防空作战多传感器任务规划算法设计论文

防空作战多传感器任务规划算法设计

唐俊林¹，张 栋¹，王玉茜²，刘 莉²

（1.西北工业大学航天学院，西安710072；2.江南机电设计研究所，贵阳550009）

摘 要： 对于大规模空袭的各类无人机、弹道导弹、隐身导弹等复杂目标特性，单一探测手段已无法满足网络化战场环境的需求，多传感器协同探测是主要手段，其中任务规划是协同探测的关键。多传感器任务规划综合利用了多种传感器优势互补进行协同探测和跟踪，是提升防空作战的效果的主要途径。基于合作型协同进化算法的理念，提出了一种基于竞争型协同进化的多传感器任务规划算法。首先，建立了防空多传感器任务规划数学模型；其次，基于竞争型协同算法建立框架，并设计了新的编码方式，提出了交叉、变异以及冲突消解的策略；最后，仿真验证了所建立的模型、算法的合理性和效率，对未来防空作战提供技术支持。

关键词： 大规模空袭；防空作战；传感器任务规划；多智能体；竞争型协同进化算法；多传感器

1 引 言

随着信息技术的迅猛发展，现代战争具有大纵深、立体化、信息化、体系化等突出特点，交战双方在多维空间的对抗方式也表现出更加强烈和复杂多变的攻防对抗博弈，群目标的饱和攻击、多样化的突防手段、多类型的干扰态势、多种类导弹的交替使用，实现作战信息共享，构建以体系为核心、高度融合、整体联动的多种武器协同的空袭体系，提高突防效能，降低导弹防御系统拦截作战的效率，所以防空导弹系统正面临着严峻的威胁与挑战。新一代导弹防御系统必须进一步满足复杂战场环境中可靠探测高速、高机动、隐身、隐蔽、伪装群目标的迫切需求，亟待提高在复杂战场环境中的自适应任务规划以及群目标协同攻击等方面的能力。

面对新的空袭体系的作战思想与作战模式，多弹协同作战是未来战争中提高体系对抗能力的有效措施之一。如何组织和控制多个导弹来协同完成单枚导弹无法完成的复杂任务是一个亟待解决的问题。

在复杂的防空作战环境中，利用传感器对来袭目标的探测和跟踪是决定防空作战成败的关键。在拦截多批次多类型的来袭目标时，需要为部署在不同位置的传感器规划任务，实现多传感器的协同探测以及跟踪，为防空作战提供连续、稳定、可靠的探测和跟踪信息。因此多传感器的任务规划是防空作战的关键。

高潮急着去地铁站，是想找入口处那位流浪歌手。自打半年前到“卓木文化”上班，高潮上下班基本上都要从这个地铁站出入。有一天加班到晚上十点多，高潮浑身疲惫眼神呆滞地走向地铁站，还没进入口，就听到一阵悠扬的吉他声飘过来，伴随着略嫌沙哑、颓废的嗓音：

文献［1］给出各传感器对各目标的可探测时段，将协同任务分解为按时间排序的若干子任务，由于所考虑的约束条件较少，传感器和目标数量也较小，不需要使用特定的优化算法求解。文献［2］基于多智能体的分布式人工智能技术提出传感器任务规划体系架构，并给出实体层传感器的任务规划流程和算法实例。文献［3］构建了一种基于任务共同体的分层决策框架，通过粒子群优化算法仿真验证了分层决策框架的合理性和有效性。文献［4］总结了多传感器任务规划技术的理论和应用，并概括了集中式、分布式任务规划采用的一些算法，如早期的整数规划、图论、搜索算法以及后来的市场机制和群智能算法。文献［5］从多传感器信息处理技术和多传感器协同部署、跟踪、引导、识别等方面综述了多传感器协同任务规划的关键技术。文献［6］提出一种智能优化技术GSSM 算法来解决多传感器多目标协同跟踪问题。文献［7］用分布式传感器分配方法解决大规模无线传感器网络中多目标跟踪的传感器分配问题，通过反复迭代的子梯度搜索，求得近似优化。

