基于两步分布协同拍卖的多机协同任务分配

针对多异构机载平台对不同类型的地面目标执行攻击任务的协同任务分配问题,以平台载弹量以及摧毁任务目标的需弹量建立平台与任务之间的关系,以各平台的任务序列以及执行任务时的武器使用量序列作为决策变量,在基地-任务航路矩阵和任务-任务航路矩阵的基础上,综合考虑平台武器约束、平台航程约束、任务需弹量等约束,建立多机协同任务分配模型。设计了两步分布协同拍卖算法,通过多次生成任务的拍卖招标顺序和基地的拍卖竞标顺序,实现了多机协同任务分配问题的优化求解。仿真结果表明,所建模型和求解算法能够有效合理地解决多机协同对地攻击的任务分配问题。     

基于组网雷达的探测资源调配研究

为提升组网雷达探测资源的使用效率,提出了一种基于组网雷达的探测资源调配方法;基于整数规划算法选取探测雷达,结合多参数融合手段对探测方案进行优势排序,最终形成满足探测任务需求的最优资源调配方案,能够快速而准确地生成最优雷达组合;给出最优探测方案而无须手动调配,实现了组网雷达在探测过程中系统调配过程自动优化。仿真实验表明,该方法设计有效、可行,可用于实际作战中雷达探测资源的调配。     

分布式传感器网络中重复信息的消除及信息融合

网络化环境下多路径可能造成融合节点重复利用过去时刻的信息,导致过度数据融合和严重估计偏差,针对该问题,提出一种基于通信连接矩阵的传感器网络分布式信息融合算法,由每个时刻传感器网络的通信拓扑得到该时刻的连接矩阵,对连接矩阵进行计算可以找到并消除重复的先验信息,从而建立相应的分布式信息融合算法。仿真结果表明：该算法能够消除网络中重复信息对分布式信息融合性能造成的影响。     

基于深度强化学习的智能决策方法

针对传统深度强化学习算法难以快速解决长时序复杂任务的问题,提出了一种引入历史信息和人类知识的深度强化学习方法,对经典近端策略优化(Proximal Policy Optimization, PPO)强化学习算法进行改进,在状态空间引入历史状态以反映环境的时序变化特征,在策略模型中基于人类认知增加无效动作掩膜,禁止智能体进行无效探索,提高探索效率,从而提升模型的训练性能。仿真结果表明,所提方法能够有效解决长时序复杂任务的智能决策问题,相比传统的深度强化学习算法可显著提高模型收敛效果。     

基于狭窄通道路径树的快速航路规划算法

针对无人机在障碍间存在狭窄通道的城市环境中进行低空航路规划的问题,根据障碍之间的空间几何关系确定障碍之间的狭窄通道,再综合所有狭窄通道生成复杂环境中的狭窄通道路径树。设计了结合狭窄通道路径树的双向快速扩展随机树(Rapidly-exploring Random Tree, RRT)算法,在两棵搜索树的扩展过程中,通过判断搜索树与狭窄通道路径树的位置关系,将狭窄通道路径树添加到搜索树上,实现搜索树在狭窄通道中的快速扩展,减少两棵搜索树的无用扩展,提升航路树生成的速度。仿真结果表明,该方法能够解决无人机在存在狭窄通道的复杂环境中进行快速有效航路规划的问题。