CN113255234A - 一种对导弹群进行在线目标分配的方法 - Google Patents
一种对导弹群进行在线目标分配的方法 Download PDFInfo
- Publication number
- CN113255234A CN113255234A CN202110715726.3A CN202110715726A CN113255234A CN 113255234 A CN113255234 A CN 113255234A CN 202110715726 A CN202110715726 A CN 202110715726A CN 113255234 A CN113255234 A CN 113255234A
- Authority
- CN
- China
- Prior art keywords
- target
- missile
- missiles
- group
- groups
- 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
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明公开了一种对导弹群进行在线目标分配的方法,包括:根据实时获取的各个目标的状态以及导弹群自身的状态,建立导弹群对目标群的打击优势矩阵;对于导弹群中未分配目标的导弹,根据打击优势矩阵、导弹群与目标群的作战相关信息以及导弹群的当前目标分配情况,分别构建导弹与目标群中各目标的联合状态向量;根据导弹与目标群中各目标的联合状态向量,利用估值神经网络为导弹分配目标;重复前两步,直至导弹群中所有导弹都被分配且仅分配了一个目标为止。通过本发明的技术方案,能够解决大规模弹群协同作战场景中复杂性高、对抗性强的问题,为最大化导弹群协同作战效能奠定基础。
Description
技术领域
本发明属于导弹群协同攻击建模技术领域,尤其涉及一种导弹群实时在线目标分配方法。
背景技术
随着军事科技的发展,包含多类作战资源的大规模作战已经逐渐成为现代战争的常态,这对如何高效合理地协调多种作战资源提出了更高的要求。现代战争的战场环境复杂,拥有较强的对抗性与随机性,采用导弹群协同攻击的方式能有效提高对目标群的饱和打击能力。在弹群协同攻击的过程中,一个关键问题是如何实时在线地为导弹群分配合适的打击目标以实现作战效能的最大化。
由于战场环境瞬息万变,导弹群对目标群的协同打击也需要具有随机应变的能力。如何在敌方干扰拦截、部分导弹故障失灵、敌方目标数量变化等作战规模发生改变的情况下,实时在线地为各导弹分配合适的目标成为亟待解决的问题。
发明内容
针对战场环境复杂性高、对抗性强、作战规模动态变化的问题,本发明提出一种对导弹群进行实时在线目标分配的方法,能够解决大规模弹群协同作战场景中复杂性高、对抗性强的问题,为最大化导弹群协同作战效能奠定基础。本发明的具体技术方案如下:
一种对导弹群进行在线目标分配的方法,包括以下步骤:
S1:根据实时获取的各个目标的状态以及导弹群自身的状态,建立导弹群对目标群的打击优势矩阵;
S2:对于导弹群中未分配目标的导弹,根据步骤S1中打击优势矩阵、导弹群与目标群的作战相关信息以及导弹群的当前目标分配情况,分别构建待分配目标的导弹与目标群中各目标的导弹-目标联合状态向量;
S3:根据步骤S2导弹与目标群中各目标的导弹-目标联合状态向量,利用深度强化学习技术训练估值神经网络模型;
S4:利用步骤S3训练的估值神经网络模型为导弹分配目标;
S5:重复步骤S2和步骤S4,直至导弹群中所有导弹都被分配且仅分配了一个目标为止。
M和N分别表示导弹群中导弹的数量和目标群中目标的数量;
进一步地,所述步骤S2的具体过程为:
S2-1:定义代表导弹类型的独热编码,表示导弹群中导弹的类型数;定义为代表目标类型的独热编码,表示目标群中目标的类型数;令表示指向目标的导弹数量;令表示选择目标作为打击对象的导弹集合,则表示中所有导弹对目标的联合打击优势:
进一步地,所述步骤S3的具体处理过程为:
S3-1:将为导弹群中的导弹在线分配目标的决策过程建模为马尔可夫决策过程;马尔可夫决策过程由下述元素表示:
则该决策带来的预期作战收益的增加为:
将全局作战效能平均分给每一次决策,即得到单次决策所获得的基于全局作战效能的全局奖励:
进一步地,所述步骤S4的具体方法为:针对目标群中的N个目标,根据步骤S2得到N个导弹-目标联合状态向量,将其分别输入步骤S3得到的估值神经网络模型,从而得到N个输出估值,再从N个输出估值中找出最大估值,最大估值对应的目标即为导弹选择的打击目标。
本发明的有益效果在于:本发明提供了一种基于神经网络的弹群在线目标分配方法,构建弹群在线目标分配的马尔科夫决策过程,并基于深度强化学习技术训练估值神经网络,再利用估值神经网络实现弹群的实时在线目标分配,通过解决大规模弹群协同作战场景中复杂性高、对抗性强的问题,为最大化导弹群协同作战效能奠定基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。其中:
