申请/专利权人：北京理工大学重庆创新中心;北京理工大学

申请日：2023-07-25

公开（公告）日：2024-06-28

公开（公告）号：CN117113216B

主分类号：G06F18/2415

分类号：G06F18/2415;F41G9/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2023.12.12#实质审查的生效;2023.11.24#公开

摘要：本发明公开了一种基于动态贝叶斯网络的异构多无人机打击决策方法及装置，属于飞行器任务规划领域，包该方法包括步骤：构建离散‑连续混合的打击决策模型，考虑动态环境下威胁类型差异来设计威胁排序与目标优先级机制；通过建立态势威胁评估模型与集群状态评估模型来建立异构多无人机打击决策模型；将集群信息、环境信息与威胁信息间的相互作用与影响引入到决策模型中，基于目标威胁度‑集群优势度耦合评估机制，准确评估动态复杂环境下异构多无人机状态与威胁状态，做出与更加贴合实际作战复杂环境的决策，从而提升求解策略对动态复杂环境的适应能力，提高异构多无人机作战效能。

主权项：1.一种基于动态贝叶斯网络的异构多无人机打击决策方法，其特征在于，包括以下步骤：输入信息；再建立异构多无人机打击决策模型：基于变结构动态贝叶斯网络的打击决策框架，并考虑动态环境下威胁类型不同来设计威胁排序与目标优先级机制，建立态势威胁评估模型与集群状态评估模型，将集群信息、环境信息与威胁信息间的相互作用与影响引入到决策过程中，得到异构多无人机打击决策模型；具体包括步骤C，步骤C具体包括如下子步骤：步骤C-1：基于变结构动态贝叶斯网络的打击决策框架，考虑动态环境下威胁类型不同来设计威胁排序与目标优先级机制，构建态势威胁评估模型：威胁的机动性M受威胁速度V和威胁类型I的影响，威胁速度越高，机动性越高，设计威胁的机动性函数为： 式中，MAX表示最大，MIN表示最小，m1为机动能力系数，MiIλ为Iλ在时间点ti的机动系数，Iλ为变量I的状态值；威胁的攻击能力C受威胁与集群的距离L、威胁干扰程度In、威胁大小Sc和角度A的影响，不同种类的威胁，威胁攻击能力也不同，设计威胁目标的攻击能力函数为： 式中，Ini为时间点ti的威胁干扰程度，Sci为时间点ti的威胁规模，Iλ为变量I的状态，c1与c2为攻击能力系数，fLi为距离对攻击能力的影响函数，服从期望为0，方差为s2的正态分布，其中s为： 威胁的防御能力D受威胁类型I、威胁干扰程度In和威胁范围R的影响，将威胁目标的防御能力函数设计为：DiI,In,R＝d1×1-Ini×DiRi×DiIλ式中，d1为防御能力系数，DiIλ为Iλ在ti时刻的防御能力系数，Iλ为I的状态，DiRi为Ri在ti时刻的防御能力系数，Ri为ti时刻的威胁范围；威胁检测能力P受威胁角度A、威胁类型I和环境状态E的影响，将威胁检测能力评估函数设计为： 式中，Ei为时间点ti的环境状态，p1为威胁检测能力系数，PiIλ为Iλ在时间点ti的威胁检测能力系数，Iλ为I的状态；威胁意图S依赖于威胁距离L和威胁角度A，其对威胁目标的评估函数设计如下： 其中s1和s2表示威胁意图系数；考虑威胁机动性M、攻击能力C、防御能力D、探测能力P和威胁意图S，采用线性加权法得到目标威胁度函数：Ti＝α1Mi+α2Ci+α3Di+α4Pi+α5Si其中α1，α2，α3，α4，α5均为威胁度的权重系数，满足α1+α2+α3+α4+α5＝1；步骤C-2：基于变结构动态贝叶斯网络的打击决策框架，考虑动态环境下威胁类型不同来设计威胁排序与目标优先级机制，构建集群状态评估模型：集群机动性M受威胁速度V、环境状态E和受威胁干扰程度In的影响，飞行速度越高，机动性越高，设计集群机动性函数为： 式中，MiIni为In在时间点ti的异构多无人机受干扰程度，m2为机动能力系数，Ei为在时间点ti的环境状态；集群的攻击能力C受威胁与集群的距离L、威胁干扰程度In、集群规模Sc、飞行朝向A与攻击载荷量Ad的影响，不同种类的威胁，威胁攻击能力不同，设计威胁目标的攻击能力函数为： 式中，Ini为时间点ti的集群受干扰程度，Sci为时间点ti的集群规模，Adi为时间点ti的攻击载荷规模，CiFAi为变量FA在时间点ti的飞行朝向对攻击能力的影响值，c3与c4为攻击能力系数，fLi为距离对攻击能力的影响函数，服从期望为0，方差为s2的正态分布，其中s为： 探测能力P受飞行朝向FA、搜索载荷数量Ed和环境状态E的影响；设计威胁检测能力评估函数为： 式中，PiFAi为FA在时间点ti的飞行方向影响值，Ei为时间点ti的环境状态，L为集群距离威胁的距离值，p2为探测能力系数；考虑集群机动性M、攻击能力C和探测能力P，采用线性加权法得到集群状态评估函数如下：Csi＝β1Mi+β2Ci+β3Pi其中β1,β2,β3为集群状态的权重系数，满足β1+β2+β3＝1；步骤C-3：通过步骤C-1建立态势威胁评估模型与步骤C-2建立集群状态评估模型，在考虑任务想定的基础上将集群信息、环境信息与威胁信息间的相互作用与影响引入到决策过程中，完成建立异构多无人机打击决策模型；再设置态势威胁值T、集群状态评估值Cs与异构多无人机打击决策间的条件概率密度为再结合变结构动态贝叶斯网络对建立的异构多无人机打击决策模型推理求解，获得无人机打击决策求解结果；所述结合变结构动态贝叶斯网络对建立的异构多无人机打击决策模型推理求解，具体包括步骤D；步骤D具体包括如下子步骤：在计算态势威胁值T和集群状态评估值Cs的基础上获得异构多无人机打击决策值。

全文数据：

权利要求：

百度查询： 北京理工大学重庆创新中心;北京理工大学 基于动态贝叶斯网络的异构多无人机打击决策方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD