武器-目标分配(WTA)问题研究进展

对武器-目标分配(WTA)问题的研究现状与进展进行了总结与述评.介绍了WTA问题的概念、基本模型、数学性质以及WTA问题研究的基本内容.目前WTA问题的研究内容主要集中在模型研究与算法研究两个方面.模型研究以静态模型的研究为主,但动态模型的研究还不够深入;算法研究则主要采用智能算法对WTA问题进行求解.目前基本上已经解决了小规模的静态WTA问题,但尚未有效解决大规模的动态WTA问题.     

基于马尔柯夫决策过程动态WTA最优化模型分析

在作战过程中,通过把目标群的威胁程度作为目标函数制定决策,可将目标分配决策过程变成马尔柯夫决策过程.即首先对攻防作战态势进行抽象性描述,建立基于马尔柯夫决策过程动态WTA最优化模型,然后提出了有限次迭代求解最优策略的新方法,并进行了算例验证和分析.结果表明该方法可使武器系统获得最大的射击效率,并能有效地减少重点目标突防的概率.     

基于马尔可夫决策过程的炮兵群动态火力分配方法

文章在对战场实际情况合理假设的基础上，建立了基于马尔可夫决策理论的炮兵群动态火力分配模型，并通过具体例子进行计算和分析，证明了该方法的科学性和可行性。     

状态维修决策的研究现状与展望

分析了状态维修开放系统结构下状态维修决策的3个关键内容的研究现状:在状态评估方面,对多参数赋权方法在状态评估中的应用进行了分析;在状态预测方面,按照状态描述形式的不同对状态预测方法进行了分析;依据理论基础的不同对状态维修决策优化建模方法进行了分析.在分析研究现状的基础上,提出应在状态维修动态决策、基于多源信息的状态描述建模和数据驱动的状态维修决策等方面加强研究.     

武器-目标分配问题研究

介绍武器-目标分配问题的基本概念、模型和数学性质。目前,武器-目标分配问题的研究主要为模型研究和算法研究,模型研究分静态WTA和动态WTA研究,算法研究主要是以智能算法为主。梳理WTA的研究现状,分析其存在的不足并指出进一步发展方向。     

多UCAV任务分配有限阶段MDP方法和算法

多UCAV(Unmanned Combat Air Vehicle)任务分配是无人机作战决策的重要内容,是一类求解困难的组合优化问题,目前尚无成熟高效的解决方案.通过马尔可夫决策过程(MDP)将任务分配问题化解为分阶段序列决策过程,并对当前阶段决策状态采用单一整数编码,提出了基于有限阶段MDP的求解算法.通过仿真实验表明:该算法可以快速精确地解决多UCAV任务分配的问题.     

雷达网动态抗干扰性能评估模型

在分析雷达网与干扰方动态对抗过程的基础上,根据武器系统效能评估模型,并结合马尔可夫链随机过程与博弈论中的一些思想,提出利用随时间变化的状态概率矩阵来对雷达网的动态抗干扰性能进行评估的方法,并具体讨论了在该评估模型中如何根据递推表达式来计算每个时刻表示雷达网位于各种可能的工作状态的概率的状态概率矩阵,最后对模型的验证方法和用途也进行了探讨.     

基于HMM的传感器位置优化模型

首先介绍了隐马尔可夫模型(HMM)理论,并对HMM健康状态评估的基本程序和方法进行了研究。HMM对系统健康状态评估具有所需样本少、识别精度高及分类明显等优点,利用隐马尔可夫模型对传感器的不同位置进行评估,从定量的角度对传感器位置的优劣进行评价,提出了利用隐马尔可夫模型对传感器在不同位置上的效果进行评价的方法。最后,利用齿轮箱实验数据,分析验证了方法的实施流程和有效性。     

面向防空作战的多级动态目标分配方法

武器-目标分配(WTA)是防空作战指挥控制决策的核心环节之一.针对传统的多级分配模型效率低、动态性差的不足,通过叠加武器射击周期并增加分配轮次的方式对模型进行改进,使其能够更好地适用于目标数量多且实时性较强的防空作战场景.针对常用的WTA算法收敛慢、稳定性差的不足,求解过程采用KM算法以适应改进后动态模型的实时性要求....     

基于效果的联合作战行动规划研究

联合作战行动规划是依据联合作战的使命和资源约束建立完成使命的最佳行动过程,通过对交战环境状态、交战主体的资源能力状态、行动、事件和效果的定义,结合人工智能领域解决"计划"问题的研究、军事领域基于效果的作战思想提出了联合作战行动规划模型及策略优选方法.模型结合了马尔可夫决策过程和贝叶斯网络技术来求解交战主体的最优策略,对联合作战设计具有适应性的行动策略做出的初步尝试.     