图1是本发明的一种对导弹群进行在线目标分配的方法的流程图;
图2是本发明截断测试的无局部奖励版本训练曲线;
图3是本发明截断测试的无全局奖励版本训练曲线;
图4是本发明截断测试的完整版本训练曲线。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
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他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
一种对导弹群进行在线目标分配的方法,包括以下步骤:
S1:根据实时获取的各个目标的状态以及导弹群自身的状态,建立导弹群对目标群的打击优势矩阵;
S2:对于导弹群中未分配目标的导弹,根据步骤S1中打击优势矩阵、导弹群与目标群的作战相关信息以及导弹群的当前目标分配情况,分别构建待分配目标的导弹与目标群中各目标的导弹-目标联合状态向量;
S3:根据步骤S2导弹与目标群中各目标的导弹-目标联合状态向量,利用深度强化学习技术训练估值神经网络模型;
S4:利用步骤S3训练的估值神经网络模型为导弹分配目标;
S5:重复步骤S2和步骤S4,直至导弹群中所有导弹都被分配且仅分配了一个目标为止。
M和N分别表示导弹群中导弹的数量和目标群中目标的数量;
为角度优势: ,其中,为弹目视线角,为可变参数,随着弹目距离的改变而改变,由于距离越远角度优势的影响越小,因此假设与弹目距离成正比;一般来说,导弹的速度方向越接近弹目视线方向,导弹越容易攻击,也就是说导弹在朝向目标飞行时拥有较大角度优势。
步骤S2的具体过程为:
S2-1:定义代表导弹类型的独热编码,表示导弹群中导弹的类型数;定义为代表目标类型的独热编码,表示目标群中目标的类型数;令表示指向目标的导弹数量,例如表示现有1枚类型为1的导弹以及2枚类型为2的导弹指向目标;令表示选择目标作为打击对象的导弹集合,则表示中所有导弹对目标的联合打击优势:
步骤S3的具体处理过程为:
S3-1:将为导弹群中的导弹在线分配目标的决策过程建模为马尔可夫决策过程;马尔可夫决策过程由下述元素表示:
则该决策带来的预期作战收益的增加为:
将全局作战效能平均分给每一次决策,即得到单次决策所获得的基于全局作战效能的全局奖励:
以一个带残差连接的4层BP神经网络作为估值神经网络,其输入为步骤S2中导弹与目标的联合状态向量,输出为一个1维标量,表示目标作为导弹的打击对象的战略估值。对于导弹,将导弹与目标群中所有目标的联合状态向量分别输入估值神经网络,即将联合状态向量集合中的元素分别作为估值神经网络的输入,则可得到个由估值神经网络输出的估值。令为最大估值所对应的目标,则将目标分配给导弹作为打击对象。因此,当目标数量或导弹数量发生变化而导致作战规模发生改变时,无需改变估值神经网络的网络结构,仅仅需要改变估值网络前向推断的次数即可在新的作战规模下为导弹群实时在线地分配合适的目标。
需要注意的是,尽管本发明实例以一个带残差连接的4层BP神经网络作为估值神经网络,但以其他任何参数化模型作为估值模型所获得的其他实施例,都属于本发明保护的范围。
步骤S4的具体方法为:针对目标群中的N个目标,根据步骤S2得到N个导弹-目标联合状态向量,将其分别输入步骤S3得到的估值神经网络模型,从而得到N个输出估值,再从N个输出估值中找出最大估值,最大估值对应的目标即为导弹选择的打击目标。
为了方便理解本发明的上述技术方案,以下通过具体实施例对本发明的上述技术方案进行详细说明。
实施例1
截断测试,截断测试是指去除模型或算法中的某一部分,然后观察其对算法或模型的影响。为了展示在所提出的对导弹群进行在线目标分配的方法中设计的各个部分的有效性,分别去除了所建模马尔可夫决策过程中的局部奖励信号与全局奖励信号,并利用所得的两个版本的算法与完整版本的算法进行比较,得到的相关训练曲线如图2-图4所示;
图中,深灰色曲线代表5次实验的平均值,而浅灰色区域表示对应的置信区间。由图2可以看出,去掉局部奖励的算法版本在训练中无法收敛,所获作战效能与随机选择目标的策略获得的作战效能相当,这意味着仅仅依靠全局奖励信号无法对目标分配策略的优化进行指导,神经网络难以在不同的条件下做出合适的决策。
在图3中,去掉全局奖励的版本虽然能够收敛,然而收敛的结果不理想,这是因为只考虑边际收益(局部奖励)的情况下算法会倾向于选择价值较高的目标,使得在高价值目标上出现火力过于重叠的现象,从而导致最终的作战收益降低;相比之下,完整的版本不仅拥有稳定、高质量的训练结果,同时能在200个训练回合左右即开始收敛,取得了最优的训练结果。
实施例2
