CN112818496A - 基于蚁群算法的要地防空策略 - Google Patents

基于蚁群算法的要地防空策略 Download PDF

Info

Publication number
CN112818496A
CN112818496A CN202110207433.4A CN202110207433A CN112818496A CN 112818496 A CN112818496 A CN 112818496A CN 202110207433 A CN202110207433 A CN 202110207433A CN 112818496 A CN112818496 A CN 112818496A
Authority
CN
China
Prior art keywords
target
air defense
algorithm
model
ant colony
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
CN202110207433.4A
Other languages
English (en)
Other versions
CN112818496B (zh
Inventor
龙洋
高超
李可心
潘伟
朱文亮
谭越俊
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.)
PLA Army Academy of Artillery and Air Defense
Original Assignee
PLA Army Academy of Artillery and Air Defense
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 PLA Army Academy of Artillery and Air Defense filed Critical PLA Army Academy of Artillery and Air Defense
Priority to CN202110207433.4A priority Critical patent/CN112818496B/zh
Publication of CN112818496A publication Critical patent/CN112818496A/zh
Application granted granted Critical
Publication of CN112818496B publication Critical patent/CN112818496B/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
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

本发明属于要地协同防空技术领域，具体为基于蚁群算法的要地防空策略，包括如下步骤：步骤一：基于目标意图识别的飞行轨迹智能预测；骤二：弹炮混编防空群整体打击效能建模；步骤三：协同射击模式下的火力分配建模；步骤四：基于蚁群算法的实时火力分配求解；步骤五：构建要地协同防空数字化仿真环境，开展仿真实验，验证项目研究成果的有效性，其结构合理，提出改进蚁群优化算法，提高算法收敛速度以及全局搜索能力，求解编队防空作战火力分配，为指挥员配置防空武器起到辅助决策的作用。

