面向作战效能优化的反辐射无人机目标分配
李 峥，蔡译锋，吴 军
(西南电子设备研究所，四川 成都 610036)
摘 要： 针对反辐射无人机作战目标优化分配问题，提出了基于贪心法的解决方案，并完成了对该方案全局最优性的数学证明。计算机仿真表明，该方法能够得到与遍历法效能相同的全局最优解，同时计算所需的时间相较于遗传算法等经典次优算法有明显的优势，使用此方法进行作战目标动态分配能够得到明显优于静态分配的作战效能。
关键词： 辐射无人机；作战效能；目标分配；贪心法
0 引言
反辐射无人机作为重要的硬杀伤武器，能够自主完成寻的和制导，实现对威胁辐射源的动态打击[1]。传统运用反辐射无人机多为单机或双机编组对单个目标进行预置参数式打击。随着战场辐射源目标数量的增多、地理密度增加和战技手段增强，预置模式的打击效果明显下降。同时使用多架无人机构建无人机集群，对敌方的多部威胁辐射源进行集群式打击[2]的作战模式，集群式打击应运而生，。
多目标分配是集群作战中有助于提升作战效能的一项关键问题[3]，学界的相关研究提供了不同的解决方式。最简单的解决方式为遍历法，通过对所有目标分配方案进行遍历，选取作战效能最大的方案，但是面临计算量过大的问题。满意决策法对遍历法进行了改进，对每个无人机划定可能的作战目标范围，在范围内进行搜索，从而提高计算效率[4-5]。当存在定性约束条件时，模糊推理法根据实际情况和专家经验给出不同目标定性条件重要度的相对隶属度关系，从而实现无人机集群作战中的目标分配[6]。博弈论方法考虑攻防双方对目标分配的影响，能够较逼真地反映作战过程，使目标分配结果对作战效能具有较大的提升作用[7]。随着各种智能算法的发展，无人机作战目标分配找到了新的发展方向[8]，粒子群算法[9]和遗传算法[10]将目标分配问题建模为数值问题进行计算，简化分析过程，但普遍面临局部最小化的问题；而聚类算法[11]将目标根据属性相似性聚集成类，建模过程相对复杂。
这20 分钟的时间非常紧张，因为洞里那些发光的巨型透明石膏水晶体，像缠绕在一起的光柱一般，散落在洞穴四周，人们行走在其中，极其困难。可能大家还没走出10 米，20分钟就临近了，得赶紧往回撤。
现有无人机集群作战目标分配算法普遍面临计算量大、不能定量分析和局部最小化等问题，在实战应用中的可实现性较差。为探索更为贴近实战使用的无人机作战目标分配方法，本文以最大化作战效能期望为目标，利用贪心法设计出一种作战目标分配算法，该方法能够得到全局最优解，并且计算量较小，具备工程可实现性，能够为实战中的反辐射无人机自主作战目标分配提供理论支撑。
1 作战目标分配问题建模
不同辐射源威胁程度存在差异，集群式反辐射运用需要对无人机集群进行作战目标分配，确定每个无人机的攻击对象，提升整体作战效能。同时，在执行任务过程中，作战进程会随作战过程不断变化，造成战前目标分配策略需要根据实时战场情况快速、准确地完成目标重分配。在无人机集群式作战模式下，不同无人机之间的协同通常通过构建无中心的自组网络并采用分布式控制算法完成，最大程度上减少无人机集群在任务执行过程中对地面站以及空地通信链路的依赖。在机间自组网和分布式自主协同的架构下，无人机的各类控制算法必须在自身的内置计算芯片上实现，这就要求面向任务执行过程中的无人机动态作战目标分配算法必须能适应无人机芯片计算能力有限的现实情况。因此，反辐射无人机作战目标分配方法不仅需要能够最大化优化集群作战效能，还需要算法高效以满足实时目标重分配的高时效性要求[12]。
图5给出了当集群无人机数量变化时，采用3种方法生成策略所需要的计算时间情况。可以看出随着无人机数量的增多，3种方法所需的计算时长均呈增加趋势，但遍历法增长速度明显高于其他2种方法。本文中的方法所需的计算时间在此次仿真中始终保持在1 ms以内，相较于2种对照方法中相对较优的遗传算法也有3个数量级以上的优势。
