空面多目標攻擊中武器-目標最優(yōu)分配

摘 要： 在多目標空對地攻擊中，合理高效的武器-目標分配能顯著提升飛機的攻擊效率，降低飛機在戰(zhàn)場滯留的時間，對于提升飛機的作戰(zhàn)效率與生存性能有著重要的意義。本文基于攻擊模式、目標毀傷概率、武器成本、飛行航路等約束，構(gòu)建武器-目標最優(yōu)分配模型，設計了一種強化局部搜索能力的自適應遺傳算法，解決了求解復雜規(guī)劃問題時的過量冗余迭代與停滯問題。對多組隨機目標進行了仿真驗證，仿真結(jié)果證明，改進算法能夠為作戰(zhàn)任務提供優(yōu)質(zhì)的武器-目標分配方案，且明顯提升了求解的運行效率與質(zhì)量。

關鍵詞：空面作戰(zhàn)； 多目標攻擊； 任務規(guī)劃； 武器-目標分配； 自適應遺傳算法

中圖分類號：O22 文獻標識碼：A DOI：10.19452/j.issn1007-5453.2024.08.012

基金項目： 航空科學基金（2016ZC03004）

自現(xiàn)代以空中力量為主體獲取戰(zhàn)爭勝利逐漸成為各軍事強國的重點關注后，高性能作戰(zhàn)飛機與精確制導武器的使用模式已經(jīng)成為了世界軍事強國的重點研究方向。而隨著作戰(zhàn)飛機的性能不斷提升，打擊任務逐漸復雜化，作戰(zhàn)飛機在單次任務中打擊多個目標的能力越發(fā)重要，能夠顯著減少作戰(zhàn)飛機出動架次，提升作戰(zhàn)飛機的攻擊效率[1]。

成功實施空面多目標攻擊的關鍵在于能夠針對不同的目標、掛載武器類型和作戰(zhàn)任務，規(guī)劃出合理的多目標攻擊分配方案，輔助飛行員做出正確的攻擊決策[2]。為了充分發(fā)揮作戰(zhàn)飛機的性能，不僅要考慮目標攻擊數(shù)量，還需要綜合考慮目標價值、毀傷特性、武器性能與作戰(zhàn)飛機的性能制訂攻擊方案，以提高整體作戰(zhàn)效能[3]。

武器-目標分配問題是根據(jù)作戰(zhàn)體系的作戰(zhàn)目標、平臺武器配置情況，按照最優(yōu)化分配原則，將不同武器分配給不同目標，從而實現(xiàn)最大作戰(zhàn)效能的過程。國外對其的研究已經(jīng)實現(xiàn)了工程應用，如美國空軍配備的戰(zhàn)斗武器投放系統(tǒng)（CWDS），能夠支持美軍現(xiàn)役的幾乎所有具有對地打擊能力的機型和武器[1]，美國B-1B、B-2A飛機上還具備了飛行中任務重規(guī)劃能力，B-2A飛機具備面向動態(tài)威脅的實時威脅評估和規(guī)避能力。而國內(nèi)也已提出了很多理論模型，如寇英信等[4]建立了多目標攻擊的任務分配模型；石章松等[3]建立并求解了基于最小資源損耗的分配模型；張先劍[5]從博弈論的角度對武器-目標分配進行了分析；王順宏等[6]使用粒子群算法提高了對地打擊武器-目標的分配問題的求解速度；楊進帥等[7]將直覺模糊理論與遺傳算法結(jié)合，提升了求解效率與收斂速度；但工程應用案例較少，與國外先進水平仍有明顯差距。

本文從作戰(zhàn)任務的需求出發(fā)，對空面多目標攻擊任務中的火力分配、航路規(guī)劃與毀傷概率展開需求捕獲分析，并構(gòu)建相應的數(shù)學模型綜合描述攻擊過程，建立多約束下的空面多目標攻擊武器-目標分配模型，并針對傳統(tǒng)遺傳算法處理復雜規(guī)劃問題時容易陷入停滯、難收斂導致算法效率低、求解質(zhì)量差的問題，設計了一種強化局部搜索能力的自適應遺傳算法。仿真結(jié)果表明，改進算法擁有更高的運行效率與求解質(zhì)量，初步滿足工程應用需求[8]。

1 多約束下的武器-目標分配問題建模

1.1 火力分配模型

在空面多目標攻擊中，攻擊任務規(guī)劃的主要目標是獲得最優(yōu)攻擊效果，并將作戰(zhàn)成本降至最小， 屬于優(yōu)化決策問題，需要首先建立火力分配與飛行航路規(guī)劃模型，再根據(jù)攻擊任務約束與合理假設對模型進行合理簡化，最終符合真實作戰(zhàn)情況的武器-目標分配模型。

