论文部分内容阅读
【摘 要】防空作战的目的是选择最佳火力分配方案，使武器系统尽可能地将最有利的火力单元分配给多组空中攻击目标，从而达到整体战斗力的最大化。分析了防空导弹武器系统的火力分配问题。
【关键词】防空导弹武器系统;火力分配
火力分配作为控制系统的重要辅助决策功能，与作战原则、战术、作战方案等因素密切相关，具有许多变数和参数。因此，在对火力分配进行建模时，应考虑到各种因素，以制定火力分配的合理模式。另一方面要探讨理论研究方法，当前研究人员使用智能算法研究空军火力分配问题，其中遗传算法是一种新的启发式优化算法，广泛应用于解决火力分配问题，目前存在对火力分配建模的片面性，只考虑武器系统的战斗力，却忽视了防御效能。
一、防空武器系统发展趋势
近年来各国都致力于使其对导弹现代化。从俄罗斯、美国和周边国家的趋势可以看出防空导弹未来发展的特点。
1.未来发展防空概念。反空袭是系统与系统性对抗;袭空间进一步扩大，空防趋于一体化;机、导弹防御系统和防空系统今后将成为防空的主要任务。
2.现代空袭武器的新变化。（1）空中目标种类繁多，数量众多，性能得到了很大的提高。发展特点是：目标速度很远。突出机动性;提高了低空、超低空的突防强度;体积小的目标，电散射天线面积小，有的采用隐形技术。（2）信息技术应用广泛，电磁环境日益复杂，电子防御手段广泛，干扰措施多种;（3）以发展战术导弹为重点的精密武器的使用，巡航导弹和空对地导弹;（4）大量夜间空袭武器层出不穷。
3.高技术条件下防空导弹的高技术要求。（1）具有自动智能指挥系统，检测跟踪性能好，抗干扰能力强，灵敏度高，可靠性高。具有对多批低空、超低空目标、目标小和跟踪隐身目标;访问带有目标标识、威胁检测等的信息。抗扰动和辐射导弹能力;它具有在战役战术范围内参与形成多个目标的能力。（2）具有形成大空域、大深度、抵抗多种空袭武器攻击的火力系统。具有控制几米至几公里作战高度的能力，与中高空空域衔接良好;具有攻击地射战术制导武器母机的能力;具有拦截小型导弹空中目标（直升机、导弹、导弹、导弹等）的能力，等）能力;抗突然袭击的快速反应能力;机动过载能力大，对机动飞机和巡航导弹的拦截精度高;野战防空与导弹炮结合;（3）适用于大量装备的能力，生存能力强;（4）综合保障能力，以性能、寿命周期、成本综合最佳为核心。
二、防空火力分配数学模型
防空武器优化配置的主要依据是射击的优先目标、总体优化配置以及每种武器系统的武器数量。以达到战斗力和防御力的最大化，考虑我们攻击敌人目标的武器系统的战斗力。有k种武器系统是不同类型的，每个武器系统只有一个性能火力单元是每个武器系统的特性，被攻击的目标是第m批。决策矩阵火力分配为
其中：武器系统第i可用的火力單位数为LM，武器系统第i攻击第j批毁伤概率目标的为PIJ，也就是说，对分配对敌方攻击的原则是最大限度地提高所有武器系统的防御性能。为了量化攻击任务，必须分析敌人目标、基本枪支单位和防御目标之间的关系。
2.定义2.防御有效性是目标威胁程度和防御因素的乘积，即R=QH。式中：Q=[Xj l]为威胁矩阵目标，表示第一批攻击我防御要地的目标的威胁程度;H=[HLi]为权重系数矩阵防御武器系统;包括关于敌人目标R、武器系统和我们防御位置的信息。
3.定义3.分配火力联合使用和防御能力的联合使用是防御的总体表现。即F′=XR。因此，优化防御系统的模式如下
三、火力优化的算法设计
遗传算法是一种基于生物世界随机搜索算法自然选择和遗传机制，已成功应用于火力分配效果调整。下面介绍两种算法比较该算法的可行性和优越性。
