CN111773722A - 一种模拟环境中的战斗机规避机动策略集生成方法 - Google Patents
一种模拟环境中的战斗机规避机动策略集生成方法 Download PDFInfo
- Publication number
- CN111773722A CN111773722A CN202010561910.2A CN202010561910A CN111773722A CN 111773722 A CN111773722 A CN 111773722A CN 202010561910 A CN202010561910 A CN 202010561910A CN 111773722 A CN111773722 A CN 111773722A
- Authority
- CN
- China
- Prior art keywords
- fighter
- missile
- max
- individual
- individuals
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/55—Controlling game characters or game objects based on the game progress
- A63F13/57—Simulating properties, behaviour or motion of objects in the game world, e.g. computing tyre load in a car race game
- A63F13/577—Simulating properties, behaviour or motion of objects in the game world, e.g. computing tyre load in a car race game using determination of contact between game characters or objects, e.g. to avoid collision between virtual racing cars
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/80—Special adaptations for executing a specific game genre or game mode
- A63F13/803—Driving vehicles or craft, e.g. cars, airplanes, ships, robots or tanks
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/80—Special adaptations for executing a specific game genre or game mode
- A63F13/837—Shooting of targets
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/80—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game specially adapted for executing a specific type of game
- A63F2300/8076—Shooting
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种模拟环境中的战斗机规避机动策略集生成方法,充分考虑了战斗机在模拟近距空战环境中规避空空导弹的多个战术需求,并将规避机动决策问题重新定义并建模为多目标优化问题。通过改进的多目标进化算法,得到了能够反应不同战术需求的非支配规避机动策略集。该策略集可以使战斗机在规避机动过程中同时兼顾自身安全性和对抗战术优势,满足不同空战态势或战术要求条件下对规避机动策略的选择,从而提高战斗机在空战对抗游戏和空战模拟系统中的近距空战效能。
Description
技术领域
本发明属于计算机仿真与方法优化技术领域,具体涉及一种模拟环境中战斗机规避空空导弹的机动策略集生成方法。
背景技术
空战对抗游戏和空战模拟系统都是借助于计算机仿真手段对战斗机的整个作战过程进行细致、逼真的模拟,为了有效提高用户体验的真实性以及对抗游戏和模拟系统的易操控性,需要从实际空战角度仿真设计对抗游戏和模拟系统,更为重要的是战术模拟及其便捷性交互设计,从而在还原空战真实度的同时,提高用户在对抗游戏和模拟系统中的操控水平。
在空战对抗游戏和空战模拟系统中,战斗机通常会面临敌方空空导弹的威胁。为战斗机设计合理有效的规避机动战术,对提高战斗机的生存力具有重要意义。战斗机所处的空战环境一般分为两种:第一种是“超视距空战”(Beyond-visual-range air combat),超视距空战一般从迎头态势开始交战且距离较远,战斗机的机动强度和攻防节奏相对较为缓和,在对抗过程中更强调距离博弈,因此超视距空战中规避空空导弹注重于战斗机的多种战术机动在时间、类型和参数等方面的规划;第二种是“近距空战”(Dogfight),近距空战往往具有近距离、高动态和强对抗的特点,战斗机的机动强度和攻防节奏相对激烈,在对抗过程中更强调空间角度博弈,因此近距空战中规避空空导弹更注重于对战斗机相比于空空导弹在动力学优势方面的应用。本发明主要针对近距空战中的规避机动问题。
