力系数按照机载电子设备的不同进行了估值,估值如表所示:
表1电子对抗能力系数
本发明中,取ε3=1.10。
综上,即可求得战机的视距内空战能力SF;
步骤12,无人机空战态势评估模型构建,主要从四个方面来考虑:角度优势、距离优势、速度优势以及高度优势。下面进行一一介绍:
我机的角度优势应综合考虑敌机是否在我机雷达探测角和导弹离轴发射角范围内。根据敌我机几何态势划分情况,定义角度优势函数如下:
其中:e为自然常数;VF和VT分别为我机速度矢量和敌机速度矢量;和分别为空空导弹最大不可逃逸区最大偏角、空空导弹最大离轴发射角和雷达最大搜索方位角;LOS为敌机与我机的连线;为我机相对敌机的提前角;q为我机进入角。定义距离优势函数如下:
其中:D为我机与敌机之间的距离;DR为雷达最大搜索距离;DMmax、DMmin分别为最大、最小攻击距离;DMkmax、DMkmin分别为最大、最小不可逃逸距离;e为自然常数;
定义速度优势函数如下:
若VFbest>1.5VT
若VFbest≤1.5VT
其中:VF和VT分别为我机和敌机飞行速度;VFbest为我机最佳飞行速度;e为自然常数;定义高度优势函数如下:
其中:HF和HT分别为我机和敌机飞行高度;HFbest为我机最佳飞行高度。
综上可得无人机的视距内空战综合优势函数为:
其中,max(SF(i),SF(j))表示敌我双方无人机的最大视距内空战能力;SF(i)、SF(j)分别为我方与敌方的无人机空战能力。
步骤2,在步骤1对无人机协同空战综合优势评价模型的基础上,建立目标分配评估函数,对其适当修改后作为遗传算法的适应度函数,由遗传算法寻找最优目标分配结果,构建基于遗传算法的无人机协同空战目标分配模型;具体步骤如下:
视距内空战的目标分配模型应从降低敌机的生存概率以及我机的毁伤概率两方面来考虑。以此为原则,构建目标函数如下:
其中,xij=1表示我方第i架无人机攻击敌方第j架无人机,xij=0表示我方第i架无人机不攻击敌方第j架无人机。约束条件中,第一子式表示一架敌机最多被m架我机攻击;第二子式表示我方一架飞机最多能攻击s架敌机,且s必须少于我方第i架无人所携带的空空导弹数量Ki。
针对无人机协同空战决策目标分配问题,本发明采用二进制编码。在目标分配问题中,采用以基因位表示无人机所对应的目标来编码,即每一个基因值代表无人机是否攻击对应的目标来编码。在战机编码时,单机编码位数等于敌机数目n,例如某机编码为100001,1表示本机向对应敌机进行攻击,0表示不攻击,100001即代表本机的一种攻击方案(本机同时攻击两架敌机)。假设我机数目为m,则总的编码长度为n*m,这n*m位编号的改变就意味着攻击方案的改变。
在遗传算法中,规定适应值非负,且希望可求解其最大值,故对目标函数做如下处理,建立适应函数f(x)与目标函数g(x)的映射关系为:
f(x)=Cmax-g(x),g(x)<Cmax
否则,f(x)=0。其中,Cmax可以是一个输入值或者理论上的最大值,或者是到当前所有代中g(x)的最大值,此时Cmax随着代数会有变化。本发明取Cmax为当前所有代中g(x)的最大值。则适应函数为:
令群体规模N=50;采用适应值比例计算选择概率,以赌轮盘方式执行;初始杂交概率为0.8,杂交方式为单点杂交;初始变异概率为0.001;终止条件:最大进化代数为T=150或者最优个体的适应度和群体适应度连续10代不再上升时;对最优个体进行保留:若进行遗传操作后的种群不包含上一代适应度最大的个体,则将当前适应度最小的个体替换为该最优个体(最优个体的适应度小于被替换个体时不保留)。
步骤3,在步骤2目标分配完成的基础上,构建无人机空战运动模型并对传统基本机动动作库进行改进;具体步骤如下:
步骤31,改进机动动作库
本发明根据传统基本操纵动作库中存在的问题,对机动动作进行细化扩充,细化后的基本机动动作库包括减速前飞、匀速前飞、加速前飞、左侧爬升、爬升、右侧爬升、左转弯、右转弯、左侧俯冲、俯冲、右侧俯冲,如图2所示。
步骤,2,无人机空战运动模型
无人机在空中进行机动决策的过程就是进行机动动作选择的过程。本发明采用简单实用的三自由度质点运动模型对战机的飞行轨迹和相应姿态控制进行研究。忽略侧滑角的影响,战机三自由度质点运动模型如下:
式中:V,α和β分别为无人机飞行速度、航向角和俯仰角;nx和ny分别为无人机切向过载和法向过载;γ为战机坡度;g为重力加速度,本发明取9.8m/s2。
