基于数据场改进的目标分群算法

针对支持向量聚类算法训练样本不稳定问题,引入数据场概念,提出一种基于数据场的支持向量聚类算法,将数域空间构成的数据场中势值较高样本作为训练集获得模型再进行预测聚类。将改进的算法用于态势估计中目标分群问题,仿真结果表明:该算法在样本容量不是很高条件下的准确率较传统算法有所提高,很好地解决了训练样本选择影响聚类效果的问题,但改进后算法耗时较原先有所增加。     

基于态势分布的多机编队协同目标分配

基于态势分布的多机编队协同目标分配,可以使编队长机在空战过程中的目标分配决策更加合理化。分析了敌机对我机的态势威胁影响因素,构建了敌我双方的对抗系数矩阵;依据编队内成员的占位关系和编队僚机火力情况,将我机僚机和敌机编队拆分成作战分队形式;基于整个态势分布,综合考虑编队攻击效率和航迹防撞规则,以作战分队形式进行目标分配。目标分配结果符合编队协同空战的一般规律,表明所提方法可以为编队协同作战提供目标分配支持。     

变分自编码器结合聚类算法在空战态势评估问题上的应用

针对传统态势评估方法确定权值的主观性强、处理大数据能力弱、特征提取能力不足等问题，提出基于改进变分自编码器和聚类算法的无监督空战态势评估方法。根据态势变化连续性特点，提出基于时间段的空战态势分类方法，将敌我双方态势划分为四类。在变分自编码器的基础上，提出了VAE-WRBM-MDN特征提取模型，即使用混合密度网络优化变分自编码器的特征提取能力和生成数据的相似度，使用权值不确定限制玻尔兹曼机优化网络的初始权值。将提取的特征分别输入到两种典型的聚类算法中进行聚类，并结合态势函数和实际战场情况修正聚类结果，形成正确的态势分类标准。在实验部分，分别进行了最优参数调整、关键特征提取、聚类以及修正实验。实验结果表明，模型态势分类正确率和运行时间均满足应用需求，实例评估结果与客观态势一致性强，所提方法具有实际应用价值。     

中远距协同空战多目标攻击决策

根据先进战斗机的技术特点和中远距协同空战发展方向,提出一种基于先敌发现、先敌发射、先敌摧毁能力的空战态势分析模型。同时,将并行遗传算法与分布估计算法相结合的并行分布遗传算法应用于上述模型,给出了求解多目标攻击决策问题的算法。最后利用具体算例进行仿真验证。结果表明空战态势分析模型能够较为准确地描述中远距多机协同空战,采用的算法具有较好的可行性和实时性,为中远距多机协同空战的多目标攻击决策提供了新的思路和方法。     

不确定环境下协同空战目标分配模型

为了处理协同空战目标分配过程中出现的不确定信息,将偏好规划理论引入到目标分配中,提出了基于偏好规划的编队协同空战目标分配模型。根据协同空战的特点,构建了飞机的空战能力评估体系,建立态势评估模型,在此基础上建立了协同空战目标分配模型。模型中指标和偏好的不确定性用区间形式表示,求解方法采用RICH法。对实例进行仿真,仿真结果说明该方法在不确定环境下的有效性。     

资源约束条件下的空中兵力编组＊

通过对空中兵力的合理编组,实现作战资源的优化配置是提升兵力作战效能的有效途径。针对现代空战编队对抗过程的特点,从战术企图和信息优势角度提出了编队目标威胁评估方法。以编队目标为研究对象从宏观上调配己方作战资源,提出了作战资源成本和兵力调度成本2种兵力编组成本,在此基础上建立了资源约束条件下的兵力编组优化模型,并采用改进PSO算法对模型进行求解。作战想定仿真结果表明兵力编组模型能够有效解决空战兵力分配问题。     