为空战对抗游戏和空战模拟系统设计战斗机的规避机动策略一直是空战仿真领域的重点研究问题之一。当前研究方法主要包括数值模拟、最优控制、微分对策和智能算法等,基于这些方法可以得到战斗机在一定条件下最优或近似最优的规避机动控制指令。但是现有方法中只考虑了脱靶量目标,即战斗机的安全性,而忽略了规避机动对战斗机攻击任务的影响。近距空战通常是一个连续的且包含多回合导弹攻击的过程,因此,战斗机的规避机动应该综合考虑整体空战效能和战术优势,即在保证一定的生存能力的基础上,尽可能地维持战术优势和能力以完成后续的攻击任务。
战斗机在近距空战规避过程中通常存在着脱靶量、能源消耗以及终端优势等目标的综合性战术需求。其中,最大化脱靶量作为基本目标意味着战斗机更高的安全性;最小化能源消耗意味着为后续的空战对抗过程提供能源优势,尤其是在战斗机抛弃副油箱后进入空战格斗的情况下,战术意义明显;最大化终端优势意味着规避结束的终端时刻战斗机占据相对更优的态势,为下一轮空战对抗提供初始战术优势。因此,这个涉及多个战术目标的规避机动决策问题不存在绝对最优解,而是一组能够反应不同战术需求的近似Pareto最优解。
发明内容
为了克服现有技术的不足,本发明提供一种模拟环境中的战斗机规避机动策略集生成方法,该方法考虑多个战术需求之间的耦合性,旨在生成一组能够同时兼顾自身安全性和对抗战术优势的非支配规避机动策略集,从而提高战斗机在空战对抗游戏和空战模拟系统中的近距空战效能。
本发明解决其技术问题所采用的技术方案包括步骤如下:
步骤1,构建近距空战中战斗机和近距空空导弹的三维运动及其约束模型,并设计规避终止约束条件,具体包括:
1)建立战斗机的运动模型为xf(t0)=xf0;其中状态向量为xf=[xf,yf,zf,vf,θf,φf]T,式中xf,yf,zf为战斗机在地理坐标系中的位置坐标,vf为战斗机速度,θf和φf分别为战斗机的航迹倾角和航迹偏角;xf0表示初始状态向量;u=[αf,μf,ηf]T表示战斗机的机动控制向量,αf,μf和ηf分别为战斗机的迎角、滚转角和油门控制系数;
建立战斗机状态及控制参数的约束模型,包括αfmin≤αf≤αfmax、μfmin≤μf≤μfmax、0≤ηf≤1、yfmin≤yf≤yfmax、vfmin≤vf≤vfmax、 式中αfmin和αfmax为迎角上下界、μfmin和μfmax为滚转角上下界、yfmin为最小飞行高度、yfmax为最大飞行高度、vfmin为最小飞行速度、vfmax为最大飞行速度、和分别为迎角和滚转角最大角加速度、qmax为最大俯仰角速度;
2)建立导弹的运动模型为xm(t0)=xm0;其中状态向量为xm=[xm,ym,zm,vm,θm,φm,nmy,nmz]T,式中xm,ym,zm为导弹在地理坐标系中的位置坐标,vm为战斗机速度,θm和φm分别为导弹的弹道倾角和弹道偏角;xm0表示初始状态向量;
3)规避终止约束条件设计为包括战斗机被导弹命中以及战斗机成功规避导弹两种情况;当规避过程中存在飞行时间t同时满足条件r(t)≤rd、vm(t)≥vmmin、t≤tmax时,视为导弹命中战斗机,式中r为战斗机与导弹之间的距离,vmmin为导弹的最小受控速度,tmax为弹上能源时间;此外,当yf<yfmin时同样认为战斗机规避失败;若规避过程中满足t>tmax或vm(t)<vmmin,视为导弹触发自毁程序且战斗机规避成功;当规避终端时刻tf满足r(tf)>rd时,同样认为战斗机规避成功,式中rd为导弹毁伤半径,tf满足
步骤2,针对实际空战中规避导弹任务的多个战术需求,建立包括脱靶量、能源消耗以及终端优势在内的目标函数模型,具体包括:
1)建立脱靶量目标函数模型为Jm(u)=1/r(tf),当战斗机被导弹命中,即r(tf)≤rd,则设置目标函数为一个极大值作为对不可行解的惩罚;
3)建立基于战斗机单位能量的终端优势目标函数模型为Js(u)=Emax/E,式中E为战斗机的单位能量,即E=yf(tf)+vf 2(tf)/2g,Emax为战斗机的最大单位能量,即Emax=yfmax+vfmax 2/2g,g为重力加速度;
步骤3,将规避机动决策问题重新定义并建模为多目标优化问题,建立战斗机规避导弹的多目标机动优化模型为x=[xf xm]T;其中模型约束由步骤1中战斗机和导弹的约束模型构成,终端约束由步骤1中的规避终止约束条件构成;此外优化目标向量J由步骤2中的目标函数构成,即根据战术需求定义为minJ(u)=(Jm(u),Je(u),Js(u));
步骤4,采用改进的多目标进化算法对模型进行求解,得到具有战术需求的非支配规避机动策略集,具体包括:
1)随机初始化产生一个包含N个编码个体的种群{Ind1,Ind2,...,IndN},其中每个个体代表一组在时间[t0,tmax]上的战斗机机动控制序列,第k个决策周期的战斗机机动控制序列即表示为式中k=1,2,...,kmax,kmax=ceil(tmax/Δtd),Δtd表示决策周期时间,ceil(·)表示向正无穷取整的函数;个体中每个编码位的编码机制为式中为均匀分布在[0,1]区间上的随机数,即编码值;对于{Ind1,Ind2,...,IndN},可以对应的解码得到pop={u1,u2,...,uN}以及求解得到J(ui)=(Jm(ui),Je(ui),Js(ui)),其中i=1,2,...,N;
2)为N个个体分别设置一个不同的权重向量,即λ1,λ2,...,λN,每个权重向量中的分量均从{0,1/H,2/H,...,H/H}中取不同的值,并需要满足这里的个体数N由用户定义的正整数H确定,且需要满足通过欧氏距离为每个权重向量λi计算选择Nb个距离最近的邻居向量设置每一代种群中的最优解为z=(zm,ze,zs),其中zj=min{Jj(u)|u∈pop}(j=m,e,s);同时设置最大进化代数Gmax并初始化外部精英种群为空集;
