发展迅速的隐身武器装备

1.前言 从70年代初以来,随着美国国防高级研究计划局(DARPA)的“海弗兰”雷达特征信号减弱计划开始实施,隐身技术便作为一项重要的军事高技术获得迅速发展。1975年以后,美国一直对飞机、导弹、军舰和空间飞行器隐身技术加紧进行秘密研究。80年代以后,由于各种隐身技术的发展取得了重大突破,加之战场对武器装备的隐身要求非常迫切,使得隐身武器装备异军突起,武器装备的隐身化成为现代军事高技术发展的一     

低技术对高技术的嘲弄

一般说来,事物发展的秩序总是新的代替旧的,落后的让位于先进的。据外刊报道,在近几场现代局部战争中,尽管高技术武器效能卓著,但从战后实际统计结果看,大多数中低技术武器在战争中的地位和作用仍不可忽视。它们并不甘心退出战争舞台,仍可发挥其特有的威力。据有关...     

机载制导武器的武器-目标分配算法研究

机载制导武器的武器-目标分配算法是智能航空指控系统的一个基础研究问题。本文在建立了武器-目标分配的基本概念和对算法要求的基础上,提出了两种武器-目标分配算法;基于决策论的武器-目标分配算法和基于导弹截获区的武器-目标分配算法,并对基于导弹截获区的武器-目标分配算法进行了仿真实验。结果表明,此算法具有高透明性、有限消除最大威肋、杀伤概率最大、充分利用机载武器等特点。     

坦克会战中动态武器—目标分配问题求解方法

动态武器-目标分配(DWTA)是坦克会战中取得战斗胜利的关键.建立了坦克战中DWTA模型,并提出了它的一种简单求解方法.实验结果表明求解方法是有效的.     

基于强化学习的多对多拦截目标分配方法

针对空中对抗环境中多对多拦截的武器目标分配问题,提出了一种基于强化学习的多目标智能分配方法。在多对多拦截交战场景下,基于交战态势评估构建了目标分配的数学模型。通过引入目标威胁程度和拦截有效程度的概念,充分反映了各目标的拦截紧迫性和各拦截器的拦截能力表征,从而全面评估了攻防双方的交战态势。在目标分配模型的基础上,将目标分配问题构建为马尔可夫决策过程,并采用基于深度Q网络的强化学习算法训练求解。依靠环境交互下的自学习和奖励机制,有效实现了最优分配方案的动态生成。通过数学仿真构建多对多拦截场景,并验证了该方法的有效性,经训练后的目标分配方法能够满足多对多拦截中连续动态的任务分配要求。     

改进蛙跳算法求解武器目标分配问题

针对武器目标分配问题,提出一种改进蛙跳算法来求解空间受限的武器目标分配。首先,基于武器目标分配原则建立多约束条件下武器目标分配模型,并将多目标优化问题转化为单目标优化问题;其次,采用基于非支配等级和拥挤度因子的精英选择策略改进初始种群的多样性和均匀度,提升算法最优解的质量;最后,通过合理的想定背景进行仿真计算,结果表明：该方法可有效平衡搜索时间和全局最优解质量,可作为编队防空作战时武器目标分配的一个不错选择,通过与SFLA算法和遗传算法进行比对分析,表明该算法相对SFLA算法求解的最优解质量高,相对遗传算法搜索效率高。     

一种基于改进r-NSGA-Ⅱ算法的联合防空问题算法

以传统动能武器及现代高能激光武器的防空反导作战为背景,建立了异构防御武器多战术目标的动态武器目标分配模型;在考虑指挥员抉择偏好的情况下,提出基于改进r-NSGA-Ⅱ算法的武器目标分配优化框架,给出具体优化流程;基于具体作战想定,设计实验将改进r-NSGA-Ⅱ算法与NSGA-Ⅱ、NSGA-Ⅲ、MOEA/D等经典算法在收敛性、分布性与时间复杂度等性能指标方面进行对比分析。实验证明,改进r-NSGA-Ⅱ算法在保证计算效率的情况下可以更好地反映指挥员的作战偏好与意图。