导弹集群智能突防技术发展概述

doi:10.3969/j.issn.1009-086x.2025.06.008

摘要/Abstract

摘要：

针对未来空海一体战面临的大动态、高不确定性复杂体系作战问题，为破袭性能不断提升的反导防御体系，提出了导弹集群智能突防作战的技术应用思路。搭建了导弹集群智能突防技术作战应用框架，从地面协同任务规划、协同态势感知、智能决策、协同突防打击等4个方面对导弹集群智能突防的关键技术应用进行了论证。对基于专家系统、基于神经网络和基于群体智能的导弹集群智能突防方法进行了概述，指出基于知识数据协同驱动的群体智能方法在导弹集群智能突防技术发展具有独特优势。

关键词: 导弹集群作战, 智能突防, 智能决策, 多智能体强化学习

Abstract:

To cope with the highly dynamic and uncertain complex combat faced by air-sea integration warfare in the future and counter the increasingly sophisticated anti-missile defense system， an application approach of intelligent penetration technology for missile clusters was proposed. An application framework of intelligent penetration technology for missile clusters was constructed. Then， the key applications of the technology were demonstrated from four aspects： collaborative task planning of ground， collaborative situational awareness， intelligent decision-making， and collaborative penetration and combat. The intelligent penetration methods of missile clusters based on expert systems， neural networks， and group intelligence were reviewed. This study showed that the group intelligence method based on the coordinated driving of knowledge and data had unique advantages in the development of intelligent penetration technology for missile clusters.

Key words: missile cluster combat, intelligent penetration, intelligent decision-making, multi-agent reinforcement learning

中图分类号:

TJ385

惠耀洛, 许波, 李秀敏, 臧路尧, 刘柳. 导弹集群智能突防技术发展概述[J]. 现代防御技术, 2025, 53(6): 69-81.

Yaoluo HUI, Bo XU, Xiumin LI, Luyao ZANG, Liu LIU. A Review of Development of Intelligent Penetration Technology for Missile Cluster[J]. Modern Defense Technology, 2025, 53(6): 69-81.

图/表 5

图1 导弹集群智能突防技术作战应用总体框架

Fig. 1 Overall framework for combat application of intelligent penetration technology of missile clusters

图2 地面协同任务规划训练系统

Fig. 2 Collaborative task planning and training system of ground

图3 基于深度学习的目标检测识别方法流程图

Fig. 3 Flowchart of target detection and recognition method based on deep learning