步骤4,在步骤2.3的基础上,构建基于遗传模糊树的无人机协同空战决策模型,由样本数据对模糊树进行参数辨识,样本输入为当前空战态势,样本输入为由改进遗传算法寻优得到的最优机动动作;用遗传算法对模糊树结构进行辨识,求得满足精度要求且复杂度较低的无人机协同空战决策模型,具体步骤如下:
步骤41,模糊树模型的结构。
每个节点的模糊集Nt描述了一个模糊子空间χt。令χr(T)为整个输入空间,则根节点上的模糊集Nr(T)定义为
从递推式可得:μt(x)≤μp(t)(x),即每个子节点模糊集包含于其父节点模糊集,即父节点上模糊子空间被左右子节点划分为两个更小的模糊子空间。最终,样本空间划分为所有叶节点的模糊子空间。在每个叶节点上的模糊子空间内定义一条Takagi-Sugeno型模糊规则L(t):如果x为则
与典型的Takagi-Sugeno型的模糊规则不同的是,这里的前提变量是一个向量。
模糊树模型的建模包括模型参数的辨识和模糊结构的辨识,前者采用混合训练算法,后者采用遗传算法。
步骤42,模糊树模型参数辨识
θt的值通过下式计算:
步骤43,模糊树模型结构辨识—基于遗传算法的模糊树模型结构学习。
对于树结构个体,无法采用二进制编码。本发明采用了一种针对FT模型二叉树结构的矩阵编码方法——矩阵编码,这种编码方式简单,而且非常适合遗传算法的各个遗传操作。具体规则如下:规定根节点的编号Na=1;对于非根节点,若为左子节点则编号Na=2×NF(a),NF(a)为父节点的编号,若为右子节点Na=2×NF(a)+1;以节点自身的编号、左右子节点以及父节点的编按顺序构造一个四元组,作为该节点的编码Ncode(若无父节点或子节点对应的编号为0)。
将各节点的编码进行聚合并按照节点编号排列,可得到整棵树的矩阵编码。图3中二叉树的矩阵编码如下式所示:
其中,矩阵的四行分别为各节点的编号、左、右子节点的编号和父节点的编号。矩阵编码完整的记录每个节点的父子关系,适用于任意结构的二叉树模型。
遗传算法对模糊树结构寻优的目的是找到一个满足一定精度条件下的最简模型,故模型的优劣可从精度和复杂度这两个方面来衡量模型的精度由准则函数E表示,E越小,则精度越高;模糊树模型的复杂度可由模糊树叶节点的个数M来反映,M越小,则模型的复杂度就越低。因此,反映模型品质的树个体适应度可定义如下:
式中WE、WM为权值(WE+WM=1),g(T)表示树个体T的适应度(g(T)>0)。
算法流程如下:
第一步:初始化。需要预先设置参数训练有关内容:线性参数Ct的训练方法、模糊带宽度|α|和准则函数;遗传算法有关参数:迭代次数N、种群规模Mp、权值WE(WM)、选择概率Ps,交叉概率Pc、变异概率Pm和最大深度hmax。
第二步:生成初始种群。根据种群规模Mp,均匀生成深度由1至hmax的树个体作为初始种群,涵盖各可行深度以改善全局搜索能力。按照模糊树模型的建模算法对各节点信息进行求解。
第三步:模型适应度计算。取g(T)作为矩阵编码遗传算法的适应度函数,并求得所有模糊树模型个体的适应度值。
第四步:选择。本发明后续算法均采用适应值比例计算选择概率,以赌轮盘方式执行;
第五步:交叉。两个个体是否进行交叉由交叉概率Pc决定。如图4所示,随机在两个待交叉个体的非根节点中选择交叉点,然后将以交叉点作为根节点的两棵子树进行交换。按照模糊树模型的建模算法对各节点信息进行求解。交叉完成后,按照新个体的结构从交叉点处重新划分叶子节点。
第六步:变异。树个体是否变异由变异概率Pm决定。如图5所示,在变异个体上随机选取一个子树,然后用一个随机产生的树来代替被选的子树。变异完成后,按照新个体的结构从变异处重新划分叶子节点。
第七步:最优个体保留。若进行遗传操作后的种群不包含上一代适应度最大的个体,则将当前适应度最小的个体替换为该最优个体(最优个体的适应度小于被替换个体时不保留)。
第八步:结束条件。当迭代次数超过给定代次或最优个体误差小于给定值时,结束算法。
步骤44,基于遗传模糊树的无人机协同空战决策技术模型的输入输出。
由步骤1所述无人机空战能力评估模型可知,输入信息包括三方面的内容:我方无人机空战能力、无人机空战能力以及无人机空战态势,空战能力信息可以存放在数据库中,在准确识别敌机机型之后进行选取求解;无人机空战态势则随双方位置不断变化而改变,随空战态势的改变,我机的最优机动动作选取也随之而改变。最优机动动作也由遗传算法来进行求解:
机动动作编码:每个复杂的基本动作均可拆分为基本动作的组合,本发明仅考虑由两个机动动作组合而成的机动动作及单个机动动作。则共有121个机动动作,记作L=[l0,…li,…l120](li∈[1121])采用十进制编码,例如:1表示匀速前飞;12表示匀速前飞加左转弯。
