CN111240366A - 一种基于遗传模拟退火算法的蜂群无人机协同攻击方法 - Google Patents

一种基于遗传模拟退火算法的蜂群无人机协同攻击方法 Download PDF

Info

Publication number
CN111240366A
CN111240366A CN201911382117.XA CN201911382117A CN111240366A CN 111240366 A CN111240366 A CN 111240366A CN 201911382117 A CN201911382117 A CN 201911382117A CN 111240366 A CN111240366 A CN 111240366A
Authority
CN
China
Prior art keywords
attack
unmanned aerial
simulated annealing
cooperative
blue
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.)
Pending
Application number
CN201911382117.XA
Other languages
English (en)
Inventor
林清
沈洋
林路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Lingkong Electronic Technology Co Ltd
Original Assignee
Xian Lingkong Electronic Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Lingkong Electronic Technology Co Ltd filed Critical Xian Lingkong Electronic Technology Co Ltd
Priority to CN201911382117.XA priority Critical patent/CN111240366A/zh
Publication of CN111240366A publication Critical patent/CN111240366A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/12—Target-seeking control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • Physiology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遗传模拟退火算法的蜂群无人机协同攻击方法，具体按照以下步骤实施：步骤1、对对抗双方空战态势进行分析；步骤2、基于多目标攻击进行建模；步骤3、协同多目标优化求解。步骤1具体过程如下：设有蓝、红敌对的两方进行对抗，当蓝方雷达发现某一空域中有N架红方飞机来袭，蓝方派出M架具有多目标攻击能力的无人机对其进行协同攻击拦截。本发明一种基于遗传模拟退火算法的蜂群无人机协同攻击方法，实现蜂群无人机的协同多目标攻击决策，获得了最佳协同攻击决策方案。

