基于进化式决策树的超视距空战机动决策模型

doi:10.3969/j.issn.1009-086x.2022.06.009

摘要/Abstract

摘要：

针对超视距空战决策问题，提出一种融合战术实施距离和导弹攻击区等先验知识，并具备进化能力的决策树模型。首先，分析空战制胜机理，建立超视距空战态势模型和战术实施距离模型，在此基础上引入超视距空战因子，建立态势评估模型和决策变量集；其次，基于战术实施距离建立超视距战术动作库，作为解空间动作集；第三，构建基于专家知识规则的决策树，并针对决策树参数进化需求，提出一种基于惯性权重动态调整和混沌优化的新型粒子群优化方法，以提高决策规则树进化效率；最后，基于仿真实验给出不同条件下空战机动决策仿真算例并进行了分析。仿真结果表明，提出的进化式决策树能有效融合战术实施距离、导弹攻击区等先验知识，并具备进化能力，能够有效解决超视距空战战术决策问题。

关键词: 战术实施距离, 空战决策, 战术动作库, 专家系统, 决策树, 粒子群优化

Abstract:

Aiming at the decision-making problem of beyond visual range （BVR） air combat， a decision rule tree model that integrates prior knowledge of tactical implementation distance with evolutionary iteration capabilities is established. The mechanism of air combat victory is analyzed， the BVR air combat situation model and the tactical implementation distance model are established， the BVR air combat factors are introduced and the posture assessment model and the set of decision variables are established； the BVR air combat tactical action decomposition and the construction of the action library are implemented； the BVR air combat Decision tree are established， a new particle swarm optimization method based on dynamic adjustment of inertia weights and chaotic optimization is proposed to improve the evolution efficiency realization of the decision rule tree； based on the simulation experiment， the decision effect analysis of the evolutionary decision tree under different conditions is given. The simulation results show that the evolutionary decision tree proposed can effectively integrate a priori knowledge of tactical implementation distance， missile strike zone， etc.， and has the evolutionary capability to effectively solve the BVR tactical decision problem.

Key words: tactical implementation distance, air combat decision, tactical maneuvering library, expert system, decision tree, particle swarm optimization

中图分类号:

V271.4

徐安, 郑万泽, 奚之飞, 党璐菲. 基于进化式决策树的超视距空战机动决策模型[J]. 现代防御技术, 2022, 50(6): 68-82.

An XU, Wan-ze ZHENG, Zhi-fei XI, Lu-fei DANG. Improved Evolutionary Decision Tree for BVR Air Combat Decision Making[J]. Modern Defense Technology, 2022, 50(6): 68-82.

