CN111523177A - 一种基于智能学习的空战对抗自主决策方法及系统 - Google Patents

一种基于智能学习的空战对抗自主决策方法及系统 Download PDF

Info

Publication number
CN111523177A
CN111523177A CN202010306471.0A CN202010306471A CN111523177A CN 111523177 A CN111523177 A CN 111523177A CN 202010306471 A CN202010306471 A CN 202010306471A CN 111523177 A CN111523177 A CN 111523177A
Authority
CN
China
Prior art keywords
air combat
countermeasure
layer
maneuvering
training
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.)
Granted
Application number
CN202010306471.0A
Other languages
English (en)
Other versions
CN111523177B (zh
Inventor
周颖
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.)
Xi'an Kewei Industrial Development Co ltd
Original Assignee
Xi'an Kewei Industrial Development 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 Xi'an Kewei Industrial Development Co ltd filed Critical Xi'an Kewei Industrial Development Co ltd
Priority to CN202010306471.0A priority Critical patent/CN111523177B/zh
Publication of CN111523177A publication Critical patent/CN111523177A/zh
Application granted granted Critical
Publication of CN111523177B publication Critical patent/CN111523177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于智能学习的空战对抗自主决策方法及系统，方法包括：从空战对抗样本库中选取多个典型的训练样本形成空战对抗样本集，通过智能学习神经网络对选定的多个典型空战对抗样本集进行学习训练，采用训练好的空战对抗预测模型对未知样本进行验证；空战对抗样本集的输入为空战对抗双方的当前对抗态势，其组成部分包括：巡航飞行高度、马赫数、预警支援、相对距离、目标方位角及机动性能；空战对抗样本集的输出为实战训练飞行器的战术机动动作指令，包括：S机动、圆周机动、剪式机动、高强势回旋、低强势回旋及俯冲机动。本发明工作方式简洁可靠，只需要利用训练好的预测模型即可计算出对应的决策策略，实现从对抗态势到决策的映射。