Description

基于蚁群算法的要地防空策略
技术领域
本发明涉及要地协同防空技术领域，具体为基于蚁群算法的要地防空策略。
背景技术
现代战争模式已经由传统二维平面的角逐向陆、海、空、天、电、网等多维领域的较量迅速蜕变。从近年来世界上的几次局部战争可以看出，电子侦察、对抗及大规模的空袭已成为战争的先导和决定性因素。大量精确制导武器，如隐身飞机和无人机、巡航导弹、制导导弹、制导炸弹等突破防空体系，最后飞临我方重要目标并进行打击的可能性越来越大。在面对多种空袭武器构成的强大空袭体系的多种类、多目标的攻击下，通常可由作战距离不同的武器进行多次拦截。由于保护的对象通常是首都、指挥中心、军事基地等重点设施，因此发展一套完善的阵地弹炮结合武器系统的必要性和急迫性日渐显露。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
因此，本发明的目的是提供基于蚁群算法的要地防空策略，能够实现提高算法收敛速度以及全局搜索能力，求解编队防空作战火力分配，为指挥员配置防空武器起到辅助决策的作用。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
基于蚁群算法的要地防空策略，其包括如下步骤：
步骤一：基于目标意图识别的飞行轨迹智能预测，采用人工智能方法，建立基于动态贝叶斯网的目标意图识别模型，结合目标行为特征、意图特征构建网络模型拓扑结构，之后根据意图识别概率结果，通过几种典型轨迹预测子模型之间的加权组合，解决目标轨迹预测问题，实时生成预测轨迹；
步骤二：弹炮混编防空群整体打击效能建模，分别建立防空群探测模型、可射击能力模型和毁伤能力模型，最终构建整体打击效能的综合优化指标模型，为实现整体服务概率最大化、最终打击效能最大化的防空群火力分配奠定基础；
步骤三：协同射击模式下的火力分配建模，在弹炮混编防空群中，传感器系统、武器系统和控制系统之间实现了解耦，本地武器系统可以利用异地提供的火控数据制定发射决策，即可以实现整个防空群中所有武器系统的协同作战；
步骤四：基于蚁群算法的实时火力分配求解，以蚁群算法为基础，充分考虑弹炮结合武器编队火力分配的具体要求，对算法的选择机制、更新机制以及协调机制作进一步改进，引入自适应的转移策略和信息素更新策略，以克服蚁群算法计算时间长、易出现停滞的缺陷；
步骤五：数字化仿真环境搭建与验证分析，一是仿真任务调度层设计，根据算法理论研究成果，设计仿真实验的任务调度方法，实现智能化的仿真任务管理功能；二是分布式网络通信层设计，实现要地协同防空仿真系统各节点的实时信息交互功能；三是物理模型层设计，建立防空导弹、高炮和飞机等模型，根据仿真任务调度指令，实现自动化的武器平台仿真推演，并完成信息交互，通过解决上述问题，构建要地协同防空数字化仿真环境，开展仿真实验，验证项目研究成果的有效性。
作为本发明所述的基于蚁群算法的要地防空策略的一种优选方案，其中：步骤一包括基于动态贝叶斯网的目标意图识别和基于目标意图识别的飞行轨迹预测。
与现有技术相比，本发明的有益效果是：
(1)实现协同射击模式下的火力分配模型求解，具备良好的实时性，解算周期小于1s；
(2)在多种敌我攻防态势下完成协同防空火力分配算法的有效性验证，其中弹炮结合武器编队部署模型不少于3种，敌机编队数量和攻击批次计划方案不少于5种。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明步骤流程图；
图2为本发明弹炮混编防空群布防示意图；
图3为本发明要地协同防空火力分配总体方案设计图；
图4为本发明两种预测轨迹样本的蛇形机动轨迹预测模型图；
图5为本发明弹炮混编防空整体打击效能建模图；
图6为本发明炮弹结合武器系统对目标进行服务的过程示意图；
图7为本发明二部图示意图；
图8为本发明火力分配蚁群算法搜索图；
图9为本发明火力分配蚁群算法流程图；
图10为本发明数字化仿真环境搭建与验证分析整体架构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
实施例1
1.基于目标意图识别的飞行轨迹智能预测
1.1基于动态贝叶斯网的目标意图识别
在高动态环境下对目标意图进行识别可以描述为在环境信息和目标信息的激励下提取出战场态势特征，目标运动特征，将提取的特征作为证据信息，利用网络模型对特征进行识别分析后对目标行为和意图进行准确识别。高动态环境下目标意图识别方法研究过程分为三部分，分别为战场态势与目标行为特征提取方法研究、基于动态贝叶斯网络的目标意图识别网络建模、贝叶斯估计参数学习方法，具体研究思路如下。
(1)提取战场态势与目标运动特征
由贝叶斯网络构建静态特征提取模型，将传感器采集的实时战场信息以及先验情报信息进行整理，提取出战场态势与目标运动特征，特征提取的结果将作为后续目标行为与意图识别的重要证据信息。分析战场信息，获取对目标意图识别相关的关键信息。根据信息之间的关联程度，确定信息之间的因果关系。利用贝叶斯网络建立特征提取模型，根据关键信息输入提取出证据信息特征，并将提取出的特征信息作为网络的证据节点输入，构成识别网络的输入层。
(2)利用动态贝叶斯网络构建目标意图识别网络模型
考虑到动态贝叶斯网络可以用于不确定性问题建模，且该网络具备历史信息记忆能力，因此动态贝叶斯网络具有错误信息处理能力。鉴于动态贝叶斯网络的特性，目标意图识别网络模型由动态贝叶斯网络构建。根据证据节点之间存在的因果关系，利用动态贝叶斯网络组建一个因果网络。该网络以证据节点为网络输入层，通过有向弧的连接关系将输出层、中间层与输入层证据节点连接在一起。从而实现以输入层感知外界环境，中间层提取证据特征，经过概率推理后由输出层输出最终的识别结果。
(3)设计滤波推理算法求解网络模型