Description

一种基于遗传模拟退火算法的蜂群无人机协同攻击方法
技术领域
本发明属于无人机攻击方法技术领域，具体涉及一种基于遗传模拟退火算法的蜂群无人机协同攻击方法。
背景技术
近年来，无人机技术取得了突破性的进展。有人驾驶飞机相比，无人机具有尺寸小、重量轻、成本低、维护少、隐蔽性强、机动性高、适应性强等优点，已广泛应用于侦察、监视、攻击、拦截等作战任务中，得到了广泛的关注。
近年来，无人机技术取得了突破性的进展。有人驾驶飞机相比，无人机具有尺寸小、重量轻、成本低、维护少、隐蔽性强、机动性高、适应性强等优点，已广泛应用于侦察、监视、攻击、拦截等作战任务中，得到了广泛的关注。
发明内容
本发明的目的是提供一种基于遗传模拟退火算法的蜂群无人机协同攻击方法，实现蜂群无人机的协同多目标攻击决策，获得了最佳协同攻击决策方案。
本发明所采用的技术方案是，一种基于遗传模拟退火算法的蜂群无人机协同攻击方法，具体按照以下步骤实施：
步骤1、对对抗双方空战态势进行分析；
步骤2、基于多目标攻击进行建模；
步骤3、协同多目标优化求解。
本发明的特点还在于：
步骤1具体过程如下：
设有蓝、红敌对的两方进行对抗，当蓝方雷达发现某一空域中有N架红方飞机来袭，蓝方派出M架具有多目标攻击能力的无人机对其进行协同攻击拦截；
空战中，一方对另一方总体态势威胁可表示为各状态参量威胁因子的组合函数，蓝机Bi对红机Rj的攻击总体威胁可表示为：
Figure BDA0002342529870000021
式中，w1+w2＝1为加权系数；
Figure BDA0002342529870000022
为距离威胁因子；
Figure BDA0002342529870000023
为速度威胁因子。
步骤2具体过程如下：
协同多目标攻击决策的目的是将N架红机分配给M架蓝机进行攻击以实现最佳的协同攻击效能；蓝方机群对红军机群进行协同攻击后，红军机群对蓝军机群的预期总剩余威胁来衡量攻击效能。
协同攻击通常基于如下假设开展：
(1)对所欲攻击的目标至少分配一枚导弹攻击；
(2)认为威胁较大的目标分配两枚导弹进行攻击；
空战决策问题就是要寻找最优的导弹目标分配方案使机群R的总预期剩余威胁评估函数值最小：
Figure BDA0002342529870000024
式中，π表示蓝军对于红军目标的导弹攻击配对决策方案；Xkj表示布尔值；Xkj＝1表示蓝方导弹K攻击红方J；Xkj＝0表示不攻击。
步骤3具体过程如下：
组合结构以遗传算法为主体流程，首先父代种群通过遗传算法的选择、交叉及变异操作后产生一个新种群，然后用模拟退火算法对这个新种群中各个体进行模拟退火操作，以期对新种群进一步优化。将经过模拟退火后获得的种群与父代种群混合，再产生出新一代种群，这个进化过程反复进行，直到满足终止条件为止。
步骤3具体步骤如下：
{t＝0
初始化种群P(t)＝{π1,π2,π3,…,πn}
对P(t)进行评估E(P(t))
While(不符合终止条件)do
计算P(t)适应度fit(P(t))
个体选择Selection(P(t))→P1(t)
个体交叉Crossover(P1(t))→P2(t)
个体变异Mutation(P2(t))→P3(t)
计算P3(t)的最佳个体评估值
个体模拟退火算法：
SimulatedAnnealing(P3(t))→P4(t)
计算P4(t)适应度的评估值E(P4(t))
生成新一代种群
P(t)＝Reproduction[P(t)∪P4(t)]
END}。
个体模拟退火算法具体过程如下：
{1→λ
定义初始温度T1＝ln(Felitist+1)及系数γ∈(0,1)
While(模拟退火过程未冻结)do
0→σ(σ为产生的新解个数)
Figure BDA0002342529870000041
(
Figure BDA0002342529870000042
为产生的新解个数)
While(未达到平衡状态)do
从当前解个体π产生一个新的解个体π′
计算ΔF＝E(π′)-E(π)
计算p＝exp(-ΔF/T)
If p＞random[0,1]then
接受新解：π′＝π；φ+1→φ
End
σ+1→σ
End
计算以上过程中的最大评估值与最小评估值
End}。
本发明的有益效果是：
