基于神经网络和微分对策理论的制导律

根据微分对策制导律目前面临的困境，本文尝试将神经网络引入微分对策制导律。采用ＢＰ模型，将微分对策的定量和定性分析结合起来。以导弹与飞机格斗为例，探讨其实现的可能性和优点，为将来发展基于微分对策理论的智能制导律提供了一定的思路。

基于增强学习的空空导弹智能精确制导律研究

根据现代战争的对抗格局，提出了空空导弹拦截高速大机动目标的智能制导律。这种制导律是采用基于Q—learning算法的。Q—learning的思想是直接优化一个可迭代计算的Q函数，并利用增强学习实现知识的自动获取，来扩展所能得到的知识资源。在Q—learning算法中，系统通过计算状态的值函数或者状态-动作对的值函数来控制导弹的飞行。根据环境的评价性回报函数来实现决策的优化。从而能够达到行为优化。这种制导规律只需要导弹和目标的位置、状态变量和法向过载的测量量。易于弹上实时实现，并且将这种制导律和传统制导相比较。结果表明：这种制导具有一定的智能行为。可以拦截大机动目标。这种智能制导方法有利于提高打击精度和载机的作战生存能力。