Description

一种基于智能学习的空战对抗自主决策方法及系统
技术领域
本发明涉及一种空战对抗下的自主决策方法，特别涉及一种基于智能学习 的，通过对由对抗态势库与机动决策库组成的样本库进行学习的实战化空战对抗 自主决策方法。
背景技术
实战化训练飞行器作为检验战斗机的作战性能，为战斗机对空武器系统的鉴 定和装备部队后的军事训练提供保障的重要飞行器，在当前的试验训练中，可以 在性能上实现对飞行高度、速度、大过载机动能力、RCS特性的三代机和四代机 的目标特性模拟。
但是其飞行弹道已经在试验训练前设计完成，飞行模式包括程控模式和遥控 模式两种：程控模式是采用预先装订程序弹道及战术机动动作；遥控模式是采取 遥控方式控制其战术机动动作的时机进行训练，其战术机动动作是提前设定，仅 作战时机可通过遥控方式调整，不能够满足部队实战化训练的对抗需求。
在未来的实战化训练中，为了全面考核战斗机作战性能、其对空武器系统的 作战效能，就需要实战化训练飞行器能够更逼真的模拟真实对抗场景，即能够具 有可以模拟对抗场景下飞行员的自主决策的能力，可以智能的对采取何种战术机 动动作具有自主决策的能力。
发明内容
为了实现在实战对抗场景下飞行器具有自主决策能力的目的，本发明提供一 种通过智能学习对空战对抗态势库与战术机动库组成的样本库进行学习的自主 决策方法及系统，本发明工作方式简洁可靠，只需要利用训练好的预测模型即可 计算出对应的决策策略，实现从对抗态势到决策的映射。
为实现上述目的，本发明采用以下技术手段：
一种基于智能学习的空战对抗自主决策方法，包括以下步骤：
从空战对抗样本库中选取多个典型的训练样本形成空战对抗样本集，通过智 能学习神经网络对选定的多个典型空战对抗样本集进行学习训练，采用训练好的 空战对抗预测模型对未知样本进行验证；
其中，空战对抗样本集的输入为空战对抗双方的当前对抗态势，其组成部分 包括：巡航飞行高度、马赫数、预警支援、相对距离、目标方位角及机动性能；
其中，空战对抗样本集的输出为实战训练飞行器的战术机动动作指令，包括： S机动、圆周机动、剪式机动、高强势回旋、低强势回旋及俯冲机动。
作为本发明的进一步改进，智能学习神经网络的学习过程包含信号误差的正 向和反向传递两个阶段；
在正向传递阶段，输入信号从输入层传入，在隐含层逐层处理后传向输出层 输出；当输出结果与参考值差距较大时，会转入误差反向传播过程，信号重新输 出时会修改各层的神经元的权值，使得网络系统误差最小，最终网络的实际输出 与期望输出逼近。
作为本发明的进一步改进，从样本库中选择典型的对抗态势样本及其对应的 战术机动指令作为训练集，训练集为：
P＝{(x1,E1),(x2,E2),...(xn,En)}
其中，
Figure BDA0002455953170000021
x是输入的当前对抗态势；
Figure BDA0002455953170000022
y∈Y,y＝{y1,y2,…yc},y表示机动指令。
作为本发明的进一步改进，训练样本的数目与神经网络之间的关系为：
Figure BDA0002455953170000031
式中，Np为所需训练样本数目，NI为输入层节点数，NO为输出层节点数， Nh为隐含层节点数。
作为本发明的进一步改进，所述隐含层节点数：
Figure BDA0002455953170000032
其中NI为输 入层节点数，NO为输出层节点数，a为一个常数，一般取值范围为1<a<12；
作为本发明的进一步改进，采用L-M算法作为训练函数，权值调整公式为： Δw＝(JTJ+μJ)-1Je，式中，J为误差对权值微分的雅可比矩阵；e为误差向量，μ为 学习速率。
作为本发明的进一步改进，空战对抗预测模型建立三层BP神经网络，NI＝13， Nh＝24，NO＝1，最大训练步数epochs为500，goal为1×10-7，其他参数采用缺省 值；输入层到隐含层及隐含层到输出层传递函数分别采用对Sigmoid型Logsig() 函数和正切Sigmoid型Tansig()函数；训练函数选用Trainlm函数。
一种基于智能学习的空战对抗自主决策系统，包括：
智能学习神经网络模块，用于从空战对抗样本库中选取多个典型的样本集， 通过智能学习神经网络对选定的多个典型空战对抗样本集进行学习训练，得到空 战对抗预测模型；
神经网络预测模块，用于采用训练好的空战对抗预测模型对未知样本进行验 证。
优选地，所述的智能学习神经网络模块中，样本集的输入为空战对抗双方的 当前对抗态势，其组成部分包括：巡航飞行高度、马赫数、预警支援、相对距离、 目标方位角及机动性能；
样本集的输出为实战训练飞行器的战术机动动作指令，包括：S机动、圆周 机动、剪式机动、高强势回旋、低强势回旋及俯冲机动。
优选地，智能学习神经网络模块的学习过程包含信号误差的正向和反向传递 两个阶段；
在正向传递阶段，输入信号从输入层传入，在隐含层逐层处理后传向输出层 输出；当输出结果与参考值差距较大时，会转入误差反向传播过程，信号重新输 出时会修改各层的神经元的权值，使得网络系统误差最小，最终网络的实际输出 与期望输出逼近。
与现有技术相比，本发明的有益效果是：
本发明方法采用智能学习中的监督学习方法，通过智能学习神经网络对空战 对抗自主决策样本库进行学习，即模拟人的自主决策能力，实现空战智能化。本 发明工作方式简洁可靠，只需要利用训练好的预测模型即可计算出对应的决策策 略，实现从对抗态势到决策的映射。