图/表 29

图1 地面坐标系定义

Fig. 1 Definition of ground coordinate system

图2 超视距空战战术实施流程示意图

Fig. 2 Implementation of BVR air combat tactics

图3 超视距空战几何态势与决策变量

Fig. 3 Geometric situation and decision variables of BVR air combat

表1 规则的表格化（编码）

Table 1 Tabularization of rules （Coding）

	I₂=0	I₂=1	I₂=2
I₁=0	1	0	1
I₁=1	2	0	2
I₁=2	1	2	0

图4 用决策树表示专家系统示意图

Fig. 4 Schematic diagram of expert system represented by decision tree

图5 初始决策树构建

Fig. 5 Initial decision tree for air combat

表2 λA,λT角离散方法

Table 2 Discrete method of angle λA,λT

$λ A$ ， $λ T$	$α ≤ ψ M$	$ψ M < α ≤ ψ S$	$α > ψ S$
离散值	2	1	0

表2 λA,λT角离散方法

Table 2 Discrete method of angle λA,λT

$λ A$ ， $λ T$	$α ≤ ψ M$	$ψ M < α ≤ ψ S$	$α > ψ S$
离散值	2	1	0

表3 距离ρ离散方法

Table 3 Discrete method of distance D

$ρ$	$ρ ≤ R M$	$R M < ρ ≤ R S$	$ρ > R S$
离散值	2	1	0

表3 距离ρ离散方法

Table 3 Discrete method of distance D

$ρ$	$ρ ≤ R M$	$R M < ρ ≤ R S$	$ρ > R S$
离散值	2	1	0

表4 归一化累积威胁Ts离散方法

Table 4 Discrete method of entry time Ts

$T s$	0	$0 < T s ≤ 0.5$	$0.5 < T s ≤ 1$
离散值	0	1	2

表4 归一化累积威胁Ts离散方法

Table 4 Discrete method of entry time Ts

$T s$	0	$0 < T s ≤ 0.5$	$0.5 < T s ≤ 1$
离散值	0	1	2

表5 归一化累积威胁Tm离散方法

Table 5 Discrete method of entry time Tm

$T m$	0	$0 < T m ≤ 0.5$	$0.5 < T m ≤ 1$
离散值	0	1	2

表5 归一化累积威胁Tm离散方法

Table 5 Discrete method of entry time Tm

$T m$	0	$0 < T m ≤ 0.5$	$0.5 < T m ≤ 1$
离散值	0	1	2

表6 高差ΔH离散方法

Table 6 Discrete method of height differenceΔH

$Δ H$	$- 1 < Δ H ≤ 1$	$Δ H > 1$	$Δ H ≤ - 1$
离散值	0	1	2

表6 高差ΔH离散方法

Table 6 Discrete method of height differenceΔH

$Δ H$	$- 1 < Δ H ≤ 1$	$Δ H > 1$	$Δ H ≤ - 1$
离散值	0	1	2

表7 攻击优势评估规则

Table 7 Attack advantage evaluation rules

OP	S∈［0，0.3）	S∈［0.3，0.7）	S∈［0.7，1］
$ρ$ =0	0	1	1
$ρ$ =1	1	1	2
$ρ$ =2	1	2	3

表7 攻击优势评估规则

Table 7 Attack advantage evaluation rules

OP	S∈［0，0.3）	S∈［0.3，0.7）	S∈［0.7，1］
$ρ$ =0	0	1	1
$ρ$ =1	1	1	2
$ρ$ =2	1	2	3

表8 威胁评估规则

Table 8 Threat evaluation rules

TR	T_s=0	T_s=1	T_s=2
T_m=0	0	1	2
T_m=1	1	2	3
T_m=2	2	3	3

表9 攻防决策规则

Table 9 Offence and defense decision rules

OD	OP=0	OP =1	OP =2	OP =3
TR=0	1	1	1	1
TR =1	1	1	1	1
TR =2	0	0	0/1	1
TR =3	0	0	0	0/1

表10 高度决策规则

Table 10 Height decision rules

HD	$Δ H$ =0	$Δ H$ =1	$Δ H$ =2
OD =0	2下降	0保持	0保持
OD =1	0保持	2下降	1爬升

表10 高度决策规则

Table 10 Height decision rules

HD	$Δ H$ =0	$Δ H$ =1	$Δ H$ =2
OD =0	2下降	0保持	0保持
OD =1	0保持	2下降	1爬升

表11 方位决策规则

Table 11 Area decision rules

AD	OP=0	OP =1	OP =2	OP =3
TR =0	3	3	3	3
TR =1	3	3	2	3
TR =2	2	2	1	2
TR =3	0	0	0	0

表12 速度决策规则

Table 12 Velocity decision rules

VD	OP=0	OP =1	OP =2	OP =3
OD =0	1	1	0	2
OD =1	2	0	1	1

表13 传感器决策规则

Table 13 Sensor decision rules

SD	OP=0	OP =1	OP =2	OP =3
OD =0	0	0	0	0
OD =1	2	2	1	1

表14 电子战决策规则

Table 14 Electronic warfare decision rules

ED	TR=0	TR =1	TR =2	TR =3
OD =0	0	0	2	2
OD =1	0	0	1	1

图6 基于PSO算法的超视距空战决策树进化机制

Fig. 6 Evolutionary mechanism of decision-making tree for beyond visual range air combat based on PSO algorithm

