CN112734278A - 一种面向时敏目标打击的c2组织资源动态调度方法 - Google Patents

Abstract

本发明公开了一种面向时敏目标打击的C2组织资源动态调度方法，以任务完成质量和任务完成时间为资源调度测度，构建多目标C2组织资源动态调度模型，并采用改进量子粒子群算法进行模型求解，结果表明，考虑任务完成时间测度可以降低时敏目标打击窗口；通过任务‑资源‑能力进行三级最优适配建模，并建立多目标动态优化模型，进一步设计了量子粒子群改进算法求解多目标优化问题，以此能够显著的提升时敏目标打击能力。

Description

一种面向时敏目标打击的C2组织资源动态调度方法

技术领域

本发明涉及指挥控制中资源调度技术领域，具体为一种面向时敏目标打击的C2组织资源动态调度方法。

背景技术

决策中心战是新一代作战理念，其不同于网络中心战，后者侧重于通过集中化来提高军事决策能力，依赖于指挥官的广域态势感知能力，以及与他们指挥的所有部队进行沟通的能力。决策中心战是通过分布式资源编队与动态重组，增加敌方作战实施的复杂性和不确定性，从而降低敌方指挥官的决策能力，甚至在决策层面“致盲”对手。马赛克战是决策中心战的典型实现方式，在将作战单元马赛克化的基础上，基于灵活高效的指挥控制(Command and Control，C2)实现对兵力的按需组合运用。例如，米切尔研究所认为，美国空军应发挥有人、无人作战飞机混编优势，原因在于混合编组可以通过增加造价低廉的飞机数量，用以弥补制作精良、价格昂贵但又威力强大的五代飞机数量上的不足。

时敏目标打击是马赛克战的重要作战样式，如年初美军利用无人机精准打击伊朗高级将领苏莱曼尼即是一次典型的时敏目标打击行动。因此，在现代大国博弈背景下，时敏目标类型和数量与日俱增，且打击窗口不断缩短，时敏目标打击面临严峻挑战。同时，随着先进的传感器、数据传输和综合电子技术等无人机技术迅速发展，无人机的协同性、自主性、机动性、隐身性、多任务作战能力得到大幅提高，具备了在复杂环境下打击时敏目标的能力，尤其适用于城市作战等场景。因此，时敏目标打击发现、定位、识别、决策、瞄准以及攻击等要尽可能快，其中最为耗时的即是作战资源动态调度。

综上所述，现有调度方案大多侧重于任务分配与资源开销之间的权衡，打击目标多是预先规定，未考虑时敏目标打击窗口问题，使这些方案都难以适用于马赛克战。

发明内容

本发明解决的技术问题在于克服现有技术的打击能力差和打击窗口大等缺陷，提供一种面向时敏目标打击的C2组织资源动态调度方法。所述一种面向时敏目标打击的C2组织资源动态调度方法具有打击能力强和打击窗口小等特点。

为实现上述目的，本发明提供如下技术方案：一种面向时敏目标打击的C2组织资源动态调度方法，包括以下步骤：

步骤1：资源动态调度问题建模；

步骤2：基本概念阐述，首先阐述时敏打击任务、C2组织、资源和能力的基本概念；

步骤3：资源配属建模，时敏目标打击过程中装备保障动态调度问题需要时间最短、所用的资源最少且任务完成度较高，实际上是一个多条件约束下的多目标优化问题，即作战任务、资源利用和时间消耗三者之间在多目标条件下的寻优问题，最终匹配结果为某个时敏目标打击的作战任务有某个资源配系能力支撑在最小化时间窗口内完成，在任务规划过程中综合考虑多个目标决策和优化的问题，将“任务-资源-能力”两两匹配最优的最终目标转化为考虑所有的约束目标整体最优，为此，分别建立：资源-能力提供矩阵、任务-能力需求矩阵和任务-资源配属矩阵；

步骤4：资源动态调度指标，包括任务完成时间和任务完成质量；

步骤5：资源动态调度数学模型，多目标任务优化的各个目标之间往往不能全部都达到最优，只能通过一定的优化方法将各个目标存在矛盾冲突的情况下最大程度的优化，建立目标函数为实现任务完成质量最大且时敏目标打击任务完成时间最短，记为RDSM，如下式：RDSM＝min[(p(i，j)]+min[Time(X)]；