本发明系统从空战对抗样本库中选取多个典型的样本集，通过智能学习神经 网络对选定的多个典型空战对抗样本集进行学习训练，采用训练好的空战对抗预 测模型对未知样本进行验证；采用智能学习中的监督学习方法，对空战对抗自主 决策样本库进行学习，即模拟人的自主决策能力，实现空战智能化。本发明工作 方式简洁可靠，只需要利用训练好的预测模型即可计算出对应的决策策略，实现 从对抗态势到决策的映射。
附图说明
图1是本发明一种基于智能学习的空战对抗自主决策方法流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明提供一种通过智能学习对空战对抗态势库与战术机动库组成的样本 库进行学习的自主决策方法，实战化训练飞行器自主决策方法结构如附图1所示， 结构图组成说明如下：
a)实战化训练飞行器自主决策方法结构由智能学习神经网络部分与神经网 络预测部分组成；首先，从空战对抗样本库中选取多个典型的样本集，通过智能 学习神经网络对选定的多个典型空战对抗样本集进行学习训练，采用训练好的空 战对抗预测模型对未知样本进行验证。
b)样本集的输入为空战对抗双方的当前对抗态势，其组成部分及定义如下：
1)巡航飞行高度：飞行器在进行巡航飞行时，距离地面的高度；
2)马赫数：指飞行器相对地面的飞行速度；
3)预警支援：是否有预警机提供预警信息；
4)相对距离：敌我双方飞行器的相对距离；
5)目标方位角：目标速度矢量与目标和我方之间瞄准线的夹角；
6)机动性能：飞行器可用过载；
c)样本集的输出为实战训练飞行器的战术机动动作指令，包括：S机动、圆 周机动、剪式机动、高强势回旋、低强势回旋及俯冲机动。
图1中，智能学习神经网络的学习过程包含信号误差的正向和反向传递两个 阶段。在正向传递阶段，输入信号从输入层传入，在隐含层逐层处理后传向输出 层输出。当输出结果与参考值差距较大时，会转入误差反向传播过程，信号重新 输出时会修改各层的神经元的权值，使得网络系统误差最小，最终网络的实际输 出与期望输出逼近。巡航飞行高度(H)、马赫数(M)、预警支援(WS)、相对 距离(RD)、目标方位角(TA)、机动性能(MC)共6个指标作为神经网络的输 入层神经元。建立一个3层的智能学习神经网络，如图1所示。
本发明采用的方案是：将空战对抗态势库与战术机动库组成训练样本库，用 智能学习的方法对样本库进行学习。
试验步骤说明如下：
a)从样本库中选择典型的对抗态势样本及其对应的战术机动指令作为训练 集P＝{(x1,E1),(x2,E2),…(xn,En)}，其中
Figure BDA0002455953170000061
x是输入的当前对抗态势；
Figure BDA0002455953170000062
y∈Y,y＝{y1,y2,...yc},y表示机动指令，如蛇形机动、圆周机动。
b)训练样本数目与神经网络之间的关系为：
Figure BDA0002455953170000063
Np为所 需训练样本数目，NI为输入层节点数，NO为输出层节点数，Nh为隐含层节点数。
c)确定隐含层节点数：
Figure BDA0002455953170000064
其中NI为输入层节点数，NO为输出 层节点数，a为一个常数，一般取值范围为1<a<12；
d)训练函数选取：采用L-M算法作为训练函数，权值调整公式为： Δw＝(JTJ+μJ)- 1Je，式中，J为误差对权值微分的雅可比矩阵；e为误差向量，μ为 学习速率。
用未知样本对训练好的自主决策预测模型进行验证。
本发明还提供了一种基于智能学习的空战对抗自主决策系统，包括：
智能学习神经网络模块，用于从空战对抗样本库中选取多个典型的样本集， 通过智能学习神经网络对选定的多个典型空战对抗样本集进行学习训练，得到空 战对抗预测模型；
神经网络预测模块，用于采用训练好的空战对抗预测模型对未知样本进行验 证。
所述的智能学习神经网络模块中，样本集的输入为空战对抗双方的当前对抗 态势，其组成部分包括：巡航飞行高度、马赫数、预警支援、相对距离、目标方 位角及机动性能；
样本集的输出为实战训练飞行器的战术机动动作指令，包括：S机动、圆周 机动、剪式机动、高强势回旋、低强势回旋及俯冲机动。
实施例
建立样本库，样本库由空战对抗态势库与战术机动决策库组成，选取典型的 样本对，样本参数进行处理，得到样本参数标准化矩阵。
构建训练模型，建立三层BP神经网络，NI＝13，Nh＝24，NO＝1，最大训练 步数epochs为500，goal为1×10-7，其他参数采用缺省值。输入层到隐含层及隐 含层到输出层传递函数分别采用对Sigmoid型Logsig()函数和正切Sigmoid型 Tansig()函数；训练函数选用Trainlm函数。
最后，使用新的对抗态势对训练好的模型进行验证。
以上内容是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方 式仅限于此，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，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提 交的权利要求书确定发明保护范围。