图4 弹上智能决策算法训练系统

Fig. 4 Intelligent decision-making algorithm training system onboard

图5 导弹集群智能突防方法

Fig. 5 Intelligent penetration method of missile clusters

参考文献 61

[1]	梁佳，王峰，臧义华，等. 关于未来智能化海战的思考［J］. 指挥控制与仿真， 2021， 43（1）： 30-34.
	LIANG Jia， WANG Feng， ZANG Yihua， et al. Thoughts on Intelligent Naval Warfare in the Future［J］. Command Control & Simulation， 2021， 43（1）： 30-34.
[2]	程进，卢昊，宋闯. 精确打击武器集群作战技术发展研究［J］. 导航定位与授时， 2019， 6（5）： 10-17.
	CHENG Jin， LU Hao， SONG Chuang. Research on the Development of Swarm Operation Technology for Precision-Strike Weapons［J］. Navigation Positioning and Timing， 2019， 6（5）： 10-17.
[3]	张凯杰，林浩申，夏冰. 导弹集群智能突防技术的新发展［J］. 战术导弹技术， 2018（5）： 1-5， 44.
	ZHANG Kaijie， LIN Haoshen， XIA Bing. New Development of Missile Cluster Intelligent Penetration Technology［J］. Tactical Missile Technology， 2018（5）： 1-5， 44.
[4]	SAYLER K M， MCCALL S M， REED Q A. Hypersonic Missile Defense： Issues for Congress［EB/OL］. ［2024-08-20］. .
[5]	张蔚，杨大川. 认知电子战系统的思考［J］. 电子信息对抗技术， 2017， 32（4）： 6-9.
	ZHANG Wei， YANG Dachuan. Some Thoughts on Cognitive Electronic Warfare［J］. Electronic Information Warfare Technology， 2017， 32（4）： 6-9.
[6]	吴森堂. 导弹自主编队协同制导控制技术［M］. 北京：国防工业出版社， 2015.
	WU Sentang. Cooperative Guidance & Control of Missiles Autonomous Formation［M］. Beijing： National Defense Industry Press， 2015.
[7]	ZHAO Jianbo， YANG Shuxing. Integrated Cooperative Guidance Framework and Cooperative Guidance Law for Multi-missile［J］. Chinese Journal of Aeronautics， 2018， 31（3）： 546-555.
[8]	ZENG Jie， DOU Lihua， XIN Bin. A Joint Mid-course and Terminal Course Cooperative Guidance Law for Multi-missile Salvo Attack［J］. Chinese Journal of Aeronautics， 2018， 31（6）： 1311-1326.
[9]	后德龙，陈彬，王青，等. 碰撞自规避多弹分布式协同制导与控制［J］. 控制理论与应用， 2014， 31（9）： 1133-1142.
	HOU Delong， CHEN Bin， WANG Qing， et al. Collision Avoidance Multi-missile Distributed Cooperative Guidance and Control［J］. Control Theory & Applications， 2014， 31（9）： 1133-1142.
[10]	WEISS G. Multiagent Systems： A Modern Approach to Distributed Artificial Intelligence［M］. Cambridge： MIT Press， 1999.
[11]	WOOLDRIDGE M. An Introduction to Multiagent Systems［M］. 2nd ed. Hoboken： John Wiley & Sons， Inc.， 2009.
[12]	SHOHAM Y， LEYTON-BROWN K. Multiagent Systems： Algorithmic， Game-Theoretic， and Logical Foundations［M］. New York： Cambridge University Press， 2008.
[13]	轩书哲，周昊，柯良军. 无人机集群对抗博弈综述［J］. 指挥信息系统与技术， 2021， 12（2）： 27-31.
	XUAN Shuzhe， ZHOU Hao， KE Liangjun. Review of UAV Swarm Confrontation Game［J］. Command Information System and Technology， 2021， 12（2）： 27-31.
[14]	CHIN H H. Knowledge-Based System of Supermaneuver Selection for Pilot Aiding［J］. Journal of Aircraft， 1989， 26（12）： 1111-1117.
[15]	BECHTEL R J. Air Combat Maneuvering Expert System Trainer： AD-A246459［R］. Texas： Air Force Systems Command， 1992.
[16]	赵吉松，尚腾，张金明，等. 带有控制变量变化率约束的伪谱轨迹优化方法［J］. 宇航学报， 2022， 43（10）： 1368-1377.
	ZHAO Jisong， SHANG Teng， ZHANG Jinming， et al. Pseudo-Spectral Trajectory Optimization Method with Constraint on the Change Rate of Control Variables［J］. Journal of Astronautics， 2022， 43（10）： 1368-1377.
[17]	WANG Xinwei， LI Bai， SU Xichao， et al. Autonomous Dispatch Trajectory Planning on Flight Deck： A Search-Resampling-Optimization Framework［J］. Engineering Applications of Artificial Intelligence， 2023， 119： 105792.