无人机集群作战中连续时间Markov链模型的求解方法

针对无人机集群目标作战解析建模时在状态转移过程中计算速率低的问题,提出了一种基于行压缩存储的四阶Runge-Kutta法。根据无人机集群作战样式将无人机集群作战过程划分为三个阶段,并分阶段对无人机集群作战的状态转移过程建立连续时间Markov链模型。以无人机集群完成作战任务的可靠性作为求解指标,运用四阶Runge-Kutta法对Markov模型进行求解。由于求解过程中速率转移矩阵具有稀疏特性,采用基于行压缩存储的算法优化求解速率。仿真实验表明,运用连续时间Markov理论建立的无人机集群作战过程模型的有效性和可行性优于其他模型。同时,与其他算法及模型相比,该算法计算速率更高、能更好地满足结果精度的可靠性需求,进一步说明了本算法的优越性。 〖BHDWG8,WK10YQ,DK1*2,WK1*2D〗〖XCHSC.TIF;%129%129〗听语音 聊科研与作者互动     

求解面向进攻的武器-目标分配问题的蚁群算法

面向进攻的武器-目标分配问题是军事运筹学研究中的重要课题,旨在制定合理的打击策略以最大程度摧毁敌方目标。采用一种融合局部搜索和信息素控制的蚁群算法,兼顾控制解的局部收敛速度和全局收敛质量。在解的构造过程中直接处理约束条件,提高生成解的可行性,并大大缩小了搜索空间,提高了算法效率。通过采用多种算法对不同规模的武器-目标分配问题进行实验,结果表明改进的蚁群算法在收敛速度和求解质量上表现优异。     

基于效费比的武器目标分配

有效武器目标分配(WTA)是防空阵地的核心。分析了目标毁伤收益、武器损伤关键战术指标因素,提出基于效费比的WTA评价标准,建立了针对多目标的WTA模型,并研究了用遗传算法求解模型的方法。该遗传算法通过设计一种武器目标分配的染色体编码,利用最优保存策略选择运算、均匀交叉运算、非均匀变异运算来求解。仿真结果验证了模型的合理性和算法的有效性。     

动态WTA问题的混沌人工鱼群算法

针对不同作战平台上多个武器单元对一批目标进行射击时的武器目标分配问题,建立了该问题的数学模型。采用混沌人工鱼群算法对动态条件下的武器目标分配问题进行求解,并设计一个实例进行仿真实验。仿真结果表明,在时间约束条件下该算法较遗传算法更具优越性,验证了混沌人工鱼群算法用于动态武器目标分配的有效性。     

一种基于蚁群算法的准动态防空武器分配算法

武器目标分配问题是一个典型的限制组合优化问题,旨在得到在整个防御阶段中针对目标函数的最优武器分配方案。分配算法主要分为静态和动态两大类。针对传统静态分配模型中存在的几点问题,提出了基于时间窗的准动态武器目标分配算法,该算法综合考虑拦截概率、拦截时间和武器耗费多个优化指标,并将该算法推广至多类防空武器的优化分配中。通过大量实验验证,该算法在性能、时间复杂度等方面均有较大优势,并且能较好地适应战场态势的变化,及时调整分配方案,具有很好的实用性。     

基于NSGA-Ⅱ的WTA多目标优化(英文)

将多目标遗传算法NSGA-(改进的非支配排序遗传算法)应用于求解武器-目标分配(WTA)问题。首先,针对以往在建立防空型WTA问题的优化模型上的片面性,把WTA问题看做多目标优化问题,建立了综合考虑作战效能和防御效能的WTA双目标优化模型。然后在此基础上,研究和应用了NSGA-来求解WTA问题。最后由仿真算例验证了NSGA-在WTA问题中的应用可行性,表明了NSGA-可以快速地搜索到WTA多目标优化的Pareto最优解集,从而为求解WTA问题提供了一条有效途径。     

创造性思维粒子群优化的武器目标分配

现代战争特点为防空作战中武器目标分配(WTA)问题的求解效率和质量提出了新的需求和挑战.建立了WTA问题模型,并选择粒子群优化算法(PSO)求解模型.针对PSO算法在求解WTA模型中出现的早熟收敛特性,从认知心理学角度进行分析,将创造性思维(CT)引入PSO的速度更新公式中,提出了一种基于创造性思维的PSO算法CTPSO.针对WTA模型的离散性特点,设计了编码与解码策略,及位置和速度矢量的离散化运算规则.实验证明了CTPSO算法在WTA问题求解质量和求解效率方面的优越性.     

基于SPSO的考虑指控节点受攻击的WTA问题优化方法

鉴于网络中心战中指挥所的重要性,根据实际作战原则,通过对传统武器目标分配(WTA)模型的分析,建立了考虑指控节点受攻击的武器目标分配(Weapon-Target Assignment with Vulnerable Command and Control Nodes,WTAVC2N)模型,并利用随机PSO算法对该模型进行仿真验证。仿真结果表明了利用随机PSO算法解决考虑指挥所被摧毁的武器目标分配问题的有效性及合理性。     

火力分配多目标优化的IBACO算法

应用蚁群优化算法(Ant Colony Optimization)求解多目标优化问题已经引起广泛关注,多目标火力分配问题的目标是求出一个合适的武器目标分配方案,使满足决策需要。建立了多目标火力分配的数学模型,提出一种基于指标的蚁群优化算法Indicator-Based Ant Colony Optimization),给出了算法的具体步骤。IBACO的核心思想是利用二元性能指标来引导人工蚂蚁进行搜索,由于该算法中的信息素是根据指标的值来更新的,通过奖励信息素可以强化最优解。仿真实验证明了该算法的有效性,在解决火力分配问题上,所提算法和蚁群优化算法相比具有较好的收敛性。