3)引入包含当前最优解信息的差分进化算子进行子代个体生成,设为当前个体i的邻居向量B(i)中的最优个体,然后再从B(i)中随机选择4个不同于的个体,则新生成子代个体Ind′i中的编码位Ind′i,d可以通过产生,其中d=1,2,...,3kmax,rand为均匀分布在[0,1]区间上的随机数,为当前目标个体,CR,F1,F2为差分进化的常值控制参数;在此基础上再通过变异概率pm对个体Ind′i中的编码位在相应范围内随机变异,以产生子代个体
5)依次更新最优解、个体以及外部精英种群;将zj与Jj(unew)进行比较,若zj<Jj(unew),则令zj=Jj(unew)进行最优解更新,否则保持当前最优解不变,其中j=m,e,s且机动控制序列unew由新个体解码得到;将gte(unew|λq,z)依次与个体i邻居向量B(i)中个体q的gte(uq|λq,z)进行比较,若gte(unew|λq,z)<gte(uq|λq,z),则将个体q替换为并将其目标函数值Jj(uq)也相应替换为Jj(unew),否则不作替换;将Jj(unew)与外部精英种群中个体的目标函数值进行比较,若精英种群中部分个体被支配,则将其删除并将加入到外部精英种群中;若完全被精英种群中个体支配,则丢弃此外,若外部精英种群个体超出其最大个体数Ne限定,则通过个体间的拥挤度距离排序对其进行裁剪更新;
6)在达到进化代数达到Gmax之前,重复步骤4中3)到5)的迭代过程,最后输出外部精英种群作为战斗机在近距空战中规避导弹的非支配机动策略集。
本发明的有益效果是:充分考虑了战斗机在模拟近距空战环境中规避空空导弹的多个战术需求,并将规避机动决策问题重新定义并建模为多目标优化问题。通过改进的多目标进化算法,得到了能够反应不同战术需求的非支配规避机动策略集。该策略集可以使战斗机在规避机动过程中同时兼顾自身安全性和对抗战术优势,满足不同空战态势或战术要求条件下对规避机动策略的选择,从而提高战斗机在空战对抗游戏和空战模拟系统中的近距空战效能。
附图说明
图1为战斗机规避空空导弹的态势关系示意图。
图2为多个战术需求条件下规避机动决策问题的近似Pareto解。
图3为脱靶量最优条件下的规避机动轨迹图。
图4为脱靶量最优条件下的战斗机规避机动控制序列。
图5为能源消耗最优条件下的规避机动轨迹图。
图6为能源消耗最优条件下的战斗机规避机动控制序列。
图7为终端优势最优条件下的规避机动轨迹图。
图8为终端优势最优条件下的战斗机规避机动控制序列。
图9为本发明的实现方法流程图。
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,本发明包括但不仅限于下述实施例。
本发明解决其技术问题所采用的技术方案包括步骤如下:
步骤1,构建近距空战中战斗机和近距空空导弹(以下简称“导弹”)的三维运动及其约束模型,并设计规避终止约束条件,具体包括:
1)建立战斗机的运动模型为xf(t0)=xf0;其中状态向量为xf=[xf,yf,zf,vf,θf,φf]T,式中xf,yf,zf为战斗机在地理坐标系(北-天-东)中的位置坐标,vf为战斗机速度,θf和φf分别为战斗机的航迹倾角和航迹偏角;xf0表示初始状态向量;u=[αf,μf,ηf]T表示战斗机的机动控制向量,式中αf,μf和ηf分别为战斗机的迎角、滚转角和油门控制系数;
建立战斗机状态及控制参数的约束模型包括:αfmin≤αf≤αfmax、μfmin≤μf≤μfmax、0≤ηf≤1、yfmin≤yf≤yfmax、vfmin≤vf≤vfmax、 式中αfmin和αfmax为迎角上下界、μfmin和μfmax为滚转角上下界、yfmin为最小飞行高度、yfmax为最大飞行高度、vfmin为最小飞行速度、vfmax为最大飞行速度、和分别为迎角和滚转角最大角加速度、qmax为最大俯仰角速度;
2)建立导弹的运动模型为xm(t0)=xm0;其中状态向量为xm=[xm,ym,zm,vm,θm,φm,nmy,nmz]T,式中xm,ym,zm为导弹在地理坐标系(北-天-东)中的位置坐标,vm为战斗机速度,θm和φm分别为导弹的弹道倾角和弹道偏角;xm0表示初始状态向量;
3)规避终止约束条件设计为包括战斗机被导弹命中以及战斗机成功规避导弹两种情况;当规避过程中存在飞行时间t同时满足条件r(t)≤rd、vm(t)≥vmmin、t≤tmax时,视为导弹命中战斗机,式中r为战斗机与导弹之间的距离,vmmin为导弹的最小受控速度,tmax为弹上能源时间;此外,当yf<yfmin时同样认为战斗机规避失败;相反地,若规避过程中满足t>tmax或vm(t)<vmmin,视为导弹触发自毁程序且战斗机规避成功;当规避终端时刻tf满足r(tf)>rd时,同样认为战斗机规避成功,式中rd为导弹毁伤半径,tf满足
步骤2,针对实际空战中规避导弹任务的多个战术需求,建立包括脱靶量、能源消耗以及终端优势在内的目标函数模型,具体包括:
1)为实现战斗机在规避过程中安全性最高的战术目标,建立脱靶量目标函数模型为Jm(u)=1/r(tf),当战斗机被导弹命中,即r(tf)≤rd,则设置目标函数为一个极大值(例如取Jm(u)=10000)作为对不可行解的惩罚;
3)为实现战斗机在成功规避导弹后的下一轮空战对抗中占据初始攻击态势优势的战术目标,建立基于战斗机单位能量的终端优势目标函数模型为Js(u)=Emax/E,式中E为战斗机的单位能量,即E=yf(tf)+vf 2(tf)/2g,Emax为战斗机的最大单位能量,即Emax=yfmax+vfmax 2/2g,g为重力加速度;
