摘要：无人机自主决策能力的不足一直是制约无人机进入空战对抗领域的主要因素。在已有的大量研究中,主要是采用构建动作库和机器学习算法的方式实现无人机的空战机动决策。但对无人机训练的品质会极大影响机动决策的效果。使用启发式算法构建无人机侧向机动对抗的攻击路径可摆脱对训练库的依赖,且未来可拓展性强,便于优化。基于A-star算法,构建了一种适用于无人机中距空战侧向机动决策的路径规划算法,算法可进行位置和速度规划。通过对双机协同策略的制定,设计了无人机双机对抗中的目标分配算法,可将无人机的单机对抗拓展至双机对抗的情景。通过仿真试验,验证了算法在达成战术效果和决策效率方面的可行性。

摘要：现有的机器学习方法大多是交互式的学习模式,这类方法在训练过程非常依赖与环境之间的交互数据。空战对抗任务是一种奖励非常稀疏的训练任务,智能体在学习开始的很长一段时间内,都在探索能够获得奖励的动作。如果每一个新的任务都重新训练,是非常浪费计算资源的。因此,设计了一种基于经验移植的学习方法,使得经过训练的智能体能够将知识分享给新的智能体,提高其在新任务上的学习效率。首先,借鉴人类通过经验进行快速学习的现象,构建了基于经验移植的学习的模型;其次,兼顾知识分享和新任务的特征,明确了经验的内涵,建立了"知识+任务→经验"的融合认知方式;再次,设计了借鉴学习方法,将外部经验与任务相结合,进而转化为新个体的知识;最后,使用经验适用度作为筛选指标,分析了经验适用度对借鉴学习效率的影响,确定了执行借鉴学习的筛选边界。新个体通过借鉴学习后能够获得关于新任务的初步知识,在新任务中更快地找到能够获得奖励的动作策略,从而提升在新的任务中的学习速度。

摘要：目前,有关无人机空战的研究主要考虑无人机的完全自主决策机动算法,关于有人机有限监督决策下的空战机动决策的研究鲜有报道,更缺乏对有人—无人机协同作战的研究。为实现无人机协同空战过程中的自主机动,设计一种基于路径规划技术的有人—无人机协同空战机动决策模型。首先,引入动态栅格环境,自适应调整栅格规模和分辨率,以弥补静态栅格环境规划空间越大规划效率越低的缺陷;然后,将A star算法规划路径作为参考路径,提出ACO-A star混合路径规划算法,以提升ACO算法的寻优效能;最后,基于均值聚类算法设计有人—无人机协同空战机动决策算法。进行空战对抗仿真模拟,结果表明:所提出的算法具有更好的决策正确性,可有效提升空战胜率。

摘要：针对空战对抗中武器系统使用评估时效性差的问题,在分析评估所需数据种类的基础上,设计了数据链信息下传流程,分析了数据时延机理,然后根据导弹攻击区和杀伤概率区评估导弹发射条件的优劣。根据数据链下传的飞行参数和武器参数,模拟出目标、导弹飞行虚拟轨迹,判定导弹的攻击效果。通过设定三组仿真场景,分析在不同发射区域和目标机动的情况下导弹不同的命中概率,验证了文中提出的实时评估方法的有效性。

摘要：针对无人作战飞机在一对一自主空战中无法实现智能决策的问题,引入深度强化学习方法,构建无人战斗机战术决策框架,求解智能体对抗的机动指令。首先,建立飞行运动模型和导弹攻击区模型,形成基本的一对一空战对抗环境。其次,利用8个运动变量来构建智能体连续的状态空间,并根据导弹攻击区实时计算结果设计奖惩函数,实现双机对抗决策。最后,使用长短期记忆网络和全连接网络相结合,构建智能体价值网络和目标网络。利用记忆库中的决策样本,对网络进行训练,完成值函数的拟合,实现智能体在任意状态下的决策。仿真试验表明,在典型的案例中,智能体能够有效感知空战场态势,算法给出的决策动作可以积累并保持无人作战飞机的空战优势,完成对目标的打击,决策时间能够满足时效性的要求。