选取机动动作完成后无人机空战综合优势函数作为为适应度函数,则
令群体规模N=50;采用适应值比例计算选择概率,以赌轮盘方式执行;初始杂交概率为0.8,杂交方式为单点杂交;初始变异概率为0.001;终止条件:最大进化代数为T=150或者最优个体的适应度和群体适应度连续10代不再上升时;对最优个体进行保留。将最优机动动作记作lmax。
将训练数据(lmax)成对输入模糊树中,对模糊树的参数进行辨识,再由遗传算法寻得最优模糊树(满足精度要求且复杂度较低的模糊树),此模型即为基于遗传模糊树的无人机协同空战决策模型。输入当前无人机空战态势,即可由最优模糊树得到机动动作值记作lw(lw∈[1121]),对lw作四舍五入处理得整数值,即可对应得到机动动作,例:lw=1.4,则机动动作为匀速前飞。
步骤45,基于遗传模糊树的无人机协同空战决策技术模型的仿真。
模拟空战态势:
表2双方战机速度及位置信息
η为无人机速度方向与x轴正方向(上方为正)所成夹角(η∈(-180° 180°]);
由遗传算法求得的目标分配方案为010 001 100,即:我方1号无人机攻击敌方2号无人机,我方1号无人机攻击敌方2号无人机,我方1号无人机攻击敌方2号无人机的目标分配方案。仿真验证可以达到我方损伤最小,敌机损伤最大。
以1号无人机攻击敌方2号无人机为例,进行模糊树模型的构建,并进行仿真验证,仿真结果如图6至9所示:
图6至8描述了敌我双方在空战对抗中的运动轨迹以及敌我双方航向角、飞行高度、飞行速度等参数的变化情况。由图可知,初始阶段我机在飞行高度和飞行速度上与敌机相比较具有一定的优势,在角度上处于劣势。图9描述了敌我双方的空战优势变化情况,可以看出,我机在空战初始阶段处于相对劣势地位,通过不断地进行合理的机动决策,由劣势地位转化为优势地位,并能够在大多数情况下保持相对优势,证明了本发明所采取的基于遗传模糊树的无人机协同空战决策方法的可行性和有效性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于遗传模糊树的无人机协同空战决策方法,其特征在于:包括以下步骤:
步骤1,建立无人机协同空战综合优势评价指标体系,该体系包括无人机空战能力评估模型以及无人机空战态势评估模型;其中,无人机空战能力评估包括机动性、火力以及探测能力,无人机空战态势评估包括角度优势、距离优势、速度优势、高度优势;所述步骤1具体包括如下步骤:
步骤11,构建如下的无人机空战能力评估模型:
SF=[ln A+ln(∑B+1)+ln(∑C+1)+1]ε1ε2ε3
式中,SF为无人机空战能力指数;A为机动参数;B为火力参数;C为探测能力参数;ε1为生存力参数;ε2为航程系数;ε3为无人机电子对抗能力系数;
上述无人机空战能力评估模型中:
机动参数为:
式中,ny盘为飞机海平面最大稳定盘旋过载;nymax为飞机的最大可用过载;αmax为过失速机动最大可用迎角,SEP为飞机的能量爬升率;
火力参数为:
式中,rmax为空空导弹最大有效射程;Δhmax为空空导弹允许发射总高度差;ψ为空空导弹发射包线总攻击角;Pk为空空导弹单发杀伤概率;为导弹最大过载;ω为导弹最大跟踪角速度;为导弹总离轴发射角;n1为无人机挂载导弹数量;
探测能力参数包括雷达探测能力参数C1和红外探测能力参数C2,即:
C=C1+C2
雷达探测能力参为:
式中,Rmax为雷达最大作用距离,αR为雷达最大搜索范围角;PR为雷达发现目标概率;
红外探测能力参数为:
其中:IRmax为红外探测设备最大作用距离;αIR为红外探测设备最大搜索范围角;PIR为雷达发现目标概率;
无人机的生存力参数为:
式中,w为飞机翼展;l为飞机全长;RCS为无人机迎头平均雷达截面积;
航程系数表示无人机的留空时间,其表达式为:
ε2=(dlmax/1400)0.25
式中,dlmax表示无人机内燃油最大航程;
步骤12,构建无人机空战态势评估模型,包括角度优势函数、距离优势函数、速度优势函数以及高度优势函数;
定义角度优势函数如下:
定义距离优势函数如下:
式中,D为我机与敌机之间的距离;DR为雷达最大搜索距离;DMmax、DMmin分别为最大、最小攻击距离;DMkmax、DMkmin分别为最大、最小不可逃逸距离;e为自然常数;
定义速度优势函数如下:
若VFbest>1.5VT
若VFbest≤1.5VT