步骤6：资源动态调度算法设计，量子粒子群算法是一种新型的群体智能算法，其在粒子群算法的基础上发展而成，已经成为随机优化领域的一个研究热点，时敏目标打击任务规划是一个典型的多约束离散优化问题，其任务间存在复杂的逻辑关系，资源存在冲突占用等问题，对于资源动态调度问题，量子粒子群算法的编码简单，具有更强的全局搜索能力，而传统的粒子群优化算法只能完成任务与资源的匹配，无法对资源占用冲突问题等约束进行适当处理，因此，本文将量子粒子群算法约束因子从固定的常数改进为随机数，显著增强了算法搜索能力，算法如图1所示；

步骤7：实验结果与分析，为了验证所提模型可以有效降低时敏目标打击窗口任务完成时间，采用仿真方法进行资源的动态调度实验，首先进行时敏目标数量、时敏窗口时长、可用资源类型及数量、各资源对各目标的毁伤度的参数设置：假定时敏目标为敌方装甲坦克编队，共22辆，正向某山洞掩体机动，速度为60Km/h；我方基地有无人机120架，其中旋翼无人机30架，固定翼无人机90架，飞行速度为120Km/h，固定翼无人机有效载荷为100公斤，携带有两枚无人机专用反坦克AR-1空地导弹，穿甲破甲能力大于1000毫米，面对钢筋混凝土的穿透能力设置为1200毫米，且具有移动目标攻击能力，显然，AR-1导弹共计180枚，此外，旋翼无人机仅用于高空侦察与抵近侦察，不参与具体时敏目标打击过程，实验设置至少要对10辆装甲坦克目标达到重度毁伤程度，毁伤程度如图3所示。

优选的，步骤2中时敏目标打击任务，简称任务，记为AT_n，时敏目标是需要在一定的时间内给予打击的目标，包括导弹发射车、无人侦察机、山区中突然出现的恐怖分子等，“一定的时间内”即打击时敏目标的“时间窗口”，是指目标处于被打击状态的持续时间，通常，时敏目标暴露时间短，稍纵即逝，对时敏目标打击系统要求较高；C2组织，通常指包含作战资源、组织结构、决策过程和作战环境等在作战使命的驱动下形成的整体有序行为和与之协调的C2结构的关系，是实现资源调度的指挥控制平台，记为s；资源，我们将各种作战装备如巡飞弹、旋翼无人机、固定翼无人机等定义为作战资源，简称资源，记为集合Re；能力，即作战能力，记为e，如高空侦察、低当量快速打击、低空中继通信等m种能力，本文将能力分为两层：第一层依据作战链路能力需求划分，如侦察、控制、打击、评估等能力，记为i；第二级在第一级能力基础上按不同属性细分，记为j，不同能力需要不同作战资源支撑，例如高空侦察中侦察是第一层能力，高空属性则是第二层能力。

优选的，步骤3中资源为Re，因此能力ij需要资源Re时记为Re_ij，i，j∈{1，2，...，m}，因此定义资源-能力提供矩阵为矩阵A＝{a_Re}_ij当资源Re能够提供能力ij时，令矩阵a_Re＝1，否则令矩阵a_Re＝0，当面临资源冲突时，如旋翼无人机用于中继通信可能就无法提供侦察能力，则a_Re＝0，约束资源初始值设置为最大容量值，

任务-能力需求矩阵采用各任务对各能力的需求量表征，将每个任务细化为一系列任务子集，生成任务列表，并使用t来表示，即建立一个任务-能力需求矩阵B＝{b_t}_Re，当B_t表示任务t需要能力e时，则令矩阵b_t＝1，否则令矩阵b_t＝0，此处约束任务执行过程中至少需要一种及以上的能力，

任务-资源配属矩阵表示各资源能力提供量对各任务的配属关系，是C2组织资源动态调度的结果，将任务-资源配属矩阵设置为C＝{c_ij}_t，矩阵c_ij表示能力ij需要t个资源时，则令矩阵c_ij＝1，否则令矩阵c_ij＝0，我们约束任务所需的能力不为零，

优选的，步骤4中任务完成时间以各资源到达时敏目标地点为依据，采用模型调度时间Time(X)表示，其为调度时间与通信时间之和，表示式如下：Time(X)＝Tco(X)+Tsc(X)；任务完成质量通常以能力提供量

