多机协同目标与火力资源分配*

傅 莉，刘骏驰（.沈阳航空航天大学航空航天工程学部，沈阳 036；.沈阳航空航天大学自动化学院，沈阳 036）

多机协同目标与火力资源分配*

傅 莉1，刘骏驰2
（1.沈阳航空航天大学航空航天工程学部，沈阳 110136；2.沈阳航空航天大学自动化学院，沈阳 110136）

在协同空战中，快速正确的空战决策是己方战机少受敌方伤害并取得战争胜利的前提。目标与火力资源分配是决策过程的重要部分。多机空战与单机空战相比有明显的不同，不同之处是面临多个敌方目标，根据我方资源最优分配作战对象和火力，基于遗传算法实现了两种算法的有人无人目标与火力资源分配。仿真结果表明，带有毁伤概率门限的算法既节省火力资源又快速有效。

协同空战，威胁评估，目标与火力资源分配，遗传算法

0 引言

对于未来越来越复杂的战场环境，越来越苛刻的作战条件，频繁变化的战场态势数据，战术任务具有多重性与复杂性。对于单架作战飞机来说，指定的作战任务几乎是无法完成的，有人无人协同作战已经成为当今世界空中战场的必然选择。在现代协同空战［1-3］中，快速正确的空战决策是保证战争的胜利的前提。而在协同空战决策过程中，目标与火力分配［5-7］是在威胁评估之后的特别重要的部分。多机空战与单机空战相比有明显的不同，不同之处是面临多个敌方目标，根据我方资源最优分配作战对象和火力。目标分配的目的是从进入我方战机能够搜所到的范围内的多个敌方目标中选取攻击或规避对象。协同目标分配是无人机对目标位置等信息的分析后，通过数据链等手段传递给有人机。有人机获取到的数据，按照一定的分配原则，在综合优势函数的基础上进行目标分配给无人机，由无人机负责实施打击。

目标与火力分配是一个约束众多而复杂的组合优化问题，其传统的解决方法如隐枚举法、线性规划、割平面法等方法，比较简单。但随问题维数的增加，问题的解算会耗费大量的时间，所以不利于解决复杂问题，一些智能算法例如遗传算法、蚁群算法等在目标分配研究领域被广泛地应用到。下面具体研究遗传算法在目标与火力分配中的应用。

1 基于遗传算法的目标与火力资源分配建模

1.1 遗传算法基本流程

遗传算法（Genetic Algorithm，GA）最先是在20世纪70年代由美国科学家John Holland提出的。这种算法模拟了Darwin的遗传科学和“适者生存”的劣势被淘汰的生物进化过程模型。生物遗传科学和优胜劣汰的自然法则是其想法的起源，是能够把生存与检测相结合的迭代过程的搜索算法。遗传算法随机地搜索一个参数空间，这些参数被编码，对象就是群体中的个体，这种搜索效率很高。其中，选择、交叉和变异是遗传算法中的遗传操作过程的最重要的3个部分；第1步是把参数集合确定下来，接下来就是进行编码工作，然后设定它的初始群体，适应度函数的设计、遗传操作设计、控制参数设定等5个必要元素构成了遗传算法的核心内容。

在“116号文”中，施工临时设施有不同的计算方式：一是列入直接费。如风水电支管支线、简易砂石料加工系统、小型混凝土拌和浇筑系统、木材加工厂、钢筋加工厂、机械修理厂、混凝土预制构件厂、场内施工排水等。二是在施工临时工程中单独列项。如施工交通工程、施工场外供电工程、施工仓库、办公及生活用房等。三是列入其他施工临时工程。如施工供水系统、砂石料系统、混凝土拌和浇筑系统、施工排水、施工通信、施工临时支护设施等。

遗传算法［10-12］是一种全局意义上的自适应搜索技术，通过选择复制交叉以及变异等操作，确保问题解空间中的任意一点，都能够被该算法完整地搜索到编码的方式，遗传算子的性能，二者决定了遗传算法的效率。

其优点是:

2018年以来中美贸易摩擦愈演愈烈。究其主要原因，一方面是中国经济的快速增长，另一方面是美国在20世纪80年代中后期国际竞争力减弱、经济衰退。这使得美国认为其国际地位受到了威胁，国际话语权面临被削弱的风险。

社会的发展人的因素是最重要的，大到国家的兴衰，小到家庭的变化，其中起决定作用的还是人的因素。学校的发展离不开学生的进步，但影响学生的还是广大教职员工的付出。学校是一个大家庭，对于学校管理也是同样需要科学地评判一位教师，作为一种高层次领导艺术的人力资源管理，能够正确对待人才的两面性，是合理用人的关键所在。