针对大规模空袭问题，需要优化应对众多来袭目标的传感器资源分配方案，因此本文借鉴协同进化的思想，基于多智能体技术，对多传感器任务规划问题展开了研究。

2 防空作战多传感器任务规划数学模型

2.1 问题描述

大规模空袭目标对要地防空和区域防空带来了极大挑战，如图1所示，大规模空袭目标包含隐身目标、各类无人机、弹道导弹目标等，采用单一的传感器探测已无法适应复杂的作战环境，因此需要多传感器的协同探测才能满足需求。

图1 大规模空袭要地目标示意图
Fig.1 Target of large-scale air attack

针对大规模的空袭问题，来袭目标的数量远远多于传感器的数量，需要为每个目标分配部署于不同位置的传感器，以实现对目标的探测和跟踪。多传感器多目标任务分配优化问题的解往往规模庞大，为了分解问题规模，提高运算效率，基于多智能体系统思想，将所有传感器进行分组，同一个组中的若干个传感器由一个主控Agent 管理。各主控Agent 只负责为其责任范围内的目标分配所管理的传感器，各主控Agent 由上级主控Agent 管理。目标-传感器完整分配方案组成如图2所示。

综上所述，压力超负荷和容量超负荷分别作用于心动周期的不同时段，引起向心性和离心性心脏肥大。但是，由于均为机械应力超负荷诱发，压力超负荷和容量超负荷心脏肥大在病因和病理改变上，并非泾渭分明的两类心脏重构，而是呈现相互交叉的特点，且在病变的不同阶段呈现动态变化。本文揭示了一些肥大相关信号在两类超负荷心脏重构中的差异，并初步提出了CaN和Akt信号通路可能分别是针对两类超负荷精准化治疗的靶点。其上下游调控因子在两类超负荷心脏重构中的调控差异，尚需进行深入研究。

图2 全局决策向量分配示意图
Fig.2 Global decision vector assignment

2.2 决策变量

上级主控Agent 所属的m 个探测跟踪传感器集合表示为J ={J ₁，J ₂，…，J_m }，需要跟踪的n 个目标用集合表示为T ={T ₁，T ₂，…，T_n }。建立多传感器跟踪资源分配的决策变量为：

第j = 1，2，…，N_A 个主控Agent 的m_j 个传感器集合表示为J_j ={J_{j 1}，J_{j 2}，…，J_jm }⊆J ，需要跟踪的n_j 个目标用集合表示为T_j ={T_{j 1}，T_{j 2}，…，T_jn }⊆T ，其目标-传感器分配的决策变量为：

第j = 1，2，…，N_A 个主控Agent 的责任区定义如下：责任区中心在以上级主控Agent 为中心的大地直角坐标系下各坐标轴的位置分别表示为责任区半径表示为R^j_zr 。

上级主控Agent 中，第p (p ∈1，2，…，n )个目标只位于第j (j ∈1，2，…，N_A )个主控Agent 的责任区内，不位于其他任何一个Agent 的责任区内，则表示为S ⁰_pj = 1；否则S ⁰_pj = 0。

2.3 目标函数

针对大规模空袭问题，目标函数应使目标-传感器分配方案的效能达到最优。目标函数综合考虑目标的威胁顺序、传感器j 对目标i 执行任务时的价值函数和目标i 对传感器j 造成的损耗函数，形成一个配对效能函数。

（1）传感器j 对目标i 执行任务时的价值函数V_ij

价值函数V_ij 一般根据传感器所执行的具体任务需求或当前对目标的跟踪状态定义：

其中；P_fij 为传感器j 对目标i 的发现概率； 为传感器j 对目标i 的跟踪精度度量。

（2）目标i 对传感器j 造成的损耗函数C_ij

损耗函数C_ij 主要是指进行配对后给整个多传感器系统乃至防御阵地带来的损失。

定义C_ij = 0 时损耗最大，C_ij = 1 时损耗最小。r 表明该传感器的重要程度，r ∈[1，9]；n_j 为当前传感器j 剩余的目标通道数，n _max为当前所有跟踪制导传感器的总目标通道数量。q_fs 为状态量，表示该传感器是否有反辐射导弹攻击，q_fs = 0 表示有反辐射弹攻击，q_fs = 1表示无反辐射弹攻击。

