无人集群作战任务的多智能体强化学习卸载决策

近年来，任务卸载作为保障无人集群高效协同作战的关键技术之一，正成为研究热点。任务卸载旨在克服单平台算力不足、能量有限等约束，将计算任务卸载到边缘网络的服务器上进行处理，以达到降本增效的目的。以无人集群辅助的天地一体化协同侦察为作战场景，考虑战时复杂多变的电磁环境以及集群组网拓扑时变性，利用Lyapunov优化把长期任务卸载解耦为在线马尔可夫决策过程。为解决混合动作空间收敛难、学习效率底的问题，结合凸优化和多智能体深度确定性策略，分层求解功率分配和任务分配问题，提出数据-模型双层优化驱动的多智能体强化学习卸载决策算法。数值实验结果表明，新算法能够根据时变的战场环境自适应调整智能体任务卸载策略，达到提升传统算法性能和优化复杂多维目标的目的。     

基于协同攻击区的航空集群最优空间构型研究

针对有人/无人机协同攻击中的航空集群最优空间构型问题,提出了基于自适应Tent混沌搜索灰狼优化算法的航空集群空间构型寻优方法。建立空空导弹协同攻击区数学模型,结合协同攻击区边界搜索方法,得到航空集群在任意空间构型下的协同攻击区解算方法;将自适应Tent混沌搜索方法应用到灰狼优化算法中,有效避免原算法易陷入局部最优和搜索速度慢的问题;以协同攻击区域大小作为目标函数,利用改进后的算法对航空集群空间构型进行寻优。仿真结果表明,改进后的算法能够有效地求得使航空集群协同攻击区域最大且我方伤亡最小的最优空间构型,且最优构型下航空集群协同攻击区明显大于单机攻击区的简单叠加。     

多目标空地异构无人系统协同任务分配方法

针对由地面无人车与多无人机组成的空地异构无人系统面向大范围、多目标的协同任务分配问题，以无人系统完成任务时间为优化目标，同时考虑无人机收放、续航能力以及任务时序等约束条件，建立空地异构无人系统的任务分配模型，提出一种多目标空地异构无人系统任务分配方法。结合密度值最大聚类和混合粒子群优化算法，对空地异构无人系统的任务分配问题进行求解，从而得到满足约束条件的全局任务分配结果；通过仿真实验对所提方法进行验证。实验结果表明，该方法能够有效地求解在不同作战环境中的空地异构无人系统的任务分配问题。     

基于混沌蚁群算法的集群无人机协同任务分配

针对无人机集群协同任务分配问题,以无人机集群完成所有任务的总航程和未完成任务数最小为优化目标,构建多目标的多任务分配数学模型,并提出基于混沌蚁群算法的优化方法对模型进行求解。借鉴混合算法能提高单一算法性能的思想,在集群任务分配问题中将混沌算法的遍历性、随机性和蚁群算法的信息素正反馈机制结合起来,并通过仿真实验验证所提方法的有效性和适用性。结果表明：基于混沌蚁群算法的集群无人机协同任务分配方法能够增强全局寻优能力,提高算法效率,为多无人机分配最优的任务序列。     

基于改进遗传算法的无人战车跃进位置决策

针对无人战车协同进攻战斗中如何自主确定跃进位置和射击位置的问题,构建无人战车自主确定跃进位 置和射击位置决策数学模型。综合考虑战场地形环境、敌方兵力分布、跃进距离、跃进方向、友邻间火力协同等因 素,提出一种保留最优个体的自适应多种群遗传算法(genetic algorithm,GA)对模型进行求解。实验结果表明：该模 型能够实现无人战车自主确定跃进位置和射击位置的目的;提出的改进遗传算法具有全局搜索能力强、收敛速度快、 稳定性好等优点;对无人作战装备自主能力的研究和提升具有一定参考价值。     

基于无人协同博弈数字孪生的系统模型构建

基于无人协同博弈快速发展并临近实战的背景下，结合数字孪生技术构建无人协同博弈数字孪生系统模型，搭建无人智能博弈的系统结构体系，从而推进无人协同博弈孪生仿真的研究实践。基于KJ法，对相关战例进行归纳分析，进而对未来战争样式进行推演、对无人协同博弈系统要素和组织关系进行演绎推理。通过构建无人协同博弈矩阵、无人协同博弈函数、无人协同博弈优化方程矩阵，完成无人协同博弈态势感知及博弈方案优化模型构建，实现阶段博弈方案全局最优，结合数字孪生技术，从物理层、虚拟层、服务层、数据层、数据连接5个方面构建出无人协同博弈数字孪生结构模型，并梳理此模型的技术体系。为实现无人协同博弈的虚实同步，交互运行，智能决策优化提供理论框架，为未来无人作战体系构建提供参考。     

