无人机蜂群威胁效能评估

焦士俊，刘 锐，刘剑豪，胡乔林

(1.空军预警学院，湖北 武汉 430019；2.解放军94860部队，江苏 南京 210046；3.解放军32282部队，山东 济南 250022)

0 引 言

纵观世界军事发展史，科技的进步深刻影响着军事变革的发展方向，是塑造未来战争不可忽视的因素。1903年莱特兄弟制造了第1架飞机，开辟了航空领域的新纪元，8年之后的意土战争中，意大利首次将飞机用于军事斗争，随后诞生了以飞机为主要武器装备的军事力量，并逐渐诞生了空军这一独立军种，在之后世界大战中起到了决定性的作用。1934年苏联军事工程师Piotr Oshchepkov发明了第一部雷达，其高军事价值使其在战争中得到了大量使用，并逐步改变了传统的空中和海上作战模式，改写了战争规则，催生了雷达兵这一独立兵种的出现。目前，最具影响力的技术之一——无人机蜂群技术也将不可避免地引发作战方式的变革，甚至会对部队编制体制、训练演练、作战理论等方面带来颠覆性改变，最终改写未来战争规则。可以预见，未来战争中我们所面对的敌人很可能不再是有血有肉的士兵，而是成群结队的无人机群，这种以往只能在科幻大片中看到的无人机蜂群作战的场景正在加速变成现实，快速发展的无人机系统将改变未来战争的“游戏规则”。因此，加强无人机蜂群领域的作战研究是当前不容忽视的重要课题，本文主要研究如何有效评估无人机蜂群中的单机或单组威胁程度的方法，为打击手段的选择、指挥决策的确定提供定量依据。

1 模糊层次分析法相关理论

模糊层次分析法首次对评估指标体系进行分析、比较，构造判断矩阵，然后对判断矩阵求解、并进行一致性检验，最后将准则层和指标层各指标进行线性加权，确定各指标的权重值[1]，简化流程如图1所示。

图1 模糊层次分析法权重确定的简化流程

1.1 三角模糊数的基本概念[2]

(1)

(2)

(3)

(4)

1.2 权重确定的详细步骤

根据以上权重确定的简化流程和三角模糊数的基本概念，模糊层次分析法计算权重的详细步骤如下[2]：

(3) 求期望值矩阵E的互反判断矩阵H=(hij)k×k，其中hij=eij/eji，并求出最大实特征根λmax。

(4) 对矩阵H进行一致性检验，利用公式RC=IC/IR，其中IR为随机一致性指标，通过查表得到；IC为相容性指标，IC=(λmax-k)/(k-1)，当RC<0.1时，符合一致性要求，进行权重计算；反之，重新建立判断矩阵，进行求解和一致性检验。

(5) 利用公式(3)和(4)，计算相应的模糊评价值、期望值，对期望值进行归一化，得出准则层的权重向量α(k)=(α(1),α(2),…,α(k))。

(6) 同上述计算过程，得出指标层的权重：α(n1),α(n2),…,α(nk)，其中n1+n2+…+nk=n。

(7) 对两层权重进行线性加权，即α(i)α(ni),i=1,2,…,k，得出各指标最终权重为αFAHP=(α1,α2,…,αn)。

2 无人机蜂群威胁评估体系

无人机蜂群目标特征小，识别难度大，因此在空防过程中，发现来袭目标后需要推断其能力大小。雷达、光电等探测方式可以提供飞行器的识别信息，通过识别信息可以获悉其平台能力，并依据上述评估体系建立过程，确定了机动性能、接近程度、单机载荷和单机密度等级4类评估准则，如图2所示。

图2 无人机蜂群威胁评估体系

(1) 机动性能，分为最大飞行速度、最低飞行高度、留空时间，机动性能越好，对我威胁程度越大。

(2) 接近程度，分为航向偏差、距目标距离，接近程度越小，对我威胁程度越大。

(3) 网络中心度等级，无人机蜂群网络智能化作战，通过分析判断截获的参数来判断单机在集群中的重要程度，称为网络中心度等级，分为通信链接数量、单机密度等级，等级越高，威胁越大。