式中,VF和VT分别为我机和敌机飞行速度;VFbest为我机最佳飞行速度;e为自然常数;
定义高度优势函数如下:
式中,HF和HT分别为我机和敌机飞行高度;HFbest为我机最佳飞行高度;e为自然常数;
综上,得到无人机的视距内空战综合优势函数为:
式中,max(SF(i),SF(j))表示敌我双方无人机的最大视距内空战能力;SF(i)、SF(j)分别为我方与敌方的无人机空战能力;
步骤2,建立目标分配评估函数,对其修改后作为遗传算法的适应度函数,由遗传算法寻找最优目标分配结果,构建基于遗传算法的无人机协同空战目标分配模型;
所述步骤2具体包括如下步骤:
视距内空战的目标分配模型应从降低敌机的生存概率以及我机的毁伤概率两方面来考虑,以此为原则,构建目标分配评估函如下:
其中,xij=1表示我方第i架无人机攻击敌方第j架无人机,xij=0表示我方第i架无人机不攻击敌方第j架无人机,上述约束条件中,第一子式表示一架敌机最多被m架我机攻击;第二子式表示我方一架飞机最多能攻击s架敌机,且s必须少于我方第i架无人所携带的空空导弹数量Ki;
针对无人机协同空战决策目标分配问题,采用二进制编码,在目标分配问题中,采用以基因位表示无人机所对应的目标来编码,即每一个基因值代表无人机是否攻击对应的目标来编码;在战机编码时,单机编码位数等于敌机数目n,单机编码中,1表示本机向对应敌机进行攻击,0表示不攻击,单机编码即代表本机的一种攻击方案;设我机数目为m,则总的编码长度为n*m,这n*m位编号的改变就意味着攻击方案的改变;
在遗传算法中,规定适应值非负,且可求解其最大值,故对目标分配评估函做如下处理,建立适应函数f(x)与目标函数g(x)的映射关系为:
f(x)=Cmax-g(x),g(x)<Cmax
否则,f(x)=0;
其中,Cmax是一个输入值,其为理论上的最大值或者是到当前所有代中g(x)的最大值;则适应函数为:
令群体规模N=50;采用适应值比例计算选择概率,以赌轮盘方式执行;初始杂交概率为0.8,杂交方式为单点杂交;初始变异概率为0.001;终止条件:最大进化代数为T=150或者最优个体的适应度和群体适应度连续10代不再上升时;对最优个体进行保留:若进行遗传操作后的种群不包含上一代适应度最大的个体,则将当前适应度最小的个体替换为该最优个体,其中,最优个体的适应度小于被替换个体时不保留;
步骤3,构建无人机空战运动模型,并对无人机基本机动动作库进行细化扩充;
所述步骤3具体包括如下步骤:
步骤31,对无人机基本机动动作进行细化扩充,细化后的基本机动动作库包括减速前飞、匀速前飞、加速前飞、左侧爬升、爬升、右侧爬升、左转弯、右转弯、左侧俯冲、俯冲、右侧俯冲;
步骤32,构建无人机空战运动模型;
无人机在空中进行机动决策的过程就是进行机动动作选择的过程,采用三自由度质点运动模型对战机的飞行轨迹和相应姿态控制进行描述,忽略侧滑角的影响,战机三自由度质点运动模型如下:
式中,V,α和β分别为无人机飞行速度、航向角和俯仰角;nx和ny分别为无人机切向过载和法向过载;γ为战机坡度;g为重力加速度;
步骤4,构建基于遗传模糊树的无人机协同空战决策模型,由样本数据对模糊树进行参数辨识,样本输入为当前空战态势,样本输出为由改进遗传算法寻优得到的最优机动动作;用遗传算法对模糊树结构进行辨识,求得满足精度要求且复杂度较低的无人机协同空战决策模型;
所述步骤4具体包括如下步骤:
步骤41,构建基于遗传模糊树的无人机协同空战决策模型:
每个节点的模糊集Nt描述了一个模糊子空间χt,令χr(T)为整个输入空间,则根节点上的模糊集Nr(T)定义为
从递推式得:μt(x)≤μp(t)(x),即每个子节点模糊集包含于其父节点模糊集,即父节点上模糊子空间被左右子节点划分为两个更小的模糊子空间;最终,样本空间划分为所有叶节点的模糊子空间;在每个叶节点上的模糊子空间内定义一条Takagi-Sugeno型模糊规则L(t):如果x为则
步骤42,模糊树模型参数辨识:
由于叶节点的权向量与模糊树模型的输出为线性关系,因而通过最小化E得到cT的最小二乘解:
cT=(XTX)-1XTY
θt的值通过下式计算:
步骤43,模糊树模型结构辨识:
对于树结构个体,采用如下的矩阵编码方法:规定根节点的编号Na=1;对于非根节点,若为左子节点则编号Na=2×NF(a),NF(a)为父节点的编号,若为右子节点Na=2×NF(a)+1;以节点自身的编号、左右子节点以及父节点的编按顺序构造一个四元组,作为该节点的编码Ncode,若无父节点或子节点对应的编号为0;