根据以上两条分析，对于主控Agent，多传感器资源协同分配总效能E_f 定义为：

其中，α 、β 为加权系数，且α +β = 1，w_i 为综合情报态势系统给出的目标威胁排序。

此时，多传感器资源协同分配模型可描述为，在一定约束条件下，求使得E_f 最大的目标-传感器协同分配矩阵X，即目标函数为：

2.4 约束条件

针对大规模空袭目标的多传感器规划问题，在任务规划过程中，需要考虑一些实际的约束：

（1）主控Agent责任区约束：

式中，S_pj = 1 表示目标p 位于第j 个主控Agent 责任范围内。

（2）每个传感器最大执行任务能力约束：

根据中商产业研究院数据，中国第三方移动支付移动互联网用户规模递增。截至2017年12月，中国网民人数共计7.72亿，全年网民新增人数4074万，为第三方移动支付的推行和发展提供了良好的基础。

式中，η^j_q 为传感器q 的最大可探测能力， ≥1 且q = 1，2，…，m_j 。

（3）每个目标的最大被执行任务容量约束：

赵四指着自家的三间大瓦房和满园鲜嫩的时令菜蔬说，“我住的这个院子原来是沙丘，自从有了三北防护林，生态变好后，沙丘后移，沙地变成了菜园子。这些蔬菜，用的是农家肥，不打农药，除自家吃外，每年还能销出去一些，增加了不少收入。”

式中， 为目标p 被分配的最多传感器数。

（4）传感器对主控Agent 的无重叠责任区内目标覆盖约束：

当 = 1时，

该条件表明在一个主控Agent 中，每个S ⁰_pj = 1的目标都至少应分配一个传感器。

CEI计算软件系统的模块化结构如图3所示，包括CEI项目数据管理、CEI在线计算、CEI报告产生和ERPG数据管理等主要功能模块。

（5）传感器对目标的可观测性：

以日本Yahoo知识堂为例，其向人们提供了在网络上以互动问答的方式来分享个人知识的服务，基本上是问答形式的对话文体，与新闻报道的文体有所区别。正如杉村(2011:21)所说，基于网络的语料库“对于了解词汇如何由中心用法向边缘用法扩展，是一种有效的语料”，笔者认为可以合理有效地运用网络数据。

对于大多有阵面限制的制导雷达，应选择方位角在当前制导雷达类传感器阵面方位内的目标，分配给该传感器，即

第四步：按威胁度由大到小的顺序依次为没有传感器分配的目标先腾出可分配的传感器资源，再进行添加分配关系操作，腾出可分配的传感器资源时按整体效能衰减值由小到大的顺序依次进行解除分配关系操作（当有剩余传感器资源可分配时不需要此过程，当解除分配关系后另一目标无传感器分配则禁止解除此分配关系），直至目标有可分配的传感器资源为止，添加分配关系时每个目标按整体效能增益最大的原则仅添加一个传感器分配。

对于在某个方向上释放干扰的目标，需要优先选择观测条件好的雷达进行观测，一般考虑雷达方位观测角至少大于60°，即：

b.干扰目标的最优观测雷达选择

式中，β_i 为目标i 相对于传感器j 的方位角，Δβ_j 为传感器j的阵面角度大小。β_FPj 为传感器j的阵面方位中心。

式中，α_mki 为雷达方位观测角，其含义如图3所示。同时，优先分配具有针对该类型干扰有对抗能力的传感器。

图3 典型外挂干扰吊舱的水平干扰范围
Fig.3 Horizontal interference range of typical external interference pod

（6）被动跟踪目标传感器的选择约束：

若不止两部传感器都被动跟踪上同一个目标i ，则计算任意两部传感器对该干扰目标的交叉定位效能E ，取E 值最大的两部传感器跟踪该目标。E的定义如图4所示，

其中，AB 为两部传感器之间的距离，θ 为两部传感器与干扰目标形成的张角。

a.雷达阵面限制

（7）传感器对已跟踪目标的固定分配约束：

改进型竞争型协同进化模型的算法流程如图7所示。

3 基于竞争型协同进化算法的多传感器任务规划

图4 干扰目标与两部传感器相对位置图
Fig.4 Relative position of jamming target and two sensors

协同进化算法改进了传统进化算法的不足，通过多个种群之间的竞争或合作关系，使其相互作用提高各自性能，以达到种群优化的目的^［8］。协同进化算法包括竞争型和合作型协同进化算法^［9］。Jong提出了合作型协同进化算法的通用模型，其有效性在很多问题中得到证实。文献［10］对合作型进化算法的合作选择方式、适应度分配等合作机制进行了研究。

