基于影响网络的航空集群行动过程快速生成及在线优化方法研究

The course of action (COA) generation is the course of optimized designing the sequence of combat action, which is one of the key supporting techniques while the aviation aircraft swarms executing aerial operation. The high dynamic air battle field required the fast generation and regular updating with the change of the situation. Due to the outstanding advantage of influence nets (IN), describing the causal logic between random variable, this proposal will introduce IN into the fast building mechanism of COA model. On the basis of the situation feature data, and the building of the parameter random distribution model, it makes thorough exploration on the new COA fast generation graphical methods. On the strategy of rolling horizon, the whole horizon combined COA optimization problem can be translated into sub-problem optimization in rolling horizon window. The difficult conundrums of time varying measure function establishing, characteristic parameter learning and network structure optimizing will be presented. Accordingly, the model can be updated synchronously with the transformation of situation, and furthermore to realize the online optimization of COA of aviation aircraft swarms. This project will provide necessary theoretical foundations for COA fast generation and online optimization, and will further improve the influence nets theory and application domain. It would provide theoretic guidance for intelligent decision making and agile responding of aviation aircraft swarms. Furthermore, the developing intelligent mission planning system of aviation aircraft swarms also require the technical supports from the research results, which is of significant theoretical meanings and military application values.

行动过程（COA）生成是对航空集群作战行动序列进行优化设计的过程，是集群执行空中行动的核心支撑技术之一。在高动态空战场环境中，要求航空集群COA能够快速生成，并随态势变化适时在线更新。鉴于影响网络（IN）在描述随机变量之间因果逻辑关系的突出优势，本项目拟将IN引入到COA模型快速构建机制中，在研究分析基于态势特征数据建立参数随机分布模型的基础上，探索COA快速生成的概率网络新方法；基于时域滚动优化策略，将COA全时域组合优化问题，转化为滚动时窗内的子问题予以求解，通过突破时变测度函数构建、特性参数学习、网络结构优化等技术难题，使得所构建模型能够随态势变化在线同步更新。本项目的开展将进一步深化IN基础理论和拓展IN应用范围，预期成果将为航空集群空中行动智能决策和敏捷响应提供理论指导，为航空集群智能任务规划系统研发提供技术支撑，具有重要的理论意义和军事应用价值。

航空集群（AS）通过将跨域的有人、无人个体整合为一个整体，可在全疆全域实施作战。航空集群在行动前需要解决在什么时间、按照什么顺序、完成什么目标、使用什么个体、需要多少资源的行动计划（COA）规划问题。本项目围绕COA的建模生成及动态在线优化展开工作：.（1）针对航空集群行动高速动态、环境不确定性的特征，构建了以不确定性COA生成为研究目标，构建了影响网生成关键行动计划解决框架及相应模型，采用离散人工蜂群算法（DABC）进行求解，能够基于给定条件和约束快速生成所需的行动计划。.（2）当建模所需的特征数据不完备、参数不确定时，建立基于区间模糊数的集群COA的影响网（INs）动态模型，并采用改进快速非支配排序遗传（NSGA-II）算法对其求解，能够完成特征数据不完备、参数不确定时的行动计划生成。.（3）针对航空集群对作战任务资源需求复杂多样的特点，创造性地将航空集群构成分解为任务聚类、无人机-任务匹配和有人机-无人机匹配的三阶段的航空集群构成方法，并分别设计基于任务距离的贪婪聚类算法、基于违约罚函数的多目标遗传算法和基于贪婪分解的有人机分配方法进行求解，能够基于一定任务、目标和个体构成所需集群。.（4）对于集群集中式行动计划离线优化，以最大化任务资源满足度为优化目标构建了资源优化优化模型，采用拉格朗日松弛法、m-best、IPWE等算法对任务模型进行求解；对于协作式行动计划离线优化，建立了单战术编队的行动计划模型，提出了协作式并行计划优化机制，并设计了基于市场价格的多战术集群个体协作优选方法，能有效实现行动计划的生成优化。.（5）对于集群集中式行动计划在线优化，考虑了最大化任务资源满足度和最小化计划调整代价两方面目标，建立多目标优化模型，设计基于映射算子多目标进化算法求解；对于协作式行动计划在线优化，设计了面向突发事件的协作式动态信息流转过程，建立协作式资源在线优化多目标优化模型，并给出协作战术行动的优选策略，最终实现行动计划的动态在线优化。