Claims (10)

1.一种基于智能学习的空战对抗自主决策方法，其特征在于，包括以下步骤：
从空战对抗样本库中选取多个典型的训练样本形成空战对抗样本集，通过智能学习神经网络对选定的多个典型空战对抗样本集进行学习训练，采用训练好的空战对抗预测模型对未知样本进行验证；
其中，空战对抗样本集的输入为空战对抗双方的当前对抗态势，其组成部分包括：巡航飞行高度、马赫数、预警支援、相对距离、目标方位角及机动性能；
其中，空战对抗样本集的输出为实战训练飞行器的战术机动动作指令，包括：S机动、圆周机动、剪式机动、高强势回旋、低强势回旋及俯冲机动。
2.根据权利要求1所述的基于智能学习的空战对抗自主决策方法，其特征在于，智能学习神经网络的学习过程包含信号误差的正向和反向传递两个阶段；
在正向传递阶段，输入信号从输入层传入，在隐含层逐层处理后传向输出层输出；当输出结果与参考值差距较大时，会转入误差反向传播过程，信号重新输出时会修改各层的神经元的权值，使得网络系统误差最小，最终网络的实际输出与期望输出逼近。
3.根据权利要求1所述的基于智能学习的空战对抗自主决策方法，其特征在于，从样本库中选择典型的对抗态势样本及其对应的战术机动指令作为训练集，训练集为：
P＝{(x1,E1),(x2,E2),...(xn,En)}
其中，
Figure FDA0002455953160000011
x是输入的当前对抗态势；
Figure FDA0002455953160000012
y表示机动指令。
4.根据权利要求1所述的基于智能学习的空战对抗自主决策方法，其特征在于，训练样本的数目与神经网络之间的关系为：
Figure FDA0002455953160000021
式中，Np为所需训练样本数目，NI为输入层节点数，NO为输出层节点数，Nh为隐含层节点数。
5.根据权利要求1所述的基于智能学习的空战对抗自主决策方法，其特征在于，所述隐含层节点数：
Figure FDA0002455953160000022
其中NI为输入层节点数，NO为输出层节点数，a为一个常数，一般取值范围为1<a<12。
6.根据权利要求1所述的基于智能学习的空战对抗自主决策方法，其特征在于，采用L-M算法作为训练函数，权值调整公式为：Δw＝(JTJ+μJ)-1Je，式中，J为误差对权值微分的雅可比矩阵；e为误差向量，μ为学习速率。
7.根据权利要求1所述的基于智能学习的空战对抗自主决策方法，其特征在于，空战对抗预测模型建立三层BP神经网络，NI＝13，Nh＝24，NO＝1，最大训练步数epochs为500，goal为1×10-7，其他参数采用缺省值；输入层到隐含层及隐含层到输出层传递函数分别采用对Sigmoid型Logsig()函数和正切Sigmoid型Tansig()函数；训练函数选用Trainlm函数。
8.一种基于智能学习的空战对抗自主决策系统，其特征在于，包括：
智能学习神经网络模块，用于从空战对抗样本库中选取多个典型的样本集，通过智能学习神经网络对选定的多个典型空战对抗样本集进行学习训练，得到空战对抗预测模型；
神经网络预测模块，用于采用训练好的空战对抗预测模型对未知样本进行验证。
9.根据权利要求8所述的一种基于智能学习的空战对抗自主决策系统，其特征在于，所述的智能学习神经网络模块中，样本集的输入为空战对抗双方的当前对抗态势，其组成部分包括：巡航飞行高度、马赫数、预警支援、相对距离、目标方位角及机动性能；
样本集的输出为实战训练飞行器的战术机动动作指令，包括：S机动、圆周机动、剪式机动、高强势回旋、低强势回旋及俯冲机动。
10.根据权利要求8所述的基于智能学习的空战对抗自主决策方法，其特征在于，智能学习神经网络模块的学习过程包含信号误差的正向和反向传递两个阶段；
在正向传递阶段，输入信号从输入层传入，在隐含层逐层处理后传向输出层输出；当输出结果与参考值差距较大时，会转入误差反向传播过程，信号重新输出时会修改各层的神经元的权值，使得网络系统误差最小，最终网络的实际输出与期望输出逼近。
CN202010306471.0A 2020-04-17 2020-04-17 一种基于智能学习的空战对抗自主决策方法及系统 Active CN111523177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010306471.0A CN111523177B (zh) 2020-04-17 2020-04-17 一种基于智能学习的空战对抗自主决策方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010306471.0A CN111523177B (zh) 2020-04-17 2020-04-17 一种基于智能学习的空战对抗自主决策方法及系统

Publications (2)