∑e_ij与能力需求量e_ij的比值来表征，本文认为能力剩余量越多任务完成效率越高，同理任务完成质量较高，记为p，且p值越小，任务完成质量越高，如下式：

p(i，j)＝e_ij/∑e_ij。

优选的，步骤5中在资源匹配约束条件式、人物能力约束条件式和人物资源数量约束式的约束矩阵基础上，模型还有如下基础约束式：

优选的，步骤6中算法由n个粒子组成的群体对Q维(每个粒子的维度)空间进行搜索。每个粒子表示为：x_i＝(x_i1，x_i2，x_i3，…，x_iQ)，每个粒子对应的速度表示为v_i＝(v_i1，v_i2，v_i3，…，v_iQ)。每个粒子在搜索时考虑的两个因素设置为：粒子自身搜索的历史最优值表示为p_i，

p_i＝(p_i1，p_i2，p_i3，…，p_iQ)，i＝1，2，3，…，n；全部粒子搜索到的最优值设置为p_g，p_g＝(p_g1，p_g2，p_g3，…，p_gQ)，注意这里p_g只有一个，给出粒子群算法的位置速度更新计算公式为：

在上述两个公式中，w是惯性权重，c1是粒子跟踪自己历史最优值的权重系数，c2是粒子跟踪群体最优值的权重系数。ε和η是[0.1]区间内均匀分布的随机数，γ是对位置更新时的约束因子。

优选的，步骤7中的实验条件下，以任务完成时间和任务完成质量为目标函数，采用改进的量子粒子群算法，实验结果如图4至图6所示；仅考虑任务完成质量的时敏目标打击成功率及毁伤效果记为模式1，用R表示；仅考虑任务完成时间的时敏目标打击成功率及毁伤效果记为模式2，用T表示；而同时考虑两者的时敏目标打击成功率及毁伤效果记为模式3，用R&T表示，重度毁伤目标数目对比情况：T>R&T＝R；调度时间方面对比情况：T>R&T>R；能力对比值情况：R>R&T>T，可以看出T远不及R&T和R，我们将三种模式模糊归一化计算对比得出，考虑任务完成时间测度可以降低时敏目标打击窗口时长达28.46％，如图7所示，毁伤目标按照每5个间距均匀分布，R的最短调度时间为7.96s，因此在7.96s之前为盲打击窗口，R&T的时敏打击窗口位于R和T之间并保持优良稳定性能，毁伤个数在15-20的范围时，考虑资源的利用率的情况下，加入约束条件，是最好的时敏打击窗口，速度优良，可维持在3.5s内，当毁伤目标个数小于等于15时，考虑资源利用率和调度时间的情况下，模式3仍是最优的，时间窗口可在0.3s内完成，可以达到基本稳定的可持续状态，同时也验证了资源动态调度建模方法的有效性。

与现有技术相比，本发明的有益效果是：

1、本发明在使用时，以任务完成质量和任务完成时间为资源调度测度，构建多目标C2组织资源动态调度模型，并采用改进量子粒子群算法进行模型求解，结果表明，考虑任务完成时间测度可以降低时敏目标打击窗口；

2、本发明在使用时，通过任务-资源-能力进行三级最优适配建模，并建立多目标动态优化模型，进一步设计了量子粒子群改进算法求解多目标优化问题，以此能够显著的提升时敏目标打击能力。

附图说明

图1为本发明方法流程图；

图2为本发明算法流程图；

图3为本发明毁伤程度表；

图4为本发明仅考虑实验完成质量的实验结果表；

图5为本发明仅考虑实验完成时间的实验结果表；

图6为本发明综合考虑任务完成质量与时间的实验结果表；

图7为本发明三种模式对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-7，本发明提供一种技术方案：一种面向时敏目标打击的C2组织资源动态调度方法，包括以下步骤：