蜂群无人机协同空战，是指多架无人机相互配合、相互协作、执行战斗任务的作战方式。无人机协同空战通过数据链进行信息传输，若有合理且有效的协同策略，多无人机协同作战就能发挥出很好的效能。另外，随着数据链技术、嵌入式计算机技术、无人机机动性能的提高，以及智能技术的广泛应用，蜂群无人机的自主决策能力快速提高，这将会扩大无人机的应用前景；多架无人机之间可以通过数据链实现信息共享、相互协同在视距外对空中的多个分散的目标实施攻击，以达到最佳的攻击效能；实现蜂群无人机的协同多目标攻击决策，获得了最佳协同攻击决策方案。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明一种基于遗传模拟退火算法的蜂群无人机协同攻击方法，具体按照以下步骤实施：
步骤1、对对抗双方空战态势进行分析；
步骤1具体过程如下：
设有蓝、红敌对的两方进行对抗，当蓝方雷达发现某一空域中有N架红方飞机来袭，蓝方派出M架具有多目标攻击能力的无人机对其进行协同攻击拦截；
空战中，一方对另一方总体态势威胁可表示为各状态参量威胁因子的组合函数，蓝机Bi对红机Rj的攻击总体威胁可表示为：
Figure BDA0002342529870000051
式中，w1+w2＝1为加权系数；
Figure BDA0002342529870000052
为距离威胁因子；
Figure BDA0002342529870000053
为速度威胁因子。
步骤2、基于多目标攻击进行建模；
步骤2具体过程如下：
协同多目标攻击决策的目的是将N架红机分配给M架蓝机进行攻击以实现最佳的协同攻击效能；蓝方机群对红军机群进行协同攻击后，红军机群对蓝军机群的预期总剩余威胁来衡量攻击效能。
协同攻击通常基于如下假设开展：
(1)对所欲攻击的目标至少分配一枚导弹攻击；
(2)认为威胁较大的目标分配两枚导弹进行攻击；
空战决策问题就是要寻找最优的导弹目标分配方案使机群R的总预期剩余威胁评估函数值最小：
Figure BDA0002342529870000061
式中，π表示蓝军对于红军目标的导弹攻击配对决策方案；Xkj表示布尔值；Xkj＝1表示蓝方导弹K攻击红方J；Xkj＝0表示不攻击。
步骤3、协同多目标优化求解；
步骤3具体过程如下：
组合结构以遗传算法为主体流程，首先父代种群通过遗传算法的选择、交叉及变异操作后产生一个新种群，然后用模拟退火算法对这个新种群中各个体进行模拟退火操作，以期对新种群进一步优化。将经过模拟退火后获得的种群与父代种群混合，再产生出新一代种群，这个进化过程反复进行，直到满足终止条件为止。
步骤3具体步骤如下：
{t＝0
初始化种群P(t)＝{π1,π2,π3,…,πn}
对P(t)进行评估E(P(t))
While(不符合终止条件)do
计算P(t)适应度fit(P(t))
个体选择Selection(P(t))→P1(t)
个体交叉Crossover(P1(t))→P2(t)
个体变异Mutation(P2(t))→P3(t)
计算P3(t)的最佳个体评估值
个体模拟退火算法：
SimulatedAnnealing(P3(t))→P4(t)
计算P4(t)适应度的评估值E(P4(t))
生成新一代种群
P(t)＝Reproduction[P(t)∪P4(t)]
END}。
其中，个体模拟退火算法具体过程如下：
{1→λ
定义初始温度T1＝ln(Felitist+1)及系数γ∈(0,1)
While(模拟退火过程未冻结)do
0→σ(σ为产生的新解个数)
Figure BDA0002342529870000071
(
Figure BDA0002342529870000072
为产生的新解个数)
While(未达到平衡状态)do
从当前解个体π产生一个新的解个体π′
计算ΔF＝E(π′)-E(π)
计算p＝exp(-ΔF/T)
If p＞random[0,1]then
接受新解：π′＝π；φ+1→φ
End
σ+1→σ
End
计算以上过程中的最大评估值与最小评估值
End}。
蜂群无人机协同空战，是指多架无人机相互配合、相互协作、执行战斗任务的作战方式。无人机协同空战通过数据链进行信息传输，若有合理且有效的协同策略，多无人机协同作战就能发挥出很好的效能。另外，随着数据链技术、嵌入式计算机技术、无人机机动性能的提高，以及智能技术的广泛应用，蜂群无人机的自主决策能力快速提高，这将会扩大无人机的应用前景；多架无人机之间可以通过数据链实现信息共享、相互协同在视距外对空中的多个分散的目标实施攻击，以达到最佳的攻击效能；实现蜂群无人机的协同多目标攻击决策，获得了最佳协同攻击决策方案。