将各节点的编码进行聚合并按照节点编号排列,得到整棵树的矩阵编码;
遗传算法对模糊树结构寻优的目的是找到一个满足一定精度条件下的最简模型,故模型的优劣可从精度和复杂度这两个方面来衡量模型的精度由准则函数E表示,E越小,则精度越高;模糊树模型的复杂度可由模糊树叶节点的个数M来反映,M越小,则模型的复杂度就越低;因此,反映模型品质的树个体适应度定义如下:
式中,WE、WM为权值(WE+WM=1),g(T)表示树个体T的适应度,g(T)>0;
步骤44,基于遗传模糊树的无人机协同空战决策技术模型的输入输出:
模型的输入信息包括三方面的内容:我方无人机空战能力、无人机空战能力以及无人机空战态势,空战能力信息存放在数据库中,在准确识别敌机机型之后进行选取求解;无人机空战态势则随双方位置不断变化而改变,随空战态势的改变,我机的最优机动动作选取也随之而改变;最优机动动作由遗传算法来进行求解:
选取机动动作完成后无人机空战综合优势函数作为为适应度函数,则
令群体规模N=50;采用适应值比例计算选择概率,以赌轮盘方式执行;初始杂交概率为0.8,杂交方式为单点杂交;初始变异概率为0.001;终止条件:最大进化代数为T=150或者最优个体的适应度和群体适应度连续10代不再上升时;对最优个体进行保留,将最优机动动作记作lmax;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010012883.3A CN111240353B (zh) | 2020-01-07 | 2020-01-07 | 基于遗传模糊树的无人机协同空战决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010012883.3A CN111240353B (zh) | 2020-01-07 | 2020-01-07 | 基于遗传模糊树的无人机协同空战决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111240353A CN111240353A (zh) | 2020-06-05 |
CN111240353B true CN111240353B (zh) | 2021-06-15 |
Family
ID=70864857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010012883.3A Active CN111240353B (zh) | 2020-01-07 | 2020-01-07 | 基于遗传模糊树的无人机协同空战决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111240353B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784168A (zh) * | 2020-07-02 | 2020-10-16 | 航天物联网技术有限公司 | 一种基于多源数据融合模型的军事训练水平综合评估方法 |
CN111888767B (zh) * | 2020-07-06 | 2022-08-30 | 西北工业大学 | 一种模拟环境中的导弹灰盒仿真器弹道配准方法 |
CN111898201B (zh) * | 2020-07-08 | 2022-07-12 | 西北工业大学 | 一种空战模拟环境中的战斗机高精度自主攻击引导方法 |
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 |
CN112817959B (zh) * | 2021-02-25 | 2023-03-24 | 西北大学 | 基于多度量指标权重的古生物形态系统发育树构建方法 |
CN113962013B (zh) * | 2021-07-23 | 2024-05-28 | 中国科学院自动化研究所 | 飞行器对抗决策方法及装置 |
CN113625739A (zh) * | 2021-08-25 | 2021-11-09 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于试探机动选择算法的专家系统优化方法 |
CN113885576A (zh) * | 2021-10-29 | 2022-01-04 | 南京航空航天大学 | 基于深度强化学习的无人机编队环境建立与控制方法 |
