无人机集群作战智能培育平台构建研究

面向红蓝双方非完备信息条件下的无人机集群自主作战场景,参考即时战略游戏星际争霸人工智能技术思想,提出一种基于人工智能与军事仿真深度融合的无人机集群作战智能培育平台构建方法,给出了技术实现路径,旨在通过大样本训练,培育无人机集群自主作战决策能力,探索无人机集群战法运用模式,支撑作战人员对无人机集群进行高级指挥控制.     

基于合作博弈的智能集群自主聚集研究

智能集群是指由大量智能体构成、采用自组织策略协作完成任务的群体。以无人车集群系统协同监视再入体着靶过程为任务背景,开展智能集群自组织策略的关键技术研究。设计了无人车集群执行再入体着靶协同监视的集群行为模式,提出了基于合作博弈的智能集群自组织策略,各智能体以实现群体聚集为“合作目标”,以降低自身能量消耗为“竞争目标”,开展博弈,基于微粒群算法规划局部路径,最终使群体系统涌现出聚集行为。仿真实验验证了设计的自主聚集策略的有效性。     

影响电流变效应的因素

根据国内外研究的现状 ,分析综述了影响电流变效应 (ER效应 )的因素     

纳米材料技术及其军事应用

自从扫描隧道显微镜发明后,世界上便诞生了一门以0．1至100纳米这样尺度为研究对象的前沿学科,这就是“纳米科技”。作为以纳米这样的尺度对物质和生命进行研究和应用的科学技术,它以空前的分辨率为人类揭示了一个可见的原子、分子世界。研究纳米技术的最终目的是直接以原子和分子来构造具有特定功能的产品,纳米技术是用单个原子、分子制造物质的科学技术。它是以许多现代先进科学技术为基础,是现代科学(混沌物理、量子力学、介观物理、分子生物学)和现代技术(计算机技术、微电子和扫描隧道微镜技术、核分析技术)结合的产物。纳米技术又将引发一系列新的科学技术,例如纳米电子学、纳米材料学、纳米机械学等。被认为是世纪之交出现的一项高科技。     

基于深度强化学习的分布式UUV集群任务分配算法

任务分配问题是智能体集群研究的基础关键问题之一,UUV集群在任务分配问题方面受到水下探测和通信能力的限制,UUV个体只能获得周围局部信息,常规的全局算法无法得到很好的应用。提出了一种基于深度强化学习和分布式UUV集群组织架构的任务分配算法,算法首先实现每个UUV个体的局部任务分配,其次相邻的个体之间进行信息一致协调,从而实现UUV集群的最优化任务分配。仿真实验结果表明,所提算法相较遗传算法收敛更快,相较合同网算法通信量小,任务分配效率高,且分布式架构不依赖“指挥中心”,UUV集群系统的鲁棒性更高,任务分配可靠性更高。     

拉法叶级护卫舰的启示

拉法叶级的满载排水量为3680吨,拥有4台柴油发动机,可输出31800匹马力,有2具螺旋桨和2具方向舵,最大速度46km／h。舰体上层结构为堡垒式密封设计,具有核生化防护能力。     

面向任务的航空数据链动态组网策略

针对现有航空数据链网络对实际任务需求耦合不紧密的问题,结合未来航空作战集群化、智能化的特点,设计了面向任务的智能化航空数据链网络体系结构。描述了面向任务的智能化航空数据链网络信息类型与信息处理传递机制,并基于所设计体系结构提出了一种面向任务的航空数据链动态组网策略。通过组网实例分析,说明在面向任务的智能化航空数据链网络体系结构下所提组网策略对实际任务需求具有较好的支撑能力。     

基于改进QGA的有/无人机编队多任务联盟生成

针对有/无人机编队作战中多约束复杂任务分配问题,提出一种改进QGA(Quantum Genetic Algorithm,QGA)的多任务联盟求解方法。首先确定任务需求、时间、平台能力等多种约束,综合考虑联盟总任务收益、耗费成本与任务时间因素,构造目标函数,建立了多任务联盟生成优化问题模型;从多分组并行演化、观测值修正、动态旋转角调整3方面对QGA算法进行改进用于问题求解;并结合实际案例进行了仿真分析,结果表明,提出的方法可以有效生成多任务联盟,解决有/无人机编队多约束复杂任务分配问题,解质量较高。     

基于DBSCAN聚类的异构多智能体分层任务分配方法

针对多约束条件下大规模探测/通信智能体集群协同探测任务分配问题,从全局与局部相结合的角度,提出了一种分层任务分配求解方法。首先,根据通信距离约束对所有任务节点进行聚类预分组,将集群任务分配问题划分为上层全局任务分配和底层局部任务分配。然后,根据聚类结果采用启发式算法求解探测/通信智能体组间全局任务分配结果。随后,根据探测智能体的全局任务分配结果,采用遗传算法对探测智能体组内任务进行分配。最后,通信智能体根据探测智能体的组内任务分配结果,采用基于虚拟节点的方法进行组内任务分配。实验结果表明,相较于直接求解方法,分层任务分配方法不仅解决了大规模集群协同任务分配问题,还可以在保证优化目标值相近的情况下,缩短70%以上的求解时间,较快得到相对最优的任务分配结果。     

基于强化学习的鱼群自组织行为模拟

自组织行为广泛存在于自然界中。为了通过学习的方式模拟鱼群自组织行为,构建了鱼群模拟环境模型、智能体模型和奖励机制,并提出了一种基于赫布迹和行动者-评价者框架的多智能体强化学习方法。该方法利用赫布迹加强游动策略的学习记忆能力,基于同构思想实现了多智能体的分布式学习。仿真结果表明,该方法能够适用于领航跟随、自主漫游、群体导航等场景中鱼群自组织行为学习,并且基于学习方法模拟的鱼群展现的行为特性与基于博德规则计算模拟的鱼群行为类似。