步骤3,将规避机动决策问题重新定义并建模为多目标优化问题,基于步骤1中的相关运动模型及约束条件和步骤2中基于战术需求的目标函数模型,建立战斗机规避导弹的多目标机动优化模型为x=[xf xm]T;其中模型约束由步骤1中战斗机和导弹的约束模型构成,终端约束h(xf)=0由步骤1中的规避终止约束条件构成;此外优化目标向量J由步骤2中的目标函数构成,即根据战术需求定义为minJ(u)=(Jm(u),Je(u),Js(u));
步骤4,采用改进的多目标进化算法对模型进行求解,得到具有战术需求的非支配规避机动策略集,具体包括:
1)随机初始化产生一个包含N个编码个体的种群{Ind1,Ind2,...,IndN},其中每个个体代表一组在时间[t0,tmax]上的战斗机机动控制序列,第k个决策周期的战斗机机动控制序列即表示为式中k=1,2,...,kmax,kmax=ceil(tmax/Δtd),Δtd表示决策周期时间,ceil(·)表示向正无穷取整的函数;个体中每个编码位的编码机制为式中为均匀分布在[0,1]区间上的随机数,即编码值;对于{Ind1,Ind2,...,IndN},可以对应的解码得到pop={u1,u2,...,uN}以及求解得到J(ui)=(Jm(ui),Je(ui),Js(ui)),其中i=1,2,...,N;
2)为N个个体设置N个不同的权重向量,即λ1,λ2,...,λN,每个权重向量中的分量均从{0,1/H,2/H,...,H/H}中取不同的值,并需要满足这里的个体数N由用户定义的正整数H确定(例如取H=30),且需要满足通过欧氏距离为每个权重向量λi计算选择Nb个距离最近的邻居向量设置每一代种群中的最优解为其中zj=min{Jj(u)|u∈pop}(j=m,e,s);同时设置最大进化代数Gmax并初始化外部精英种群为空集;
3)引入包含当前最优解信息的差分进化算子进行子代个体生成,设为当前个体i的邻居向量B(i)中的最优个体,然后再从B(i)中随机选择4个不同于的个体,则新生成子代个体Ind′i中的编码位Ind′i,d可以通过产生,其中d=1,2,...,3kmax,rand为均匀分布在[0,1]区间上的随机数,为当前目标个体,CR,F1,F2为差分进化的常值控制参数;在此基础上再通过变异概率pm对个体Ind′i中的编码位在相应范围内随机变异,以产生子代个体
5)依次更新最优解,个体以及外部精英种群;将zj与Jj(unew)进行比较,若zj<Jj(unew),则令zj=Jj(unew)进行最优解更新,否则保持当前最优解不变,其中j=m,e,s且机动控制序列unew由新个体解码得到;将gte(unew|λq,z)依次与个体i邻居向量B(i)中个体q的gte(uq|λq,z)进行比较,若gte(unew|λq,z)<gte(uq|λq,z),则将个体q替换为并将其目标函数值Jj(uq)也相应替换为Jj(unew),否则不作替换;将Jj(unew)与外部精英种群中个体的目标函数值进行比较,若精英种群中部分个体被支配,则将其删除并将加入到外部精英种群中;若完全被精英种群中个体支配,则丢弃此外,若外部精英种群个体超出其最大个体数Ne限定,则通过个体间的拥挤度距离排序对其进行裁剪更新。
6)在达到进化代数达到Gmax之前,重复步骤4中3)到5)的迭代过程,最后输出外部精英种群作为战斗机在近距空战中规避导弹的非支配机动策略集。
本发明的实施例按照图9所示,实施如下步骤:
步骤1,构建近距空战中战斗机和近距空空导弹(以下简称“导弹”)的三维运动及其约束模型,其中战斗机规避导弹的态势关系示意图如图1所示,并设计规避终止约束条件,具体包括:
其中状态向量为xf=[xf,yf,zf,vf,θf,φf]T,式中xf,yf,zf为战斗机在地理坐标系(北-天-东)中的位置坐标,vf为战斗机速度,θf和φf分别为战斗机的航迹倾角和航迹偏角;Lf,Df,Tfmax分别表示战斗机的升力、阻力和最大推力,mf为战斗机质量,g为重力加速度;xf0表示初始状态向量;u=[αf,μf,ηf]T表示战斗机的机动控制向量,式中αf,μf和ηf分别为战斗机的迎角、滚转角和油门控制系数;
建立战斗机状态及控制参数的约束模型包括:αfmin≤αf≤αfmax、μfmin≤μf≤μfmax、0≤ηf≤1、yfmin≤yf≤yfmax、vfmin≤vf≤vfmax、 式中αfmin和αfmax为迎角上下界、μfmin和μfmax为滚转角上下界、yfmin为最小飞行高度、yfmax为最大飞行高度、vfmin为最小飞行速度、vfmax为最大飞行速度、和分别为迎角和滚转角最大角加速度、qmax为最大俯仰角速度;
设置战斗机的相关模型参数为:Tfmax=54597N,mf=9298kg,τf=0.2s,αfmin=0°,αfmax=60°,μfmin=-180°,μfmax=180°,qmax=25°/s, yfmin=0.5km,yfmax=14km,vfmin=120m/s,vfmax=450m/s;
其中状态向量为xm=[xm,ym,zm,vm,θm,φm,nmy,nmz]T,式中xm,ym,zm为导弹在地理坐标系(北-天-东)中的位置坐标,vm为战斗机速度,θm和φm分别为导弹的弹道倾角和弹道偏角;Tm,Dm分别表示导弹的推力和阻力,mm为导弹质量,xm0表示初始状态向量;
设置导弹的相关模型参数为:mm(0)=100kg,Tm(0)=15.6kN,τm=0.2s,nmmax=50;