图7 PSO算法的解编码

Fig. 7 Decoding of PSO algorithm

图8 敌机进行左转弯机动的仿真结果

Fig. 8 Air combat simulation results of left turn maneuver of enemy aircraft

图9 决策变化曲线

Fig. 9 Curve of decision change

图10 敌机进行蛇形机动时的空战仿真结果

Fig. 10 Air combat simulation results of enemy aircraft in serpentine maneuver

图11 决策变化曲线

Fig. 11 Curve of decision change

图12 敌我双方分别采取进化前后决策系统的仿真结果

Fig. 12 Simulation results of air combat when both sides adopt expert decision system before and after evolution

图13 决策变化曲线

Fig. 13 Curve of decision change

图14 敌我方均采取进化后专家决策系统时的仿真结果

Fig. 14 Air combat simulation results when both the enemy and our side adopt the evolved expert decision system

图15 决策变化曲线

Fig. 15 Curve of decision change

参考文献 15

1	丁达理，王杰，董康生，等. 基于RBF网络的UCAV战术机动轨迹快速生成方法［J］.系统工程与电子技术， 2019， 41（1）： 96-104.
	DING Da-li， WANG Jie， DONG Kang-sheng， et al. Rapid Generation Method of UCAV Tactical Maneuver Trajectory Based on RBF Network［J］. Systems Engineering and Electronics， 2019， 41（1）： 96-104.
2	钟友武，柳嘉润，杨凌宇，等. 自主近距空战中机动动作库及其综合控制系统［J］. 航空学报， 2008， 29（S1）： 114-121.
	ZHONG You-wu， LIU Jia-run， YANG Ling-yu， et al. Maneuver Library and Integrated Control System for Autonomous Close-in Air Combat［J］. Acta Aeronautica et Astronautica Sinica， 2008，29（S1）： 114-121.
3	董肖杰，余敏建，刘亚倩. 战斗机飞行航迹操纵优化控制建模仿真［J］. 计算机仿真， 2017， 34（8）： 50-53， 68.
	DONG Xiao-jie， XU Min-jian， LIU Ya-qian. Modeling and Simulation of Fighter Flight Trail Control Optimization［J］. Computer Simulation， 2017， 34（8）： 50-53， 68.
4	徐安，高春庆，寇英信，等. 基于BFM方法的1vs1近距自主空战决策［J］.系统工程与电子技术， 2020， 42（11）： 2513-2519.
	XU An， GAO Chun-qing， KOU Ying-xin， et al. Autonomous Air Combat Decision of 1vs1 Based on BFM Method［J］. Systems Engineering and Electronics， 2020， 42（11）： 2513-2519.
5	李飞，俞利新，王龙，等. 中断雷达距离跟踪的战斗机机动控制方法［J］. 北京航空航天大学学报， 2014， 40（4）： 467-472.
	LI Fei， YU Li-xin， WANG Long， et al. Fighter Maneuver Control Method of Radar Range Tracking Interrupt［J］.Journal of Beijing University of Aeronautics and Astronautics， 2014， 40（4）：467-472.
6	傅莉，谢福怀，孟光磊，等. 基于滚动时域的无人机空战决策专家系统［J］. 北京航空航天大学学报， 2015， 41（11）： 1994-1999.
	FU Li， XIE Fu-huai， MENG Guang-lei， et al. An UAV Air-Combat Decision Expert System Based on Receding Horizon Control［J］. Journal of Beijing University of Aeronautics and Astronautics， 2015， 41（11）： 1994-1999.
7	冯志峰，刘鸿福，陈浩. 基于规则推理的无人机对地攻击目标选择自主决策［J］. 指挥控制与仿真， 2015， 37（4）： 31-35.