[18]	SCHVANEVELDT R W， GOLDSMITH T E， BEN‑SON A E， et al. Neural Network Models of Air Combat Maneuvering： ADA254653［R］. Las Cruces： New Mexico State University， 1992.
[19]	MCMAHON D C. A Neural Network Trained to Select Aircraft Maneuvers During Air Combat： A Comparison of Network and Rule Based Performance［C］∥1990 IJCNN International Joint Conference on Neural Networks. Piscataway： IEEE， 1990： 107-112.
[20]	ZHOU Tongle， CHEN Mou， WANG Yuhui， et al. Information Entropy-Based Intention Prediction of Aerial Targets Under Uncertain and Incomplete Information［J］. Entropy， 2020， 22（3）： 279.
[21]	WANG Lei， LI Shizhong. Tactical Intention Recognition of Aerial Target Based on XGBoost Decision Tree［J］. Journal of Measurement Science and Instrumentation， 2018， 9（2）： 148-152.
[22]	ZHANG Jiandong， GUO Yukun， ZHENG Lihui， et al. Real-Time UAV Path Planning Based on LSTM Network［J］. Journal of Systems Engineering and Electronics， 2024， 35（2）： 374-385.
[23]	KENNEDY J， EBERHART R. Particle Swarm Optimization［C］∥Proceedings of ICNN'95-International Conference on Neural Networks. Piscataway： IEEE， 1995： 1942-1948.
[24]	DORIGO M， MANIEZZO V， COLORNI A. Ant System： Optimization by a Colony of Cooperating Agents［J］. IEEE Transactions on Systems， Man， and Cybernetics， Part B （Cybernetics）， 1996， 26（1）： 29-41.
[25]	GAO Xiaohua， WANG Lei， YU Xinyong， et al. Conditional Probability Based Multi-objective Cooperative Task Assignment for Heterogeneous UAVs［J］. Engineering Applications of Artificial Intelligence， 2023， 123， Part C： 106404.
[26]	NIE Zhibin， YANG Xiaobing， GAO Shihong， et al. Research on Autonomous Moving Robot Path Planning Based on Improved Particle Swarm Optimization［C］∥2016 IEEE Congress on Evolutionary Computation （CEC）. Piscataway： IEEE， 2016： 2532-2536.
[27]	康玉祥，姜春英，秦运海，等. 基于改进PSO算法的机器人路径规划及实验［J］. 机器人， 2020， 42（1）： 71-78.
	KANG Yuxiang， JIANG Chunying， QIN Yunhai， et al. Robot Path Planning and Experiment with an Improved PSO Algorithm［J］. Robot， 2020， 42（1）： 71-78.
[28]	LI Xiaohui， ZHAO Yi， ZHANG Jie， et al. A Hybrid PSO Algorithm Based Flight Path Optimization for Multiple Agricultural UAVs［C］∥2016 IEEE 28th International Conference on Tools with Artificial Intelligence （ICTAI）. Piscataway： IEEE， 2016： 691-697.
[29]	陈秋莲，郑以君，蒋环宇，等. 基于神经网络改进粒子群算法的动态路径规划［J］. 华中科技大学学报（自然科学版）， 2021， 49（2）： 51-55.
	CHEN Qiulian， ZHENG Yijun， JIANG Huanyu， et al. Improved Particle Swarm Optimization Algorithm Based on Neural Network for Dynamic Path Planning［J］. Journal of Huazhong University of Science and Technology（Natural Science Edition）， 2021， 49（2）： 51-55.
[30]	KUMAR S， PARHI D R， MUNI M K， et al. Optimal Path Search and Control of Mobile Robot Using Hybridized Sine-Cosine Algorithm and Ant Colony Optimization Technique［J］. Industrial Robot， 2020， 47（4）： 535-545.
[31]	ENGLOT B， HOVER F. Multi-goal Feasible Path Planning Using Ant Colony Optimization［C］∥2011 IEEE International Conference on Robotics and Automation. Piscataway： IEEE， 2011： 2255-2260.
[32]	池海红，周明鑫. 融合强化学习和进化算法的高超声速飞行器航迹规划［J］. 控制理论与应用， 2022， 39（5）： 847-856.