火力分配是空面多目標攻擊分配問題的核心，其核心即為對敵方造成的毀傷最大，且己方的攻擊成本最小。

1.3 多約束下的武器-目標分配模型

在實際作戰(zhàn)中，對于目標價值的判斷往往受任務需求、戰(zhàn)場態(tài)勢與決策者的偏好動態(tài)變化，無法通過數(shù)學模型來衡量。考慮到在絕大多數(shù)情況中，對目標造成有效毀傷，破壞或癱瘓其作戰(zhàn)能力所獲得的價值遠遠超過發(fā)動打擊的成本。因此，在任務規(guī)劃中，任務規(guī)劃的首要條件是完成對所有設定的敵方目標進行打擊。

在多目標攻擊任務中，作戰(zhàn)飛機需要深入敵方控制區(qū)域?qū)Υ罅扛邇r值目標進行打擊，危險性與飛行員受到的生理心理負擔遠超傳統(tǒng)攻擊方式，因此，在規(guī)劃中應盡量降低作戰(zhàn)飛機在敵方控制區(qū)域中的停留時間。通過使用一次攻擊即造成毀傷的攻擊方式進行規(guī)劃，降低作戰(zhàn)飛機在敵控區(qū)域的停留時間，保障作戰(zhàn)飛機的安全。

最后4個約束分別是：（1）每個目標的毀傷概率不能小于其可接受毀傷概率值；（2）以每個目標作為終點的航路段只有一條，且只有一架飛機通過，代表一次攻擊即造成毀傷的攻擊方式；（3）飛機總航程不能超過航程上限；（4）飛機總載重不能超過載重上限。

2 自適應遺傳算法

遺傳算法是受自然進化理論啟發(fā)的一系列搜索算法。通過模仿自然選擇和繁殖的過程，遺傳算法可以為涉及搜索、優(yōu)化和學習的各種問題提供高質(zhì)量的解決方案。同時，它們類似于自然進化，因此可以克服傳統(tǒng)搜索和優(yōu)化算法遇到的一些障礙，尤其是對于具有大量參數(shù)和復雜數(shù)學表示形式的問題。在求解復雜問題時，傳統(tǒng)遺傳算法魯棒性強，全局搜索能力優(yōu)秀。但面對目標數(shù)量大、武器種類多，還要考慮毀傷效果的火力分配模型求解問題，傳統(tǒng)遺傳算法在確定最優(yōu)解的收斂區(qū)域后，會因為其局部搜索能力不足導致算法難以迅速縮小、確認最優(yōu)解，導致運行效率低，求解質(zhì)量差，難以證明模型的可行性。定義幾種局部搜索操作對遺傳算法進行改進，仿真結(jié)果證明，改進算法大幅提升了運行效率與求解質(zhì)量。

2.1 遺傳算法設置

（1）編碼

（5）變異算子

對上面得到的每條染色體，隨機選擇一個行片段，將其重新排列，然后隨機選擇一行，改變該行彈目匹配部分s上的值為其他武器類別，生成新的染色體。

2.2 強化局部搜索能力

遺傳算法通過變異算子對解進行局部搜索，變異算子是基于隨機思想，隨機改變編碼中目標點的位置，實現(xiàn)局部搜索操作。基于改變編碼中目標點位置的原理，通過特定方法將目標點移出與放回代表當前解的編碼，從而改變目標點的位置，定義以下局部搜索算子。

2.2.1 隨機搜索

隨機搜索的基本思想即對編碼進行隨機改變，包括隨機移出算子和隨機放回算子兩部分：（1）隨機移出算子，隨機選擇目標點移出編碼；（2）隨機放回算子，將被移出目標點隨機放回。

與變異相同，主要作用是增加搜索的多樣性。假設移出的目標點在放回后從第i個變成了第j個，則相應染色體r的第i行和第j行互換。

2.2.2 貪婪搜索

貪婪搜索的基本思想即盡可能將每個高成本目標點移出，將低成本目標點移入[12]。

（1）貪婪移出算子

2.2.3 相關性與讓步搜索

貪婪思想往往無法從全局最優(yōu)的角度出發(fā)搜索結(jié)果。即求解中，在高成本節(jié)點被選出后，卻發(fā)現(xiàn)任意變動都會導致總成本增加，最后只能將這些節(jié)點原封不動放回。為了彌補貪婪算子帶來的搜索缺陷，本文設計一種基于相關性與讓步的搜索算子。

（1）相關性移除算子

3 仿真分析

3.1 改進算法仿真驗證

結(jié)合上文的模型與算法，在仿真軟件環(huán)境下進行仿真，以100個隨機目標的攻擊規(guī)劃為例：隨機生成100個目標點，目標點信息包括目標序列號、坐標方位與目標類型；目標序號為1～100；坐標信息在200×200的區(qū)域中隨機選擇；目標類型為1～3；武器類型為1～2，可接受毀傷概率為0.95，對應毀傷概率見表1。