在进行作战目标分配时，假设当前目标辐射源数量m 、各辐射源权重w i 以及打击成功率p i 均已知。由于各无人机的性能完全相同，则由n 架无人机组成的集群进行作战目标分配的本质为确定分配到各目标辐射源的无人机个数。因此，无人机集群的作战目标分配策略可用包含m 个元素的集合S ={c i |i =1，2，…，m }来表示，其中，c i ∈[0，n ]是分配到第i 个辐射源的无人机数量。
仿真所选用的典型场景如图6所示，由n 架无人机组成的集群从起飞点出发，经过突防通道抵达任务区对任务区内的敌方地面雷达进行反辐射打击。在无人起飞前，已知掌握到信息的目标数量为m ，但在作战过程中又有L 个新目标被发现。
(1)
综上，本论文需要解决的问题可描述为：在给定目标辐射源数量m 、各辐射源权重w i 、打击成功率p i 、无人机数量n 的情况下，寻找一种目标分配策略S= {c i |i =1，2，…，m }，使集群作战效能的数学期望E (S)最大化。
近年来，湖南省相继出台了系列政策法规，来给女性农工提供权益保障，为他们丰富精神文化生活，更好地融入到城市的建设中，提供了充分的保障条件。这就从一定程度上激发了她们劳动的积极性和热情。然而，我们也应该看到她们在参与城市建设中，由于环境背景、社会观念、生活方式而导致的生活上的差异，应将她们忽视掉的精神文化生活作为重要内容来加强重视，并给予相应的帮助。
2 作战目标分配方法
2.1 作战目标分配算法描述
w i [(1-p i )0-(1-p i )1]+
Δ=k (m ，n +1)-k (m ，n )=
(2)
由式(2)可以看出，m ≥2的情况下，k (m ，n )的值随着n 的增加单调递增，在m =2时保持线性增长，而在m ≥3的情况下，k (m ，n )的增速随n 的增大而增大。上述结论可理解为，随着反辐射打击场景规模的增大，目标分配方案的总数持续增多，若采用遍历法对问题去进行求解，其所需的计算时间将随着打击场景规模的增大而快速增加。战场态势变化迅速，进行目标重分配计算必须尽快完成才能适应作战要求。因此，采用遍历法难以适用上述动态目标分配的场景。
为解决上述问题，本文采用“贪心法”[16]实现一种高效的目标分配策略。
对于n 架待分配的无人机逐一进行作战目标分配。第一轮为无人机1分配目标辐射源，第二轮为无人机2分配目标辐射源，以此类推。在第j 轮分配中，需为无人机j 分配辐射源。为完成此分配，首先计算将不同的辐射源分配给无人机j 的分配增益。定义将第i 个辐射源分配给第j 架无人机的分配增益为
其计算方法如下
w i [(1-p i )di (j )-(1-p i )di (j )+1]，
(3)
式中，d i (j )是在第j 轮分配之前，已经分配到辐射源i 上的无人机数量。在对所有的m 个辐射源的分配增益都计算完毕后，选择其中分配增益最大的辐射源，并将该辐射源分配给第j 架无人机。重复上述过程直到给所有的无人机都完成作战目标分配。
上述算法流程如图1所示。
图1 算法流程
2.2 算法最优性证明
对于问题1中任何一个分配策略S={c i |i =1，2，…，m }，都可以通过依次为n 架无人机分配其作战目标的方式获得。
5.统一规范，把好项目资料关。规范基础工作是审计项目顺利开展的前提和保障，审计组长在强化审计项目质量的同时，要摈弃“重成果、轻基础”的错误导向，按照“规范、全面、标准”的要求，实行审计基础工作标准化管理，保证审计资料归档的及时性、准确性、完整性，促进审计质量和工作效率的提高。
综上，
是此时所有可能的取值当中最大的。
(4)
式中，u (j )是在第j 轮中为第j 架无人机分配的目标辐射源编号。对于辐射源i ，由S={c i |i =1，2，…，m }可知共c i 架无人机分配了该目标。将式(4)中所有满足u (j )=i 的c i 个分量提取出来，设上述c i 个分量对应的无人机编号由小到大依次为v (1)，v (2)，…，v (c i )，则上述c i 个分量的和为：