	CHI Haihong， ZHOU Mingxin. Trajectory Planning for Hypersonic Vehicle Combined with Reinforcement Learning and Evolutionary Algorithms［J］. Control Theory & Applications， 2022， 39（5）： 847-856.
[33]	SILVA F L DA， COSTA A H R. A Survey on Transfer Learning for Multiagent Reinforcement Learning Systems［J］. Journal of Artificial Intelligence Research， 2019， 64（1）： 645-703.
[34]	OROOJLOOYJADID A， HAJINEZHAD D. A Review of Cooperative Multi-agent Deep Reinforcement Learning［EB/OL］. （2019-08-11）［2024-08-20］. .
[35]	罗俊仁，张万鹏，苏炯铭，等. 多智能体博弈学习研究进展［J］. 系统工程与电子技术， 2024， 46（5）： 1628-1655.
	LUO Junren， ZHANG Wanpeng， SU Jiongming， et al. Research Progress of Multi-agent Learning in Games［J］. Systems Engineering and Electronics， 2024， 46（5）： 1628-1655.
[36]	YONGACOGLU B， ARSLAN G， YÜKSEL S. Learning Team-Optimality for Decentralized Stochastic Control and Dynamic Games［EB/OL］. （2019-09-11）［2024-08-20］. .
[37]	MINSKY M L. Theory of Neural-Analog Reinforcement Systems and Its Application to the Brain Model Problem［M］. Princeton： Princeton University， 1954.
[38]	YANG Yaodong， WANG Jun. An Overview of Multi-agent Reinforcement Learning from Game Theoretical Perspective［EB/OL］. （2020-11-01）［2024-08-20］. .
[39]	WANG Xinwei， WANG Yihui， SU Xichao， et al. Deep Reinforcement Learning-Based Air Combat Maneuver Decision-Making： Literature Review， Implementation Tutorial and Future Direction［J］. Artificial Intelligence Review， 2024， 57（1）： 1.
[40]	JIANG Liang， Ying NAN， ZHANG Yu， et al. Anti-Interception Guidance for Hypersonic Glide Vehicle： A Deep Reinforcement Learning Approach［J］. Aerospace， 2022， 9（8）： 424.
[41]	JIANG Liang， Ying NAN， LI Zhihan. Realizing Midcourse Penetration with Deep Reinforcement Learning［J］. IEEE Access， 2021， 9： 89812-89822.
[42]	GAUDET B， DROZD K， FURFARO R. Adaptive Approach Phase Guidance for a Hypersonic Glider via Reinforcement Meta Learning［C］∥AIAA SCITECH 2022 Forum. Reston： AIAA， 2022： AIAA 2022-2214.
[43]	HU Dongyuan， YANG Rennong， ZUO Jialiang， et al. Application of Deep Reinforcement Learning in Maneuver Planning of Beyond-Visual-Range Air Combat［J］. IEEE Access， 2021， 9： 32282-32297.
[44]	孙浩，黎海青，梁彦，等. 基于知识辅助深度强化学习的巡飞弹组动态突防决策［J］. 兵工学报， 2024， 45（9）： 3161-3176.
	SUN Hao， LI Haiqing， LIANG Yan， et al. Dynamic Penetration Decision of Loitering Munition Group Based on Knowledge-Assisted Reinforcement Learning［J］. Acta Armamentarii， 2024， 45（9）： 3161-3176.
[45]	陈灿，莫雳，郑多，等. 非对称机动能力多无人机智能协同攻防对抗［J］. 航空学报， 2020， 41（12）： 336-348.
	CHEN Can， MO Li， ZHENG Duo， et al. Cooperative Attack-Defense Game of Multiple UAVs with Asymmetric Maneuverability［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（12）： 336-348.
[46]	倪炜霖，王永海，徐聪，等. 基于强化学习的高超飞行器协同博弈制导方法［J］. 航空学报， 2023， 44（增2）： 55-66.
	NI Weilin， WANG Yonghai， XU Cong， et al. Cooperative Game Guidance Method for Hypersonic Vehicles Based on Reinforcement Learning［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（S2）： 55-66.
[47]	BUŞONIU L， BABUŠKA R， DE SCHUTTER B. Multi-Agent Reinforcement Learning： An Overview［M］∥SRINIVASAN D， JAIN L C. Innovations in Multi-agent Systems and Applications – 1. Berlin： Springer Berlin Heidelberg， 2010： 183-221.
[48]	PANAIT L， LUKE S. Cooperative Multi-Agent Learning： The State of the Art［J］. Autonomous Agents and Multi-agent Systems， 2005， 11（3）： 387-434.