1.PSO算法用于分配火力优化。粒子群优化（DPSO的开发是一种新的全局优化算法，最初用于连续优化。当前，组合优化存在许多问题。PSO算法是空间搜索速度的随机变化，随机搜索当前最佳粒子，与其他优化和进化算法相比。（1）算法的编码方法。传统粒子群优化算法将优化参数用作每个粒子的尺寸，并在优化过程中通过更新粒子速度和位置来更改优化参数，特别是因为本文的优化模型包含m个武器系统和n个批量目标。要优化的参数是武器系统I分配给j批目标的火力单位数。即mij=（M1 1，m12，m1n，m12，…，M2n，…，M1，Mm2，…（2）权重选择。搜索空间已经扩大，以考虑到粒子更新速度的随机性。在实际优化过程中，必须先执行全局搜索以快速缩小搜索空间与区域之间的距离，然后使用精细的本地搜索来提高解决方案的精度
2.分配火力的优化算法。PSO算法的最佳解决方案是基于存储容量和粒子的信息共享。如果当前优化是局部的，并且所有粒子都聚集到此粒子上，则很难绕过局部优化，特别是在多层研究中。因此，遗传算法提供了更好的全局搜索功能。遗传算法中的变异机制有助于粒子脱离最优部分。这通过使用遗传算法的并行搜索功能、粒子群的局部搜索功能和存储容量来提高收敛性能。
防空武器系统的目标火力分配模型，其基础是多目标防空武器系统的作战效能和防御效能相结合，首次采用粒子群优化算法对于所构建模型的特点，分别采用PSO和PSO-GA为基础的火力优化分配方法，采用编码方法作为解决方案。在保证算法准确性的同时，巧妙地解决了参数约束问题进行优化，提高了算法计算效率，适应了现代战争的实时性、准确性和可靠性要求。
参考文献：
[1]王泰.0-1型整数规划在火力最优分配中的应用，山西师范大学学报，第27卷增刊，2018.5
[2]刘浩.防空火力分配建模及优化方法研究，兵器工业出版社，2018.
[3]吴海士.防空火控系统火力分配的多目标优化研究，东南大学出版社，2018.1
（作者单位：1.31662部队;2.空军工程大学;3.32149部队）
【关键词】防空导弹武器系统;火力分配
火力分配作为控制系统的重要辅助决策功能，与作战原则、战术、作战方案等因素密切相关，具有许多变数和参数。因此，在对火力分配进行建模时，应考虑到各种因素，以制定火力分配的合理模式。另一方面要探讨理论研究方法，当前研究人员使用智能算法研究空军火力分配问题，其中遗传算法是一种新的启发式优化算法，广泛应用于解决火力分配问题，目前存在对火力分配建模的片面性，只考虑武器系统的战斗力，却忽视了防御效能。
一、防空武器系统发展趋势
近年来各国都致力于使其对导弹现代化。从俄罗斯、美国和周边国家的趋势可以看出防空导弹未来发展的特点。
1.未来发展防空概念。反空袭是系统与系统性对抗;袭空间进一步扩大，空防趋于一体化;机、导弹防御系统和防空系统今后将成为防空的主要任务。
2.现代空袭武器的新变化。（1）空中目标种类繁多，数量众多，性能得到了很大的提高。发展特点是：目标速度很远。突出机动性;提高了低空、超低空的突防强度;体积小的目标，电散射天线面积小，有的采用隐形技术。（2）信息技术应用广泛，电磁环境日益复杂，电子防御手段广泛，干扰措施多种;（3）以发展战术导弹为重点的精密武器的使用，巡航导弹和空对地导弹;（4）大量夜间空袭武器层出不穷。
3.高技术条件下防空导弹的高技术要求。（1）具有自动智能指挥系统，检测跟踪性能好，抗干扰能力强，灵敏度高，可靠性高。具有对多批低空、超低空目标、目标小和跟踪隐身目标;访问带有目标标识、威胁检测等的信息。抗扰动和辐射导弹能力;它具有在战役战术范围内参与形成多个目标的能力。（2）具有形成大空域、大深度、抵抗多种空袭武器攻击的火力系统。具有控制几米至几公里作战高度的能力，与中高空空域衔接良好;具有攻击地射战术制导武器母机的能力;具有拦截小型导弹空中目标（直升机、导弹、导弹、导弹等）的能力，等）能力;抗突然袭击的快速反应能力;机动过载能力大，对机动飞机和巡航导弹的拦截精度高;野战防空与导弹炮结合;（3）适用于大量装备的能力，生存能力强;（4）综合保障能力，以性能、寿命周期、成本综合最佳为核心。