CN114494196B (zh) * | 2022-01-26 | 2023-11-17 | 南通大学 | 基于遗传模糊树的视网膜糖尿病变深度网络检测方法 |
CN115097864B (zh) * | 2022-06-27 | 2023-03-28 | 中国人民解放军海军航空大学 | 一种多机编队任务分配方法 |
CN115270634B (zh) * | 2022-08-04 | 2023-10-20 | 南京航空航天大学 | 一种适用于自主空战领域的反事实解释生成方法及系统 |
CN116910481B (zh) * | 2023-07-27 | 2024-02-02 | 中国舰船研究设计中心 | 一种基于遗传算法的船舶任务系统装载弹量优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425840A (zh) * | 2013-08-14 | 2013-12-04 | 西北工业大学 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
CN104951898A (zh) * | 2015-07-02 | 2015-09-30 | 北京理工大学 | 一种面向任务的协同多智能体联盟形成方法 |
CN107390706A (zh) * | 2017-07-26 | 2017-11-24 | 北京航空航天大学 | 一种基于预演机动规则系统的无人机近距格斗决策方法 |
KR20180051135A (ko) * | 2016-11-08 | 2018-05-16 | 주식회사 블루젠드론 | 무인 비행기용 마일즈 시스템 |
CN108319286A (zh) * | 2018-03-12 | 2018-07-24 | 西北工业大学 | 一种基于强化学习的无人机空战机动决策方法 |
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 |
CN111221352A (zh) * | 2020-03-03 | 2020-06-02 | 中国科学院自动化研究所 | 基于多无人机协同博弈对抗的控制系统 |
-
2020
- 2020-01-07 CN CN202010012883.3A patent/CN111240353B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425840A (zh) * | 2013-08-14 | 2013-12-04 | 西北工业大学 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
CN104951898A (zh) * | 2015-07-02 | 2015-09-30 | 北京理工大学 | 一种面向任务的协同多智能体联盟形成方法 |
KR20180051135A (ko) * | 2016-11-08 | 2018-05-16 | 주식회사 블루젠드론 | 무인 비행기용 마일즈 시스템 |
CN107390706A (zh) * | 2017-07-26 | 2017-11-24 | 北京航空航天大学 | 一种基于预演机动规则系统的无人机近距格斗决策方法 |
CN108319286A (zh) * | 2018-03-12 | 2018-07-24 | 西北工业大学 | 一种基于强化学习的无人机空战机动决策方法 |
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 |
CN111221352A (zh) * | 2020-03-03 | 2020-06-02 | 中国科学院自动化研究所 | 基于多无人机协同博弈对抗的控制系统 |
Non-Patent Citations (4)
Title |
---|
Beyond-Visual-Range Tactical Game Strategy for Multiple UAVs;Liu zhen 等;《IEEE》;20200213;全文 * |
一种新的模糊遗传算法;李擎 等;《北京科技大学学报》;20011231;第23卷(第1期);第85-88页 * |
基于MATLAB的无人机攻防决策优化仿真;刘佐 等;《火力与指挥控制》;20141231;第38卷(第12期);第187-189页 * |
