[发明专利]基于遗传模糊树的无人机协同空战决策方法

权利要求书

1.一种基于遗传模糊树的无人机协同空战决策方法，其特征在于：包括以下步骤：

步骤1，建立无人机协同空战综合优势评价指标体系，该体系包括无人机空战能力评估模型以及无人机空战态势评估模型；其中，无人机空战能力评估包括机动性、火力以及探测能力，无人机空战态势评估包括角度优势、距离优势、速度优势、高度优势；所述步骤1具体包括如下步骤：

步骤11，构建如下的无人机空战能力评估模型：

S_F＝[ln A+ln(∑B+1)+ln(∑C+1)+1]ε₁ε₂ε₃

式中，S_F为无人机空战能力指数；A为机动参数；B为火力参数；C为探测能力参数；ε₁为生存力参数；ε₂为航程系数；ε₃为无人机电子对抗能力系数；

上述无人机空战能力评估模型中：

机动参数为：

式中，n_y盘为飞机海平面最大稳定盘旋过载；n_ymax为飞机的最大可用过载；α_max为过失速机动最大可用迎角，SEP为飞机的能量爬升率；

火力参数为：

式中，r_max为空空导弹最大有效射程；Δh_max为空空导弹允许发射总高度差；ψ为空空导弹发射包线总攻击角；P_k为空空导弹单发杀伤概率；为导弹最大过载；ω为导弹最大跟踪角速度；为导弹总离轴发射角；n₁为无人机挂载导弹数量；

探测能力参数包括雷达探测能力参数C₁和红外探测能力参数C₂，即：

C＝C₁+C₂

雷达探测能力参为：

式中，R_max为雷达最大作用距离，α_R为雷达最大搜索范围角；P_R为雷达发现目标概率；

红外探测能力参数为：

其中：IR_max为红外探测设备最大作用距离；α_IR为红外探测设备最大搜索范围角；P_IR为雷达发现目标概率；

无人机的生存力参数为：

式中，w为飞机翼展；l为飞机全长；RCS为无人机迎头平均雷达截面积；

航程系数表示无人机的留空时间，其表达式为：

ε₂＝(dl_max/1400)^0.25

式中，dl_max表示无人机内燃油最大航程；

步骤12，构建无人机空战态势评估模型，包括角度优势函数、距离优势函数、速度优势函数以及高度优势函数；

定义角度优势函数如下：

式中，e为自然常数；和分别为空空导弹最大不可逃逸区最大偏角、空空导弹最大离轴发射角和雷达最大搜索方位角；为我机相对敌机的提前角；q为我机进入角；

定义距离优势函数如下:

式中，D为我机与敌机之间的距离；D_R为雷达最大搜索距离；D_Mmax、D_Mmin分别为最大、最小攻击距离；D_Mkmax、D_Mkmin分别为最大、最小不可逃逸距离；e为自然常数；

定义速度优势函数如下:

若V_Fbest＞1.5V_T

若V_Fbest≤1.5V_T

式中，V_F和V_T分别为我机和敌机飞行速度；V_Fbest为我机最佳飞行速度；e为自然常数；

定义高度优势函数如下：

式中，H_F和H_T分别为我机和敌机飞行高度；H_Fbest为我机最佳飞行高度；e为自然常数；

综上，得到无人机的视距内空战综合优势函数为：

式中，k₁、k₂、k₃、k₄、k₅为指标权重；为无人机性能优势；

式中，max(S_F(i),S_F(j))表示敌我双方无人机的最大视距内空战能力；S_F(i)、S_F(j)分别为我方与敌方的无人机空战能力；

步骤2，建立目标分配评估函数，对其修改后作为遗传算法的适应度函数，由遗传算法寻找最优目标分配结果，构建基于遗传算法的无人机协同空战目标分配模型；

所述步骤2具体包括如下步骤：

视距内空战的目标分配模型应从降低敌机的生存概率以及我机的毁伤概率两方面来考虑，以此为原则，构建目标分配评估函如下：

其中：表示第j架敌机的生存概率，为我方第i架无人机对敌方第j架无人机的性能优势；为敌方第j架无人机对我方第i架无人机的性能优势；约束条件为：

其中，x_ij＝1表示我方第i架无人机攻击敌方第j架无人机，x_ij＝0表示我方第i架无人机不攻击敌方第j架无人机，上述约束条件中，第一子式表示一架敌机最多被m架我机攻击；第二子式表示我方一架飞机最多能攻击s架敌机，且s必须少于我方第i架无人所携带的空空导弹数量K_i；

