基于深度学习的作战任务分配方法研究

针对战时作战任务分配时效性要求高,而传统随机搜索方法受算法收敛速度和问题规模的制约求解速度慢的问题,提出一种基于深度学习的求解方法。将作战任务分配问题转化为“多标签分类+回归拟合”的多任务学习问题,利用卷积神经网络构建深度学习模型。战前利用训练数据进行监督学习,实现对历史经验和作战任务分配模式的学习归纳;战时利用已训练模型根据实时态势进行动态分配,有效应对分配方案失效的情况。案例实验表明,模型及训练方法能够对任务模式进行归纳,但还需大量高质量训练数据和更长训练时间进行学习。

作战任务分配建模及求解方法研究

针对作战任务规划中的战前作战任务分配问题,构建了多约束作战任务分配模型以描述作战任务与作战单元之间的动态映射关系。提出了决策空间剪枝和约束条件判断等求解策略;阐述了决策变量编码、分配方案解码和分阶段适应值计算的方法,利用差分进化算法进行求解。实验表明:多约束分配模型及求解算法,能够有效降低决策空间规模,提高了分配方案的合理性和实用性。

陆军战术级作战任务分配及优化方法

对作战力量的合理使用是作战任务优化分配问题的难点,相关研究较少,为此提出一种基于多维度建制力量拆分与使用的作战任务分配方法。对作战单元力量进行规范化描述,并对建制力量的复合作战能力进行模糊化表示。对作战任务进行资源需求分析,计算完成任务所需作战资源的可行方案,建立从作战资源到建制力量的映射关系,生成初步方案。对作战任务建制力量分配问题考虑单元力量、编制编成以及力量使用方法等因素计算复合力量的综合战斗力指数。建立多约束条件和多优化目标的数学模型,将任务聚合规则和建制拆分原则转化为可计算代价的惩罚项对目标函数进行正则化,并引入改进的遗传算法对模型进行迭代优化,生成最终的任务分配方案。仿真验证结果表明,该方法能够实现作战任务与建制力量的优化匹配,在合成旅渡海登岛典型作战场景中,相比基于传统列表规划的组合匹配方法明显提高了作战力量利用率。

基于作战能力的部队作战任务分配方法

作战任务分配需要考虑作战部队各方面能力,难以快速实施作战分配。对此,提出了基于作战能力的作战任务分配方法,在面向任务的部队作战能力的基础上进行作战任务分配。建立了作战任务分配的优化模型,模型适应范围较广,并适应动态作战任务分配。使用最小费用最大流问题求解方法获得平衡或不平衡作战任务分配问题的最优解。实验研究结果表明:模型求解结果符合实际作战任务需求,基于作战能力的作战任务分配方法是一种有效的方法。

舰艇编队作战任务优化分配

从舰艇编队的实际作战需求出发,将作战使命分解为多个作战任务,然后分配给相关平台。首先在每个平台只能承担一项任务的前提下,构建了编队作战任务分配的基本模型。在此基础上研究了两平台协同执行任务时效能互补、单平台在同时执行多项任务时武器装备相互干扰等情况,进一步构建了考虑平台间协同效益和平台执行多任务的作战任务分配模型。应用改进的遗传算法给出了编队作战任务分配方案优化选择的具体方法步骤,最后针对一个典型案例进行了仿真分析,验证了三种模型的合理性。

作战时耗指派矩阵取胜指派矩阵兵力耗损指派矩阵的一体构造

指派矩阵构造是指派问题应用研究的难点,在作战应用领域展开指派矩阵构造专题研究.文中回望了1914年Lanchester关于"兰氏"平方律作战过程取胜条件与剩余兵力的分析结果,以及1996年本文第一作者提出的关于"兰氏"平方律作战过程存在胜负的情况下其作战持续时间计算的数学模型,提出了关于"兰氏"平方律作战过程在作战双方势均力敌的情况下作战持续时间的数学模型.综合运用上述的已有理论与新建理论,建立了取胜矩阵、时耗矩阵、兵力耗损矩阵的一体构造模型.该一体构造模型从作战系统的4类可知数据出发,对于具体的多部队参战的作战过程均能构造出具体的取胜、时耗、兵力耗损数值矩阵.最后给出了取胜、时耗、兵力耗损矩阵的一个一体构造实例,并运用(n×m)-k缺省指派问题理论对该实例求得了其最多K胜条件下的最短时限最少耗费缺省指派最优解.