目标意图识别网络是基于动态贝叶斯网络构建的，是一个标准马尔科夫网络。因此，在求解网络模型时采用马尔科夫网络的滤波推理算法进行求解。滤波推理算法以链路为单位展开，在设计推理算法时需要根据具备的网络模型确定，设计出与网络结构一致的算法求解过程。根据网络结构，利用马尔科夫滤波推理算法设计目标意图识别网络模型求解算法。推理算法用于求解网络模型，需要经过概率推理，得到输出结果的概率分布，其中具有最大概率值的结果为最终网络模型输出。
(4)利用贝叶斯估计参数学习方法进行网络参数优化
目标意图识别网络的初始参数可根据先验知识设定，考虑到人为设定的主观性，需要通过参数学习的方法对模型参数进行优化。贝叶斯估计参数学习是一种常用的统计学习方法，该方法的特点是可以综合考虑先验知识和样本数据对网络参数的影响。采用该方法进行参数学习可以使得在样本规模较小时，网络参数受主观经验影响，随着样本数增加，网络参数逐渐趋向于样本统计规律。贝叶斯估计参数学习方法可以结合先验知识对网络参数进行调整，通过逐渐积累的样本数据借助贝叶斯估计参数学习方法可以实现对网络参数的调整，使其不断拟合统计规律。因此对于意图识别网络的参数可以通过先验知识进行初始化设定，然后借助贝叶斯估计参数学习方法对参数进行优化调整。
1.2基于目标意图识别的飞行轨迹预测
在目标意图识别网络识别出目标意图后，对应建立典型的飞行轨迹预测模型。每一种模型综合考虑战场态势因素、目标状态因素与机动转换因素等影响。在每个时间周期对目标状态信息、战场态势信息进行初始化，加入机动转换，人在环操控等不确定性因素。这些初始的状态信息可以从载机传感器、雷达获取，例如目标飞行速度、目标航向、目标高度等信息。飞行轨迹预测方法研究过程分为两部分，分别为典型飞行轨迹预测模型的建立和基于目标意图识别概率的轨迹生成，具体研究思路如下。
(1)构建飞行轨迹预测模型
对目标每一种机动，都构建了对应的轨迹预测模型，每个模型都考虑了目标和环境证据，适合于复杂的战场态势。
①直线飞行
直线飞行的运动模型包括匀速直线飞行模型和匀变速直线飞行模型。
1)匀速飞行模型(CV)下目标的运动状态需要用位置和速度这两种状态信息来进行表示，加速度信息则是通过随机干扰的形式来体现。
首先，选取状态变量为
Figure BDA0002951303710000071
根据CV模型定义，将加速度信息作为模型的随机噪声进行处理：即
Figure BDA0002951303710000072
则CV模型的状态方程可以表示为：
Figure BDA0002951303710000073
式中：ω(k-1)是零均值高斯白噪声。
2)匀变速飞行模型(CA)根据恒定加速度预测目标直线运动轨迹，目标的运动状态需要用目标的位置、速度以及加速度这三个物理量来表示。
首先，选择状态变量
Figure BDA0002951303710000074
假设加速度的变化率作为模型的随机噪声，即
Figure BDA0002951303710000075
则CA模型的状态方程可以描述为：
X(k)＝FCA(k-1)X(k-1)+ω(k-1) (2)
其中：FCA＝diag{A,A,A}，A3×3为牛顿矩阵，
Figure BDA0002951303710000076
ω(k-1)是零均值高斯白噪声。
②盘旋类机动
将目标的运动状态看作是匀速圆周运动，例如左盘旋机动、右盘旋机动等，可以通过角速度、运动速度以及加速度这三个物理量之间的运动关系来描述物体的运动状态与角速度之间的关系。
选取状态向量
Figure BDA0002951303710000077
则盘旋类机动轨迹预测模型的状态方程可以表示为：
Figure BDA0002951303710000081
式中，x(k)、y(k)和z(k)分别代表飞机的位置信息，
Figure BDA0002951303710000082
和
Figure BDA0002951303710000083
分别表示目标在x和y两个轴向上的速度信息。ω1为飞机绕z轴做转弯运动时的角速度，模型用ω1的变化来表示目标的转弯方向，假设当ω1＞0时，目标作顺时针转动；当ω1＜0时，目标作逆时针转动；当ω1＝0时，目标做匀速直线运动。V(k)为k时刻的模型噪声。
③斤斗类机动
将物体的运动状态看作是垂直面匀速圆周运动，例如斤斗机动、半斤斗机动等，以当前时刻位置状态信息、速度状态信息和加速度状态信息作为模型输入，通过斤斗类机动轨迹预测模型，加入模型随机噪声干扰，得到下一时刻目标状态信息。选取状态向量
Figure BDA0002951303710000084
则斤斗类机动轨迹预测模型的状态方程可以表示为：
Figure BDA0002951303710000085
式中，x(k)、y(k)和z(k)分别代表物体的位置信息，
Figure BDA0002951303710000086
和
Figure BDA0002951303710000087
分别表示物体在x和z两个轴向上的速度信息。ω2为物体绕y轴做转弯运动时的角速度，斤斗类模型用ω2的变化来表示目标的纵向转弯率与转弯方向，ω2＞0时，目标作向上机动；当ω2＜0时，目标作向下机动；V(k)为k时刻的模型噪声。
④蛇形机动
该轨迹在地面坐标系下按正弦半周期运动，沿地面坐标系的期望距离进行缩放，直至机动完成。通过历史轨迹可得平面内蛇形机动沿X轴的偏移量ΔxR，通过考虑正态分布的侧移原点，建立了预测侧移位移和偏航角ψR,k范围内的不确定性模型；
则蛇形机动模型可以表示为：
Figure BDA0002951303710000091
式中，ΔxR和yR分别代表目标的横向位移量与纵向位移量，wL和lr表示机动动作起始位置纵向偏移量与横向偏移量。
⑤战斗转弯