性能测试,为了进一步展现本发明的性能,给定20组不同规模的问题实例(例如,N6ρ2代表目标数量为6,导弹-目标数量比为2)。在这些实例上,分别利用本发明提出的基于深度强化学习的目标分配策略优化方法(PODRL)与遗传算法(GA),基于最大化边际收益规则的启发式算法(MRHA),以及随机选择算法(RSA)进行导弹的目标分配,并对所获得的作战效能比较。为了去除随机性,所有实验均重复5次,所记录平均值与标准差结果如表1所示:
表1 四种算法在不同规模问题实例上的结果比较
表中加粗字体表示在某一规模下,各方法所取得的最大作战效能,由表可以看到,本发明的算法在多组问题实例上,尤其是规模较大时,都取得了最佳的实验结果。即使在部分小规模实例中,基于深度强化学习的导弹目标分配方法的效果也接近其他算法的最优结果。值得一提的是,参与测试的神经网络仅仅在单一的目标数量为9的问题规模上进行了训练,却能适应多种不同规模的问题实例,这说明本发明的算法具有较强的泛化性与灵活性,相比于传统的启发式方法更能满足实际应用的需求。
基于所述马尔科夫决策过程,能够在仿真环境中利用深度强化学习技术训练所述估值神经网络。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,仅仅通过改变所述马尔可夫决策过程中的参数值、调整深度强化学习中的训练策略等简单劳动得到的所有其他实施例,都属于本发明保护的范围。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种对导弹群进行在线目标分配的方法,其特征在于,包括以下步骤:
S1:根据实时获取的各个目标的状态以及导弹群自身的状态,建立导弹群对目标群的打击优势矩阵;
S2:对于导弹群中未分配目标的导弹,根据步骤S1中打击优势矩阵、导弹群与目标群的作战相关信息以及导弹群的当前目标分配情况,分别构建待分配目标的导弹与目标群中各目标的导弹-目标联合状态向量;
S3:根据步骤S2导弹与目标群中各目标的导弹-目标联合状态向量,利用深度强化学习技术训练估值神经网络模型;
S4:利用步骤S3训练的估值神经网络模型为导弹分配目标;
S5:重复步骤S2和步骤S4,直至导弹群中所有导弹都被分配且仅分配了一个目标为止。
3.根据权利要求2所述的一种对导弹群进行在线目标分配的方法,其特征在于,所述步骤S2的具体过程为:
S2-1:定义代表导弹类型的独热编码,表示导弹群中导弹的类型数;定义为代表目标类型的独热编码,表示目标群中目标的类型数;令表示指向目标的导弹数量;令表示选择目标作为打击对象的导弹集合,则表示中所有导弹对目标的联合打击优势:
4.根据权利要求3所述的一种对导弹群进行在线目标分配的方法,其特征在于,所述步骤S3的具体处理过程为:
S3-1:将为导弹群中的导弹在线分配目标的决策过程建模为马尔可夫决策过程;马尔可夫决策过程由下述元素表示:
则该决策带来的预期作战收益的增加为:
将全局作战效能平均分给每一次决策,即得到单次决策所获得的基于全局作战效能的全局奖励:
5.根据权利要求4所述的一种对导弹群进行在线目标分配的方法,其特征在于,所述步骤S4的具体方法为:针对目标群中的N个目标,根据步骤S2得到N个导弹-目标联合状态向量,将其分别输入步骤S3得到的估值神经网络模型,从而得到N个输出估值,再从N个输出估值中找出最大估值,最大估值对应的目标即为导弹选择的打击目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715726.3A CN113255234B (zh) | 2021-06-28 | 2021-06-28 | 一种对导弹群进行在线目标分配的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715726.3A CN113255234B (zh) | 2021-06-28 | 2021-06-28 | 一种对导弹群进行在线目标分配的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255234A true CN113255234A (zh) | 2021-08-13 |
CN113255234B CN113255234B (zh) | 2021-09-28 |
Family
