一种基于能力预测的多弹协同任务规划方法与流程

本发明涉及飞行器协同任务规划技术领域，具体涉及一种基于能力预测的多弹协同任务规划方法。

背景技术：

随着未来作战环境更加复杂，作战任务的日益多样和作战空域的逐步扩大，传统战术武器点对点的作战模式需要向多对多的体系对抗模式转变。未来的攻防对抗将不再是平台和平台之间的对抗，而是体系与体系、系统与系统之间的对抗博弈，导弹作为攻防对抗的任务执行方，需要提高智能化水平，适应整体对抗的需求。

目前，多任务多目标协同任务规划已成为未来实现导弹网络化、智能化作战的核心技术，能够在目标和任务数量、种类增加，任务动态变化以及战场信息不透明度加剧的情况下，根据实时态势变化信息，为导弹在线分配目标和作战任务，进一步提高导弹自主性和作战效率。

目前，协同任务规划一般是用于卫星和无人机上，由于其对象的任务时间长，飞行距离远，能够在较长的时间窗口内实现对任务执行序列的优化配置。但是对于高速飞行的导弹而言，其飞行包线较小，弹上资源有限，可用信息较少，传统上主要采用人工判断的方式确定导弹的作战任务。上述方法的主要缺陷是不能适应快速变化的作战环境，并且随着任务类型的增多和目标的改变，信息处理的复杂程度提高，人很难在较短的时间窗口内迅速做出正确判断，并且导弹发射后也不具备适应变化的能力。因此，基于对导弹的能力预测进行多弹协同在线任务规划具有重要意义。

技术实现要素：

本发明的目的在于提供一种基于能力预测的多弹协同任务规划方法，根据多平台态势感知信息的区域位置、目标运动等信息，优化求解能力受限下的多弹协同任务规划问题，为导弹的智能化和协同作战提供技术基础。

为了达到上述目的，本发明通过以下技术方案实现：一种基于能力预测的多弹协同任务规划方法，包含以下步骤：

步骤一，根据多平台态势感知信息，将多任务问题转化为多目标问题；

步骤二，根据导弹当前状态信息，对导弹分配目标的能力代价进行建模预测；

步骤三，构建多目标分配问题的离散化决策向量；

步骤四，建立多约束条件下多弹多目标分配数学模型；

步骤五，多弹多目标分配数学模型解算。

进一步，所述步骤一考虑不同任务类型，包括区域任务和点任务；将区域任务按照导弹最大区域执行能力划分为网格，任务的开始位置均匀分布在区域边沿，并以此为待分配目标；对于点任务，直接以该点为待分配目标。

进一步，所述步骤二根据导弹当前的位置、速度等信息，对导弹分配目标的能力代价进行建模，模型中考虑最大攻击距离，零控脱靶量，分别表示导弹分配目标的距离代价和机动代价。

进一步，所述步骤三，用离散化的决策向量表示某一导弹分配目标的序号，其形式为：

u＝{u1,u2,…um}

式中，ui为第i个导弹分配的目标序号，且ui∈{1,2,…n}，n为目标序号，m为导弹序号。

进一步，所述步骤四，根据决策向量将各弹分配目标的能力代价进行加权求和，得到多目标分配的总代价，并考虑导弹-目标的分配约束，建立多约束条件下多弹多目标分配数学模型。

进一步，所述步骤五，以分配总代价最小为规划原则，采用自适应权重粒子群优化算法求解得到任务规划决策向量，完成多弹协同任务规划。

本发明的应用领域为战术武器的智能化，其特征是解决战术武器编队作战时，导弹、任务、目标数量多，规划约束复杂，作战环境动态变化的问题，为战术武器提供在线自主决策能力和多任务作战适应能力。

与现有导弹规划方式相比具有以下优点：本发明充分利用有限的态势感知信息预测为导弹分配任务的能力代价，并通过智能优化算法进行任务规划。一方面，能够适应导弹多任务作战时人工决策信息处理复杂，难以迅速做出判断，且导弹发射后不具备自主能力的问题；另一方面，将多任务规划在线转化为目标分配问题，简化了区域作战、对点作战等不同类型任务导致的规划复杂性，能够提高规划效率。在应用方面，本发明能够为多弹协同目标识别、多弹协同搜索、多任务作战等导弹智能化应用提供技术支撑。