Claims (7)

1.一种基于遗传模拟退火算法的蜂群无人机协同攻击方法，其特征在于，具体按照以下步骤实施：
步骤1、对对抗双方空战态势进行分析；
步骤2、基于多目标攻击进行建模；
步骤3、协同多目标优化求解。
2.如权利要求1所述的基于遗传模拟退火算法的蜂群无人机协同攻击方法，其特征在于，所述步骤1具体过程如下：
设有蓝、红敌对的两方进行对抗，当蓝方雷达发现某一空域中有N架红方飞机来袭，蓝方派出M架具有多目标攻击能力的无人机对其进行协同攻击拦截；
空战中，一方对另一方总体态势威胁可表示为各状态参量威胁因子的组合函数，蓝机Bi对红机Rj的攻击总体威胁可表示为：
Figure FDA0002342529860000011
式中，w1+w2＝1为加权系数；
Figure FDA0002342529860000012
为距离威胁因子；
Figure FDA0002342529860000013
为速度威胁因子。
3.如权利要求2所述的基于遗传模拟退火算法的蜂群无人机协同攻击方法，其特征在于，所述步骤2具体过程如下：
协同多目标攻击决策的目的是将N架红机分配给M架蓝机进行攻击以实现最佳的协同攻击效能；蓝方机群对红军机群进行协同攻击后，红军机群对蓝军机群的预期总剩余威胁来衡量攻击效能。
4.如权利要求3所述的基于遗传模拟退火算法的蜂群无人机协同攻击方法，其特征在于，协同攻击通常基于如下假设开展：
(1)对所欲攻击的目标至少分配一枚导弹攻击；
(2)认为威胁较大的目标分配两枚导弹进行攻击；
空战决策问题就是要寻找最优的导弹目标分配方案使机群R的总预期剩余威胁评估函数值最小：
Figure FDA0002342529860000021
式中，π表示蓝军对于红军目标的导弹攻击配对决策方案；Xkj表示布尔值；Xkj＝1表示蓝方导弹K攻击红方J；Xkj＝0表示不攻击。
5.如权利要求4所述的基于遗传模拟退火算法的蜂群无人机协同攻击方法，其特征在于，所述步骤3具体过程如下：
组合结构以遗传算法为主体流程，首先父代种群通过遗传算法的选择、交叉及变异操作后产生一个新种群，然后用模拟退火算法对这个新种群中各个体进行模拟退火操作，以期对新种群进一步优化。将经过模拟退火后获得的种群与父代种群混合，再产生出新一代种群，这个进化过程反复进行，直到满足终止条件为止。
6.如权利要求5所述的基于遗传模拟退火算法的蜂群无人机协同攻击方法，其特征在于，步骤3具体步骤如下：
{t＝0
初始化种群P(t)＝{π1,π2,π3,…,πn}
对P(t)进行评估E(P(t))
While(不符合终止条件)do
计算P(t)适应度fit(P(t))
个体选择Selection(P(t))→P1(t)
个体交叉Crossover(P1(t))→P2(t)
个体变异Mutation(P2(t))→P3(t)
计算P3(t)的最佳个体评估值
个体模拟退火算法：
SimulatedAnnealing(P3(t))→P4(t)
计算P4(t)适应度的评估值E(P4(t))
生成新一代种群
P(t)＝Reproduction[P(t)∪P4(t)]
END}。
7.如权利要求6所述的基于遗传模拟退火算法的蜂群无人机协同攻击方法，其特征在于，所述个体模拟退火算法具体过程如下：
{1→λ
定义初始温度T1＝ln(Felitist+1)及系数γ∈(0,1)
While(模拟退火过程未冻结)do
0→σ(σ为产生的新解个数)
Figure FDA0002342529860000031
(
Figure FDA0002342529860000032
为产生的新解个数)
While(未达到平衡状态)do
从当前解个体π产生一个新的解个体π′
计算ΔF＝E(π′)-E(π)
计算p＝exp(-ΔF/T)
If p＞random[0,1]then
接受新解：π′＝π；φ+1→φ
End
σ+1→σ
End
计算以上过程中的最大评估值与最小评估值
End}。
CN201911382117.XA 2019-12-27 2019-12-27 一种基于遗传模拟退火算法的蜂群无人机协同攻击方法 Pending CN111240366A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911382117.XA CN111240366A (zh) 2019-12-27 2019-12-27 一种基于遗传模拟退火算法的蜂群无人机协同攻击方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911382117.XA CN111240366A (zh) 2019-12-27 2019-12-27 一种基于遗传模拟退火算法的蜂群无人机协同攻击方法

Publications (1)

Publication Number Publication Date
CN111240366A true CN111240366A (zh) 2020-06-05

Family

ID=70875858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911382117.XA Pending CN111240366A (zh) 2019-12-27 2019-12-27 一种基于遗传模拟退火算法的蜂群无人机协同攻击方法

Country Status (1)