基于多阶段分析博弈评估算法的防空战役效能评估

利用多阶段分析博弈评估算法计算防空战役的效能，将SAGE引入防空战役模型，优化防空战役的兵力分配方案并评估战役效能。其步骤包括：定义状态转换函数及目标函数；定义要求解最优化问题；通过设置双方兵力数量及作战效能初始参数、确定兵力数量及作战效能、定义迭代计数器并进行初始最优解算法。     

多目标跟踪的飞行器集群协同实时任务分配策略

针对跟踪过程中,多动态目标优先级变化引起的飞行器任务实时重分配问题,提出了一种飞行器集群智能自组织控制方案。该方案基于飞行器集群组网和集群协同计算技术,实现分布式集群实时控制与协同任务分配,以保证对多目标的实时跟踪。针对跟踪目标优先级变化的场景,提出了具有双向选择机制的合同网改进算法,能够解决突发情况导致的飞行器集群任务实时分配问题。最后进行仿真验证,实验结果表明,该方案能够提高飞行器集群的协商效率,减少通信频率,提升任务分配的时效性。     

基于并行蚁群算法的常规导弹作战任务分配

作战任务分配是常规导弹作战研究的关键问题之一。结合常规导弹作战实际情况和任务分配特点,综合考虑作战意图、任务协同等约束条件,采用并行蚁群算法,建立了作战任务分配模型。在多子群蚁群算法的基础上,设计了基于任务能力评估的子群协调沟通策略和基于任务代价的状态转移规则,提出了并行求解任务分配问题的蚁群算法思想。通过仿真验证了模型的正确性,仿真结果表明该方法能够有效解决常规导弹作战任务分配问题。     

智能协同干扰技术作战应用分析

基于传统干扰机技术特点,针对未来认知电子战下的智能电子战设备需求和复杂战场环境下的协同作战需求,分析了在未来干扰机集群作战中智能协同干扰的实现方法和思路,形成了认知目标侦察、智能干扰实施算法思想,以及基于多智能体的干扰机群协同干扰任务决策方法结构模型。梳理了智能协同干扰的基本作战模式,提出了双干扰机智能协同模式和干扰机集群智能协同模式,以及后续研究的关键技术,为进一步深入开展智能协同干扰技术研究奠定基础。     

多型岸舰导弹作战单元部署优化模型

为解决多阵地岸舰导弹组合攻击作战任务中岸舰导弹作战单元部署定量决策问题,基于广义最大覆盖选址理论,结合岸舰导弹部队兵力数量有限的战场条件,构建多型岸舰导弹作战单元部署优化模型。针对目标舰艇位置、岸舰导弹火力覆盖范围等影响因素,利用蒙特卡洛仿真法,建立目标散布区域计算模型、岸舰导弹火力覆盖区域计算模型等辅助决策模型,通过粒子群优化算法进行模型解算。仿真结果表明,多型岸舰导弹作战单元部署优化模型及算法可以稳定地提供合理有效的优化方案,能够为战时多型岸舰导弹部署决策提供参考和依据。     

无线自组网分布式编码域非正交多址机制性能分析

基于无人平台集群的分布式协同作战是未来战争的发展趋势,由此对智能集群无线自组网通信提出了快速响应的性能需求。针对现有无线自组网分布式多址接入机制在复杂多变战场环境与时断时续通信链路中存在的效率下降、无法满足快速响应需求的问题,提出基于分布式协同的编码域多址(DC-CMA)机制。DC-CMA机制以分布式无线自组网邻居节点信息维护与非正交多址技术为基础,设计高效的接入编码图样,通过降低图样稀疏性减少资源浪费,提高多址机制整体资源效率。数值仿真结果表明,在信道中断率相同时,与正交多址机制相比,DC-CMA机制可将信息交互周期缩短10%~50%,提升通信资源效率达5%~30%。利用无线自组网节点设备样机,模拟分布式协同任务数据进行端到端传输时延测试,得出DC-CMA机制相比于正交多址机制可降低平均传输时延超过30%,能够为提升无人平台集群分布式快速响应协同能力提供支撑。     