3)规避终止约束条件设计为包括战斗机被导弹命中以及战斗机成功规避导弹两种情况;当规避过程中存在飞行时间t同时满足r(t)≤rd,vm(t)≥vmmin,t≤tmax等条件时,视为导弹命中战斗机,式中r为战斗机与导弹之间的距离,vmmin为导弹的最小受控速度,tmax为弹上能源时间;此外,当yf<yfmin时同样认为战斗机规避失败;相反地,若规避过程中满足t>tmax或vm(t)<vmmin,视为导弹触发自毁程序且战斗机规避成功;当规避终端时刻tf满足r(tf)>rd时,同样认为战斗机规避成功,式中rd为导弹毁伤半径,tf满足设置tmax=30s,vmmin=400m/s,rd=12m;
步骤2,针对实际空战中规避导弹任务的多个战术需求,建立包括脱靶量、能源消耗以及终端优势在内的目标函数模型,具体包括:
1)为实现战斗机在规避过程中安全性最高的战术目标,建立脱靶量目标函数模型为Jm(u)=1/r(tf),当战斗机被导弹命中,即r(tf)≤rd,则设置目标函数为一个极大值(例如取Jm(u)=10000)作为对不可行解的惩罚;
3)为实现战斗机在成功规避导弹后的下一轮空战对抗中占据初始攻击态势优势的战术目标,建立基于战斗机单位能量的终端优势目标函数模型为Js(u)=Emax/E,式中E为战斗机的单位能量,即E=yf(tf)+vf 2(tf)/2g,Emax为战斗机的最大单位能量,即Emax=yfmax+vfmax 2/2g,g为重力加速度;
步骤3,将规避机动决策问题重新定义并建模为多目标优化问题,基于步骤1中的相关运动模型及约束条件和步骤2中基于战术需求的目标函数模型,建立战斗机规避导弹的多目标机动优化模型为x=[xf xm]T;其中模型约束由步骤1中战斗机和导弹的约束模型构成,终端约束h(xf)=0由步骤1中的规避终止约束条件构成;此外优化目标向量J由步骤2中的目标函数构成,即根据战术需求定义为minJ(u)=(Jm(u),Je(u),Js(u));
步骤4,采用改进的多目标进化算法对模型进行求解,得到具有战术需求的非支配规避机动策略集,具体包括:
1)初始化产生一个包含N个编码个体的种群{Ind1,Ind2,...,IndN},其中每个个体代表一组在时间[t0,tmax]上的战斗机机动控制序列,第k个决策周期的战斗机机动控制序列即表示为式中k=1,2,...,kmax,kmax=ceil(tmax/Δtd),Δtd表示决策周期时间,ceil(·)表示向正无穷取整的函数;个体中每个编码位的编码机制为式中为均匀分布在[0,1]区间上的随机数,即编码值;对于{Ind1,Ind2,...,IndN},可以对应的解码得到pop={u1,u2,...,uN}以及求解得到J(ui)=(Jm(ui),Je(ui),Js(ui)),其中i=1,2,...,N;
2)为N个个体设置N个不同的权重向量,即λ1,λ2,...,λN,每个权重向量中的分量均从{0,1/H,2/H,...,H/H}中取不同的值,并需要满足这里的个体数N由用户定义的正整数H确定(例如取H=30),且需要满足通过欧氏距离为每个权重向量λi计算选择Nb个距离最近的邻居向量设置每一代种群中的最优解为z=(zm,ze,zs),其中zj=min{Jj(u)|u∈pop}(j=m,e,s);同时设置最大进化代数Gmax并初始化外部精英种群为空集;
3)引入包含当前最优解信息的差分进化算子进行子代个体生成,设为当前个体i的邻居向量B(i)中的最优个体,然后再从B(i)中随机选择4个不同于的个体,则新生成子代个体Ind′i中的编码位Ind′i,d可以通过产生,其中d=1,2,...,3kmax,rand为均匀分布在[0,1]区间上的随机数,为当前目标个体,CR,F1,F2为差分进化的常值控制参数;在此基础上再通过变异概率pm对个体Ind′i中的编码位在相应范围内随机变异,以产生子代个体
5)依次更新最优解,个体以及外部精英种群;将zj与Jj(unew)进行比较,若zj<Jj(unew),则令zj=Jj(unew)进行最优解更新,否则保持当前最优解不变,其中j=m,e,s且机动控制序列unew由新个体解码得到;将gte(unew|λq,z)依次与个体i邻居向量B(i)中个体q的gte(uq|λq,z)进行比较,若gte(unew|λq,z)<gte(uq|λq,z),则将个体q替换为并将其目标函数值Jj(uq)也相应替换为Jj(unew),否则不作替换;将Jj(unew)与外部精英种群中个体的目标函数值进行比较,若精英种群中部分个体被支配,则将其删除并将加入到外部精英种群中;若完全被精英种群中个体支配,则丢弃此外,若外部精英种群个体超出其最大个体数Ne限定,则通过个体间的拥挤度距离排序对其进行裁剪更新。
6)在达到进化代数达到Gmax之前,重复步骤4中3)到5)的迭代过程,最后输出外部精英种群作为战斗机在近距空战中规避导弹的非支配机动策略集。
所述算法的相关参数设置为:Δtd=1s,H=30,CR=1.0,F1=0.5,F2=0.5,η=20,pm=0.3,Ne=200,Gmax=2000,Nb=40。
本发明的效果可以通过以下仿真结果进一步说明:
首先设置战斗机规避导弹的初始态势如表1所示。
表1战斗机规避导弹的初始态势
基于本发明的方法步骤、参数设置以及上述初始态势,通过数字仿真可得多个战术需求条件下规避机动决策问题的近似Pareto解如图2所示,图中目标函数值均已通过规范化处理并被映射到区间[0,1]内。图2中每一点均表示一组机动控制序列及其相应的规避机动轨迹。这些机动轨迹在脱靶量、能源消耗和终端优势等战术需求上存在非支配关系。在当前空战态势下,战斗机可根据战术要求选择合适的机动策略。该策略不仅可以控制战斗机避免被导弹击中,还可以相对降低战斗机的能源消耗并提高终端优势。