本节针对所述目标分配方法，利用Matlab进行仿真，分析对应的作战效能期望和计算时间情况。
w i [(1-p i )di (v (2))-(1-p i )di (v (2))+1]+…+
w i [(1-p i )di (v (c i ))-(1-p i )di (v (c i )+1)]=
用k (m ，n )来表示在目标辐射源数量为m ，无人机数量为n 的情况下的作战目标分配方法的总数量，有
在m 不变的情况下，k (m ，n )关于n 的增速等于无人机数量增大1时k (m ，n )的增大量，即
w i [(1-p i )1-(1-p i )2]+…+
w i [(1-p i )ci -1-(1-p i )ci ]=
在脱贫攻坚进程中，除了改善农民的经济条件外，基层村委会（社区）还应该引导树立以爱情为基础的择偶观。现阶段，农村女青年过分看重男方的经济条件，而忽略了婚姻缔结的重要纽带——爱情。在过于物化和商品化择偶观的冲击下，往往会因为婚姻双方缺乏同甘同苦的奋斗目标，以至于在婚姻生活中遇到一点挫折就会分手或者离婚。因此，建议采用讲座、板报、文娱节目等形式在各村（社区）宣传正确的择偶观和爱情观，树立社会主义农村婚姻新风尚。
w i [1-(1-p i )ci ]。
(5)
综合考虑所有的m 个辐射源有：
(6)
即F n 与分配策略S对应集群作战效能相等。进而，问题1可等价于：
在给定目标辐射源数量m 、各辐射源权重w i 、打击成功率p i 、无人机数量n 的情况下，寻找一种目标分配策略S= {c i |i =1，2，…，m }，使F n 最大化。
由于i ∈[1，m ]，j ∈[1，n ]，以及d i (j )∈ [0，n -1]，根据式(3)可知最多有m ×n 种取值。用m ×n 维的矩阵Φ 将的所有可能取值包含在内，并且令Φ (i ，j )=w i [(1-p i )j-1 -(1-p i )j ]，显然有
采用任意一种分配策略为无人机分配目标时，在进行第j 轮分配时，此轮中所选中的辐射源所对应的分配增益是所有m ×n 种取值中的一个，其在矩阵Φ 中的坐标为(i ，d i (j )+1)。若在进行第j 轮分配时将辐射源i 分配给无人机j ，定义此分配完成后矩阵Φ 中的坐标(i ，d i (j )+1)被“占用”。由于在此轮已将辐射源i 分配给无人机j ，故在下一轮的分配中，有d i (j +1)=d i (j )+1。类推可知，不管后续的分配如何进行，矩阵Φ 中之前已被占用的坐标都无法在后续分配中再次被占用。
对Φ (i ，j )关于j 求偏导可得：
(7)
由于0≤p i ≤1，故有ln(1-p i )≤0以及(1-p i )j-1 -(1-p i )j ≥0，故
由此可知Φ(i ，j )是关于j 的减函数，当j <j '时：
Φ (i ，j )≥Φ (i ，j ')。
(8)
在采用本文算法进行第j 轮分配时，矩阵Φ 中所有满足r ∈[1，m ]，t ∈[1，d r (j )]的坐标(r ，t )已被占用。假设在第j 轮中将第i 个辐射源分配给无人机j ，对应的分配增益为
只能从矩阵Φ 中未被占用的坐标位上去取值。此时，所有在矩阵Φ 未被占用的坐标可分为3类。
第1类坐标可表示为(i '，d i' (j )+1)，其中i '∈[1，m ]并且i '≠i ，由于本文算法选取了能够得到最大分配增益的辐射源，故
第2类坐标可表示为(i '，j ')，j '>d i' (j )+1，由式(8)可知，Φ (i '，d i' (j )+1)≥Φ (i '，j ')，故
第3类坐标可表示为(i ，j '')，j ''>d i (j )+1，由式(8)可知