(4) 单机载荷，分为载荷类型和载荷数量。载荷类型越多，数量越多，对我威胁越大。

(5) 最大飞行速度，通过稳定跟踪、分段或分时计算等方式，推算单机的最大飞行速度。速度越大，威胁越大；反之，威胁越小。

(6) 最低飞行高度，无人机蜂群飞行高度低，有效雷达截面积小，探测难度大。利用侦察体系中多种手段综合验证飞行高度，高度越低，威胁越大；反之，威胁越小。

(7) 留空时间，无人机蜂群单机性能弱，航程受限，因此留空时间对其行动影响较大，通过跟踪、推算、比较其留空时间。时间越短，威胁越大；反之，威胁越小。

(8) 航向偏差，根据雷达发现移动目标点时间窗口的信息，建立目标模拟航迹，通过分析其航迹，判断其航向偏差。偏差越小，威胁越大；反之，威胁越大。

(9) 距目标距离，距目标距离越小，威胁越大；反之，威胁越小。

(10) 通信链接数量，通过截获通信信号，估算某一单机通信链接的无人机数量，链接数量越多，其在群内作用越重要，可能担任指挥或通信中继等任务，因此威胁程度越大。

(11) 单机密度等级，无人机蜂群一般是群组作战，其所在的群组，数量越多，密度越大，威胁越大；反之，越小。将防空空域进行划分，30°为一个扇区，均分为12个扇区，一个扇区内无人机数量表示单机密度等级，如一个扇区内10架要比一个扇区5架的的单机密度等级大一倍。

(12) 载荷类型，分为侦察、干扰、反干扰、火力打击载荷，4类载荷执行不同任务，对于不同目标时，对我威胁等级不同，将其分为4级，结合具体情况量化取值。

(13) 载荷数量，单机可能携带一种类型多个载荷，也可能携带多种载荷。载荷数量不同，威胁不同。数量越多，威胁越大；种类越大，威胁越大，反之，威胁越小。

3 评估体系中各指标权重的确定

首先计算准则层B对目标层A的权重向量：

(1) 建立准则层的三角模糊数互补判断矩阵：

(2) 计算期望值矩阵、正反判断矩阵：

最大实特征根λmax=4.027 4。

(3) 对正反判断矩阵H进行一致性检验：IC=(λmax-k)/(k-1)=(4.027 4-4)/(4-1)=0.009 1，IR=0.9，RC=IC/IR=0.010 1<0.1，因此矩阵H满足一致性检验。

(4) 计算该矩阵的模糊评价值、期望值：

(5) 对期望值矩阵归一化处理，可得准则层权重向量：

αA=(0.237 5,0.337 3,0.287 4,0.137 8)

(6) 同理建立指标层的三角模糊数互补判断矩阵：

可求出指标层权重向量分别为：

αB1=(0.489 3,0.288 8,0.222 0)

αB2=(0.450 1,0.549 9)

αB3=(0.599 9,0.400 1)

αB4=(0.549 9,0.450 1)

(7) 对准则层、指标层进行线性加权，得出各指标最终权重为：

αFAHP=(0.116 2,0.068 6,0.052 7,0.151 8,0.185 5,0.172 4,0.115 0,0.076 2,0.062 0)

4 算例分析

为了验证这种方法的结果是否可靠，是否具有使用价值，利用实兵模拟演练中某一次实验结果进行对照，若评估结果基本一致，则可以判断任务评估结果基本可靠。情况是敌方10架未知型号的无人机群，从多个方向对我某一重要目标进行集群攻击，我方通过多种手段获取、分析各指标量化值，如表1所示。

表1 各指标实兵验证值

表2 各指标规范化处理值

再根据最终权重，可以求出每个目标的威胁程度，如表3所示。

表3 各目标的威胁程度

综合比较可分析出该群目标分3个批次，目标1、2、3为1批目标，记批次1；目标4、5、6为1批目标，记批次2；目标7、8、9、10为1批目标，记批次3。批次3的威胁程度最大，优先处理批次3的无人机。批次3内无人机威胁程度由高到低依次为目标10、9、7、8，由此可以确定批次内的优先打击顺序，与实兵验证结果基本一致。

5 结束语

文章从我方防御角度出发，结合无人机蜂群特点和我方装备性能，从机动性能、接近程度、网络中心度等级和单机载荷4个方面，构建了无人机蜂群威胁评估体系，大致区分无人机蜂群中单机或小组的威胁等级，为我防御指挥决策提供定量依据。本文中模型构建较理想，在实际作战过程中，受战场环境、人员素质等影响，评估体系可能需要进一步完善。

无人机蜂群作战规模大，智能化程度高，反应时间短，以往的指挥、推演方式可能难以应对；因此，要依靠现代云计算、大数据等高科技，通过内置定量分析算法，从而达到快速评估威胁、制定方案的目的。因此，加快无人机蜂群作战效能评估的算法研究尤为重要，下一步将重点研究反无人机蜂群作战方案的评估，辅助指挥员实现快速决策。