针对无人机协同空战决策目标分配问题，采用二进制编码，在目标分配问题中，采用以基因位表示无人机所对应的目标来编码，即每一个基因值代表无人机是否攻击对应的目标来编码；在战机编码时，单机编码位数等于敌机数目n，单机编码中，1表示本机向对应敌机进行攻击，0表示不攻击，单机编码即代表本机的一种攻击方案；设我机数目为m，则总的编码长度为n*m，这n*m位编号的改变就意味着攻击方案的改变；

在遗传算法中，规定适应值非负，且可求解其最大值，故对目标分配评估函做如下处理，建立适应函数f(x)与目标函数g(x)的映射关系为：

f(x)＝C_max-g(x),g(x)＜C_max

否则，f(x)＝0；

其中，C_max是一个输入值，其为理论上的最大值或者是到当前所有代中g(x)的最大值；则适应函数为：

令群体规模N＝50；采用适应值比例计算选择概率，以赌轮盘方式执行；初始杂交概率为0.8，杂交方式为单点杂交；初始变异概率为0.001；终止条件：最大进化代数为T＝150或者最优个体的适应度和群体适应度连续10代不再上升时；对最优个体进行保留：若进行遗传操作后的种群不包含上一代适应度最大的个体，则将当前适应度最小的个体替换为该最优个体，其中，最优个体的适应度小于被替换个体时不保留；

步骤3，构建无人机空战运动模型，并对无人机基本机动动作库进行细化扩充；

所述步骤3具体包括如下步骤：

步骤31，对无人机基本机动动作进行细化扩充，细化后的基本机动动作库包括减速前飞、匀速前飞、加速前飞、左侧爬升、爬升、右侧爬升、左转弯、右转弯、左侧俯冲、俯冲、右侧俯冲；

步骤32，构建无人机空战运动模型；

无人机在空中进行机动决策的过程就是进行机动动作选择的过程，采用三自由度质点运动模型对战机的飞行轨迹和相应姿态控制进行描述，忽略侧滑角的影响，战机三自由度质点运动模型如下：

式中，V，α和β分别为无人机飞行速度、航向角和俯仰角；n_x和n_y分别为无人机切向过载和法向过载；γ为战机坡度；g为重力加速度；

通过上式，在给定V、α、β初始值的情况下，如果能求得n_x、n_y、γ随时间变化的规律，通过对积分就能够求得战机三维位置坐标x、y、z的变化量，从而对战机运动轨迹进行预测，具体公式如下：

步骤4，构建基于遗传模糊树的无人机协同空战决策模型，由样本数据对模糊树进行参数辨识，样本输入为当前空战态势，样本输出为由改进遗传算法寻优得到的最优机动动作；用遗传算法对模糊树结构进行辨识，求得满足精度要求且复杂度较低的无人机协同空战决策模型；

所述步骤4具体包括如下步骤：

步骤41，构建基于遗传模糊树的无人机协同空战决策模型：

该模型以二叉树为基本结构，在二叉树的每个节点t∈T上，定义有一个线性关系权向量x＝[1 x₁ x₂...x_n]^T和模糊集N_t，其隶属度函数为μ_t(x):Rⁿ⁺¹→[0 1]；

每个节点的模糊集N_t描述了一个模糊子空间χ_t，令χ_r(T)为整个输入空间，则根节点上的模糊集N_r(T)定义为

对于其它节点，引入辅助隶属度函数的概念，在二叉树的节点t∈T，上定义有辅助隶属函数选取为Sigmoid函数：

其中，p(·)表示父节点，α_t和θ_t为自由参数，左子节点α_t的取为任意正数α₀，右子节点的α_t取为-α₀；定义N_t，t∈T，的隶属度函数为

从递推式得：μ_t(x)≤μ_p(t)(x)，即每个子节点模糊集包含于其父节点模糊集，即父节点上模糊子空间被左右子节点划分为两个更小的模糊子空间；最终，样本空间划分为所有叶节点的模糊子空间；在每个叶节点上的模糊子空间内定义一条Takagi-Sugeno型模糊规则L^(t)：如果x为则