3.1 合作型协同进化算法

典型的合作型协同进化算法流程如图5所示，种群中的个体适应度计算需要从其他各种群中抽取一个代表个体来共同放入问题域（选择代表个体的方式也成为算法的合作形式），组成问题的解，然后用问题域中的评估函数计算评估值，以此作为该个体的适应度。各种群在合作型协同进化模型中是以合作的形式发生信息交换的。

2）“闹”中有序，收放自如：“动”起来还要“收”回来。上文中提及的慕课、微课、翻转课堂等新型教学模式有一个共同特点：能让课堂活跃起来、热闹起来。毋庸置疑，语言学习需要长期的坚持和积累，而兴趣是最好的老师。建构主义理论强调教学情境的创设和学生知识的自主建构，这些新型模式可协助师生创造生动的英语学习情境，加强学生的自主探究、合作、交流能力。然而，在实际教学过程中，我们不能一味强调“闹”和“动”，更要保证教学活动的规范性、秩序性和系统性，要做到动静结合、“热闹”过后学有所获。

3.2 竞争型协同进化算法

本文提出了一种改进的竞争协同进化算法，该算法的完整解由不同种群的代表性个体组成，其信息交互关系如图6所示。

在图6中，各主控Agent分别完成自身的进化争取最大效能值后，将最优多传感器多目标分配方案送上级主控Agent，上级主控Agent 对各主控Agent的最优分配方案进行冲突消解后，将各自新的分配方案反馈给相应主控Agent。

若某传感器q 已跟踪上某目标p ，且需要持续跟踪（如收到“保持精跟”、“严密监视”等命令），则需要增加约束条件： = 1。另外，考虑传感器规划系统与作战指挥人员的交互，当指挥人员通过人工干预的方式或通过上级命令指定传感器q 跟踪目标p （或不跟踪目标p ）时，也需要增加约束条件： = 1（或 = 0）。其中，p = 1，2，…，n_j ，q =1，2，…，m_j 。

3.3 任务规划算法设计

3.3.1 编码方式

图5 合作型协同进化算法
Fig.5 Cooperative coevolution algorithm

上级主控Agent 探测跟踪的目标集合T =（共n 个目标），在以上级主控Agent 为中心的大地直角坐标系下各坐标轴的位置分别表示为上级主控Agent下属所有传感器资源集合表示为（共m 个传感器）。上级主控Agent 的目标-传感器完整分配矩阵表示为X_{n ×m} ，其元素定义如下：

上式中p = 1，2，…，n 和q = 1，2，…，m 。

图6 竞争型协同进化模型的信息交互关系示意图
Fig.6 Information interaction of competitive coevolution model

图7 竞争型协同进化模型的流程图
Fig.7 Competitive coevolution model

第j = 1，2，…，N_A 个主控Agent的m_j 个传感器集合表示为J_j ={J_{j 1}，J_{j 2}，…，J_jmj }⊆J ，需要跟踪的n_j 个目标用集合表示为T_j ={T_{j 1}，T_{j 2}，…，T_jnj }⊆T ，其目标-传感器分配矩阵 的元素定义如下：

上式中p = 1，2，…，n_j 和q = 1，2，…，m_j 。

3.3.2 可行解的生成、交叉和变异

对于音标教学，现如今人教版英语教材的编排是十分科学合理的，但是作为一名一线教师特别是农村英语教师却在教学实践中遇到如何把控音标教学“度”的困惑。

（1）可行解的生成

对目标-传感器分配矩阵的每一个元素，在满足传感器有剩余通道、分配传感器未达到限制、传感器作用距离和阵面范围内、传感器类型符合需求等约束条件下，若该目标施放干扰，优先分配对该干扰有对抗能力的传感器，其次是雷达方位观测角大于60°的传感器。在其他情况下，则将该元素随机置为0 或1，若不能满足以上任何一条约束条件则将该元素置为0。