步骤1：资源动态调度问题建模；

步骤2：基本概念阐述，首先阐述时敏打击任务、C2组织、资源和能力的基本概念，时敏目标打击任务，简称任务，记为AT_n，时敏目标是需要在一定的时间内给予打击的目标，包括导弹发射车、无人侦察机、山区中突然出现的恐怖分子等，“一定的时间内”即打击时敏目标的“时间窗口”，是指目标处于被打击状态的持续时间，通常，时敏目标暴露时间短，稍纵即逝，对时敏目标打击系统要求较高；C2组织，通常指包含作战资源、组织结构、决策过程和作战环境等在作战使命的驱动下形成的整体有序行为和与之协调的C2结构的关系，是实现资源调度的指挥控制平台，记为s；资源，我们将各种作战装备如巡飞弹、旋翼无人机、固定翼无人机等定义为作战资源，简称资源，记为集合Re；能力，即作战能力，记为e，如高空侦察、低当量快速打击、低空中继通信等m种能力，本文将能力分为两层：第一层依据作战链路能力需求划分，如侦察、控制、打击、评估等能力，记为i；第二级在第一级能力基础上按不同属性细分，记为j，不同能力需要不同作战资源支撑，例如高空侦察中侦察是第一层能力，高空属性则是第二层能力；

步骤3：资源配属建模，时敏目标打击过程中装备保障动态调度问题需要时间最短、所用的资源最少且任务完成度较高，实际上是一个多条件约束下的多目标优化问题，即作战任务、资源利用和时间消耗三者之间在多目标条件下的寻优问题，最终匹配结果为某个时敏目标打击的作战任务有某个资源配系能力支撑在最小化时间窗口内完成，在任务规划过程中综合考虑多个目标决策和优化的问题，将“任务-资源-能力”两两匹配最优的最终目标转化为考虑所有的约束目标整体最优，为此，分别建立：资源-能力提供矩阵、任务-能力需求矩阵和任务-资源配属矩阵，资源为Re，因此能力ij需要资源Re时记为Re_ij，i，j∈{1，2，...，m}，因此定义资源-能力提供矩阵为矩阵A＝{a_Re}_ij当资源Re能够提供能力ij时，令矩阵a_Re＝1，否则令矩阵a_Re＝0，当面临资源冲突时，如旋翼无人机用于中继通信可能就无法提供侦察能力，则a_Re＝0，约束资源初始值设置为最大容量值，

任务-能力需求矩阵采用各任务对各能力的需求量表征，将每个任务细化为一系列任务子集，生成任务列表，并使用t来表示，即建立一个任务-能力需求矩阵B＝{b_t}_Re，当B_t表示任务t需要能力e时，则令矩阵b_t＝1，否则令矩阵b_t＝0，此处约束任务执行过程中至少需要一种及以上的能力，

任务-资源配属矩阵表示各资源能力提供量对各任务的配属关系，是C2组织资源动态调度的结果，将任务-资源配属矩阵设置为C＝{c_ij}_t，矩阵c_ij表示能力ij需要t个资源时，则令矩阵c_ij＝1，否则令矩阵c_ij＝0，我们约束任务所需的能力不为零，

步骤4：资源动态调度指标，包括任务完成时间和任务完成质量，任务完成时间以各资源到达时敏目标地点为依据，采用模型调度时间Time(X)表示，其为调度时间与通信时间之和，表示式如下：Time(X)＝Tco(X)+Tsc(X)；任务完成质量通常以能力提供量∑e_ij与能力需求量e_ij的比值来表征，本文认为能力剩余量越多任务完成效率越高，同理任务完成质量较高，记为p，且p值越小，任务完成质量越高，如下式：

p(i，j)＝e_ij/∑e_ij；

步骤5：资源动态调度数学模型，多目标任务优化的各个目标之间往往不能全部都达到最优，只能通过一定的优化方法将各个目标存在矛盾冲突的情况下最大程度的优化，建立目标函数为实现任务完成质量最大且时敏目标打击任务完成时间最短，记为RDSM，如下式：RDSM＝min[p(i，j)]+min[Time(X)]，在资源匹配约束条件式、人物能力约束条件式和人物资源数量约束式的约束矩阵基础上，模型还有如下基础约束式：