1）搜索范围广，具有很强的全局搜寻能力，无论任何问题领域；

2）能够从设定群体出发搜索，鲁棒性好；

3）构造适应度函数，并从此启发，过程简单易行；4）迭代过程是随机的，基于概率理论；5）可容易结合其他算法，扩展性极好。

1.2 目标与火力资源分配建模

目标与火力资源分配的原则是在确保自己安全，保存实力的前提下，尽量让杀敌机概率提升到最高，避免对某个目标的相同攻击和失败打击，其目的是尽最大可能发挥我机的武器威力。

目标与火力资源的分配应遵循以下几点:

假设在某次多机协同攻击多目标的空战中，由a架飞机组成的飞行编队A={A1，A2，…，Aa}，挂载的导弹总量为m，每枚导弹的编号为Mi（i=1，2，…，m），所需要攻击的敌机目标有n个，每个目标的编号为Tj（j=1，2，…，n）。记Pj表示为所分配火力对第j个目标打击的总体毁伤概率，可表示如下

2.2 犁具在新疆生产建设兵团的应用现状 目前新疆生产建设兵团耕地已完全实现机械化作业，机械化程度达100%，产品处于更新换代时期，兵团液压翻转犁的应用主要以配套74.57～134.23 kW大型拖拉机为主，犁具规格与配套拖拉机功率如表2所示。根据调查信息显示，近几年149.14 kW以上的大型拖拉机拥有量不断增加，农机户为充分利用拖拉机，购置了与之配套的3～5铧的翻转犁机型。

1）上级指定的目标优先分配；

2）重点目标优先分配；

1）要保证各目标都可以达到预设毁伤概率门限Pdj。一个火力分配方案中，如果对某个目标的毁伤概率低于预设的毁伤概率门限，则认为对该目标的分配无效。

目标与火力资源分配是在对整个战场态势评估的基础上进行的。目标与火力资源分配的目的根据我方火力资源最优分配作战对象和火力，从而得到最佳攻击方案，使得我方作战飞机的整体优势达到最大。对目标分配不仅仅要考虑整个战场的态势评估结果，还要考虑其他的影响因素，目标与火力资源分配主要基于以下6个因素:

·目标的威胁矩阵（也是我方的优势矩阵）

·交战双方的相对几何关系

优势矩阵［15-16］的建立与解算是目标分配的基础。考虑交战双方的几何关系，主要是考虑我方飞机能够进行的武器打击限制，在我方武器的攻击范围之外，将带来决策的失误。每个战机能够打击的数量由本身所带的导弹数量决定，攻击的数量不能超出本身所带的导弹数量。

一般的火力分配算法为

2）目标威胁权重Wj可以保证威胁度较高或最高的目标被优先分配。

·目标分配中的重要目标和次要目标的导弹合理分配，不能出现遗漏攻击。

·战机的机载武器（可用的导弹数量）

第二，婴幼儿配方乳粉的进口来源相对集中。虽然中国婴幼儿配方乳粉进口来源国共有20多个国家，但是数据显示其进口来源国却相对集中。以2016年为例，荷兰是我国最大的婴幼儿配方乳粉进口贸易来源国，占比35.7%；爱尔兰和新西兰分别是第二和第三大进口来源国，分别占比14.6%和10.8%；第三和四五位分别是德国和法国；来自排名前五个国家的进口量高达总进口量的77.5%（图1）。

目前，很多目标与火力分配模型都只是简单地满足求毁伤概率越大越好或威胁程度越大便优先分配的要求，该模型在实际战场中不能够满足需求，在有足够火力资源、攻击对象并不多的情况下，该模型会严重浪费武器火力资源，一旦有增援敌机目标到来时，无法继续为其提供充足的火力资源。本文提出一种在上述模型基础上改进过的火力分配模型，在该模型中引入毁伤概率门限，从而在取得最大的对目标的毁伤概率平均值的同时，尽可能少地消耗火力资源，以便对尽可能多的目标实施打击［17］。

多机协同空战中，进行火力优化分配的目的就是使各战机在尽可能保存自己，避免重复攻击的同时，达到对目标的整体毁伤最大。本文在一般火力资源分配模型的基础上，通过改进建立了一种可以节约火力资源的带有毁伤门限的火力分配模型，这个模型能够有效地达到这一目标。

在特定条件下使用氯化铵溶液浸出锌，同时浸出的还有铜、铅等元素，铁及铁离子被留在渣中[28]。在溶液结晶过程中，微量元素被溶解，可得到氢氧化锌，经漂洗、干燥、焙烧后，可得到氧化锌，化学反应见式(3)和式(4)。