在采用任意一种分配策略S进行目标分配之前，定义变量F 0=0，在第j 轮分配中，若将辐射源i 分配到第j 架无人机，则令
则在n 轮分配结束之后，有：
此外，民立中学历来也有演剧祝圣的活动，直到1908年8月，其演剧祝旦活动受到王安民的指责，从此不再举办演剧。《新剧史》详细记载了这一事件：
将上述结论推广到一般，可知，使用本文算法在每一次分配辐射源时所得到的分配增益都是所有可能的选择当中最大的。在完成n 轮分配之后，得到n 个
取值是m ×n 种可能的分配增益取值当中最大的前n 项，因此：
（2）HACCP管理。2000年开始，日本开始对输日蔬菜实行HACCP管理。为更好应对国际竞争环境，并提升我国出口食品的良好形象及品质，国内速冻蔬菜公司实行HACCP必定是大势所趋。HACCP的创建与实行要在GMP与SSOP的前提下实行。因此，当前国内速冻蔬菜公司实行计划首先是创建GMP与SSOP形式，对厂房条件、厂房设备、生产机械、卫生工具、组织结构等加以规范和严格的卫生检测，优化加工方法；其次，建立出食品的HACCP方案模式，从原料检验、半成品至成品的微生物、药物残留、金属检测等流程为CCP，展开检测分析和纠偏验证。
也一定是所有可能当中最大的，由式(6)可知，采用本文算法得到策略的集群作战效能的数学期望也是最大的。
3 仿真与分析
为验证所述目标分配方法的效能，首先通过仿真对该方法所对应的作战效能期望以及计算时间进行测试，然后设计反辐射无人机集群执行反辐射任务的典型场景，验证使用该方法进行战前静态目标分配以及临机动态目标分配所对应的作战效果。
3.1 算法效能分析
w i [(1-p i )di (v (1))-(1-p i )di (v (1))+1]+
仿真分为2组，分别分析在辐射源数量m 和无人机数量n 变化时，所述方法对应的作战效能期望和计算时间变化情况，并且在每组仿真中均同时选择遍历法和遗传算法作为对照组。遗传算法的终止进化代数设为50，种群大小设为200。
在第1组仿真当中，令m 从2～10以1为步进进行变化。其他参数，令n =10，各辐射源的权重w i 随机生成，并令打击成功率p i 与w i 负相关。共进行100次重复独立试验，将所有重复独立试验的平均值作为最终结果。
图2给出了当目标辐射源数量变化时，采用3种方法生成的策略所对应的作战效能期望情况。可以看出，当目标辐射源数量变大时，作战效能的期望呈现递减趋势。这是由于在无人机数量确定的情况下，当目标数增大时，由于平均分配到每个目标上的无人机数不断减少，造成对每个目标打击成功概率减小，从而导致整体作战效能的持续降低。同时，由图2还可以看出，采用本方法与采用遍历法得到的全局最优策略的效能相同，证明了本方法所得到解的全局最优性。遗传算法得到的解的效能在辐射源数量较少时十分接近最优解，但随着辐射源数量的增大，与最优解之间开始出现差距。
图2 m 变化时对应的作战效能期望
图3给出了当目标辐射源数量变化时，采用3种方法生成策略所需要的计算时间情况。在辐射源较少时，遗传算法所需要的计算计算时间远大于遍历法和本方法。随着辐射源数量的增多问题复杂度也随之增大，3种方法所需的计算时间均呈增长趋势。其中遍历法的增长速度最快并且逐渐超过了遗传算法，遗传算法和本方法的增长速度相对缓慢。总体而言，本文中的方法相较于其他2种方法的计算效率优势十分明显。
图3 m 变化时对应的计算时长
在第2组仿真当中，令n 从10～18以1为步进进行变化。其他参数，令m =10，各辐射源的权重w i 随机生成，并令打击成功率p i 与w i 负相关。共进行100次重复独立试验，将所有重复独立试验的平均值作为最终结果。
图4给出了当集群无人机数量变化时，采用3种方法生成的策略所对应的作战效能期望情况。可以看出，当无人机数量变大时，作战效能的期望呈现递增趋势。这是由于在需要打击的辐射源数量固定的情况下，所使用的无人机数越多，能分配到每个目标上的平均无人机数也越多，从而提升了对各目标的打击成功概率，进而提升了整体的作战效能期望。在参数变化过程中，采用遍历法和本方法所得到的策略对应的效能期望始终相同，采用遗传算法得到的效能期望略低于其他2种方法，这说明采用遗传算法并不能得到全局最优解。
