丁 維, 王 淵, 丁達(dá)理, 謝 磊, 周 歡, 譚目來, 呂丞輝
(空軍工程大學(xué)航空工程學(xué)院,西安,710038)
隨著無人作戰(zhàn)飛機(jī)(unmanned combat aerial vehicles,UCAV)的自主化、智能化水平不斷提高,由其自主完成空戰(zhàn)任務(wù)獲取制空權(quán)已成為未來戰(zhàn)場(chǎng)發(fā)展的必然趨勢(shì)。其中,空戰(zhàn)機(jī)動(dòng)決策方法一直是自主空戰(zhàn)領(lǐng)域研究的重要一環(huán)[1-2]。目前無人機(jī)空戰(zhàn)機(jī)動(dòng)決策常用方法主要分為兩類,一類是基于對(duì)策理論的方法,另一類是基于數(shù)據(jù)驅(qū)動(dòng)的方法?;趯?duì)策理論的方法應(yīng)用在近距空戰(zhàn)機(jī)動(dòng)決策上主要有微分對(duì)策法[3]、矩陣對(duì)策法和影響圖法[4],基于數(shù)據(jù)驅(qū)動(dòng)的近距空戰(zhàn)機(jī)動(dòng)決策方法主要有神經(jīng)網(wǎng)絡(luò)及強(qiáng)化學(xué)習(xí)方法。
文獻(xiàn)[5]將微分對(duì)策法應(yīng)用于空戰(zhàn)追逃問題,構(gòu)建了微分對(duì)策模型,現(xiàn)階段雖然應(yīng)用較為廣泛,但其計(jì)算量太大、實(shí)時(shí)性差,且其目標(biāo)函數(shù)設(shè)定非常困難,因此不適用于復(fù)雜的空戰(zhàn)環(huán)境;文獻(xiàn)[6]應(yīng)用矩陣對(duì)策法獲得我機(jī)最優(yōu)選擇策略的大致范圍,雖然算法容易理解,但是其結(jié)果精度不高且實(shí)時(shí)性較差,因此較難應(yīng)用于無人機(jī)自主空戰(zhàn)中;文獻(xiàn)[7]將影響圖法應(yīng)用于機(jī)動(dòng)決策,雖然能有效引導(dǎo)UCAV戰(zhàn)斗,但是模型結(jié)構(gòu)復(fù)雜,計(jì)算繁瑣且實(shí)時(shí)性較差,很難求解出較復(fù)雜的決策問題。對(duì)于基于數(shù)據(jù)驅(qū)動(dòng)空戰(zhàn)機(jī)動(dòng)決策方法而言,文獻(xiàn)[8]應(yīng)用神經(jīng)網(wǎng)絡(luò)方法,雖然魯棒性強(qiáng)、實(shí)時(shí)性好,但是需要大量樣本進(jìn)行訓(xùn)練且產(chǎn)生的數(shù)據(jù)不真實(shí);文獻(xiàn)[9]運(yùn)用強(qiáng)化學(xué)習(xí)方法由環(huán)境反饋出的信息來展開學(xué)習(xí),雖然無需提供訓(xùn)練樣本,但是卻存在訓(xùn)練時(shí)間長、執(zhí)行效率低的缺點(diǎn)。
針對(duì)UCAV近距空戰(zhàn)機(jī)動(dòng)決策問題,本文首先在UCAV三自由度模型的基礎(chǔ)上構(gòu)建飛行驅(qū)動(dòng)模塊,以此來實(shí)現(xiàn)深度強(qiáng)化學(xué)習(xí)過程中與環(huán)境的不斷交互,并形成一種狀態(tài)轉(zhuǎn)移更新機(jī)制。在算法層面,針對(duì)現(xiàn)有常用方法存在的無法滿足實(shí)時(shí)性、收斂速度慢、容易陷入局部最優(yōu)等不足,本文以近端策略優(yōu)化(proximal policy optimization,PPO)算法[10]為基礎(chǔ),充分發(fā)揮神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練的可塑性和在線使用的實(shí)時(shí)性,通過引入OU隨機(jī)噪聲進(jìn)一步提升算法在訓(xùn)練過程中的探索性能,引入長短時(shí)記憶網(wǎng)絡(luò)(long short term memory,LSTM)[11]將空戰(zhàn)狀態(tài)轉(zhuǎn)化為高維感知態(tài)勢(shì),加強(qiáng)網(wǎng)絡(luò)對(duì)時(shí)序性空戰(zhàn)數(shù)據(jù)的學(xué)習(xí)能力,從而提出基于長短時(shí)記憶-近端策略優(yōu)化(long short term memory-proximal policy optimization, LSTM-PPO)算法的UCAV近距空戰(zhàn)機(jī)動(dòng)決策方法。通過設(shè)計(jì)不同的近距空戰(zhàn)仿真實(shí)驗(yàn),并與PPO算法作性能對(duì)比,驗(yàn)證該方法的有效性和優(yōu)越性。