基于本发明的方法步骤、参数设置以及上述初始态势,可以得到脱靶量最优条件下的规避机动轨迹及其对应的战斗机规避机动控制序列分别如图3和图4所示。从图3可以看出,战斗机主要执行俯冲机动,利用低空相对较大的空气阻力,有效降低导弹速度并在末段急转弯,使得脱靶量最大化。但相较而言,其能源消耗较大且终端优势较低。
基于本发明的方法步骤、参数设置以及上述初始态势,可以得到能源消耗最优条件下的规避机动轨迹及其对应的战斗机规避机动控制序列分别如图5和图6所示。从图5可以看出,该策略下战斗机的机动轨迹与最优脱靶量条件下大致相似,即执行俯冲机动。但该策略控制战斗机俯冲至更低的高度,同时不再执行末端急转弯机动。这主要是为了尽量减少能源消耗。图6也显示了战斗机在较长一段时间内的近似零推力状态。但是该策略下战斗机的脱靶量较小且终端优势很低。
基于本发明的方法步骤、参数设置以及上述初始态势,可以得到终端优势最优条件下的规避机动轨迹及其对应的战斗机规避机动控制序列分别如图7和图8所示。从图7可以看出,战斗机主要是通过先爬升后俯冲的机动组合进行规避。由于高空阻力相对较小,对空空导弹的减速效应不明显,因此该策略下战斗机的规避时间比上述两种策略更长。此外,这种策略可以给战斗机提供更大的终端速度和高度,即更大的终端优势。但该策略下战斗机的脱靶量很低且能源消耗很大。
Claims (1)
1.一种模拟环境中的战斗机规避机动策略集生成方法,其特征在于包括下述步骤:
步骤1,构建近距空战中战斗机和近距空空导弹的三维运动及其约束模型,并设计规避终止约束条件,具体包括:
1)建立战斗机的运动模型为xf(t0)=xf0;其中状态向量为xf=[xf,yf,zf,vf,θf,φf]T,式中xf,yf,zf为战斗机在地理坐标系中的位置坐标,vf为战斗机速度,θf和φf分别为战斗机的航迹倾角和航迹偏角;xf0表示初始状态向量;u=[αf,μf,ηf]T表示战斗机的机动控制向量,αf,μf和ηf分别为战斗机的迎角、滚转角和油门控制系数;
建立战斗机状态及控制参数的约束模型,包括αfmin≤αf≤αfmax、μfmin≤μf≤μfmax、0≤ηf≤1、yfmin≤yf≤yfmax、vfmin≤vf≤vfmax、 式中αfmin和αfmax为迎角上下界、μfmin和μfmax为滚转角上下界、yfmin为最小飞行高度、yfmax为最大飞行高度、vfmin为最小飞行速度、vfmax为最大飞行速度、和分别为迎角和滚转角最大角加速度、qmax为最大俯仰角速度;
2)建立导弹的运动模型为xm(t0)=xm0;其中状态向量为xm=[xm,ym,zm,vm,θm,φm,nmy,nmz]T,式中xm,ym,zm为导弹在地理坐标系中的位置坐标,vm为战斗机速度,θm和φm分别为导弹的弹道倾角和弹道偏角;xm0表示初始状态向量;
3)规避终止约束条件设计为包括战斗机被导弹命中以及战斗机成功规避导弹两种情况;当规避过程中存在飞行时间t同时满足条件r(t)≤rd、vm(t)≥vmmin、t≤tmax时,视为导弹命中战斗机,式中r为战斗机与导弹之间的距离,vmmin为导弹的最小受控速度,tmax为弹上能源时间;此外,当yf<yfmin时同样认为战斗机规避失败;若规避过程中满足t>tmax或vm(t)<vmmin,视为导弹触发自毁程序且战斗机规避成功;当规避终端时刻tf满足r(tf)>rd时,同样认为战斗机规避成功,式中rd为导弹毁伤半径,tf满足
步骤2,针对实际空战中规避导弹任务的多个战术需求,建立包括脱靶量、能源消耗以及终端优势在内的目标函数模型,具体包括:
1)建立脱靶量目标函数模型为Jm(u)=1/r(tf),当战斗机被导弹命中,即r(tf)≤rd,则设置目标函数为一个极大值作为对不可行解的惩罚;
3)建立基于战斗机单位能量的终端优势目标函数模型为Js(u)=Emax/E,式中E为战斗机的单位能量,即E=yf(tf)+vf 2(tf)/2g,Emax为战斗机的最大单位能量,即Emax=yfmax+vfmax 2/2g,g为重力加速度;
步骤3,将规避机动决策问题重新定义并建模为多目标优化问题,建立战斗机规避导弹的多目标机动优化模型为x=[xf xm]T;其中模型约束由步骤1中战斗机和导弹的约束模型构成,终端约束由步骤1中的规避终止约束条件构成;此外优化目标向量J由步骤2中的目标函数构成,即根据战术需求定义为minJ(u)=(Jm(u),Je(u),Js(u));
步骤4,采用改进的多目标进化算法对模型进行求解,得到具有战术需求的非支配规避机动策略集,具体包括:
1)随机初始化产生一个包含N个编码个体的种群{Ind1,Ind2,...,IndN},其中每个个体代表一组在时间[t0,tmax]上的战斗机机动控制序列,第k个决策周期的战斗机机动控制序列即表示为式中k=1,2,...,kmax,kmax=ceil(tmax/Δtd),Δtd表示决策周期时间,ceil(·)表示向正无穷取整的函数;个体中每个编码位的编码机制为式中为均匀分布在[0,1]区间上的随机数,即编码值;对于{Ind1,Ind2,...,IndN},可以对应的解码得到pop={u1,u2,...,uN}以及求解得到J(ui)=(Jm(ui),Je(ui),Js(ui)),其中i=1,2,...,N;