附图说明

图1为本发明基于能力预测的多弹协同任务规划方法的流程图；

图2为本发明具体实施例的多任务问题转化示意图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，一种基于导引头测量信息的目标运动信息估计方法，包含以下步骤：

s1、根据多平台态势感知信息，将多任务问题转化为多目标问题；

如图2所示，考虑不同任务类型，包括区域任务和点任务；将区域任务按照导弹最大区域执行能力划分为网格，任务的开始位置均匀分布在区域边沿，并以此为待分配目标；对于点任务，直接以该点为待分配目标。

s2、根据导弹当前状态信息，对导弹到达各目标的能力进行预测建模；

根据导弹当前的位置、速度等信息，对导弹分配目标的能力代价进行建模，模型中考虑最大攻击距离，零控脱靶量，分别表示导弹分配目标的距离代价和机动代价。

1)距离代价表示为：

式中，rij为导弹i与目标j的弹目相对距离矢量，rmax为导弹的最大作战距离，jdistance为量距离代价，弹目相对距离越短，距离代价越小。

2)机动代价表示为：

式中，dij为导弹以当前状态飞向目标的零控脱靶量，jmaneuver为机动代价。

s3、构建任务规划问题的离散化决策向量；

将离散化的决策向量表示为：

u＝{u1,u2,…um}

式中，ui为第i个导弹分配的目标序号，且ui∈{1,2,…n}，n为目标数量，m为导弹数量。

s4、建立多约束条件下多弹多目标分配数学模型；

根据决策向量将各弹分配目标的能力代价进行加权求和，得到多目标分配的总代价，并考虑导弹-目标的分配约束，建立多约束条件下多弹任务规划数学模型。

多约束条件下多弹任务规划数学模型表示为：

式中，j表示多弹按照某一决策向量分配目标的总代价，aij为根据决策向量得到的第i个导弹分配第j个目标的决策变量，且有

cij为根据能力预测得到的第i个导弹分配第j个目标的总代价，且有

cij＝λ1jdistance+λ2jmaneuver

式中，λ1，λ2为权重系数，表示按经验确定的某一项代价指标的重要程度，且λ1+λ2＝1。

导弹-目标的分配约束如下：

表示每个导弹只能攻击一个目标；

表示对于任意第j个目标，需要分配s个导弹。

s5、多弹多目标分配数学模型解算；

以分配总代价最小为规划原则，采用自适应权重粒子群优化算法求解得到任务规划决策向量，完成多弹协同任务规划；

自适应权重粒子群优化算法求解流程表示为：

1)初始化粒子群

通过随机数初始化决策向量u，并对向量向上取整。

2)计算粒子适应度

将每个粒子代入多任务规划模型，计算分配代价，记录本次迭代中粒子群内的最优粒子和前后两次迭代中的最优粒子pik。

3)粒子更新

根据如下公式更新粒子：

式中，vik和分别表示粒子i在第k次迭代的速度和位置，r1、r2、randt是[0,1]上的随机数；c1和c2为学习因子，用来调节向个体最优粒子方向和全局最优粒子方向运动的最大步长，选择合适的c1和c2可以加快收敛。

ω为自适应线性权重，计算方式为：

式中，ωmin、ωmax、e需要根据经验设计，k为当前迭代次数，smax为最大迭代次数。

4)迭代优化

令k＝k+1，当满足结束条件或到达最大迭代次数时，优化结束，否则从2)开始下一轮迭代。

基于上述详细步骤，即可完成多弹协同任务规划。

具体应用：假设使用6枚导弹攻击3个目标，导弹特性和目标特性如表1、表2所示：

表1导弹特性

表2目标特性

得到的任务规划结果如表3所示：

表36对3任务规划结果

从表3的结果中可以看出，采用基于能力预测的多弹协同任务规划方法，能够合理为导弹分配任务目标，使导弹需要的能力代价最小，并满足约束条件要求。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

本发明未详细说明部分属于本领域技术人员公知常识。