[发明专利]一种基于作战推演的自爆式无人机集群作战兵力分配方法

权利要求书

1.一种基于作战推演的自爆式无人机集群作战兵力分配方法，具体包括以下步骤：

步骤1：确定敌方的作战单元数量和作战能力，确定预定作战目标，具体步骤如下：

步骤1-1：根据情报确定敌方作战单位种类为n，敌方作战兵力为：Y_all＝{y₁，...，y_j，...，y_n}，其中j＝1，2，...，n，y_j为每种作战单位的数量；

步骤1-2：通过我方无人机的雷达反射截面积RCS确定敌方的雷达侦查能力

步骤1-3：通过我方无人机的投影最大长度L，敌方侦查设备影像分辨力Y_f，相机焦距J，修正因子α_tar，α_tar∈[5，7]，成像设备与目标之间的距离H确定敌方的光学探测能力：

步骤1-4：通过敌方的电子干扰能力确定敌方的电子干扰影响因子Q，Q∈[0，1]；

步骤1-5：引入敌方范围火力攻击加成，设其为k，k≥1

步骤1-6：引入火力分配函数C_x(x_i，y_j)，C_x(x_i，y_j)代表敌方第j种作战单元对我方第i种作战单元的攻击优先程度，敌方火力分配函数满足公式

步骤1-7：确定打击目标即敌方损毁预期目标门限：R_Y＝{R₁，...R_j，...E_n}，其中j＝1，2，...，n；

步骤2：确定我方所拥有的无人机型号、每种无人机的作战能力、最大可出动数量和每种无人机的使用成本的具体参数，选择适合当前作战的仿真时间步长，具体步骤如下：

步骤2-1：通过我方统计得到我方无人机的机型为m，以及每种机型可以使用的数量X_max＝{x_1max，...，x_imax，...，x_mmax}，其中i＝1，2，...，m，我方无人机损毁接受度门限R_X＝{R₁，...，R_i，...，R_m}，其中i＝1，2，...，m，每种类型的无人机的单架使用成本：X_cost＝{x_1cost，...，x_icost，...，x_mcost}；

步骤2-2：通过我方无人机载弹量G_carry和最大机动速度v_max确定我方单架无人机的作战能力：

步骤2-3：引入我方无人机的最终联合作战能力提升系数G，G的公式为：

其中x_i(t)为我方第i型无人机在时间t下的数量，α为我方无人机初始数量时协同作战能力提升系数，ε为随时间推进我方无人机联合作战能力衰减系数；

步骤2-4：根据经验参数，估计出我方无人机与敌方作战单元的交换比M；

步骤2-5：引入我方火力分配函数C_y(y_j，x_i)，C_y(y_j，x_i)代表我方第i种作战单元对敌方第j种作战单元的攻击优先程度，火力分配函数满足

步骤3：根据步骤1与2的结果，构建兰彻斯特方程，给出我方兵力初始设定值，进行方程求解，仿真得到敌我双方作战结果，其具体步骤如下

步骤3-1：设定我方出动作战的m种型号的自爆式无人机的个数分别为X＝{x₁，...，x_i，...，x_m}，其中i＝1，2，...，m，敌方作战兵力为：Y_all＝{y₁，...，y_j，...，y_n}，其中j＝1，2，...，n；

步骤3-2：根据前述步骤，确定敌我双方作战结果的兰彻斯特方程为：

式中，k为敌方火力范围攻击加成，Q为敌方电子干扰能力影响因子，P_S为敌方作战单元发现我方无人机的概率，考虑敌方有光学探测和雷达探测两种手段，有P_S＝(1-P_radar)(1-P_f)，C_x(x_i，y_j)，C_y(y_j，x_i)分别为敌我双方的火力分配函数，A为我方单架无人机作战能力指数，G为我方无人机协同作战能力提升系数，M为经验估计得到的我方自爆式无人机与敌方作战单元的交换比；

步骤3-3：方程的具体解法为采用差分法求解，其方法为Δt的具体取值参考X，Y的初始值X(0)，Y(0)，利用上述公式计算出x_i(nΔt)，y_j(nΔt)的值，方程的求解结束条件为有任意一方的结果全部小于等于0，即X≤0或Y≤0；步骤4：建立优化模型，设定优化目标函数为成本最低，约束条件为步骤3得出的兰彻斯特方程和敌方作战单元损耗函数，在达到预定敌方作战单元的情况下采用粒子群算法得到我方成本函数的最小值，输出目标结果，具体步骤如下