2)为N个个体分别设置一个不同的权重向量,即λ1,λ2,...,λN,每个权重向量中的分量均从{0,1/H,2/H,...,H/H}中取不同的值,并需要满足这里的个体数N由用户定义的正整数H确定,且需要满足通过欧氏距离为每个权重向量λi计算选择Nb个距离最近的邻居向量设置每一代种群中的最优解为z=(zm,ze,zs),其中zj=min{Jj(u)|u∈pop}(j=m,e,s);同时设置最大进化代数Gmax并初始化外部精英种群为空集;
3)引入包含当前最优解信息的差分进化算子进行子代个体生成,设为当前个体i的邻居向量B(i)中的最优个体,然后再从B(i)中随机选择4个不同于的个体,则新生成子代个体Ind′i中的编码位Ind′i,d可以通过产生,其中d=1,2,...,3kmax,rand为均匀分布在[0,1]区间上的随机数,为当前目标个体,CR,F1,F2为差分进化的常值控制参数;在此基础上再通过变异概率pm对个体Indi′中的编码位在相应范围内随机变异,以产生子代个体
5)依次更新最优解、个体以及外部精英种群;将zj与Jj(unew)进行比较,若zj<Jj(unew),则令zj=Jj(unew)进行最优解更新,否则保持当前最优解不变,其中j=m,e,s且机动控制序列unew由新个体解码得到;将gte(unew|λq,z)依次与个体i邻居向量B(i)中个体q的gte(uq|λq,z)进行比较,若gte(unew|λq,z)<gte(uq|λq,z),则将个体q替换为并将其目标函数值Jj(uq)也相应替换为Jj(unew),否则不作替换;将Jj(unew)与外部精英种群中个体的目标函数值进行比较,若精英种群中部分个体被支配,则将其删除并将加入到外部精英种群中;若完全被精英种群中个体支配,则丢弃此外,若外部精英种群个体超出其最大个体数Ne限定,则通过个体间的拥挤度距离排序对其进行裁剪更新;
6)在达到进化代数达到Gmax之前,重复步骤4中3)到5)的迭代过程,最后输出外部精英种群作为战斗机在近距空战中规避导弹的非支配机动策略集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561910.2A CN111773722B (zh) | 2020-06-18 | 2020-06-18 | 一种模拟环境中的战斗机规避机动策略集生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561910.2A CN111773722B (zh) | 2020-06-18 | 2020-06-18 | 一种模拟环境中的战斗机规避机动策略集生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111773722A true CN111773722A (zh) | 2020-10-16 |
CN111773722B CN111773722B (zh) | 2022-08-02 |
Family
ID=72757276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010561910.2A Active CN111773722B (zh) | 2020-06-18 | 2020-06-18 | 一种模拟环境中的战斗机规避机动策略集生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111773722B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668089A (zh) * | 2020-11-30 | 2021-04-16 | 成都飞机工业(集团)有限责任公司 | 评估战斗机机动动作下各系统稳态与过渡态性能的方法 |
CN116484227A (zh) * | 2023-05-04 | 2023-07-25 | 西北工业大学 | 用于机弹对抗末端机动规避指标生成的神经网络建模方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602006012860D1 (de) * | 2006-12-22 | 2010-04-22 | Saab Ab | Vorrichtung an einem Flugkörper und Verfahren zur Kollisionsvermeidung |
CN103440361A (zh) * | 2013-07-19 | 2013-12-11 | 清华大学 | 一种等离子体刻蚀工艺中刻蚀产额的建模方法 |
CN103942369A (zh) * | 2014-04-02 | 2014-07-23 | 北京理工大学 | 一种面向临近空间的智能目标发生方法 |
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 |
-
2020
- 2020-06-18 CN CN202010561910.2A patent/CN111773722B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602006012860D1 (de) * | 2006-12-22 | 2010-04-22 | Saab Ab | Vorrichtung an einem Flugkörper und Verfahren zur Kollisionsvermeidung |
CN103440361A (zh) * | 2013-07-19 | 2013-12-11 | 清华大学 | 一种等离子体刻蚀工艺中刻蚀产额的建模方法 |