采用Takagi-Sugeno型的模糊模型中使用的反模糊化方法，得到模糊树模型的输出为所有叶节点的输出的加权平均

式中的采用叶节点的表示，即由所有叶节点的c_t线性表出；

步骤42，模糊树模型参数辨识：

给定的K组训练数据集为{(xⁱ,yⁱ)|xⁱ∈Rⁿ⁺¹,yⁱ∈R,i＝1,2,...,K}，R表示实数集；其中，定义准则函数为：

模糊树模型中需要确定的参数为{c_t|t∈T}，采用混合训练算法辨识参数，即：对c_t，t∈T采用最小二乘算法，对α_t，采用非线性优化算法，则由公式直接计算；

由于叶节点的权向量与模糊树模型的输出为线性关系，因而通过最小化E得到c_T的最小二乘解:

c_T＝(X^TX)^-1X^TY

其中，Y＝[y¹…y^L]^T，为所有叶节点；

使用递推最小二乘法求解

其中S_i称作协方差矩阵，初始条件取为S₀＝λI，λ是一个大的正数，I是单位阵；

θ_t的值通过下式计算：

选定α_t，θ_t的初值后，计算c_T的值，然后对α_t，用反向传播学习方法进行优化；对α_t，求导得：

则α_t，的调整策略为：

其中，γ_α为步长，γ_α∈(0 1)，为第i个样本的误差；

步骤43，模糊树模型结构辨识：

对于树结构个体，采用如下的矩阵编码方法：规定根节点的编号N_a＝1；对于非根节点，若为左子节点则编号N_a＝2×N_F(a)，N_F(a)为父节点的编号，若为右子节点N_a＝2×N_F(a)+1；以节点自身的编号、左右子节点以及父节点的编按顺序构造一个四元组，作为该节点的编码N_code，若无父节点或子节点对应的编号为0；

将各节点的编码进行聚合并按照节点编号排列，得到整棵树的矩阵编码；

遗传算法对模糊树结构寻优的目的是找到一个满足一定精度条件下的最简模型，故模型的优劣可从精度和复杂度这两个方面来衡量模型的精度由准则函数E表示，E越小，则精度越高；模糊树模型的复杂度可由模糊树叶节点的个数M来反映，M越小，则模型的复杂度就越低；因此，反映模型品质的树个体适应度定义如下：

式中，W_E、W_M为权值(W_E+W_M＝1)，g(T)表示树个体T的适应度，g(T)＞0；

步骤44，基于遗传模糊树的无人机协同空战决策技术模型的输入输出：

模型的输入信息包括三方面的内容：我方无人机空战能力、无人机空战能力以及无人机空战态势，空战能力信息存放在数据库中，在准确识别敌机机型之后进行选取求解；无人机空战态势则随双方位置不断变化而改变，随空战态势的改变，我机的最优机动动作选取也随之而改变；最优机动动作由遗传算法来进行求解：

机动动作编码：每个复杂的基本动作均可拆分为基本动作的组合，仅考虑由两个机动动作组合而成的机动动作及单个机动动作，则共有121个机动动作，记作采用十进制编码，其中l_i∈[1 121]；

选取机动动作完成后无人机空战综合优势函数作为为适应度函数,则

空战态势记作：

令群体规模N＝50；采用适应值比例计算选择概率，以赌轮盘方式执行；初始杂交概率为0.8，杂交方式为单点杂交；初始变异概率为0.001；终止条件：最大进化代数为T＝150或者最优个体的适应度和群体适应度连续10代不再上升时；对最优个体进行保留，将最优机动动作记作l_max；

将训练数据l_max成对输入模糊树中，对模糊树的参数进行辨识，再由遗传算法寻得最优模糊树，此模型即为基于遗传模糊树的无人机协同空战决策模型，输入当前无人机空战态势，即由最优模糊树得到机动动作值记作l_w，其中l_w∈[1 121]，对l_w作四舍五入处理得整数值，即可对应得到机动动作。