该模型通过将机动分为三个部分来预测转弯，分别为初始战斗转弯前，战斗转弯本身以及战斗转弯后对未来轨迹的剩余预测。第一部分的预测是沿着初始状态的直线运动，采用恒定加速度模型，设定最大加速度值以保证预测合理性。在转弯过渡过程中，目标机动转弯被建模为一个圆弧，圆弧的圆心位于两条航线切线的夹角平分线上，半径根据航线的几何形状进行调整，使得起点和终点的航线切线也是圆的切线，即战斗转弯预测轨迹应沿转弯半径为rc、三维转弯中心为Mc＝(xc,yc,zc)的圆弧过渡，实现转弯阶段。战斗转弯第三段轨迹也是直线运动。初始状态和目标状态的横向位置被认为是服从正态分布的随机变量，以模拟不同的转弯执行情况。选取状态向量
Figure BDA0002951303710000092
战斗转弯过渡过程模型可表示为：
X(k)＝FCT(ω)X(k-1)+V(k-1) (6)
式中，FCT(ω)为三轴协同转弯矩阵，V(k-1)为k-1时刻的模型噪声。
(2)基于目标意图识别概率的轨迹生成
最终预测轨迹的生成分为两个部分实现，一是明确目标意图与目标飞行轨迹之间的对应关系，目标的机动意图分别对应某一种或某几种预测轨迹的组合，建立对应关系表；二是根据目标意图识别网络得到的识别概率来确定各个预测轨迹模型在当前空战态势下的权重，然后通过目标的上时刻历史状态信息，加权组合各个模型解算后的状态信息，预测出未来一段时间内的目标飞行轨迹。
2.弹炮混编防空群整体打击效能建模
弹炮混编防空群整体打击能力Pf可按下式定义：
Figure BDA0002951303710000101
式中Pd为搜索单元对目标的联合发现概率，由防空群探测能力分析与建模得出；Psi为第i个火力单元对目标的服务概率，由防空群的可射击能力分析与建模得出；Pki为第i个火力单元对目标的歼毁概率，由防空群的毁伤能力分析与建模得出。
2.1防空群的探测能力分析与建模
弹炮混编防空群对来袭目标的搜索、探测任务主要由探测系统来完成,假设共有m个搜索雷达，分别记为R1,R2,…,Rm。假设搜索雷达对其作用区域进行圆周扫描，在一次扫描过程中，当目标落入雷达波瓣时，雷达与目标发生能量接触，雷达接收到n个脉冲的瞬时发现概率Pdr可由诺思公式计算得到:
Figure BDA0002951303710000102
式中，
Figure BDA0002951303710000103
为雷达接收机输出信噪比；Pf为虚警概率；误差函数为：
Figure BDA0002951303710000104
由雷达对目标的瞬时发现概率Pdr，可以经过推导得出雷达对目标的发现概率Pdi:
Figure BDA0002951303710000105
式中，M为探测次数。
假设搜索雷达R1,R2,…,Rm对目标的发现概率分别为Pd1,Pd2,…,Pdm，则搜索雷达对目标的联合发现概率为：
Pd＝1-(1-Pd1)(1-Pd2)…(1-Pdm) (11)
2.2防空群的可射击能力分析与建模
弹炮混编空群的可射击能力是指防空群能否对来袭的空中目标实施有效射击，以及在空中连续进袭的情况下，能够对其中某些目标实施有效射击的能力。可射击能力可由防空群对来袭目标的服务概率Ps来度量。
假设将防空武器系统编号为1,2,…,m，将每一批次的若干个目标编号为1,2,…,n，则弹炮混编防空群对目标的整体服务概率为
Figure BDA0002951303710000111
式中，Psij表示第i个武器系统对第j个目标的服务概率，i的取值由具体的分配方案决定。
2.3防空群的毁伤能力分析与建模
弹炮混编防空群的毁伤能力是指防空群中的火力单元对空中目标射击时能否对其造成损伤的能力。假设目标流是强度为λa的泊松流，将防空武器编号为1,2,…,m，将每一批次中的若干个目标编号为1,2,…,n，则炮弹混编防空群对木匾整体毁歼概率为：
Figure BDA0002951303710000112
式中，Pkji表示第i个武器系统对第j个目标的歼毁概率,i的取值由具体的火力分配方案决定。
3.协同射击模式下的火力分配建模
弹炮结合武器系统对进入其防空杀伤区域的目标优先交给导弹分系统来对其进行服务,当导弹分系统对目标未造成毁伤时交给高炮分系统对目标继续进行服务；通过以上图可以看出,弹炮结合武器系统火力分配分三个阶段导弹分系统服务阶段、高炮分系统服务阶段、导弹分系统对目标进行再次服务阶段。当目标进入到弹炮结合武器系统火力分配杀伤区域时,优先考虑使用导弹分系统进行射击目标,在导弹分系统对目标未造成伤害时,如果此时符合使用高炮射击的条件立即转用火炮进行射击,但是用高炮进行射击时也有可能出现高炮对目标未造成毁伤的情况,这时目标将开始要远离弹炮结合武器系统,而由于导弹对目标的射击距离比较大,如果符合导弹射击时就及时转向用导弹来对目标进行射击目标经过以上三个阶段的火力射击时武器系统还未对其造成伤害,表明此目标是突击目标,我方的防空阵地将会受到较大的威胁。
通过弹炮结合武器系统对来袭目标在不同区域火力分配的描述,当目标由远及近地飞向武器系统的防空阵地时，弹炮结合武器系统等待目标到达并开始用导弹进行服务；当目标飞到高炮防空区域时，导弹分系统来不及对目标进行服务,此时需要交给高炮分系统对目标进行服务；当目标经过过航点远离弹炮结合武器系统的防空阵地时,这时高炮和导弹还可以对目标进行拦截,其远离时拦截的火力分配和目标临近时的火力分配情况类似,如果目标飞过导弹的过航点时,导弹和高炮两个分系统就不能对目标进行射击。
从弹炮结合武器系统对目标进行射击的射击模型进行建立，对导弹和高炮两部分射击目标的条件、控制导弹飞行的方法和高炮的射击诸元进行了阐述，描述了通过目标的具体航路对弹炮结合系统如何对目标进行火力分配
4.基于蚁群算法的实时火力分配求解
4.1弹炮结合武器编队火力分配问题分析
蚁群算法求解弹炮结合武器编队火力分配问题主要体现在以下三个方面：