基于模糊遗传算法的先进战机协同攻防决策;徐超 等;《火力与指挥控制》;20200512;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111240353A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
Huang et al. | UAV path planning based on particle swarm optimization with global best path competition | |
Hu et al. | Application of deep reinforcement learning in maneuver planning of beyond-visual-range air combat | |
Huang et al. | Multi-model cooperative task assignment and path planning of multiple UCAV formation | |
CN113791634A (zh) | 一种基于多智能体强化学习的多机空战决策方法 | |
CN110928329B (zh) | 一种基于深度q学习算法的多飞行器航迹规划方法 | |
Wang et al. | Improving maneuver strategy in air combat by alternate freeze games with a deep reinforcement learning algorithm | |
CN107063255A (zh) | 一种基于改进果蝇优化算法的三维航路规划方法 | |
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 | |
CN113962012B (zh) | 无人机对抗策略优化方法及装置 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN114330115B (zh) | 一种基于粒子群搜索的神经网络空战机动决策方法 | |
CN111461294B (zh) | 面向动态博弈的智能飞行器类脑认知学习方法 | |
CN113625740B (zh) | 一种基于迁移学习鸽群优化的无人机空战博弈方法 | |
CN114239728A (zh) | 一种多域战场态势评估与威胁排序方法 | |
CN112947541A (zh) | 一种基于深度强化学习的无人机意图航迹预测方法 | |
CN115951709A (zh) | 基于td3的多无人机空战策略生成方法 | |
CN113608546B (zh) | 量子海狮机制的无人机群任务分配方法 | |
CN113741186B (zh) | 一种基于近端策略优化的双机空战决策方法 | |
Qiu et al. | One-to-one air-combat maneuver strategy based on improved TD3 algorithm | |
Xianyong et al. | Research on maneuvering decision algorithm based on improved deep deterministic policy gradient | |
Wang et al. | Deep reinforcement learning-based air combat maneuver decision-making: literature review, implementation tutorial and future direction | |
Zhu et al. | Mastering air combat game with deep reinforcement learning | |
CN116432030A (zh) | 一种基于深度强化学习的空战多意图策略自主生成方法 | |
Lei et al. | A new machine learning framework for air combat intelligent virtual opponent |
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 |