Country Link
CN (1) CN111240366A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111766901A (zh) * 2020-07-22 2020-10-13 哈尔滨工程大学 多无人机协同目标分配攻击方法
CN112099522A (zh) * 2020-08-12 2020-12-18 中国人民解放军陆军工程大学 多无人机协同对地攻击任务规划方法及终端设备
CN112578685A (zh) * 2020-12-10 2021-03-30 沈阳航空航天大学 一种基于级联故障的无人机集群对抗仿真方法
CN114357742A (zh) * 2021-12-22 2022-04-15 中国人民解放军军事科学院战略评估咨询中心 一种干扰机配合下的多机空中突击协同行为模拟方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007080584A3 (en) * 2006-01-11 2009-04-16 Univ Carmel Haifa Economic Cor Uav decision and control system
CN105427032A (zh) * 2015-11-09 2016-03-23 河海大学 一种无人机对抗决策评估方法
CN106650058A (zh) * 2016-12-08 2017-05-10 南京航空航天大学 一种基于改进人工蜂群算法的协同电子干扰任务调度方法
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
CN109460056A (zh) * 2018-11-06 2019-03-12 哈尔滨工程大学 基于量子磷虾群演化机制的无人机集群作战博弈决策方法
CN109737830A (zh) * 2019-03-04 2019-05-10 中国人民解放军海军航空大学 无人机群攻击火力分配问题的规划方法
CN110502031A (zh) * 2019-08-02 2019-11-26 中国航空无线电电子研究所 基于任务需求的异构无人机集群协同最优配置方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007080584A3 (en) * 2006-01-11 2009-04-16 Univ Carmel Haifa Economic Cor Uav decision and control system
CN105427032A (zh) * 2015-11-09 2016-03-23 河海大学 一种无人机对抗决策评估方法
CN106650058A (zh) * 2016-12-08 2017-05-10 南京航空航天大学 一种基于改进人工蜂群算法的协同电子干扰任务调度方法
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
CN109460056A (zh) * 2018-11-06 2019-03-12 哈尔滨工程大学 基于量子磷虾群演化机制的无人机集群作战博弈决策方法
CN109737830A (zh) * 2019-03-04 2019-05-10 中国人民解放军海军航空大学 无人机群攻击火力分配问题的规划方法
CN110502031A (zh) * 2019-08-02 2019-11-26 中国航空无线电电子研究所 基于任务需求的异构无人机集群协同最优配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗德林 等: "无人机协同多目标攻击空战决策研究", 《系统仿真学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111766901A (zh) * 2020-07-22 2020-10-13 哈尔滨工程大学 多无人机协同目标分配攻击方法
CN111766901B (zh) * 2020-07-22 2022-10-04 哈尔滨工程大学 多无人机协同目标分配攻击方法
CN112099522A (zh) * 2020-08-12 2020-12-18 中国人民解放军陆军工程大学 多无人机协同对地攻击任务规划方法及终端设备
CN112099522B (zh) * 2020-08-12 2023-06-30 中国人民解放军陆军工程大学 多无人机协同对地攻击任务规划方法及终端设备
CN112578685A (zh) * 2020-12-10 2021-03-30 沈阳航空航天大学 一种基于级联故障的无人机集群对抗仿真方法
CN112578685B (zh) * 2020-12-10 2022-04-26 沈阳航空航天大学 一种基于级联故障的无人机集群对抗仿真方法
CN114357742A (zh) * 2021-12-22 2022-04-15 中国人民解放军军事科学院战略评估咨询中心 一种干扰机配合下的多机空中突击协同行为模拟方法
CN114357742B (zh) * 2021-12-22 2022-10-21 中国人民解放军军事科学院战略评估咨询中心 一种干扰机配合下的多机空中突击协同行为模拟方法

Similar Documents

Publication Publication Date Title
CN111240366A (zh) 一种基于遗传模拟退火算法的蜂群无人机协同攻击方法
CN108680063B (zh) 一种针对大规模无人机集群动态对抗的决策方法
CN105278542A (zh) 多无人机协同打击任务的攻防对策最优策略方法
Jia et al. Operational effectiveness evaluation of the swarming UAVs combat system based on a system dynamics model
CN107832885B (zh) 一种基于自适应迁移策略bbo算法的舰艇编队火力分配方法
CN106599537B (zh) 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
CN105005820B (zh) 一种基于种群爆炸粒子群算法的目标分配优化方法
CN112417710B (zh) 基于作战环的武器装备体系贡献度评估方法
CN112734278B (zh) 一种面向时敏目标打击的c2组织资源动态调度方法
CN106779210A (zh) 基于蚁群算法的火力分配方法
CN111797966B (zh) 一种基于改进羊群算法的多机协同全局目标分配方法
CN112284188A (zh) 一种基于自适应步长离散狼群算法的无人机攻防决策方法
CN113324545A (zh) 一种基于混合增强智能的多无人机协同任务规划方法
CN111773722A (zh) 一种模拟环境中的战斗机规避机动策略集生成方法
Li et al. Multi-uav air combat weapon-target assignment based on genetic algorithm and deep learning
CN114756049A (zh) 无人机集群对抗中的目标分配方法、系统、设备及介质
CN113553777A (zh) 反无人机蜂群的防空部署方法、装置、设备和介质
Song et al. Multi-uav cooperative multi-target allocation method based on differential evolutionary algorithm
CN114167899B (zh) 一种无人机蜂群协同对抗决策方法及系统
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
Xie et al. A game theory based scheme for secure and cooperative uav communication
Xie et al. Self-organization method of usv swarm target strike task based on ant colony algorithm
CN115409351A (zh) 一种带有优先级的简化粒子群武器目标分配方法
Tang et al. Close-in weapon system planning based on multi-living agent theory
Zhou et al. An improved discrete shuffled frog leaping algorithm for cooperative multi-target assignment of bvr air combat

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200605