1.在火力分配蚁群算法中，指定每个目标点有“最大可分配武器数”，因而允许蚂蚁k反复经过该节点，每建立一条包含该节点的路径，就使该节点的已分配武器数增加一，直至达到“最大可分配武器数”。这是由火力分配的特点所决定的，一方面击毁一个目标点有一定的火力需求，这就决定该目标点的可分配武器数应该是大于等于一的；另一方面，从最优目标分配的角度出发，不可能每次都集中全部的火力攻击一个目标点，在足以达成任务需求的条件下，目标点的可分配武器数应该小于一个最大值，即“最大可分配武器数”。
2.在火力分配蚁群算法中，节点集被分为武器节点集和火力单元目标点集，相同节点集内不能转移，只能在不同的节点集之间转移。
3.路径为有向线段，从火力单元指向目标点的路径的目标分配价值变量vij＝A(A＞0)；而从目标点指向火力单元的路径的目标分配变量vji＝0，这里的原因是显而易见的，vij表示第i个火力单元对第j个目标射击的价值矩阵，A为该目标分配的价值量，A显然应该是大于0的。而反之，vji表示第j个目标对第i个火力单元的“射击”的价值矩阵，这样的“射击”是没有意义的，因而该目标分配的价值量应为零。
4.2蚁群算法搜索特点和禁忌规则
为了能将蚁群算法应用到火力分配问题中，更好地体现蚂蚁在火力优化过程中的搜索特点和禁忌规则，本文把弹炮结合武器编队火力单元和目标之间的关系用二部图来表示。在阐述算法搜索特点和禁忌规则之前，先简要对二部图做简要介绍。
4.2.1二部图的概念
图(Graph)是一种复杂的非线性结构。与常见的线性表、树相比，图是更为复杂的数据结构。在树中节点之间有明显的层次关系，每层上的节点可以和它下一层中的多个节点相连，但只能和它上面一层的一个节点相连接。在图这种数据结构中，数据之间的联系是任意的，可以说，线性表、树等只是图的特例。图结构在人工智能、工程、数学、物理、化学、生物和计算机科学等领域中有着广泛的应用。图的二元组定义：图G由两个集合V和E组成，记为：G＝(V，E)。其中：V是顶点的有穷非空集合，E是V中顶点偶对(称为边)的有穷集。如果图G中的每条边都是有方向的，则称G为有向图(Digraph)。表示为边集中的顶点对是有序的(如：<v,w>,<w,v>)。如果顶点偶对是无序的(即无方向<v,w>＝<w,v>)，则称此图为无向图(undirected graph)，无序偶对用圆括号括起来。如果这些边是不同定点组成的无序对，则说这个图是一个无向图。
二部图是一种特殊的无向图，它的定义如下：若存在无向图G＝<V,E>的顶点集V的一个划分，V＝V1∪V2,V1∩V2＝φ，使得G中任何一条边的两个端点分别在V1和V2中，称G为二部图(或偶图)。其中V1和V2称为互补顶点子集，G记为G＝<V1,V2,E>。
完全二部图(或完全偶图)。若V2中任一顶点与V2中任一顶点均有且只有一条边相关联，则称此二部图G为完全二部图；
4.2.2搜索的禁忌规则
本文是通过将火力分配问题转化为二部图问题，其中弹炮结合武器编队火力单元集合和目标集合分别对应二部图中的两个集合，通过蚂蚁在二部图上搜索最优路径来寻求分配问题的最优解。由于分配问题的特殊性，对蚁群优化算法的禁忌规则提出了一些新的要求：
(1)蚂蚁建立路径是基于一定约束的。路径的两端节点必须分属不同集合，同一集合的节点间不能建立路径。
(2)当蚂蚁从未被分配的火力单元点移向目标点时，可以移向尚未分配的火力单元的目标点，也可以移向已经分配了火力单元的目标点，但不允许移向以达到“最大可分配武器数”限制的目标点。
(3)当从目标点移向火力单元节点时，若该目标点已被分配的火力单元尚未达到最大可分配火力单元数，允许蚂蚁移向该节点，否则将该节点置于禁忌表ktabu中，不再搜索。
4.3蚁群算法基本规则设计
基于火力分配问题的特点，将分配条件的各要素映射到二部图G＝(V,U,E)。V是n个点的集合，分别表示n个目标，对应于二部图一侧的n个节点。U是m个点的集合表示m个火力单元，对于二部图的另一侧m个节点。E是连接目标节点和火力单元节点的边E＝{eij|i＝1,2,…,n；j＝1,2,…,m}。若某个目标i被分配给火力单元j，则目标i和火力单元j之间有边eij相连，否则无边。τij是边eij上的迹，如果目标i和火力单元j之间无边，则τij＝0。二部图的多个边组成的一条可行路径，对应于火力分配问题中的目标集和火力单元集的一种分配方案，求火力分配问题的最优解就是寻求在完全二部图上的一条最优路径。
下面详细说明该最优路径的搜寻方法：
1.M只蚂蚁随机地置于武器集的m个节点上，任一蚂蚁k按式(14)计算状态转移概率。
Figure BDA0002951303710000151
2.当蚂蚁k从未被分配的火力单元点移向目标点时，可以移向尚未分配火力单元的目标点，也可以移向已经分配了火力单元的目标点，但不允许移向以达到“最大可分配武器数”限制的目标点。当蚂蚁k移向目标点时，该目标点的已分配武器数增加一，建立一条从火力单元指向目标点的有向路径，且不能再次回到移出的火力单元。之后，若该目标点达到“最大可分配武器数”，则蚂蚁k不能再到达该目标点，反之则蚂蚁k可继续移到该目标点。
3.当蚂蚁k从目标点向火力单元点移动时，若该目标点已被分配火力单元但尚未达到“最大可分配武器数”限制，允许蚂蚁移向火力单元点，建立一条从目标点指向火力单元的有向路径。否则该节点不再参与搜索，蚂蚁k不得再次移动至该目标点。
4.M只蚂蚁按各自的路径遍历所有的火力单元点和目标点，当所有的目标点都达到“最大可分配武器数”或可分配武器数为零时，搜索结束，得到M条搜索路径，即M个解。将这M个解带入目标函数计算得到局部最优解，记录这个局部最优解。
5.信息素更新策略，全局更新所有路径上的信息素。
6.循环1-5步N次后，得到N个局部最优解，比较这N个解即可得到一个最优解；