步骤6：资源动态调度算法设计，量子粒子群算法是一种新型的群体智能算法，其在粒子群算法的基础上发展而成，已经成为随机优化领域的一个研究热点，时敏目标打击任务规划是一个典型的多约束离散优化问题，其任务间存在复杂的逻辑关系，资源存在冲突占用等问题，对于资源动态调度问题，量子粒子群算法的编码简单，具有更强的全局搜索能力，而传统的粒子群优化算法只能完成任务与资源的匹配，无法对资源占用冲突问题等约束进行适当处理，因此，本文将量子粒子群算法约束因子从固定的常数改进为随机数，显著增强了算法搜索能力，算法如图1所示，算法由n个粒子组成的群体对Q维(每个粒子的维度)空间进行搜索。每个粒子表示为：x_i＝(x_i1，x_i2，x_i3，…，x_iQ)，每个粒子对应的速度表示为v_i＝(v_i1，v_i2，v_i3，…，v_iQ)。每个粒子在搜索时考虑的两个因素设置为：粒子自身搜索的历史最优值表示为p_i，

p_i＝(p_i1，p_i2，p_i3，…，p_iQ)，i＝1，2，3，…，n；全部粒子搜索到的最优值设置为p_g，p_g＝(p_g1，p_g2，p_g3，…，p_gQ)，注意这里p_g只有一个，给出粒子群算法的位置速度更新计算公式为：

在上述两个公式中，w是惯性权重，c1是粒子跟踪自己历史最优值的权重系数，c2是粒子跟踪群体最优值的权重系数。ε和η是[0.1]区间内均匀分布的随机数，γ是对位置更新时的约束因子；

步骤7：实验结果与分析，为了验证所提模型可以有效降低时敏目标打击窗口任务完成时间，采用仿真方法进行资源的动态调度实验，实验条件下，以任务完成时间和任务完成质量为目标函数，采用改进的量子粒子群算法，实验结果如图4至图6所示；仅考虑任务完成质量的时敏目标打击成功率及毁伤效果记为模式1，用R表示；仅考虑任务完成时间的时敏目标打击成功率及毁伤效果记为模式2，用T表示；而同时考虑两者的时敏目标打击成功率及毁伤效果记为模式3，用R&T表示，重度毁伤目标数目对比情况：T＞R&T＝R；调度时间方面对比情况：T＞R&T＞R；能力对比值情况：R＞R&T＞T，可以看出T远不及R&T和R，我们将三种模式模糊归一化计算对比得出，考虑任务完成时间测度可以降低时敏目标打击窗口时长达28.46％，如图7所示，毁伤目标按照每5个间距均匀分布，R的最短调度时间为7.96s，因此在7.96s之前为盲打击窗口，R&T的时敏打击窗口位于R和T之间并保持优良稳定性能，毁伤个数在15-20的范围时，考虑资源的利用率的情况下，加入约束条件，是最好的时敏打击窗口，速度优良，可维持在3.5s内，当毁伤目标个数小于等于15时，考虑资源利用率和调度时间的情况下，模式3仍是最优的，时间窗口可在0.3s内完成，可以达到基本稳定的可持续状态，同时也验证了资源动态调度建模方法的有效性，首先进行时敏目标数量、时敏窗口时长、可用资源类型及数量、各资源对各目标的毁伤度的参数设置：假定时敏目标为敌方装甲坦克编队，共22辆，正向某山洞掩体机动，速度为60Km/h；我方基地有无人机120架，其中旋翼无人机30架，固定翼无人机90架，飞行速度为120Km/h，固定翼无人机有效载荷为100公斤，携带有两枚无人机专用反坦克AR-1空地导弹，穿甲破甲能力大于1000毫米，面对钢筋混凝土的穿透能力设置为1200毫米，且具有移动目标攻击能力，显然，AR-1导弹共计180枚，此外，旋翼无人机仅用于高空侦察与抵近侦察，不参与具体时敏目标打击过程，实验设置至少要对10辆装甲坦克目标达到重度毁伤程度，毁伤程度如图3所示。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种面向时敏目标打击的C2组织资源动态调度方法，包括以下步骤，其特征在于：

步骤1：资源动态调度问题建模；

步骤2：基本概念阐述，首先阐述时敏打击任务、C2组织、资源和能力的基本概念；

步骤3：资源配属建模，时敏目标打击过程中装备保障动态调度问题需要时间最短、所用的资源最少且任务完成度较高，实际上是一个多条件约束下的多目标优化问题，即作战任务、资源利用和时间消耗三者之间在多目标条件下的寻优问题，最终匹配结果为某个时敏目标打击的作战任务有某个资源配系能力支撑在最小化时间窗口内完成，在任务规划过程中综合考虑多个目标决策和优化的问题，将“任务-资源-能力”两两匹配最优的最终目标转化为考虑所有的约束目标整体最优，为此，分别建立：资源-能力提供矩阵、任务-能力需求矩阵和任务-资源配属矩阵；