资源约束条件下的空中兵力编组

通过对空中兵力的合理编组,实现作战资源的优化配置是提升兵力作战效能的有效途径。针对现代空战编队对抗过程的特点,从战术企图和信息优势角度提出了编队目标威胁评估方法。以编队目标为研究对象从宏观上调配己方作战资源,提出了作战资源成本和兵力调度成本2种兵力编组成本,在此基础上建立了资源约束条件下的兵力编组优化模型,并采用改进PSO算法对模型进行求解。作战想定仿真结果表明兵力编组模型能够有效解决空战兵力分配问题。     

战斗机隐蔽接敌轨迹优化方法

针对空战对抗的隐蔽作战需求,对战斗机隐蔽接敌方法进行研究。基于战斗机雷达反射截面积的动态特性建立雷达探测威胁模型;以空战态势参数为状态建立接敌引导模型;以给定目标发现概率为暴露阈值进行威胁约束;以最小化接敌过程中累积被发现概率为性能指标;将战斗机隐蔽接敌问题建模为隐蔽性约束下的最优控制问题。为保证算法的实时性和有效性,引入滚动时域控制策略进行在线优化,并采用高斯伪谱法进行数值求解。仿真实验表明,通过路径约束和性能指标双重约束,能有效增强战斗机接敌的隐蔽性,算法实时性能满足战斗机控制的需求。     

未来中远距协同空战多目标攻击决策研究

根据先进战斗机的技术特点和未来中远距协同空战发展方向,提出一种基于先敌发现、先敌发射、先敌摧毁能力的空战态势分析模型。同时,采用一种将并行遗传算法与分布估计算法相结合的并行分布遗传算法并将其用于多目标攻击决策。最后利用具体算例进行仿真。结果表明空战态势分析模型能够较为准确地描述未来中远距多机协同空战,采用的算法具有较好的可行性和实时性,为中远距多机协同空战的多目标攻击决策提供了新的思路和方法。     

PSO优化加权信息融合的多机多目标空战决策

以多机多目标协同空战为作战背景,建立对抗决策模型。选取速度、距离等要素构建综合态势评估函数,采用多因子加权信息融合方式进行评估,态势因素权值采用PSO算法动态寻优。对于每个单机作战策略,利用加权信息融合方式评价编队级决策,其中单机作战策略的权值仍是采用PSO优化算法求得。对决策模型进行了仿真验证,实验表明,该空战决策模型提高了可信度,是准确和有效的,并且满足实时性要求。     

改进BAS-TIMS算法在空战机动决策中的应用

针对当前空战机动决策精确度低、实时性差的缺点,对天牛须搜索-战术免疫机动系统(Beetle Antennae Search-Tactical Immune Maneuver System, BAS-TIMS)算法进行改进,并应用于空战机动决策中。增加左爬升、右爬升、左俯冲、右俯冲4种机动,对传统的机动策略库进行扩充,设计了11种基本机动策略并给出了相应的控制方法。基于距离、高度、速度、角度和战机性能优势函数,利用非参量法构造战机机动决策综合优势函数。针对天牛须搜索算法在全局搜索和收敛速度上存在的缺陷,引入蒙特卡洛概率迭代的方法对算法进行改进,并和战术免疫机动系统进行融合,将改进的BAS-TIMS算法用于空战机动决策。设计算例进行仿真分析,并将结果和博弈论法、改进共生生物免疫进化算法、传统BAS算法和传统TIMS模型的计算结果进行对比,验证所提算法的有效性。仿真结果表明:改进BAS-TIMS算法在空战机动决策的收敛精度、收敛速度和全局搜索能力上更加具有优势。     

一种基于线性流形的基因表达数据的聚类方法

由于基因表达数据的稀疏性和噪声性,传统聚类算法对其聚类时不能取得好的效果。针对这一问题,一种新的线性流形方法被提出,它的基本思想是搜索数据集中的线流形聚类,再将其中某些线流形聚类融合构造高维流形聚类。该算法将切向距离和法向距离作为线性流形的距离度量,运用空间近邻信息,采用聚类基因的平均表达水平作为转移向量,提高了聚类的准确度。实验结果表明,该算法的聚类准确性优于其它聚类算法,并且对带有噪声的数据可以保持较高的聚类准确度;在对Hela基因表达数据聚类时,算法得到了具有显著生物学意义的聚类。这些都说明提出的算法对基因表达数据聚类的适用性和有效性。     