ID=77189925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110715726.3A Active CN113255234B (zh) | 2021-06-28 | 2021-06-28 | 一种对导弹群进行在线目标分配的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255234B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442666A (zh) * | 2022-01-20 | 2022-05-06 | 北京理工大学 | 一种异构精导弹群协同毁伤评估方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001194097A (ja) * | 2000-01-11 | 2001-07-17 | Mitsubishi Electric Corp | 飛しょう体の誘導装置 |
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 |
US20130092785A1 (en) * | 2008-07-11 | 2013-04-18 | Davidson Technologies, Inc. | System and method for guiding and controlling a missile using high order sliding mode control |
CN110163502A (zh) * | 2019-05-21 | 2019-08-23 | 北京壹氢科技有限公司 | 一种多弹协同多阶段目标分配方法 |
CN110187640A (zh) * | 2019-06-29 | 2019-08-30 | 东南大学 | 针对机动目标和允许通信时滞的多导弹协同作战制导律设计方法 |
CN110186328A (zh) * | 2019-06-03 | 2019-08-30 | 北京航空航天大学 | 一种多目标拦截的导弹分配方法及系统 |
CN111091273A (zh) * | 2019-11-29 | 2020-05-01 | 上海航天控制技术研究所 | 一种基于能力预测的多弹协同任务规划方法 |
CN112799429A (zh) * | 2021-01-05 | 2021-05-14 | 北京航空航天大学 | 基于强化学习的多弹协同攻击制导律设计方法 |
CN112861257A (zh) * | 2021-01-10 | 2021-05-28 | 西北工业大学 | 一种基于神经网络的飞机火控系统精度敏感性分析方法 |
CN112902767A (zh) * | 2021-01-28 | 2021-06-04 | 西安交通大学 | 一种多弹时间协同的导弹制导方法及系统 |
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 |
-
2021
- 2021-06-28 CN CN202110715726.3A patent/CN113255234B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001194097A (ja) * | 2000-01-11 | 2001-07-17 | Mitsubishi Electric Corp | 飛しょう体の誘導装置 |
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 |
US20130092785A1 (en) * | 2008-07-11 | 2013-04-18 | Davidson Technologies, Inc. | System and method for guiding and controlling a missile using high order sliding mode control |
CN110163502A (zh) * | 2019-05-21 | 2019-08-23 | 北京壹氢科技有限公司 | 一种多弹协同多阶段目标分配方法 |
CN110186328A (zh) * | 2019-06-03 | 2019-08-30 | 北京航空航天大学 | 一种多目标拦截的导弹分配方法及系统 |
CN110187640A (zh) * | 2019-06-29 | 2019-08-30 | 东南大学 | 针对机动目标和允许通信时滞的多导弹协同作战制导律设计方法 |
CN111091273A (zh) * | 2019-11-29 | 2020-05-01 | 上海航天控制技术研究所 | 一种基于能力预测的多弹协同任务规划方法 |
CN112799429A (zh) * | 2021-01-05 | 2021-05-14 | 北京航空航天大学 | 基于强化学习的多弹协同攻击制导律设计方法 |
CN112861257A (zh) * | 2021-01-10 | 2021-05-28 | 西北工业大学 | 一种基于神经网络的飞机火控系统精度敏感性分析方法 |
CN112902767A (zh) * | 2021-01-28 | 2021-06-04 | 西安交通大学 | 一种多弹时间协同的导弹制导方法及系统 |