步骤4：资源动态调度指标，包括任务完成时间和任务完成质量；

步骤5：资源动态调度数学模型，多目标任务优化的各个目标之间往往不能全部都达到最优，只能通过一定的优化方法将各个目标存在矛盾冲突的情况下最大程度的优化，建立目标函数为实现任务完成质量最大且时敏目标打击任务完成时间最短，记为RDSM，如下式：RDSM＝min[p(i，j)]+min[Time(X)]；

步骤6：资源动态调度算法设计，量子粒子群算法是一种新型的群体智能算法，其在粒子群算法的基础上发展而成，已经成为随机优化领域的一个研究热点，时敏目标打击任务规划是一个典型的多约束离散优化问题，其任务间存在复杂的逻辑关系，资源存在冲突占用等问题，对于资源动态调度问题，量子粒子群算法的编码简单，具有更强的全局搜索能力，而传统的粒子群优化算法只能完成任务与资源的匹配，无法对资源占用冲突问题等约束进行适当处理，因此，本文将量子粒子群算法约束因子从固定的常数改进为随机数，显著增强了算法搜索能力，算法如图1所示；

步骤7：实验结果与分析，为了验证所提模型可以有效降低时敏目标打击窗口任务完成时间，采用仿真方法进行资源的动态调度实验，首先进行时敏目标数量、时敏窗口时长、可用资源类型及数量、各资源对各目标的毁伤度的参数设置：假定时敏目标为敌方装甲坦克编队，共22辆，正向某山洞掩体机动，速度为60Km/h；我方基地有无人机120架，其中旋翼无人机30架，固定翼无人机90架，飞行速度为120Km/h，固定翼无人机有效载荷为100公斤，携带有两枚无人机专用反坦克AR-1空地导弹，穿甲破甲能力大于1000毫米，面对钢筋混凝土的穿透能力设置为1200毫米，且具有移动目标攻击能力，显然，AR-1导弹共计180枚，此外，旋翼无人机仅用于高空侦察与抵近侦察，不参与具体时敏目标打击过程，实验设置至少要对10辆装甲坦克目标达到重度毁伤程度，毁伤程度如图3所示。

2.根据权利要求1所述的一种面向时敏目标打击的C2组织资源动态调度方法，其特征在于：步骤2中时敏目标打击任务，简称任务，记为AT_n，时敏目标是需要在一定的时间内给予打击的目标，包括导弹发射车、无人侦察机、山区中突然出现的恐怖分子等，“一定的时间内”即打击时敏目标的“时间窗口”，是指目标处于被打击状态的持续时间，通常，时敏目标暴露时间短，稍纵即逝，对时敏目标打击系统要求较高；C2组织，通常指包含作战资源、组织结构、决策过程和作战环境等在作战使命的驱动下形成的整体有序行为和与之协调的C2结构的关系，是实现资源调度的指挥控制平台，记为s；资源，我们将各种作战装备如巡飞弹、旋翼无人机、固定翼无人机等定义为作战资源，简称资源，记为集合Re；能力，即作战能力，记为e，如高空侦察、低当量快速打击、低空中继通信等m种能力，本文将能力分为两层：第一层依据作战链路能力需求划分，如侦察、控制、打击、评估等能力，记为i；第二级在第一级能力基础上按不同属性细分，记为j，不同能力需要不同作战资源支撑，例如高空侦察中侦察是第一层能力，高空属性则是第二层能力。

3.根据权利要求1所述的一种面向时敏目标打击的C2组织资源动态调度方法，其特征在于：步骤3中资源为Re，因此能力ij需要资源Re时记为Re_ij，i，j∈{1，2，...，m}，因此定义资源-能力提供矩阵为矩阵A＝{a_Re}_ij当资源Re能够提供能力ij时，令矩阵a_Re＝1，否则令矩阵a_Re＝0，当面临资源冲突时，如旋翼无人机用于中继通信可能就无法提供侦察能力，则a_Re＝0，约束资源初始值设置为最大容量值，