图4 n 变化时对应的作战效能期望
基于以上描述，假设执行反辐射打击任务的无人机集群由n 架无人机组成，所有的无人机性能相同。需完成打击的目标辐射源数量为m ，m ≤n 。为每个辐射源分配一个权值来表征其威胁程度。对于辐射源i ，i ∈ [1，m ]，定义其权重为w i ，并且有
权重w i 代表了辐射源i 的目标价值，对其计算的方法在业界已有相关成果[13-14]。当无人机进入到任务区域后，将其对辐射源i 的打击过程建模为成功概率为p i 的伯努利试验[15]，在实际情况下，p i 与w i 通常呈现负相关。在一次打击任务执行完毕之后，假设被成功打击掉的辐射源集合为H ={i |i ∈[1，m ]}，则此次集群作战的效能定义为Q =
2.1 标准曲线线性考察结果 根据葡萄糖对照品浓度(C)与吸光度值(A)的线性关系得回归方程A=67.428 57C-0.112 19，R2=0.999 5，说明葡萄糖浓度与吸光度值的线性关系良好。
3)成型机专业化水平低。目前，国外的颗粒燃料成型技术虽然已经比较成熟，但其颗粒成型机针对的原料多为木屑，少有针对秸秆的成型设备。国内现有的针对秸秆原料的颗粒成型机，也是仅针对像玉米秸秆、小麦秸秆、花生壳等几种常见原料，对其它原料，则会出现设备运行不平稳甚至无法正常运行的现象，即对原料要求较高，适应性差，还未达到专业化水平。
有的是主人公为了让自己克服压力，更加充满信心地投入战斗；有的是打退或打死大鱼后的满意；有的是对美好时光、美好事物的期待和向往。
图5 n 变化时对应的计算时长
通过上述2组仿真，可以看出本方法能够得出无人机集群执行反辐射打击任务时的目标分配问题的全局最优解，并且所需计算时间远小于遍历法以及遗传算法，随着场景规模的扩大，本方法在计算速度方面的优势变得越为明显，适用于规模较大的集群式作战场景。因此，本方法具备在无人机内部计算芯片上进行集成实现的条件，从而能够有效支撑无人机集群在任务执行过程中的目标动态分配。
3.2 典型场景分析
通过设计一种无人机集群执行反辐射任务的典型场景，利用仿真对比采用本方法进行静态和动态目标分配的效果。
由于在进行作战目标分配时，打击任务还未完成，因此无法计算集群作战效能Q ，可通过计算集群作战效能Q 的数学期望作为对集群作战效能的评估准则，并在此基础上进行目标分配方案设计。对于一种给定的分配策略S，其对应的集群作战效能的数学期望为：
图6 典型反辐射打击任务仿真场景
在仿真过程中，令L 的取值从1～10以1为步进进行变化，其他参数，m =10，n =20，各辐射源的权重w i 随机生成，并令打击成功率p i 与w i 负相关。对于L 的每一种取值，均进行1 000次重复独立试验。所有重复独立试验完成后，取所有作战效能Q 的均值作为最终结果。
为了进行对比，对同一场景分别使用静态分配和动态分配2种策略。静态分配策略是指在无人机起飞前完成对已知的m 的作战目标的分配，在任务执行程中不再进行全局调整；动态分配策略是指在起飞前形成初始目标分配策略，在突防过程中若发现新的目标则重新进行全局目标分配。静态和动态的目标分配算法均使用本论文中的方法。
首先，要求在小型水电站发电机组运行的过程之中，保证整个发电机组处于一个相对比较整洁、干燥的发电环境之中。具体的来说，就是在小型水电站发电机组运行的过程之中，保证小型水电站的发电机组周围并不存在任何的、可能会干扰到小型水电站发电机组正常工作的设施和设备等，与此同时，对于可能会干扰到小型水电站发电机组工作的各种油污等物质来说，还要求相关的工作技术人员对其进行定期的安全清理，以便于保证小型水电站发电机组能够时刻处于清洁的工作状态当中，防止后续的施工过程之中出现差错，影响到小型水电站发电机组的正常工作运行；