如图8所示为蚂蚁k在一次搜索中建立的一条可行的路径：A6→T5→A4→T2→A3→T3→A5→T5→A2→T1→A1→T4→A7→T6；Tn(n＝1,2,3,4,5,6)表示目标节点，括号中的数字为该节点的最大可分配武器数。Am(m＝1,2,3,4,5,6,7)表示火力单元节点。
4.4蚁群算法流程
Step 1：初始化。目标集和火力单元集之间的信息素浓度由下式决定：
τij(t)＝τ0+Δτ (15)
τ0表示在初始时刻(t0＝0)边eij上的迹，τ0是一个较小的正实数，表示信息素常量。Δτ由下式给定：
Figure BDA0002951303710000161
Figure BDA0002951303710000171
表示第k条路径中边eij上的迹，r为路径的总和
Figure BDA0002951303710000172
Q为调整系数。M只蚂蚁随机地置于武器集的m个节点上。循环的最大次数tmax。
Step 2：选择路径。任一蚂蚁k按式(2)计算状态转移概率。
Figure BDA0002951303710000173
在本问题中，Δτij(t)是t时刻第i个火力单元和第j个目标之间的迹。ηij是以由最优火力方案决定的，其数值上等于第i个火力单元对第j个目标的毁伤概率fij与第j个目标的价值vi的乘积：ηij＝fij×vj。用禁忌表tabuk来记录蚂蚁当前已经走过的路径，并随时动态更新，计算出状态转移概率后，用轮盘法选择下一目标j。
Step 3：信息素局部更新。当每只蚂蚁都选择好目标节点之后，就运用公式(16)更新边eij上的迹。
Step 4：局部循环。所有蚂蚁都选择好各自目标节点并局部更新信息迹之后，设置蚂蚁的禁忌表(若目标点已被分配的火力单元数达到最大可分配火力单元限制，则将该节点置于蚂蚁的禁忌表)。蚂蚁随机移动至下一个未分配的火力单元节点，转向Step 2；若所有火力单元节点都已遍历完，则进入Step 5。
Step 5：信息素全局更新。所有蚂蚁都遍历完所有火力节点后，就建立了M个解，将这M个解代入目标函数计算，并将最优的一个解保留，应用公式(16)更新所有边上的迹。
4.5相关参数的选择
从蚁群搜索最短路径的机理不难看到，算法中有关参数的不同选择对蚁群算法的性能有至关重要的影响，但其选取的方法和原则，目前尚没有严格的理论的依据，对于蚁群算法中的α、β、ρ、m、Q等主要参数，难以确定其最佳组合，并且蚁群算法已发展多种改进模型，其参数设置规则也各有所异，目前已经公布的蚁群算法参数设置成果都是针对利用不同蚁群算法模型所解决的特定问题而言的。以应用最多的Ant-Cycle模型为例，其最好的经验结果为：0≤α≤5；0≤β≤5；0.1≤ρ≤0.99；10≤Q≤10000。我们针对弹炮结合武器编队火力分配问题的蚁群算法，做了大量的仿真实验来研究参数的变化对结果的影响，下面就把算法有关主要参数的设置给出选择范围简要说明。
(1)蚂蚁数量m的设置
单只蚂蚁在一轮循环中所移动的路径，表现为问题可行解集中的一个解；m只蚂蚁在一次循环中所移动的路径，则表现为可行解集的一个子集。显然，子集越大(蚂蚁数目多)，可以提高蚁群算法的全局搜索能力与算法的稳定性；但蚂蚁数目过多时，也会使大量的曾被搜索过的解(路径)上的信息素浓度的变化比较均匀，正反馈的作用减弱，虽然搜索的随机性虽然得到了加强，但是收敛速度减慢；反之，子集较小(蚂蚁数目少)，尤其是当要处理的火力优化规模比较大时，会使那些从未被搜索到的解(路径)上的信息素浓度减小到接近于0，全局搜索的随机性减弱，虽然收敛速度加快，但会使算法的全局性能降低，算法稳定性差，容易出现过早停滞现象。实验表明，当蚂蚁数目从1增加到与火力单元数目相等时，最优解有较大变化；但是，当蚂蚁数目超过火力单元与目标总数之和时，最优解没有明显变化。因此，建议弹炮结合武器编队火力分配蚁群算法的蚂蚁数目，大于火力单元数，小于火力单元和目标数的总和。
(2)信息总量Q的设置
信息总量Q为蚂蚁循环一周时释放在所经过路径上的信息素总量，其作用是为了充分利用二部图上的全局信息反馈量，使得算法在正反馈机制作用下以合理的演化速度搜索到目标分配的全局最优解。Q越大，则在蚂蚁已遍历路径上信息素的累积加快，可以加强蚁群搜索时的正反馈性能，有助算法的快速收敛。但是过大的Q值容易导致算法的全局搜索能力变差，极易限于局部最优解。实验表明，在解决弹炮结合武器编队火力分配问题时，取50≤Q≤500效果最佳。
(3)α、β、ρ的设置
蚁群算法中各参数的作用是紧密耦合的，其中对算法性能起着最关键作用的应该是信息启发式因子α、期望启发式因子β和信息挥发因子ρ等3个参数，如果α、β、ρ的组合参数配置不当，会导致求解速度很慢且所得到的解质量特别差。实验表明，在解决火力优化问题时，取α＝1、β＝5、ρ＝0.5的组合效果较佳。
5.数字化仿真环境搭建与验证分析
针对要地协同防空火力分配建模及其优化方法的实验和验证需求，研究数字化仿真实验环境的构建方法，主要解决仿真任务调度、分布式网络通信、物理模型开发以及应用服务层四个方面的问题。
(1)仿真任务调度层
仿真任务调度层设计，根据算法理论研究成果，设计仿真实验的任务调度方法，实现智能化的仿真任务管理功能。
(2)分布式网络通信
分布式网络通信层设计，实现要地协同防空仿真系统各节点的实时信息交互功能。
(3)物理模型开发应用
物理模型层设计，建立防空寻弹、高炮和飞机等模型、根据仿真任务调度指令实现自动化的武器平台仿真推演，并完成信息交互，通过解决上述问题，构建要地协同防空数字化仿真环境，开展仿真实险，验证项目研究成果的有效性。
(4)应用服务层
应用服务层设计，将飞机模型、导弹模型、高炮模型产生的飞行实验数据记录并显示，并通过三维视景实时显示飞机飞行状态信息、导弹飞行状态信息、高炮信息等战场环境信息。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (2)

