53 / 2024-06-30 14:30:46

考虑不确定性扰动的无人系统动态武器目标分配问题求解

动态武器目标分配；多目标进化优化；改进差分进化；

四、体系数字化与建模仿真 > 1.体系数字化工程

随着无人系统智能指控技术的发展，军事对抗模式转变为以双方智能无人系统为主的体系攻防。作为无人系统智能指控过程的关键支撑技术之一，武器目标分配（Weapon-Target-Assignment, WTA）问题受到了广泛关注^[1]。已有研究集中在静态WTA问题，但在智能无人系统军事应用背景下这类研究存在诸多不足：一方面，由于智能无人系统中装备数量多、价值高等特点，传统单目标WTA模型无法综合考虑相互冲突的决策者作战意图。另一方面，仅考虑武器与目标关系的传统WTA问题假定己方有完备的探测定位资源，这与智能无人系统对抗时防区内通常存在大量的非合作目标，实际探测资源严重受限的现实情况存在根本冲突^[2]。最后，传统的静态WTA模型不能考虑到智能无人系统自动化程度高，指控信息传播快等特点，难以反映真实军事对抗环境中的复杂性、动态性和交互性^[3]。因此充分考虑军事智能无人系统中各类功能性资源、决策者各方面作战意图和强动态作战环境复杂性的多目标动态传感器武器目标分配（Multi Objective Dynamic Sensor Weapon Target Assignment, MODSWTA）问题的建模与求解受到了国内外学者的大量关注，是智能无人系统研究中的热点问题之一^[4]。MODSWTA的现有研究主要关注确定性模型，考虑不确定性扰动（态势变化、设备故障等随机事件）对WTA问题建模与求解影响的研究很少^[5]。另外，尽管离散差分进化（Discrete Differential Evolution DDE）相较于其它算法在解决组合优化问题上表现出明显的优势^[6,7]，但已有研究主要关注单目标或离散变量的组合优化模型中^[8]。对存在0-1型变量的MODSWTA问题仍缺乏具体研究^[9]。基于上述现状，本文主要开展了两项研究：首先对军事智能无人系统指挥控制过程中可能出现的不确定性进行了分类并将其引入约束空间，描述为3类可行性约束条件。随后本文建立了一个双目标MDSWTA模型。随后考虑到DDE在单目标组合优化问题中表现出了较快的速度和较高的求解质量^[8]，本文提出了帕累托最优匹配（Pareto Optimal Matching, POM）并基于此设计了一种适用于多目标01优化问题的DDE：帕累托最优匹配01差分进化（Pareto Optimal Matching Binary Differential Evolution, POMBDE）算法对MDSWTA问题在仿真条件下进行求解。大量仿真评估了该算法性能对不同程度、不同类型扰动的鲁棒性，证明了提出的算法解决不确定性扰动下的无人系统多目标动态武器目标分配问题的有效性。仿真结果表明在三类扰动中，算发性能对新增目标的敏感性较高，仅能承受10%以内的扰动程度，在基准测试问题上POMBDE于已有算法相比也表现出更强的性能，表明算法具备一定的泛化性。