假設作戰(zhàn)飛機載彈量為36枚；單機使用成本為200；航程上限為600km；單位航程成本為1（成本為相對值，無單位）；假設作戰(zhàn)場景為臨空轟炸，武器的射程與飛行航路相比忽略不計，航路規(guī)劃的武器投放點近似于目標點。

考慮到武器-目標分配的復雜度遠低于飛機的參考航路規(guī)劃，并存在最優(yōu)解，且任務需求為對所有目標造成有效毀傷，在此基礎上盡量降低攻擊成本。將單枚彈藥的參考成本設置為10，使其小于飛機的使用成本，使算法的優(yōu)化更側(cè)重于提升飛機的載荷效率。仿真結(jié)果如圖2、圖3所示。

前進機場的坐標為（100，0），三類目標數(shù)分別為44、33、26，規(guī)劃使用飛機18架，消耗彈藥634枚，參考航程6988.24，參考成本16928，載荷率97.84%。

3.2 算法改進效果分析

使用傳統(tǒng)遺傳算法對算例進行求解，兩種算法優(yōu)化過程的對比情況如圖4所示。

圖4展示了兩種算法的迭代過程。很明顯，改進算法在20次迭代后就確定了收斂區(qū)域，且優(yōu)化效果較好。而傳統(tǒng)遺傳算法卻在500次迭代后才確定收斂區(qū)域，且優(yōu)化結(jié)果較差。僅更改目標數(shù)量后分別對兩種算法進行多次仿真并分析其規(guī)劃結(jié)果，分析結(jié)果見表2。

可以看出，隨著問題的復雜化，傳統(tǒng)遺傳算法的求解質(zhì)量與改進算法的差距越來越大，可見改進算法在處理復雜的規(guī)劃問題時更具優(yōu)勢。

在求解復雜問題時，傳統(tǒng)遺傳算法往往需要進行大量迭代才能收斂到最優(yōu)解的范圍內(nèi)，其中存在過多的冗余迭代，甚至在求解中會陷入停滯。而通過局部搜索算子對種群的鄰域進行搜索操作，為算法的遺傳操作提供優(yōu)質(zhì)基因，解決了冗余與停滯問題，加快算法的收斂速度，改善了求解質(zhì)量。仿真結(jié)果證明，改進算法綜合了全局搜索與局部搜索的優(yōu)勢，提升了運算效率與求解質(zhì)量。

4 結(jié)論

本文針對空面多目標攻擊的工程應用問題，做出了如下研究：（1）捕獲了作戰(zhàn)飛機典型空對面多目標攻擊場景對火力控制的具體需求；（2）結(jié)合作戰(zhàn)場景，以攻擊成本為約束，構(gòu)建了基于成本最低的空面攻擊綜合火力分配優(yōu)化模型；（3）基于火力分配模型的具體需求，改進了遺傳算法，通過構(gòu)建多種局部搜索算子與自適應操作，并通過大量的作戰(zhàn)仿真算例，證明了模型的可行性，改進算法可顯著提升求解質(zhì)量與運算效率。

繼續(xù)改進的方向：（1）現(xiàn)實作戰(zhàn)中的毀傷效果的描述涉及很多因素，關于毀傷效果的建模研究仍有很大的改進空間；（2）仍有許多優(yōu)化思想可應用于局部搜索算子的設計，故而改進算法的框架構(gòu)建仍可改進，算法的求解質(zhì)量與運行效率還有進一步提升的空間。

參考文獻

[1]張輪， 郭雙文， 鄧森， 等.轟炸機近距空中支援優(yōu)勢及發(fā)展現(xiàn)狀分析[J].火力與指揮控制， 2022， 47（10）： 175-179. Zhang Lun， Guo Shuangwen， Deng Sen， et al. Analysis of bomber close air support superiority and development status[J]. Fire Control & Command Control， 2022， 47（10）： 175-179.（in Chinese）

[2]張艷霞， 呂輝， 孫兆雨.基于公共投放區(qū)的空面多目標攻擊研究[J].電光與控制， 2022， 29（4）： 44-47. Zhang Yanxia， Lyu Hui， Sun Zhaoyu. Air-to-surface multitarget attacks based on common release zone[J]. Electronics Optics & Control， 2022， 29（4）： 44-47.（in Chinese）

[3]石章松， 吳鵬飛， 劉志超.基于最小資源損耗的武器目標動態(tài)分配[J].海軍工程大學學報， 2019， 31（4）： 64-71. Shi Zhangsong， Wu Pengfei， Liu Zhichao. Dynamic weapontarget assignment based on minimum resource depletion[J]. Journal of Naval University of Engineering，2019， 31（4）： 64-71.（in Chinese）