（2）可行解的交叉

交换两个目标-传感器分配矩阵的对应行，即交换对应传感器对每个目标的分配情况。如交换两个矩阵的第三行：

图8 交叉过程示意图
Fig.8 Crossover process

对交换后的两个矩阵进行可行性检查，若目标q 没有传感器分配，则为该目标分配一个满足所有约束条件的传感器。若没有满足所有约束条件的传感器，则分配一个有剩余通道，满足固定分配约束，在该主控Agent责任区范围内的传感器。

（3）可行解的变异

换了平常，阿里会兴奋地答应。而这天，阿里虽然“哦”地答应了一声，却没有高兴起来。看不到姆妈，他无法高兴。

目标-传感器分配矩阵的元素在满足所有约束的条件下以某一概率变异，原来为0 则变为1，原来为1 则变为0。如第2 行第4 列元素，第3 行第3 列元素由1 变为0，第3 行第1 列元素由0变为1。

若存在目标没有传感器分配，与个体生成中的处理方式相同，保证每一个目标都有分配传感器。变异概率取0.6，个体的每个基因以0.6 的概率变异。

图9 变异过程示意图
Fig.9 Mutation process

3.3.3 上级主控Agent冲突消解

与各主控Agent的目标-传感器分配矩阵相比，上级主控Agent 的目标-传感器完整分配矩阵X_{n ×m} 的约束条件只有约束条件（4）不同。在上级主控Agent 的目标-传感器分配矩阵中，条件（4）为传感器对目标的覆盖约束：

其中，p = 1，2，…，n 。每个目标都必须至少分配一个传感器。

当由各主控Agent 独立完成自身的进化后，得到使得各自目标函数达到最优的目标-传感器分配矩 阵 ，并 传 递 给 上 级 主 控Agent，上 级 主 控Agent 对全部 的组合解X_{n ×m} 进行可行性判断，当不满足约束条件时消解各主控Agent独立进化争取自身效能而与其它主控Agent之间冲突的问题。

图10 冲突消解
Fig.10 Conflict resolution

为了消解冲突，需要对部分目标进行解除分配关系的操作，一方面避免传感器资源分配过甚，另一方面为没有传感器分配的目标腾出传感器资源；还需要对没有传感器资源分配的目标或者有剩余传感器资源可分配且分配传感器资源未达上限的目标进行添加分配关系的操作，尽可能使得整体效能优化。

由此，对冲突消解模型的每一步展开设计。

第一步：梳理出传感器资源分配过甚的目标及其分配关系。

第二步：梳理出没有传感器分配的目标及其可分配的传感器和相应传感器的所有分配关系。

大豆分离蛋白会对肉制品的风味、色差产生重要影响，有很强的功能性，它可以降低水和油的表面张力，有很强的保水能力，有利于薏米鸡肉饼的状态稳定。适当添加大豆分离蛋白，能够起到调节口感风味的作用；如果用量偏大，则会导致薏米鸡肉饼质地偏硬。所以，大豆分离蛋白的用量一定要控制好。根据试验结果，确定大豆分离蛋白的添加量为10.0%左右最为合适。

第三步：按威胁度由小到大的顺序依次为传感器资源分配过甚的目标进行解除分配关系操作，解除分配关系时按整体效能衰减值由小到大的顺序依次进行，直至无多余的分配关系为止。

由表3可见，(1)ZH沉积柱中，Co、Ni、Cu、Zn等重金属表现为中等富集，Mn、Pb为显著富集；(2)ZF沉积柱中，重金属Cr、Mn、Co、Ni、Cu等表现为中等富集，Zn、Pb为显著富集；(3)ZU沉积柱中，Cr、Mn、Co为中等富集，Ni、Cu为显著富集，Zn为强烈富集，而Pb达极度富集程度．故株洲河岸沉积物中明显富集(EF>1.5))Cr、Mn、Co、Ni、Cu、Zn、Pb等重金属元素，而重金属Ba、V在三沉积柱中均无明显富集(EF<1.5)；且自市域河流上段→下段，重金属的富集程度明显加深．

第五步：循环判断是否存在有剩余传感器资源可分配且分配传感器资源未达上限的目标，若存在则梳理出所有这样的目标及其全部可分配的传感器，按整体效能增益最大的原则进行添加分配关系的操作，并进入下一轮循环；若不存在这样的目标，则停止循环。