IAHP和熵权相结合的TOPSIS法的空战目标威胁评估

针对空战目标威胁评估问题,提出了一种新的基于改进TOPSIS法的评估方法.该方法综合考虑了主观和客观因素,将运用区间层次分析法(Interval-based AHP,IAHP)求解出的威胁评估指标主观权重与运用熵权法求解出的威胁评估指标客观权重相融合得到组合权重.建立了改进的TOPSIS法评估空战目标威胁的数学模型.最后给出了评估实例,评估结果表明该方法是合理有效的.     

防空体系作战能力灰色聚类评估

从分析现代防空体系的组成出发,建立了较完备的防空体系作战能力评估指标体系,提出了一种基于灰色定权聚类和三角白化权函数的防空体系作战能力灰色聚类评估方法,并通过算例对方法的有效性进行了检验。结果表明该方法用于防空体系作战能力的评估是切实可行的。     

Autonomous maneuver decision-making for a UCAV in short-range aerial combat based on an MS-DDQN algorithm

To solve the problem of realizing autonomous aerial combat decision-making for unmanned combat aerial vehicles (UCAVs) rapidly and accurately in an uncertain environment, this paper proposes a decision-making method based on an improved deep reinforcement learning (DRL) algorithm: the multi-step double deep Q-network (MS-DDQN) algorithm. First, a six-degree-of-freedom UCAV model based on an aircraft control system is established on a simulation platform, and the situation assessment functions of the UCAV and its target are established by considering their angles, altitudes, environments, missile attack performances, and UCAV performance. By controlling the flight path angle, roll angle, and flight velocity, 27 common basic actions are designed. On this basis, aiming to overcome the defects of traditional DRL in terms of training speed and convergence speed, the improved MS-DDQN method is introduced to incorporate the final return value into the previous steps. Finally, the pre-training learning model is used as the starting point for the second learning model to simulate the UCAV aerial combat decision-making process based on the basic training method, which helps to shorten the training time and improve the learning efficiency. The improved DRL algorithm significantly accelerates the training speed and estimates the target value more accurately during training, and it can be applied to aerial combat decision-making.     

基于改进ACO算法的多UAV协同航路规划

针对无人机(Unmanned Aerial Vehicle,UAV)在执行任务过程中遇到的诸如敌方防空火力、地形障碍及恶略天气等各类威胁源,采用威胁源概率分布的方法进行威胁的量化处理,构建任务空间的威胁概率密度分布图,有效消除了威胁源的差异性。根据UAV在任务飞行过程中的性能约束与时、空协同约束,同时考虑任务过程中UAV的损毁概率最小、任务航程最短,构建了相应的综合任务航路代价最优化目标函数。结合传统蚁群优化算法(Ant Colony Optimization,ACO)在解决此类问题中的不足,给出了相应的改进策略,提出采用协同多种群ACO进化策略来实现多UAV在满足时、空协同约束下的协同航路规划。通过相应的仿真计算表明,改进后的ACO协同多种群进化策略算法更适用于多UAV协同任务航路规划问题,具有一定的实用性。从而为多UAV协同任务航路规划问题的求解提供了科学的决策依据。     

不确定情况下协同空战目标分配方法

现代空战环境下出现的大量不确定信息, 现在常用的协同目标分配模型都没有考虑到这种情况.针对这种情况,将随机规划引入到协同空战目标分配研究中,在一般期望值模型的基础上,建立了多机空战协同目标分配期望值模型,并利用随机模拟、神经网络和遗传算法结合而成的混合智能算法来求解该期望值模型.2∶4协同空战仿真结果表明该模型的有效性.