UCAV三自由度模型是對(duì)UCAV運(yùn)動(dòng)狀態(tài)的具體描述,為了降低控制量之間的耦合關(guān)系,并充分考慮平臺(tái)氣動(dòng)特性對(duì)飛行狀態(tài)的影響,使模型更加貼近實(shí)際,飛行軌跡更為真實(shí),增加其工程利用價(jià)值,其三自由度質(zhì)點(diǎn)運(yùn)動(dòng)、動(dòng)力學(xué)模型如下:
(1)
式中:(x,y,z)分別代表速度v在坐標(biāo)系各個(gè)軸上的分量;γ為航跡傾角;ψ為偏航角;m為UCAV總體質(zhì)量;g為重力加速度;(α,μ,T)為模型的控制量,分別表示當(dāng)前時(shí)刻UCAV的攻角、滾轉(zhuǎn)角及推力;L和D分別表示升力參量和阻力參量,具體可以表示為:
(2)
為實(shí)現(xiàn)算法與空戰(zhàn)環(huán)境不斷交互,從而輸出控制量對(duì)UCAV的運(yùn)動(dòng)進(jìn)行控制,將上述三自由度模型設(shè)置成飛行驅(qū)動(dòng)模塊。假設(shè)UCAV與敵機(jī)使用相同的平臺(tái)模型,通過飛行驅(qū)動(dòng)模塊實(shí)現(xiàn)敵我雙方空戰(zhàn)狀態(tài)的更新,即通過當(dāng)前時(shí)刻狀態(tài)與控制量實(shí)時(shí)計(jì)算出下一時(shí)刻UCAV與敵機(jī)所處的新狀態(tài),以此形成一種狀態(tài)轉(zhuǎn)移更新機(jī)制,見圖1。
圖1 狀態(tài)轉(zhuǎn)移更新機(jī)制
基于強(qiáng)化學(xué)習(xí)的近距空戰(zhàn)機(jī)動(dòng)決策的目標(biāo)是找到一個(gè)最優(yōu)機(jī)動(dòng)策略使UCAV完成攻擊占位,從而使完成當(dāng)前任務(wù)的累計(jì)獎(jiǎng)勵(lì)最大。獎(jiǎng)勵(lì)是評(píng)價(jià)策略的唯一量化指標(biāo),決定智能體最終學(xué)到策略的優(yōu)劣,并直接影響算法的收斂性和學(xué)習(xí)速度。UCAV通過深度強(qiáng)化學(xué)習(xí)進(jìn)行空戰(zhàn)決策時(shí),除完成任務(wù)的獎(jiǎng)勵(lì)外,中間過程無法獲得獎(jiǎng)勵(lì),存在著稀疏獎(jiǎng)勵(lì)[12]的問題,因此在復(fù)雜的空戰(zhàn)任務(wù)中不僅需要設(shè)計(jì)完成任務(wù)的勝負(fù)獎(jiǎng)勵(lì),對(duì)于每一回合中每一步的輔助獎(jiǎng)勵(lì)設(shè)計(jì)也至關(guān)重要。為了有助于驗(yàn)證算法的有效性,本文以機(jī)動(dòng)決策難度較大的使用近距空空導(dǎo)彈后半球攻擊策略為例,分別設(shè)計(jì)角度、高度、距離獎(jiǎng)勵(lì)函數(shù)。
1.3.1 角度獎(jiǎng)勵(lì)函數(shù)
(3)
1.3.2 距離獎(jiǎng)勵(lì)函數(shù)
(4)
式中:相對(duì)距離
1.3.3 高度獎(jiǎng)勵(lì)函數(shù)
高度獎(jiǎng)勵(lì)的設(shè)置應(yīng)充分考慮不同武器的作戰(zhàn)性能,主要體現(xiàn)為通過高度獎(jiǎng)勵(lì)使UCAV與敵機(jī)的高度差保持在理想范圍內(nèi),充分發(fā)揮武器性能。設(shè)計(jì)高度獎(jiǎng)勵(lì)函數(shù)rH如下:
(5)
式中:ΔH代表UCAV與目標(biāo)的相對(duì)高度;ΔHup和ΔHdown分別表示理想高度差的上下限。
1.3.4 勝負(fù)獎(jiǎng)勵(lì)函數(shù)