B矿区位于滇东北，地层主要为三叠系、石炭系、泥盆系，岩性主要为粉砂岩、砂岩、泥质灰岩、白云岩、铅锌矿。测量结果见表2：

4 仿真分析

假设敌方使用2 架预警机、2 架隐身轰炸机、6 架联合攻击机、16 架战斗轰炸机、空基巡航导弹、联合防区外发射武器、联合直接攻击弹药、反辐射导弹等。大规模空袭时的空袭方案（如图1所示）和空袭武器数量（部分见表3）。仿真将100个目标分配给15 个传感器。15 个传感器交由3个Agent 管理，每个Agent 管理5 个传感器。各主控Agent，各传感器，各目标的参数由下面的表格列出：

表1 各主控Agent的参数
Table1 Parameters for Agents

表2 传感器的参数
Table2 Parameters for sensors

表3 目标的参数
Table3 Parameters for targets

各主控Agent 分别采用遗传算法进化，种群规模取200，最大进化代数取400。α 取0.6，β 取0.4。为了提高运算效率，采用变种群规模的策略，每进化5 代，种群规模减2。在保证寻优能力的前提下，适当减小种群规模能够缩短计算时间。

采用竞争型协同进化算法，各主控独立进化后再经过冲突消减。由于最终的目标-传感器分配矩阵十分庞大难以列出，以下仅列出各个传感器所分配到的目标：

四是政工干部后继乏人。当前，有些基层单位从事思想政治工作的指导员已接近退休年龄，却物色不到合适的接班人；有些年轻的思想政治工作者不热心本职工作，甚至有些存有转换工作的思想。同时，随着企业改革的深化，思想政治工作部门不断被压缩、精减，致使从事思想政治工作的人员减少，缺乏后续力量。

传感器1：［2，3，4，7，9，11，12，14，15，16，17，18，20，41，47，64，69，92，95，96，97，98，99］

传感器2：［10］

传感器3：［1，5，6，8，10，13，19，91，93，100］

传感器4：［1，5，94］

传感器5：［6，8，13，19］

传感器6：［21，22，24，26，27，28，29，30，32，38，39，40，42，43，44，45，46，48，49，50，73，74，75，76，78，80］

传感器7：［2，3，4，7，11，12，14，15，16，17，18，20，21，22，24，26，27，28，29，30，32，38，39，40，42，43，44，45，46，49，50，73，74，75，76，78，80，92，95，96，97，98，99］

传感器8：［31，33，34，35，36，37］

传感器9：［23，25，71，72，77，79］

传感器10：［77］

传感器11：［51，52，55，59，60，62，63，65，66，67，68，70，83，84，86，89］

传感器12：［51，52，55，59，60，61，62，63，65，66，67，68，70，83，84，86，89］

传感器13：［53，54，56，57，58，85］

传感器14：［81，82，85，87，88］

传感器15：［81，82，87，88，90］

各主控Agent的目标函数随着进化过程的变化趋势如图11所示，各主控Agent 的目标函数随着进化过程逐渐增大最后趋于稳定，算法的寻优能力效果显著。

各主控Agent 的目标-传感器分配如图12所示，三角形表示目标，六边形、圆形、五角星、菱形、正方形依次表示各个传感器。

图13为所有目标-传感器的分配图。红色表示Agent1 的传感器和目标，黄色表示Agent2 的传感器和目标，绿色表示Agent3的传感器和目标。

图11 目标函数变化趋势
Fig.11 Change trend of objective function

5 结 论

传感器任务规划中，来袭目标往往数量众多，用来表示问题解的目标-传感器分配矩阵规模庞大。将传感器分组，由若干主控Agent分别管理，有利于加快进化效率。

图12 各主控Agent的目标-传感器分配图
Fig.12 Target-sensor assignment

图13 目标-传感器分配
Fig.13 Target-sensor assignment

竞争型协同进化算法适用于规模较大的优化问题。将大规模优化问题分解，有利于提高运算效率，同时又具备较好的寻优能力。各主控Agent 独立进化达到最优后，再进行冲突消解，造成了全局寻优能力下降。合作型协同进化算法避免了大量信息在各主控Agent和上级Agent之间传递，具有一定的优势。

参考文献

［1］ 董晨，刘兴科，周金鹏，等.导弹防御多传感器协同探测任务规划［J］.现代防御技术，2018，46（6）：57-63.