二、防空火力分配数学模型
防空武器优化配置的主要依据是射击的优先目标、总体优化配置以及每种武器系统的武器数量。以达到战斗力和防御力的最大化，考虑我们攻击敌人目标的武器系统的战斗力。有k种武器系统是不同类型的，每个武器系统只有一个性能火力单元是每个武器系统的特性，被攻击的目标是第m批。决策矩阵火力分配为
其中：武器系统第i可用的火力單位数为LM，武器系统第i攻击第j批毁伤概率目标的为PIJ，也就是说，对分配对敌方攻击的原则是最大限度地提高所有武器系统的防御性能。为了量化攻击任务，必须分析敌人目标、基本枪支单位和防御目标之间的关系。
2.定义2.防御有效性是目标威胁程度和防御因素的乘积，即R=QH。式中：Q=[Xj l]为威胁矩阵目标，表示第一批攻击我防御要地的目标的威胁程度;H=[HLi]为权重系数矩阵防御武器系统;包括关于敌人目标R、武器系统和我们防御位置的信息。
3.定义3.分配火力联合使用和防御能力的联合使用是防御的总体表现。即F′=XR。因此，优化防御系统的模式如下
三、火力优化的算法设计
遗传算法是一种基于生物世界随机搜索算法自然选择和遗传机制，已成功应用于火力分配效果调整。下面介绍两种算法比较该算法的可行性和优越性。
1.PSO算法用于分配火力优化。粒子群优化（DPSO的开发是一种新的全局优化算法，最初用于连续优化。当前，组合优化存在许多问题。PSO算法是空间搜索速度的随机变化，随机搜索当前最佳粒子，与其他优化和进化算法相比。（1）算法的编码方法。传统粒子群优化算法将优化参数用作每个粒子的尺寸，并在优化过程中通过更新粒子速度和位置来更改优化参数，特别是因为本文的优化模型包含m个武器系统和n个批量目标。要优化的参数是武器系统I分配给j批目标的火力单位数。即mij=（M1 1，m12，m1n，m12，…，M2n，…，M1，Mm2，…（2）权重选择。搜索空间已经扩大，以考虑到粒子更新速度的随机性。在实际优化过程中，必须先执行全局搜索以快速缩小搜索空间与区域之间的距离，然后使用精细的本地搜索来提高解决方案的精度
2.分配火力的优化算法。PSO算法的最佳解决方案是基于存储容量和粒子的信息共享。如果当前优化是局部的，并且所有粒子都聚集到此粒子上，则很难绕过局部优化，特别是在多层研究中。因此，遗传算法提供了更好的全局搜索功能。遗传算法中的变异机制有助于粒子脱离最优部分。这通过使用遗传算法的并行搜索功能、粒子群的局部搜索功能和存储容量来提高收敛性能。
防空武器系统的目标火力分配模型，其基础是多目标防空武器系统的作战效能和防御效能相结合，首次采用粒子群优化算法对于所构建模型的特点，分别采用PSO和PSO-GA为基础的火力优化分配方法，采用编码方法作为解决方案。在保证算法准确性的同时，巧妙地解决了参数约束问题进行优化，提高了算法计算效率，适应了现代战争的实时性、准确性和可靠性要求。
参考文献：
[1]王泰.0-1型整数规划在火力最优分配中的应用，山西师范大学学报，第27卷增刊，2018.5
[2]刘浩.防空火力分配建模及优化方法研究，兵器工业出版社，2018.
[3]吴海士.防空火控系统火力分配的多目标优化研究，东南大学出版社，2018.1
（作者单位：1.31662部队;2.空军工程大学;3.32149部队）