图7描绘了在战场新发现雷达数变化时，采用动态和静态目标分配策略所取得的作战效能平均值变化情况。
图7 动态/静态策略作战效能对比(绝对值)
可以看出，随着战场新发现雷达数的增加，无论是采用静态分配还是动态分配策略，最终的集群作战效能均呈下降趋势。这是因为任务总目标变多时，无人机数量并未增大，平均到每个目标上的无人机数量降低，降低了将目标实际摧毁的概率，造成最终的任务完成情况不断变差。在2种策略当中，由于动态分配能够根据战场雷达数量的变化，从全局优化的角度重新分配各无人机的作战目标，故而其实际作战效能始终大于采用静态分配方法的效能。
基地的生鸡养殖采用着良性可持续发展模式，由机器人巡视养殖，每台机器监控8.4万只鸡，一旦鸡出现健康问题，机器会第一时间监测到相关情况并通报饲养工程师。此外，基地产出的鸡蛋均经过自动集蛋、脏蛋监测、紫外线杀菌等监测流程层层把关，保障健康鸡蛋的产出。机器人在巡视过程中，还会寻找出死鸡、病鸡，由人工直接将其投放于鳄鱼养殖场。鳄鱼有着强大免疫系统，这些鸡不会让它们吃出问题，反而是它们的一顿美餐。目前，鳄鱼养殖场也成为正大集团发展鳄鱼产业的重要实践基地。
图8描绘了在战场新发现雷达数变化时，动态/静态策略作战效能对比。可以看出，随着战场新发现雷达数的增加，采用动态策略的作战效能与采用静态策略的作战效能之间的比值不断增大，即动态策略的效能优势随着战场新发现雷达数的增大而增大。因为战场新发现雷达数越多，最终的真实打击场景与战前预期的差异也越大，造成了静态分配策略对最终真实打击场景的适应性不足，进而造成静态分配策略的作战效能快速下降。
肝细胞癌（hepatocellular carcinoma，HCC）是肝恶性肿瘤中最常见的病理类型，其进展快，恶性程度较高，预后较差，死亡率较高[1]。肿瘤转移是人类恶性肿瘤疾病中致死性因素之一[2]，探讨肿瘤转移的机制对于开发相关治疗策略、降低转移相关死亡率具有重要意义。长链非编码 RNA（long non-coding RNA，lncRNA）是一类转录本长度超过 200 核苷酸单位（nucleotide）的功能性 RNA 分子，参与包括 HCC 在内的多种癌症的发生和发展过程，且与许多肿瘤的发展与转移密切相关[3-5]。
图8 动态/静态策略作战效能对比(相对值)
4 结束语
本文针对反辐射无人机集群在执行对多个辐射源目标的打击任务时的目标分配问题，建立了问题的数学模型，采用“贪心法”提出了一种可获得全局最优解的目标分配策略方法，并对该方法的全局最优性进行了数学证明。通过计算机仿真，验证了该方法与通过遍历法获得的全局最优解的一致性，同时在计算效率上相较于经典的次优算法——遗传算法有明显的优势，从而使得该方法具有在计算资源有限的无人机内部芯片上实现的可行性。仿真结果同时显示了基于本方法对作战目标进行动态分配能够有效地提升集群作战任务的效能，相较于静态目标分配是一种更优的目标分配策略。
本文进行问题建模时只考虑了反辐射打击任务的完成情况，未考虑与之相对应的无人机开销。在后续的研究中，将考虑为实现给定作战效能所应使用的最少无人机数等问题，从而提供更为贴近实战的理论成果。
参考文献
[1] 肖春晖.无人机在战场侦察上的应用[J].无线电工程，2008，38(5)：50-52.
[2] 岳增坤，俞育新，张庆海.一种舰载无人机协同作战目标分配算法[J].舰船电子工程，2008，28(6)：44-48.
[3] 刘毅，李为民，邢清华，等.基于双层规划的攻击无人机协同目标分配优化[J].系统工程与电子技术，2010，32(3)，579-583.
[4] 曾佳，杨凌宇，申功璋.无人机编队内快速协同目标分配的时序约束[J].火力与指挥控制，2011，36(10)：45-49.