Publication Number Publication Date
CN111523177A true CN111523177A (zh) 2020-08-11
CN111523177B CN111523177B (zh) 2024-04-09

Family

ID=71903052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010306471.0A Active CN111523177B (zh) 2020-04-17 2020-04-17 一种基于智能学习的空战对抗自主决策方法及系统

Country Status (1)

Country Link
CN (1) CN111523177B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947581A (zh) * 2021-03-25 2021-06-11 西北工业大学 基于多智能体强化学习的多无人机协同空战机动决策方法
CN113283110A (zh) * 2021-06-11 2021-08-20 中国人民解放军国防科技大学 一种用于智能化对抗仿真推演的态势感知方法
CN113962032A (zh) * 2021-12-21 2022-01-21 中国科学院自动化研究所 空战机动决策方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1355286A2 (de) * 2002-04-15 2003-10-22 EADS Deutschland GmbH Autonomes an Bord und im Fluge generiertes Waffensystemsimulationssystem zur Darstellung virtueller Szenarien
CN108021754A (zh) * 2017-12-06 2018-05-11 北京航空航天大学 一种无人机自主空战决策框架及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1355286A2 (de) * 2002-04-15 2003-10-22 EADS Deutschland GmbH Autonomes an Bord und im Fluge generiertes Waffensystemsimulationssystem zur Darstellung virtueller Szenarien
CN108021754A (zh) * 2017-12-06 2018-05-11 北京航空航天大学 一种无人机自主空战决策框架及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李蔚恒;王庆林;李彦志;杨承志;: "SUGENO型网络在空战CGF战术决策中的应用" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947581A (zh) * 2021-03-25 2021-06-11 西北工业大学 基于多智能体强化学习的多无人机协同空战机动决策方法
CN112947581B (zh) * 2021-03-25 2022-07-05 西北工业大学 基于多智能体强化学习的多无人机协同空战机动决策方法
CN113283110A (zh) * 2021-06-11 2021-08-20 中国人民解放军国防科技大学 一种用于智能化对抗仿真推演的态势感知方法
CN113283110B (zh) * 2021-06-11 2022-05-27 中国人民解放军国防科技大学 一种用于智能化对抗仿真推演的态势感知方法
CN113962032A (zh) * 2021-12-21 2022-01-21 中国科学院自动化研究所 空战机动决策方法及装置

Also Published As

Publication number Publication date
CN111523177B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN112880688B (zh) 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法
CN111523177A (zh) 一种基于智能学习的空战对抗自主决策方法及系统
CN107390706B (zh) 一种基于预演机动规则系统的无人机近距格斗决策方法
US11794898B2 (en) Air combat maneuvering method based on parallel self-play
Hu et al. Application of deep reinforcement learning in maneuver planning of beyond-visual-range air combat
CN113791634A (zh) 一种基于多智能体强化学习的多机空战决策方法
CN112198892B (zh) 一种多无人机智能协同突防对抗方法
CN111240353A (zh) 基于遗传模糊树的无人机协同空战决策方法
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
CN108983800B (zh) 一种基于深度学习的飞机姿态控制方法
CN110928329A (zh) 一种基于深度q学习算法的多飞行器航迹规划方法
CN113282061A (zh) 一种基于课程学习的无人机空中博弈对抗的解决方法
CN113159266B (zh) 基于麻雀搜索神经网络的空战机动决策方法
CN114063644B (zh) 基于鸽群反向对抗学习的无人作战飞机空战自主决策方法
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
CN113741500B (zh) 仿哈里斯鹰智能捕食优化的无人机空战机动决策方法
CN115688268A (zh) 一种飞行器近距空战态势评估自适应权重设计方法
Zhang et al. Maneuver decision-making of deep learning for UCAV thorough azimuth angles
Bae et al. Deep reinforcement learning-based air-to-air combat maneuver generation in a realistic environment
CN114722701A (zh) 基于深度强化学习模型的兵棋推演协作策略获取方法
CN113139331A (zh) 一种基于贝叶斯网络的空空导弹态势感知与决策方法
CN116107213A (zh) 一种基于sac和lgvf的航天器追捕任务组合优化控制方法
CN113741186B (zh) 一种基于近端策略优化的双机空战决策方法
Jiang et al. A novel decision-making algorithm for beyond visual range air combat based on deep reinforcement learning
Kong et al. Multi-ucav air combat in short-range maneuver strategy generation using reinforcement learning and curriculum learning

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