空戰(zhàn)勝負(fù)判定主要分為3種情況:①飛行高度過低導(dǎo)致墜毀;②態(tài)勢(shì)占據(jù)劣勢(shì)被敵機(jī)擊中回合失??;③占據(jù)態(tài)勢(shì)優(yōu)勢(shì)滿足導(dǎo)彈發(fā)射條件,空戰(zhàn)勝利。
勝負(fù)回報(bào)獎(jiǎng)勵(lì)函數(shù)設(shè)計(jì)如下:
(6)
其中end為UCAV勝負(fù)判定結(jié)果,可以表示為:
(7)
1.3.5 單步綜合獎(jiǎng)勵(lì)設(shè)計(jì)
空戰(zhàn)中需要綜合考慮角度、距離、高度對(duì)空戰(zhàn)態(tài)勢(shì)的影響,即在空戰(zhàn)中設(shè)置每一步的綜合獎(jiǎng)勵(lì)。綜合獎(jiǎng)勵(lì)的設(shè)計(jì)是將角度、距離、高度等因素設(shè)置權(quán)重值,并與勝負(fù)獎(jiǎng)勵(lì)函數(shù)相加計(jì)算單步綜合獎(jiǎng)勵(lì)。具體設(shè)計(jì)如下:
rtotal=W1rA+W2rR+W3rH+rend
(8)
式中:W1、W2、W3分別表示角度、距離、高度獎(jiǎng)勵(lì)對(duì)應(yīng)的權(quán)重,在近距空空導(dǎo)彈后半球攻擊策略中由于對(duì)角度獎(jiǎng)勵(lì)要求較高,因此設(shè)置W1=0.5,W2+W3=0.5。
PPO算法是由學(xué)者Schulman提出的一種新型的深度強(qiáng)化學(xué)習(xí)算法,在策略梯度算法的基礎(chǔ)上以演員-評(píng)論家(actor-critic,AC)算法為架構(gòu)演化而來,可以應(yīng)用在連續(xù)的狀態(tài)和動(dòng)作空間中[14]。它和其他基于深度強(qiáng)化學(xué)習(xí)算法相比優(yōu)勢(shì)如下:①將新舊策略的更新步長限制在一個(gè)合理區(qū)間上,讓其策略變化不要太劇烈,這樣就解決了策略梯度算法無法解決的步長難以選擇的問題;②PPO算法的參數(shù)更新方式能夠保證其策略一直上升即在訓(xùn)練過程中值函數(shù)單調(diào)不減;③利用重要性采樣原理來離線更新策略,避免浪費(fèi)更新完的數(shù)據(jù)。
PPO算法的目標(biāo)函數(shù)為:
(9)
其中:
(10)
LSTM網(wǎng)絡(luò)的每個(gè)單元可以被劃分為遺忘門ft、輸入門it、以及輸出門ot[15]見圖2所示。
鄉(xiāng)土樹種具有適應(yīng)當(dāng)?shù)貧夂驐l件,成活率高、生長快,充分代表了當(dāng)?shù)氐奈幕厣偷赜蛱厣?,且鄉(xiāng)土樹種是經(jīng)過長時(shí)間沉淀積累下來的適宜本土生長的植物種類;鄉(xiāng)土樹種運(yùn)輸費(fèi)用以及種植費(fèi)用低,維護(hù)管理成本也低。為此在綠化樹種選擇上,要堅(jiān)持以鄉(xiāng)土樹種為主,實(shí)踐得知,美麗鄉(xiāng)村綠化綠化鄉(xiāng)土樹種占綠化苗總量應(yīng)把握在65%左右。除此之外,為增加生物多樣性及觀賞性,適當(dāng)引進(jìn)一些優(yōu)良適生樹種,豐富植物種類。
圖2 LSTM單元結(jié)構(gòu)圖
其中,遺忘門主要利用sigmoid函數(shù),決定上一時(shí)刻網(wǎng)絡(luò)的輸出ht-1和上一時(shí)刻網(wǎng)絡(luò)的單元狀態(tài)Ct-1是否繼續(xù)存在于當(dāng)前時(shí)刻網(wǎng)絡(luò)的單元狀態(tài)Ct中。遺忘門計(jì)算公式如下:
ft=σ(Wf·g[ht-1,xt]+bf)
(11)
式中:Wf為權(quán)值矩陣;bf為偏置量;xt為當(dāng)前網(wǎng)絡(luò)的輸入;g表示向量拼接。
輸入門利用sigmoid函數(shù)輸出的信息與tach函數(shù)輸出的信息相乘,決定當(dāng)前時(shí)刻的輸入xt有多少要傳到單元狀態(tài)Ct中。輸入門計(jì)算公式如下:
it=σ(Wi·g[ht-1,x1]+bi)tach(Wc·g[ht-1,xt]+bc)
(12)