	FENG Zhi-feng， LIU Hong-fu， CHEN Hao. Self-Determined Decision-Making About Target Selection in Air-to-Ground Attacking of UAV Based on Rule Reasoning［J］. Command Control & Simulation， 2015， 37（4）： 31-35.
8	王炫，王维嘉，宋科璞，等. 基于进化式专家系统树的无人机空战决策技术［J］. 兵工自动化， 2019， 38（1）： 42-47.
	WANG Xuan， WANG Wei-jia， SONG Ke-pu， et al. UAV Air Combat Decision Based on Evolutionary Expert System Tree［J］. Ordnance Industry Automation， 2019， 38（1）： 42-47.
9	黄长强，赵克新，韩邦杰，等. 一种近似动态规划的无人机机动决策方法［J］. 电子与信息学报， 2018， 40（10）： 2447-2452.
	HUANG Chang-qiang， ZHAO Ke-xin， HAN Bang-jie， et al. Maneuvering Decision-Making Method of UAV Based on Approximate Dynamic Programming［J］. Journal of Electronics & Information Technology， 2018， 40（10）： 2447-2452.
10	朱德法，纪峰波，管莹莹. 第四代歼击机空战战术决策研究［J］. 指挥控制与仿真， 2012， 34（1）： 41-43， 63.
	ZHU De-fa， JI Feng-bo， GUAN Ying-ying. Study on Air Combat Tactics Decision-Making for the Fourth Generation Fighters［J］. Command Control & Simulation， 2012， 34（1）： 41-43， 63.
11	王志刚，张扬，李自强. 基于试探机动算法的专家系统优化方法［J］. 飞机设计， 2021， 41（4）： 15-19， 42.
	WANG Zhi-gang， ZHANG Yang， LI Zi-qiang. Expert System Optimization Method Based on Tempting Maneuver Algorithm［J］. Aircraft Design， 2021， 41（4）： 15-19， 42.
12	陈希亮，李清伟，孙彧. 基于博弈对抗的空战智能决策关键技术［J］. 指挥信息系统与技术， 2021， 12（2）： 1-6.
	CHEN Xi-liang， LI Qing-wei， SUN Yu. Key Technologies for Air Combat Intelligent Decision Based on Game Confrontation［J］. Command Information System and Technology， 2021， 12（2）： 1-6.
13	赵克新，黄长强，魏政磊，等. 改进决策树的无人机空战态势估计［J］. 哈尔滨工业大学学报， 2019， 51（4）： 66-73.
	ZHAO Ke-xin， HUANG Chang-qiang， WEI Zheng-lei， et al. Situation Assessment for Unmanned Aerial Vehicle Air Combat Based on Anti-Reasoning Rules Decision Tree［J］. Journal of Harbin Institute of Techno-logy， 2019， 51（4）： 66-73.
14	刘东亮，查春林. 航空兵旅作战效能评估方法研究［J］. 军事运筹与系统工程， 2018， 32（2）： 30-35.
	LIU Dong-liang， ZHA Chun-lin. A Study on Evaluation Method of Aviation Brigade Operational Effectiveness［J］. Military Operations Research and Assessment， 2018， 32（2）： 30-35.
15	焦亚男，马杰. 一种改进的MEP决策树剪枝算法［J］.河北工业大学学报， 2019， 48（6）： 24-29.
	JIAO Ya-nan， MA Jie. An Improved Pruning Algorithm for MEP Decision Tree［J］. Journal of Hebei University of Technology， 2019， 48（6）： 24-29.

[1]	姜相争, 李凯, 李贵茹, 赵张鹏. 云环境条件下智能决策支持系统理论研究[J]. 现代防御技术, 2023, 51(1): 35-41.
[2]	薛德鑫, 单涛, 董士军, 张进. 一种非协作通信信号调制方式识别方法[J]. 现代防御技术, 2022, 50(5): 152-159.
[3]	姬正一, 陈阳, 沈培志, 韩先平, 齐鸿坤. 决策树集成方法在反舰导弹效能评估中的应用[J]. 现代防御技术, 2021, 49(4): 15-23.