CN103942369A (zh) * | 2014-04-02 | 2014-07-23 | 北京理工大学 | 一种面向临近空间的智能目标发生方法 |
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 |
Non-Patent Citations (3)
Title |
---|
ZHEN YANG, DEYUN ZHOU,HAIYIN PIAO: "Evasive_Maneuver_Strategy_for_UCAV_in_Beyond-Visual-Range_Air_Combat_Based_on_Hierarchical_Multi-Objective_Evolutionary_Algorithm", 《IEEE ACCESS》 * |
张涛,周中良,于雷等: "战斗机使用空射诱饵弹协同规避策略", 《控制理论与应用》 * |
赵彬等: "基于RHC-GCPSO的末端规避轨迹最优控制方法", 《飞行力学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668089A (zh) * | 2020-11-30 | 2021-04-16 | 成都飞机工业(集团)有限责任公司 | 评估战斗机机动动作下各系统稳态与过渡态性能的方法 |
CN112668089B (zh) * | 2020-11-30 | 2022-07-15 | 成都飞机工业(集团)有限责任公司 | 评估战斗机机动动作下各系统稳态与过渡态性能的方法 |
CN116484227A (zh) * | 2023-05-04 | 2023-07-25 | 西北工业大学 | 用于机弹对抗末端机动规避指标生成的神经网络建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111773722B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113791634B (zh) | 一种基于多智能体强化学习的多机空战决策方法 | |
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 | |
CN111666631A (zh) | 犹豫模糊和动态深度强化学习相结合的无人机机动决策方法 | |
CN111240353A (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
CN113050686B (zh) | 一种基于深度强化学习的作战策略优化方法及系统 | |
Wang et al. | Improving maneuver strategy in air combat by alternate freeze games with a deep reinforcement learning algorithm | |
CN113962012B (zh) | 无人机对抗策略优化方法及装置 | |
CN111773722B (zh) | 一种模拟环境中的战斗机规避机动策略集生成方法 | |
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 | |
CN113893539B (zh) | 智能体的协同对战方法及装置 | |
CN110928329A (zh) | 一种基于深度q学习算法的多飞行器航迹规划方法 | |
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 | |
CN113159266B (zh) | 基于麻雀搜索神经网络的空战机动决策方法 | |
CN114492805A (zh) | 一种基于模糊推理的空战机动决策设计方法 | |
CN115951709A (zh) | 基于td3的多无人机空战策略生成方法 | |
CN114330115A (zh) | 一种基于粒子群搜索的神经网络空战机动决策方法 | |
Chen et al. | Design and verification of UAV maneuver decision simulation system based on deep q-learning network | |
Duan et al. | Autonomous maneuver decision for unmanned aerial vehicle via improved pigeon-inspired optimization | |
CN113741186B (zh) | 一种基于近端策略优化的双机空战决策方法 | |
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 | |
CN114167899B (zh) | 一种无人机蜂群协同对抗决策方法及系统 | |
CN115220473A (zh) | 一种多无人机蜂群协同任务动态分配方法 | |
Wang et al. | Research on naval air defense intelligent operations on deep reinforcement learning | |
CN113255234A (zh) | 一种对导弹群进行在线目标分配的方法 | |
CN117192982B (zh) | 基于控制参数化的近距空战机动决策优化方法 |
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 |