［2］ 吴林锋，王刚，刘昌云，等.基于多智能体的反导传感器任务规划算法［J］.现代防御技术，2012，40（3）：89-93.

［3］ 倪鹏，刘进忙，付强，等.异构MAS下反导作战多传感器任务规划分层决策框架［J］.系统工程与电子技术，2016，38（8）：1816-1825.

［4］ 倪鹏，王刚，刘统民，等.反导作战多传感器任务规划技术［J］.火力与指挥控制，2017，42（8）：1-5.

［5］ 李志汇，刘昌云，倪鹏，等.反导多传感器协同任务规划综述［J］.宇航学报，2016，37（1）：29-38.

［6］ Ling Q，Fu Y F，Tian Z.Localized sensor management for multitarget tracking in wireless sensor networks［J］.Information Fusion，2011，12（1）：194-201.

［7］ Fu Y F，Ling Q，Tian Z.Distributed sensor allocation for multitarget tracking in wireless sensor networks［J］.IEEE Transactions on Aerospace and Electronic Systems，2012，48（4）：3538-3553.

［8］ Hillis W D.Co-evolving parasites improve simulated evolution as an optimization procedure［J］.Physica D，1990，42（1-3）：228-234.

［9］ Potter M，Jong D.Cooperative coevolution：An architecture for evolving coadapted subcomponents ［J］.Evolutionary Computation，2000，8（1）：1-29.

［10］ Wiegand R P，Liles W C，Jong D.An empirical analysis of collaboration methods in cooperative coevolutionary algorithms［J］.Proceeding of the Genetic and Evolutionary Computation Conference（GECCO），2001：1235-1245.

Research on Multi-Sensor Task Planning Algorithms for Air Defense Operations

TANG Junlin¹，ZHANG Dong¹，WANG Yuqian²，LIU Li²

（1.School of astronautics，Northwestern Polytechnical University，Xi’an 710072，China；2.JiangNan Design Institute of Machinery＆Electricity，Guiyang 550009，China）

Abstract： For the complex target characteristics of large-scale air attack，such as UAV，ballistic missile and stealth missile，a single detection method cannot meet the needs of the networked battlefield environment.Multi-sensor cooperative detection is the main method，and task planning is the key to cooperative detection.Multi-sensor mission planning is the key to improve the effectiveness of air defense operations，which is to make full use of the advantages of multiple sensors to carry out cooperative detection and tracking.Based on the concept of cooperative coevolution algorithm，this paper proposes a multi-sensor task planning algorithm based on competitive coevolution.Firstly，the mathematical model of air defense multi-sensor mission planning is established；secondly，based on the framework of competitive cooperative algorithm，a new coding method is designed，and the strategies of crossover，mutation and conflict resolution are proposed；finally，the rationality and efficiency of the model and algorithm are verified by simulation to provide technical support for future air defense operations.

Key words: Large Scale Air Attack；Air Defense Operations；Sensor Task Planning；Multi-Agent System；Co-Evolutionary Algorithm；Multi-Sensor

中图分类号： E955

文献标识码：

文章编号： 2096-5915（2019）05-0569-10

［引用格式］ 唐俊林，张栋，王玉茜，等.防空作战多传感器任务规划算法设计［J］.无人系统技术，2019，2（5）：46-55.

收稿日期： 2019-08-07； 修回日期：2019-08-26

基金项目： 国家自然科学基金（61903301）

作者简介：

唐俊林（1996-），男，硕士研究生，主要研究方向为多无人系统的智能规划与自主决策。

张 栋（1986-），男，博士，副教授，主要研究方向为集群无人系统智能规划与自主控制。本文通信作者。

王玉茜（1987-），女，高级工程师，主要研究方向为防空阵地的多传感器部署与规划。

刘 莉（1975-），女，研究员，主要研究方向为防空体系任务规划技术。

标签：大规模空袭论文;  防空作战论文;  传感器任务规划论文;  多智能体论文;  竞争型协同进化算法论文;  多传感器论文;  西北工业大学航天学院论文;  江南机电设计研究所论文;