任务-能力需求矩阵采用各任务对各能力的需求量表征，将每个任务细化为一系列任务子集，生成任务列表，并使用t来表示，即建立一个任务-能力需求矩阵B＝{b_t}_Re，当B_t表示任务t需要能力e时，则令矩阵b_t＝1，否则令矩阵b_t＝0，此处约束任务执行过程中至少需要一种及以上的能力，

任务-资源配属矩阵表示各资源能力提供量对各任务的配属关系，是C2组织资源动态调度的结果，将任务-资源配属矩阵设置为C＝{c_ij}_t，矩阵c_ij表示能力ij需要t个资源时，则令矩阵c_ij＝1，否则令矩阵c_ij＝0，我们约束任务所需的能力不为零，

4.根据权利要求1所述的一种面向时敏目标打击的C2组织资源动态调度方法，其特征在于：步骤4中任务完成时间以各资源到达时敏目标地点为依据，采用模型调度时间Time(X)表示，其为调度时间与通信时间之和，表示式如下：Time(X)＝Tco(X)+Tsc(X)；任务完成质量通常以能力提供量∑e_ij与能力需求量e_ij的比值来表征，本文认为能力剩余量越多任务完成效率越高，同理任务完成质量较高，记为p，且p值越小，任务完成质量越高，如下式：

p(i，j)＝e_ij/∑e_ij。

5.根据权利要求1所述的一种面向时敏目标打击的C2组织资源动态调度方法，其特征在于：步骤5中在资源匹配约束条件式、人物能力约束条件式和人物资源数量约束式的约束矩阵基础上，模型还有如下基础约束式：

a_Re≥1，∑e_ij≠0；

b_t≥1；

c_ij≥1；

AT_n≥1；

min(e_ij)≥1。

6.根据权利要求1所述的一种面向时敏目标打击的C2组织资源动态调度方法，其特征在于：步骤6中算法由n个粒子组成的群体对Q维(每个粒子的维度)空间进行搜索。每个粒子表示为：x_i＝(x_i1，x_i2，x_i3，…，x_iQ)，每个粒子对应的速度表示为v_i＝(v_i1，v_i2，v_i3，…，v_iQ)。每个粒子在搜索时考虑的两个因素设置为：粒子自身搜索的历史最优值表示为p_i，p_i＝(p_i1，p_i2，p_i3，…，p_iQ)，i＝1，2，3，…，n；全部粒子搜索到的最优值设置为p_g，p_g＝(p_g1，p_g2，p_g3，…，p_gQ)，注意这里p_g只有一个，给出粒子群算法的位置速度更新计算公式为：

在上述两个公式中，w是惯性权重，c1是粒子跟踪自己历史最优值的权重系数，c2是粒子跟踪群体最优值的权重系数，

ε和η是[0.1]区间内均匀分布的随机数，γ是对位置更新时的约束因子。

7.根据权利要求1所述的一种面向时敏目标打击的C2组织资源动态调度方法，其特征在于：步骤7中的实验条件下，以任务完成时间和任务完成质量为目标函数，采用改进的量子粒子群算法，实验结果如图4至图6所示；仅考虑任务完成质量的时敏目标打击成功率及毁伤效果记为模式1，用R表示；仅考虑任务完成时间的时敏目标打击成功率及毁伤效果记为模式2，用T表示；而同时考虑两者的时敏目标打击成功率及毁伤效果记为模式3，用R&T表示，重度毁伤目标数目对比情况：T＞R&T＝R；调度时间方面对比情况：T＞R&T＞R；能力对比值情况：R＞R&T＞T，可以看出T远不及R&T和R，我们将三种模式模糊归一化计算对比得出，考虑任务完成时间测度可以降低时敏目标打击窗口时长达28.46％，如图7所示，毁伤目标按照每5个间距均匀分布，R的最短调度时间为7.96s，因此在7.96s之前为盲打击窗口，R&T的时敏打击窗口位于R和T之间并保持优良稳定性能，毁伤个数在15-20的范围时，考虑资源的利用率的情况下，加入约束条件，是最好的时敏打击窗口，速度优良，可维持在3.5s内，当毁伤目标个数小于等于15时，考虑资源利用率和调度时间的情况下，模式3仍是最优的，时间窗口可在0.3s内完成，可以达到基本稳定的可持续状态，同时也验证了资源动态调度建模方法的有效性。

Images