[4]寇英信， 王琳， 周中良.多目標攻擊條件下的作戰(zhàn)任務分配模型研究[J].系統(tǒng)仿真學報， 2008（16）： 4408-4411. Kou Yingxin， Wang Lin， Zhou Zhongliang. Study of combat task allocation model in multi-target attack condition[J]. Journal of System Simulation， 2008（16）： 4408-4411.（in Chinese）

[5]張先劍.空陸攻防博弈的動態(tài)武器目標分配[J].國防科技大學學報， 2019， 41（2）： 185-190. Zhang Xianjian. Land defense weapon versus target assignment against air attack[J]. Journal of National University of Defense Technology， 2019， 41（2）： 185-190.（in Chinese）

[6]王順宏， 楊奇松， 王然輝， 等.對地打擊武器-目標分配問題的粒子群算法[J].電光與控制， 2017， 24（3）： 36-40. Wang Shunhong， Yang Qisong， Wang Ranhui，et al. Particle swarm optimization based weapon target assignment for attacking ground targets[J]. Electronics Optics & Control， 2017， 24（3）： 36-40.（in Chinese）

[7]楊進帥， 李進， 王毅， 等.基于直覺模糊遺傳的武器-目標分配問題優(yōu)化[J].計算機應用研究， 2018， 35（1）： 31-34. Yang Jinshuai， Li Jin， Wang Yi， et al. Optimization of weapon target assignment problem by intuitionistic fuzzy genetic algorithm[J]. Application Research of Computers， 2018， 35（1）： 31-34.（in Chinese）

[8]孫永強.空面多目標攻擊火控系統(tǒng)設計[J].工業(yè)技術(shù)創(chuàng)新， 2018， 5（1）： 13-17. Sun Yongqiang. Design on air to surface muti target attack for fire control system[J]. Industrial Technology Innovation， 2018， 5（1）： 13-17.（in Chinese）

[9]李天龍， 張軍超.基于融合算法的空—地多目標攻擊火力分配[J].電光與控制， 2019， 26（11）： 56-59. Li Tianlong， Zhang Junchao. Air-to-ground multi-target attack firepower assignment based on fusion algorithm[J]. Electronics Optics & Control， 2019， 26（11）： 56-59.（in Chinese）

[10]池懌， 余磊.民用飛機航路智能規(guī)劃技術(shù)研[J].航空科學技術(shù)， 2020， 31（10）： 46-50. Chi Yi， Yu Lei. Research on intelligent route planning technology of civil aircraft[J]. Aeronautical Science & Technology， 2020， 31（10）： 46-50. （in Chinese）

[11]李海， 郭水林， 周曄.融合動態(tài)風險圖和改進A*算法的動態(tài)改航規(guī)劃[J]. 航空科學技術(shù)， 2021， 32（5）： 61-71. Li Hai， Guo Shuilin， Zhou Ye. Dynamic diversion planning inte‐grating dynamic risk map and improved A* algorithm[J].Aeronau‐tical Science & Technology， 2021， 32（5）： 61-71. （in Chinese）

[12]陳宇恒， 陳進朝， 陳雪聰.基于改進貪心算法的無人機集群協(xié)同任務分配[J].航空科學技術(shù)， 2022， 33（4）： 13-18. Chen Yuheng， Chen Jinchao，Chen Xuecong. Cooperative task allocation of UAV cluster based on improved greedy algorithm[J]. Aeronautical Science & Technology， 2022， 33 （4）： 13-18.（in Chinese）

[13]Nabila A， Michel G. An adaptive large neighborhood search for a vehicle routing problem with multiple routes[J]. Computers and Operations Research， 2014， 41： 167-173.

[14]Li Baoxiang. An adaptive large neighborhood search heuristic for the share-a-ride problem[J]. Computers and Operations Research， 2016， 66： 170-180.

Optimal Apportion of Weapon-Target Assignment in Multi-Target Air-to-Surface Attack

Meng Jinghao

AVIC The First Aircraft Institute，Xi’an 710089， China

Abstract： Reasonable and efficient weapon-target assignment is an important part to improve combat effectiveness and aircraft safety in multi-target air-to-surface attack. Based on the constraints of attack mode， damage probability， weapon cost and flight route， the weapon-target assignment model is established. An adaptive genetic algorithm is designed to enhance local search ability， and solves the problem of excessive redundant iterations and stagnation in operation. The simulation results show that the improved algorithm can provie high quality scheme， and obviously improve the operational efficiency and solution quality.

Key Words： air-to-surface attack； multi-target attack； mission planning； weapon-target assignment； adaptive genetic algorithm