1.基于蚁群算法的要地防空策略，其特征在于：包括如下步骤：
步骤一：基于目标意图识别的飞行轨迹智能预测，采用人工智能方法，建立基于动态贝叶斯网的目标意图识别模型，结合目标行为特征、意图特征构建网络模型拓扑结构，之后根据意图识别概率结果，通过几种典型轨迹预测子模型之间的加权组合，解决目标轨迹预测问题，实时生成预测轨迹；
步骤二：弹炮混编防空群整体打击效能建模，分别建立防空群探测模型、可射击能力模型和毁伤能力模型，最终构建整体打击效能的综合优化指标模型，为实现整体服务概率最大化、最终打击效能最大化的防空群火力分配奠定基础；
步骤三：协同射击模式下的火力分配建模，在弹炮混编防空群中，传感器系统、武器系统和控制系统之间实现了解耦，本地武器系统可以利用异地提供的火控数据制定发射决策，即可以实现整个防空群中所有武器系统的协同作战；
步骤四：基于蚁群算法的实时火力分配求解，以蚁群算法为基础，充分考虑弹炮结合武器编队火力分配的具体要求，对算法的选择机制、更新机制以及协调机制作进一步改进，引入自适应的转移策略和信息素更新策略，以克服蚁群算法计算时间长、易出现停滞的缺陷；
步骤五：数字化仿真环境搭建与验证分析，一是仿真任务调度层设计，根据算法理论研究成果，设计仿真实验的任务调度方法，实现智能化的仿真任务管理功能；二是分布式网络通信层设计，实现要地协同防空仿真系统各节点的实时信息交互功能；三是物理模型层设计，建立防空导弹、高炮和飞机等模型，根据仿真任务调度指令，实现自动化的武器平台仿真推演，并完成信息交互，通过解决上述问题，构建要地协同防空数字化仿真环境，开展仿真实验，验证项目研究成果的有效性。
2.根据权利要求1所述的基于蚁群算法的要地防空策略，其特征在于：步骤一包括基于动态贝叶斯网的目标意图识别和基于目标意图识别的飞行轨迹预测。
CN202110207433.4A 2021-02-25 2021-02-25 基于蚁群算法的要地防空策略 Active CN112818496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110207433.4A CN112818496B (zh) 2021-02-25 2021-02-25 基于蚁群算法的要地防空策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110207433.4A CN112818496B (zh) 2021-02-25 2021-02-25 基于蚁群算法的要地防空策略