[5] 黄捷，陈谋，姜长生.无人机空对地多目标攻击的满意分配决策技术[J].电光与控制，2014，21(7)：10-13.
[6] 周小程，严建钢，马响铃.模糊推理方法在无人机编队目标分配中的应用[J].指挥控制与仿真，2012，34(2)：33-35.
[7] 韩玉龙，严建钢，陈榕，等.改进博弈论的舰载无人机编队协同对海突击目标分配[J].火力与指挥控制，2016，41(7)：65-70.
[8] 林海，王静，王文涛，等.基于分层处理的无人机任务规划[J].无线电工程，2010，40(5)：36-39.
[9] 施展，陈庆伟.基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配[J].南京理工大学学报，2012，36(6)：945-951.
[10] 罗红英，刘进忙.遗传算法在目标优化分配中的应用[J].电光与控制，2008，15(3)：18-20.
[11] 张堃，周德云.空战多目标模糊聚类算法研究[J].计算机工程与应用，2009，45(28)：236-239.
[12] 陈洁钰，姚佩阳，唐剑，等.多无人机分布式协同动态目标分配方法[J].空军工程大学学报(自然科学版)，2014，15(6)：11-16.
[13] 文志信，金栋，单洁.基于Vague 集和模糊决策的反辐射无人机作战目标价值评估[J].舰船电子工程，2011，31(5)：45-50.
[14] 刘乾，单洁，李霖.基于模糊隶属度和离差最大化的反辐射无人机作战目标威胁评估[J].电子侦察干扰，2013，34(1)：22-25.
[15] 盛骤，谢式千，潘承毅.概率论与数理统计[M].北京：高等教育出版社，2008.
[16] THORMAS H.算法导论[M].北京：机械工业出版社，2013.
An Anti -radiation UAV Target Assignment Method for Optimizing Operational Effectiveness
LI Zheng，CAI Yifeng，WU Jun
(Southwest China Research Institute of Electronic Equipment ，Chengdu ，Sichuan 610036，China )
Abstract ：In order to solve the operational targets assignment problem of anti-radiation UAV，a solution based on greedy algorithm is proposed and the mathematical proof of global optimality of this solution is performed.The simulation results show that the proposed solution has the same operational effectiveness expectation as that of the traversing method，and consumes much less time compared with such sub-optimal algorithm as genetic algorithm，furthermore，the dynamic target assignment using the proposed solution can obtain better operational effectiveness than the static assignment strategy.
Key words ：anti-radiation UAV；operational effectiveness；target assignment；greedy algorithm
doi： 10.3969/j.issn.1003-3106.2019.10.002
引用格式： 李峥，蔡译锋，吴军.面向作战效能优化的反辐射无人机目标分配[J].无线电工程，2019，49(10)：849-854.[LI Zheng，CAI Yifeng，WU Jun.An Anti-radiation UAV Target Assignment Method for Optimizing Operational Effectiveness[J].Radio Engineering，2019，49(10)：849-854.]
收稿日期： 2019-03-05
基金名称： 装发重点实验室基金资助项目(614210502040317)
中图分类号： TP301
文献标志码： A
开放科学标识码(OSID)： 
文章编号： 1003-3106( 2019) 10-0849-06
作者简介
李 峥 男，(1970—)，毕业于西安电子科技大学电子工程专业，研究员。主要研究方向：电子工程、电子对抗。
还好，我脑海中不断显现的尴尬局面并没有在第一天的傍晚出现，为第二天正式拍摄的探路工作在浅尝辄止之后就结束了。而为了让我在第二天不成为整个拍摄计划的最主要障碍，牧马人车主自告奋勇地开始帮我复习曾在各种“冰雪试驾”和“越野体验”活动中收获的知识点。一番理论教授结束之后，在一群改头换面的北汽BJ40、三菱帕杰罗的围观下，我成功依靠全新AMG G 63那充沛到有些过剩的动力摆脱了一个因为掉头而陷入雪窝的尴尬。
蔡译锋 男，(1985—)，博士，工程师。主要研究方向：电子对抗效能评估。
吴 军 男，(1990—)，博士，工程师。主要研究方向：电子对抗效能评估。
标签：辐射无人机论文; 作战效能论文; 目标分配论文; 贪心法论文; 西南电子设备研究所论文;