[49]	MATIGNON L， LAURENT G L， LE FORT-PIAT N. Independent Reinforcement Learners in Cooperative Markov Games： A Survey Regarding Coordination Problems［J］. The Knowledge Engineering Review， 2012， 27（1）： 1-31.
[50]	HOEN P J， TUYLS K， PANAIT L， et al. An Overview of Cooperative and Competitive Multi-agent Learning［C］∥Learning and Adaption in Multi-agent Systems. Berlin： Springer Berlin Heidelberg， 2006： 1-46.
[51]	轩书哲，柯良军. 基于多智能体强化学习的无人机集群攻防对抗策略研究［J］. 无线电工程， 2021， 51（5）： 360-366.
	XUAN Shuzhe， KE Liangjun. Study on Attack-Defense Countermeasure of UAV Swarms Based on Multi-agent Reinforcement Learning［J］. Radio Engineering， 2021， 51（5）： 360-366.
[52]	孙彧，李清伟，徐志雄，等. 基于多智能体深度强化学习的空战博弈对抗策略训练模型［J］. 指挥信息系统与技术， 2021， 12（2）： 16-20.
	SUN Yu， LI Qingwei， XU Zhixiong， et al. Game Confrontation Strategy Training Model for Air Combat Based on Multi-agent Deep Reinforcement Learning［J］. Command Information System and Technology， 2021， 12（2）： 16-20.
[53]	王泊涵，吴婷钰，李文浩，等. 基于多智能体强化学习的大规模无人机集群对抗［J］. 系统仿真学报， 2021， 33（8）： 1739-1753.
	WANG Bohan， WU Tingyu， LI Wenhao， et al. Large-Scale UAVs Confrontation Based on Multi-agent Reinforcement Learning［J］. Journal of System Simulation， 2021， 33（8）： 1739-1753.
[54]	RASHID T， SAMVELYAN M， SCHROEDER C， et al. QMIX： Monotonic Value Function Factorisation for Deep Multi-agent Reinforcement Learning［C］∥Proceedings of the 35th International Conference on Machine Learning. Chia Laguna Resort： PMLR， 2018： 4295-4304.
[55]	SON K， KIM D， KANG W J， et al. QTRAN： Learning to Factorize with Transformation for Cooperative Multi-agent Reinforcement Learning［C］∥Proceedings of the 36th International Conference on Machine Learning. Chia Laguna Resort： PMLR， 2019： 5887-5896.
[56]	蒲志强，易建强，刘振，等. 知识和数据协同驱动的群体智能决策方法研究综述［J］. 自动化学报， 2022， 48（3）： 627-643.
	PU Zhiqiang， YI Jianqiang， LIU Zhen， et al. Knowledge-Based and Data-Driven Integrating Methodologies for Collective Intelligence Decision Making： A Survey［J］. Acta Automatica Sinica， 2022， 48（3）： 627-643.
[57]	WU Chuanbo， YU Wangneng， LI Guangze， et al. Deep Reinforcement Learning with Dynamic Window Approach Based Collision Avoidance Path Planning for Maritime Autonomous Surface Ships［J］. Ocean Engineering， 2023， 284： 115208.
[58]	王晓芳，顾焜仁. 一种深度强化学习与模仿学习结合的突防策略［J］. 宇航学报， 2023， 44（6）： 914-925.
	WANG Xiaofang， GU Kunren. A Penetration Strategy Combining Deep Reinforcement Learning and Imitation Learning［J］. Journal of Astronautics， 2023， 44（6）： 914-925.
[59]	SUI Zezhi， PU Zhiqiang， YI Jianqiang， et al. Formation Control with Collision Avoidance Through Deep Reinforcement Learning Using Model-Guided Demonstration［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 32（6）： 2358-2372.
[60]	张驭龙. 面向兵棋推演临机规划任务的知识模型嵌入式强化学习技术［D］. 长沙：国防科技大学， 2022.
	ZHANG Yulong. An Knowledge-Model Embedding Reinforcement Learning Method to Task-Oriented Wargaming Contingency Planning［D］. Changsha： National University of Defense Technology， 2022.
[61]	余超，刘宗凯，胡超豪，等. 非完美信息博弈综述：对抗求解方法与对比分析［J］. 计算机学报， 2024， 47（9）： 2211-2246.
	YU Chao， LIU Zongkai， HU Chaohao， et al. A Review of Imperfect Information Games： Adversarial Solving Methods and Comparative Analysis［J］. Chinese Journal of Computers， 2024， 47（9）： 2211-2246.