Publications (2)

Publication Number Publication Date
CN112818496A true CN112818496A (zh) 2021-05-18
CN112818496B CN112818496B (zh) 2022-10-21

Family

ID=75865382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110207433.4A Active CN112818496B (zh) 2021-02-25 2021-02-25 基于蚁群算法的要地防空策略

Country Status (1)

Country Link
CN (1) CN112818496B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408493A (zh) * 2023-12-08 2024-01-16 中国人民解放军海军航空大学 一种要地一体化防空平台协同方法、系统及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136081A (zh) * 2007-09-13 2008-03-05 北京航空航天大学 基于蚁群智能的无人作战飞机多机协同任务分配方法
CN106779210A (zh) * 2016-12-13 2017-05-31 中国人民解放军国防科学技术大学 基于蚁群算法的火力分配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136081A (zh) * 2007-09-13 2008-03-05 北京航空航天大学 基于蚁群智能的无人作战飞机多机协同任务分配方法
CN106779210A (zh) * 2016-12-13 2017-05-31 中国人民解放军国防科学技术大学 基于蚁群算法的火力分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董奎义等: "舰艇编队防空最优火力分配问题的蚁群算法", 《火力与指挥控制》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408493A (zh) * 2023-12-08 2024-01-16 中国人民解放军海军航空大学 一种要地一体化防空平台协同方法、系统及介质
CN117408493B (zh) * 2023-12-08 2024-03-01 中国人民解放军海军航空大学 一种要地一体化防空平台协同方法、系统及介质

Also Published As

Publication number Publication date
CN112818496B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
Ernest et al. Genetic fuzzy trees and their application towards autonomous training and control of a squadron of unmanned combat aerial vehicles
Zhang et al. An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning
Yang et al. Evasive maneuver strategy for UCAV in beyond-visual-range air combat based on hierarchical multi-objective evolutionary algorithm
CN110928329A (zh) 一种基于深度q学习算法的多飞行器航迹规划方法
CN111240353A (zh) 基于遗传模糊树的无人机协同空战决策方法
Li et al. A Multi-UCAV cooperative occupation method based on weapon engagement zones for beyond-visual-range air combat
CN114330115B (zh) 一种基于粒子群搜索的神经网络空战机动决策方法
CN111091273A (zh) 一种基于能力预测的多弹协同任务规划方法
CN114492805A (zh) 一种基于模糊推理的空战机动决策设计方法
CN113705102A (zh) 海空集群对抗的推演仿真系统及方法、设备、存储介质
De Lima Filho et al. Optimization of unmanned air vehicle tactical formation in war games
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
CN115951695A (zh) 空战模拟环境中基于三方博弈的动态战术控制域解算方法
CN114330093A (zh) 基于dqn的航空兵多平台协同智能对抗决策方法
Qiu et al. One-to-one air-combat maneuver strategy based on improved TD3 algorithm
Cheng et al. Multi-agent decision support system for missile defense based on improved PSO algorithm
Kang et al. Beyond-visual-range tactical game strategy for multiple uavs
CN112818496B (zh) 基于蚁群算法的要地防空策略
Wei et al. Multi-UAVs cooperative reconnaissance task allocation under heterogeneous target values
CN113741186B (zh) 一种基于近端策略优化的双机空战决策方法
CN118171572A (zh) 无人机集群演进式的仿真训练方法、系统、介质及设备
Liu et al. Deep reinforcement learning task assignment based on domain knowledge
Wang et al. Research on naval air defense intelligent operations on deep reinforcement learning
Shuo et al. Research on distributed task allocation of loitering munition swarm
Chen et al. Flight parameter model based route planning method of UAV using stepped-adaptive improved particle swarm optimization

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