步骤4-1：建立优化模型：

s.t.X(0)≤X_max，X(+∞)≥R_X，Y(0)＝Y_all，Y(+∞)≤R_Y；

其中，X(t)＝{x₁(t)，...，x_i(t)，...，x_m(t)}为我方不同型号的自爆式无人机组成无人机单元数量组成的向量，其中i＝1，2，...，m，Y(t)＝{y₁(t)，...，y_j(t)，...，y_n(t)}，为敌方不同型号作战单元数量所组成的向量，其中j＝1，2，...，n，R_X＝{R₁，...R_i，...R_m}为我方损毁接受度门限，其中i＝1，2，...，m，R_Y＝{R₁，...R_j，...R_n}为敌方损毁预期目标门限，其中j＝1，2，...，n，cost(X)为我方无人机的成本函数，在服从兰彻斯特方程的双方兵力消耗条件下，最后的作战结果要求在满足我方无人机数量多于我方接受度R_X，敌方作战单元数量少于敌方损毁预期目标门限R_Y，优化目标为在当前条件下成本函数达到最小值；

步骤4-2：采用粒子群算法，对上述优化问题进行求解，具体步骤如下：

步骤4-2-1：首先根据我方自爆式无人机型号的多少合理设定粒子个数n_par，20≤n_par≤40，并且粒子数至少应为无人机型号数的四倍，如果我方无人机数量极多，则需要按照我方无人机型号的五到十倍设定粒子数，每个粒子Par均为一个对象，并且给每个粒子设定初始位置属性和初始速度属性，设粒子集合为粒子中的位置向量属性Par_ip.position为一个m维向量，并且需要满足0≤Par_ip.position≤X_max，其中ip＝1，2，...m；

步骤4-2-2：检测每个粒子的适应度属性，即把当前粒子的取值带入兰彻斯特方程，若最后作战结果满足优化模型的约束条件，则计算成本函数的值作为适应度；若最后作战结果不满足模型的约束条件，则将当前粒子的适应度置为正无穷，意为当前结果不可接受，在迭代时不参与最优结果的选择；

步骤4-2-3：找出个体和群体最优值以及最优位置，在所有粒子中的适应度最小的粒子的值，即为群体最优取值p_g，每个粒子在其所有的经过的点中选取适应度最小的点，即为个体最优取值p_ind；

步骤4-2-4：更新粒子的速度向量属性，其具体更新公式为：

Par_ip.v_new＝ωPar_ip·v_old+c₁r₁(p_ind-Par_ip.position)+c₁r₁(p_g-Par_ip.position)  (6)

其中ip∈[1，n_par]，在上述公式中，ip为粒子编号，ω为惯性因子，其取值范围为非负实数，c₁，c₂为加速常数，两者均为非负常数，r₁，r₂为在[0，1]范围内均匀分布的随机数，Par_ip.v_old为当前速度向量，Par_ip.v_new为新生成的速度向量，Par_ip.position为第ip个粒子当前所在的位置，需要特别注意的是，Par_ip.v_new，Par_ip.v_old，p_ind，Par_ip.position，p_g均为m维向量，在当前实际情况中，取ω＝0.6，c₁＝c₂＝1.7；

步骤4-2-5：根据粒子当前位置和新生成的速度向量，计算粒子的新的位置向量属性，其具体计算公式为：

Par_ip.position_new＝Par_ip.position_old+γPar_ip.v  (7)

其中，Par_ip.position_new为第ip个粒子新的位置向量属性，Par_ip.position_old为第ip个粒子当前所在的位置，Par_ip.v为第ip个粒子当前的速度，γ为约束因子，为了控制当前速度的权重，注意，如果新的位置Par_ip.position_new不满足0≤Par_ip.position_new≤X_max时，则需要强制设置Par_ip.position_new中的某一维度d的取值为0或

步骤4-2-6：判断是否算法是否收敛，即是否在一定次数内适应度函数的变化都非常小，在当前实际条件中，选取终止条件为在之前40次粒子移动的过程中群体适应度函数的最小值波动小于1％，如果满足该条件则输出最小适应度函数结果及其对应的粒子数值，若不满足该条件则继续；

步骤4-2-7：统计当前迭代次数，如粒子位置迭代次数超过单次迭代次数最大值，则输出当前情况下的最小适应度函数结果极其对应的粒子数值，如未达到单次迭代次数最大值则返回步骤4-2-2进行下一轮计算；

步骤5：根据步骤4中最终得到的最小适应度函数值与该最小适应度函数值对应的粒子，获取其position属性的m维向量的具体数值，即为当前战场中我方m种自爆式无人机应出动的数量。