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 |
Non-Patent Citations (4)
Title |
---|
JIANGLONG YU等: "Cooperative guidance strategy for multiple hypersonic gliding vehicles system", 《CHINESE JOURNAL OF AERONAUTICS》 * |
张达等: "多约束条件下的协同制导研究进展", 《南京信息工程大学学报(自然科学版)》 * |
李昌玺等: "弹道导弹群目标跟踪技术综述", 《战术导弹技术》 * |
田秀丽等: "地空导弹群火力优化分配模型", 《现代防御技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442666A (zh) * | 2022-01-20 | 2022-05-06 | 北京理工大学 | 一种异构精导弹群协同毁伤评估方法 |
CN114442666B (zh) * | 2022-01-20 | 2023-01-31 | 北京理工大学 | 一种异构精导弹群协同毁伤评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113255234B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108680063B (zh) | 一种针对大规模无人机集群动态对抗的决策方法 | |
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 | |
CN108549402A (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
CN107063255A (zh) | 一种基于改进果蝇优化算法的三维航路规划方法 | |
CN110928329A (zh) | 一种基于深度q学习算法的多飞行器航迹规划方法 | |
CN114358141A (zh) | 一种面向多作战单元协同决策的多智能体增强学习方法 | |
CN113159266B (zh) | 基于麻雀搜索神经网络的空战机动决策方法 | |
CN113255234B (zh) | 一种对导弹群进行在线目标分配的方法 | |
CN115525058B (zh) | 一种基于深度强化学习的无人潜航器集群协同对抗方法 | |
CN105739304B (zh) | 一种基于对立思想改进遗传算法的多ucav在线打击目标分配方法 | |
CN112306070A (zh) | 基于区间信息博弈的多auv动态机动决策方法 | |
CN116225049A (zh) | 一种多无人机狼群协同作战攻防决策算法 | |
CN112305913A (zh) | 基于直觉模糊博弈的多uuv协同动态机动决策方法 | |
CN116680509A (zh) | 一种用于多航天器追逃博弈任务的动态匹配方法 | |
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 | |
CN111773722B (zh) | 一种模拟环境中的战斗机规避机动策略集生成方法 | |
CN113128021B (zh) | 多无人平台协同对抗的实时重决策方法和系统 | |
CN110782062A (zh) | 一种用于防空系统的多对多分组拦截目标分配方法及系统 | |
Wu et al. | Dynamic multitarget assignment based on deep reinforcement learning | |
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 | |
Yan et al. | Research on intelligent minefield attack decision based on adaptive fireworks algorithm | |
CN113095465B (zh) | 量子大马哈鱼洄游机制演化博弈的水下无人集群任务分配方法 | |
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 | |
Wang et al. | Research on naval air defense intelligent operations on deep reinforcement 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 |