式中:pij表示第i枚导弹打击第j个目标的毁伤概率；oij为决策变量，如果分配第i个导弹攻击第j个目标，则oij=1，否则oij=0。

上述的分析可以证明，诺亚方舟、巴别塔不过是神话，与此同时，整个《创世纪》都是神话。既然是神话，为什么人们会信以为真呢？

·击毁敌方一个目标所需导弹数量

式中:Wj为第j个目标的威胁权重。

这种算法在目前已经被广泛地应用于目标与火力分配的问题中，取得了一定的成果。但这种一次性的分配准则是基于求毁伤概率越大越好的，没有考虑资源消耗的问题，在我方火力资源相对充足并且目标数量并不是很多的情况下，这种算法会导致武器火力资源的严重浪费，而当有后续敌机目标来袭时，无法继续提供充足的火力资源。所以，本文提出了一种带有毁伤概率门限的目标与火力分配算法，该数学模型为式中:pij是第j个敌机目标预先设定的毁伤概率门限，它的具体数值可根据战场态势人为决定，或由指挥系统确定；Pdj为Pj的均值；Pj≥Pdj可以理解为对每个敌机目标的毁伤概率不小于其预先设定的毁伤概率门限；oij≤1表示一枚导弹最多只能攻击一个敌方目标。

对该模型的具体分析如下:

3）威胁度大的目标被优先分配；4）先达到的目标优先分配。

·最多分配几枚导弹攻击一个目标

学生完成本科阶段的学习后，去向有所不同，有的学生选择继续深造考研，有的学生想尽早参加工作，有的学生则去考公务员，有的学生选择三支一扶，学校一般都会尊重学生的选择。“3+1”模式中，学生最后一年的实习单位一般比较固定，但学生就业企业却不一定是实习企业。毕业生“先就业、后择业”的观念不强烈，部分学生吃苦耐劳意识淡薄，只看重眼前的待遇，导致学生在毕业之后不一定从事本专业工作，与人才培养方案的目标相背离。

4）Pj可以保证目标j被分配相等数量的导弹，也就是oij相同的情况下，选择Pj大的导弹组合，从而使毁伤概率尽可能增大。

(2)创建宗地的关联属性方法。如在调查库中查看宗地属性时，发现没有相应的属性信息，系统可自动获取宗地上的建筑面积、容积率等关联信息，即创建关联属性的方式来获取相应的属性。

该算法在满足毁伤概率门限的前提下，通过比较各种导弹组合对目标的毁伤概率平均值来进行武器优化分配。整体考虑毁伤概率和资源消耗这两个问题，所以基于导弹数目越少越好的原则前提下，实现既能够节省资源又可以让毁伤概率最大化的效果。

1.3 仿真验证

我方战机编队采取协同空战的形式，战机架数为8架，每架战机均挂载2枚导弹，联合攻击区内发现8个敌机目标。本文采用的GA中，选择运算使用比例选择算子，交叉运算则应用单点交叉算子，而变异运算，使用的是基本位变异算子。其参数具体设置如下:交叉概率，选取的数值为0.8，变异概率，选取的数值为0.1。

从图1可以看出,两个频率分量的主瓣由于位置过于接近而重叠在一起,这种现象被称为主瓣干扰。信号的真实频谱是两个分量的频谱矢量叠加的结果。在此幅值谱中仅有一个主瓣被呈现,若此时使用插值算法校正谐波的频率、幅值和相位参数,将会得到误差较大的参数。通常,信号中大部分分量的频率都有一定距离,它们对应的主瓣没有受到干扰,而只有个别谐波和间谐波分量的主瓣距离会太近而相互干扰。如果在加窗FFT得到的频谱基础上,增加一个判断主瓣干扰的步骤,根据主瓣干扰的判定结果采取不同的处理方式,将会得到更理想的谐波和间谐波参数的检测结果。

应用式（2）不带有毁伤门限的一般的算法，进行仿真后得出如下页图3、图4所示。

工作读出模式：amtech芯片一直处于低功耗的接收状态（功耗应在10 μA以内），在进入RF辐射区后，接收到正确数据包头后用中断等方式将MCU唤醒，与MCU进行数据交换，调用已加完密的数据向外发射后等待，直到amtech芯片离开RF辐射区，芯片重新进入低功耗接收状态，同时给MCU一个可休眠信号。MCU进入休眠状态。

应用式（3），带毁伤概率门限的算法，进行仿真后得出如下页图5、图6所示。

通过仿真结果的对比可以看出，在火力资源比较充足的情况下，改进过的带有毁伤门限的火力资源分配算法，不仅可以实现平均毁伤概率最大，同时可以更节省导弹资源，从而保存了火力，为战场后续的战斗提供资源保障，有利于空战取得胜利。通过仿真结果也可以看出遗传算法能够很快速地收敛至全局的最优解。