一种基于强化学习的指挥智能体控制方法

针对无人水下航行器(unmanned underwater vehicle,UUV)如何进行任务分配、航路规划、指挥控制问题, 提出一种新的控制实现方法。搭建UUV 指挥智能体训练平台,设计学习训练所需的想定,进行状态设计、数据适配、 决策解析和规则库建立,选定近端策略优化(proximal policy optimization,PPO)强化学习算法进行训练,并进行应用 验证。结果表明：指挥智能体能有效对UUV 进行任务分配、航路规划、指挥控制;通过不断优化算法,可提高战胜 基于规则的传统控制方法的胜率。     

基于遗传算法的导弹集群多任务分配优化问题

针对导弹集群协同作战的任务分配问题,提出了一种基于遗传算法的任务分配方法,提高了多任务组合优化问题的搜索能力.该方法采用一种任务组合编码的新方法,实现在整个解空间上寻找到最优组合问题的全局最优解或次优解.实验结果表明,本文方法能有效地解决导弹集群的任务分配问题,获得令人满意的实验结果.     

基于不确定信息的无人机攻防博弈策略研究

通过分析实际战场中目标价值和毁伤概率信息的不确定性,提出了不确定信息条件下需要解决的无人机(UAV)攻防博弈问题。以敌我双方发射导弹的价值信息为依据,建立基于不确定信息的多UAV攻防对抗的支付函数,构建攻防双方博弈支付矩阵。将粒子群算法和区间数多属性方案排序方法相结合,给出基于不确定信息下博弈纳什均衡求解方法,为不确定环境下UAV攻防博弈实现最优策略提供了新方法。最后     

基于改进A*算法的多无人机协同战术规划

多无人机协同作战是未来无人机作战方式的重要发展趋势。为增强多无人机系统的任务执行能力,提高系统整体作战效能并实现高效资源分配和调度,提出一种基于改进A^*算法的多无人机协同战术规划方法。按照离线规划和重规划两方面,设计战役层和战术层的作战目标迭代优化方案;建立编队协同作战的数学模型,以编队成员间的时间协同和碰撞协同代价为变量,得到多约束条件下的综合编队目标函数;结合多层变步长搜索策略和单步扩展的搜索方式,基于改进A^*算法,用于求解复杂战场环境下的多无人机编队协同作战航路。分别利用改进A^*算法和传统A^*算法进行对比仿真实验。仿真结果表明,多无人机协同战术规划方法能够较好地完成作战任务,改进A^*算法能够获得更优的航路,从而验证了所提算法的有效性。     

无人作战飞机侦察监视航路规划研究

侦察监视航路规划是无人作战飞机（unmanned combat aerial vechicles，UCAV）任务规划系统的一项重要研究内容，其目的是找到一条从起始点出发并最终回到起始点，在某种性能指标下最优的飞行路径。本文提出了一种航路规划的遗传粒子群优化算法，设计了算法流程，给出了规划方法，解决了大范围内单／多机的侦察监视航路规划问题，仿真结果证明了该算法的有效性。     

基于改进粒子群优化算法的多阵地反舰导弹航路规划

为满足作战实际需要,在使用改进的粒子群优化算法基础上,提出?算法和振荡值理论作为约束条件构建 数学模型,以建立多阵地、多方向突击水面舰艇行动中导弹间建立时间、空间上的协同关系。结果表明：该模型计 算收敛速度快,能有效解决联合行动中导弹航路规划问题。     

基于ACA_PSO算法的无人机分布式任务分配方法

为解决分布式任务分配问题，采用“粒子化”的蚁群算法进行无人机分布式任务分配。基于蚁群_粒子群混合算法，在原有蚁群算法基础上进行改进，使其具有“粒子”的特性。建立扩展协同多任务分配问题模型(ECMTAP)，采用构造允许的状态转移集合的方法，大大减少了产生的不合理解的个数，并弥补了蚁群算法陷入局部最优和早熟问题的缺点。实验结果表明：该算法能够有效地解决复杂约束条件下的多无人机分布式任务分配问题，具有较好的收敛速度和任务分配结果。