图3 导弹-目标最优分配方案

图4 GA算法的最优迭代过程

图5 带有毁伤门限的导弹-目标最优分配方案

图6GA算法的最优迭代过程

4 结论

在协同空战中，目标与火力资源分配在决策过程中起到了重要的作用，是保存己方，使毁伤概率达到最大，并取得战争胜利的前提。多机空战面对多个敌方目标，能够根据我方资源最优分配作战对象和火力资源，是与单机空战最显著的区别。本文基于遗传算法实现了两种模型的有人无人目标与火力资源分配，并通过仿真验证了带有毁伤概率门限的模型，既节省了火力资源，又快速有效。遗传算法能够有效地解决有人无人协同空战中的目标与火力资源分配问题，该成果可以应用到其他相关研究领域。

［1］邹湘伏，何清华，贺继林.无人机发展现状及相关技术［J］.飞航导弹，2006，46（10）:8-14.

［2］马向玲，雷宇曜.有人/无人机协同作战关键技术［J］.火力与指挥控制，2012，37（1）:78-81.

［3］闫晔.有人机/无人机协同中的交互控制技术研究［D］.长沙:国防科技大学，2007:1-81.

［4］董彦非，冯惊雷，张恒喜.多机空战仿真协同战术决策方法［J］.系统仿真学报，2004，16（6）:723-725.

［5］姜长生，丁全心，王建刚，等.多机协同空战中的威胁评估与目标分配［J］.火力与指挥控制，2008，33（11）:8-12.

［6］杨荣，李长军，龚华军.一种适用于四代机的多目标威胁评估算法［J］.电光与控制，2014，21（10）:5-9.

［7］DORIGO M，GAMBARDELLA L M.Ant colony system:a cooperative learning approach to the traveling salesman problem［J］.IEEE Transactions on Evolutionary Computation，2002，1（1）:53-66.

［8］ABBATTISTA F，ABBATTISTA N，CAPONETTI L.An evolutionary and cooperative agents model for optimization［C］//Proceeding of the IEEE International Conference on Evolutional Computation，1995:668-671.

［9］TOROSLU I H，ARSLANOGLU Y.Genetic algorithm for the personnel assingment problem with multiple objectives［J］. Information Science，2007，177（3）:787-803.

［10］韩松臣.导弹武器系统效能分析的随机理论方法［M］.北京:国防工业出版社，2001.

［11］于雷，任波，鲁艺.自适应蚁群算法的多机协同空战目标分配方法［J］.火力与指挥控制，2008，33（6）:49-51.

［12］EDISON E，SHIMA T.Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms［J］.Computers&Operations Research，2011，38（1）:340-356.

［13］GAMBARDELLA L M，DORIGO M.Ant-Q:a reinforcement learning approach to the traveling salesman problem ［C］//Proceedings of the 12th International Conference on Machine Learning，1995:252-260.

［14］王丕宏，姜长生，杨承.歼击机空战占位的模糊神经网络方法［J］.电光与控制，2001，8（3）:21-25.

［15］陈小兵，常勇，孔繁峨.近距格斗自主决策研究［J］.电光与控制，2009，16（4）:34-37.

［16］丁全心.现代空战中的战术辅助决策技术［J］.电光与控制，2009，16（12）:1-4.

［17］孙鹏，李锴，孙昱，等.基于多目标优化的任务计划建模及方法［J］.火力与指挥控制，2016，41（9）:18-23.

Resource Allocation of Target and Fire of Manned/Unmanned Cooperative Air Combat

FU Li1，LIU Jun-chi2
（1.School of Faculty of Aerospace Engineering，Shenyang Aerospace University，Shenyang 110136，China；2.School of Automation，Shenyang Aerospace University，Shenyang 110136，China）

In cooperative air combat，the rapid and right air combat decision is the premise of the condition that our aircraft are less affected by the enemy and win the war.The resource allocation of target and fire is a very important part of the decision-making process.According to our resources to make optimal allocation of target and fire when facing many targets is the most significant difference between multi-craft air combat to single air combat.In this paper，two models of allocation of target and fire have been resolved based on genetic algorithm which is verified through simulation.The simulation results show that the model with the threshold of damage probability can save resource and it is fast and efficient.

cooperative air combat，threat assessment，resource allocation of target and fire，genetic algorithm

E837

A

1002-0640（2017）03-0067-04

2016-02-14

2016-03-17

国家自然科学基金资助项目（61074090）

傅 莉（1968- ），女，辽宁凤城人，教授。研究方向：模式识别与智能系统。