輸出門也是利用sigmoid函數(shù)與tach函數(shù)輸出的信息相乘,決定單元狀態(tài)Ct中有多少可以傳到當(dāng)前輸出ht中。輸出門的計(jì)算公式如下:
ht=σ(W0·g[ht-1,xt]+b0)·tach(Ct)
(13)
在訓(xùn)練過程中,平衡算法的探索能力和開發(fā)能力至關(guān)重要,探索的目的在于尋找到更優(yōu)的策略。作為引入的隨機(jī)噪聲,OU噪聲在時(shí)序上具備較高斯噪聲更好的相關(guān)性,能夠較好地探索具備動(dòng)量屬性的環(huán)境,在進(jìn)一步提升動(dòng)作決策隨機(jī)性的同時(shí)可以更好地約束探索的區(qū)間,減少超出閾值機(jī)動(dòng)的產(chǎn)生。圖3為基于OU隨機(jī)噪聲探索策略示意圖。OU噪聲的微分方程形式如下:
圖3 基于OU噪聲探索策略
dxt=-θ(xt-μ)dt+σdWt
(14)
式中:xt表示狀態(tài);Wt代表維納過程;θ、μ、σ均為參數(shù)。
為了增強(qiáng)PPO算法的探索性,本文通過在輸出動(dòng)作上加入OU隨機(jī)噪聲來提升UCAV對(duì)未知狀態(tài)空間的探索能力。又因?yàn)榭諔?zhàn)環(huán)境具有高動(dòng)態(tài)、高維度的博弈性和復(fù)雜性,因此單純采用PPO算法中的全連接神經(jīng)網(wǎng)絡(luò)來逼近策略函數(shù)和價(jià)值函數(shù)已無法滿足其復(fù)雜性的需求。本文的策略網(wǎng)絡(luò)及價(jià)值網(wǎng)絡(luò)使用LSTM網(wǎng)絡(luò)架構(gòu),首先引入LSTM網(wǎng)絡(luò)從高維空戰(zhàn)態(tài)勢(shì)中提取特征,輸出有用的感知信息,增強(qiáng)對(duì)序列樣本數(shù)據(jù)的學(xué)習(xí)能力,再通過全連接神經(jīng)網(wǎng)絡(luò)來逼近策略函數(shù)及價(jià)值函數(shù)。LSTM-PPO算法的架構(gòu)見圖4。
圖4 LSTM-PPO算法架構(gòu)圖
2.4.1 策略網(wǎng)絡(luò)設(shè)計(jì)
針對(duì)策略網(wǎng)絡(luò)部分,輸入層設(shè)置12個(gè)節(jié)點(diǎn),對(duì)應(yīng)著UCAV和敵機(jī)的12個(gè)狀態(tài)量s=[x,y,z,v,γ,ψ,xe,ye,ze,ve,γe,ψe],其中(x,y,z)表示UCAV的坐標(biāo),v為UCAV的速度,γ、ψ分別代表UCAV的航跡傾角及偏航角,(xe,ye,ze)表示敵機(jī)的坐標(biāo),ve為敵機(jī)的速度,γe、ψe分別表示敵機(jī)的航跡傾角及偏航角;隱藏層分別設(shè)置LSTM網(wǎng)絡(luò)層及全連接層,LSTM網(wǎng)絡(luò)層設(shè)置3個(gè)網(wǎng)絡(luò)單元,全連接層設(shè)計(jì)為3層,均采用tach為激活函數(shù);輸出層有3個(gè)節(jié)點(diǎn),分別對(duì)應(yīng)著UCAV滾轉(zhuǎn)角變化量Δμt、攻角變化量Δαt及推力變化量ΔTt,采用softmax為激活函數(shù)。策略網(wǎng)絡(luò)結(jié)構(gòu)圖見圖5。
圖5 策略網(wǎng)絡(luò)結(jié)構(gòu)圖
2.4.2 價(jià)值網(wǎng)絡(luò)設(shè)計(jì)
針對(duì)價(jià)值網(wǎng)絡(luò)部分,輸入層設(shè)置了15個(gè)節(jié)點(diǎn),對(duì)應(yīng)著UCAV和敵機(jī)的12個(gè)狀態(tài)量s=[x,y,z,v,γ,ψ,xe,ye,ze,ve,γe,ψe]及當(dāng)前策略網(wǎng)絡(luò)生成的控制量變化量at=[Δμ,Δα,ΔTt]的合并;隱藏層中的LSTM網(wǎng)絡(luò)層設(shè)置3個(gè)網(wǎng)絡(luò)單元,全連接層設(shè)計(jì)為3層,均采用tach為激活函數(shù);輸出層設(shè)置一個(gè)節(jié)點(diǎn),對(duì)應(yīng)著狀態(tài)值函數(shù),采用Linear為激活函數(shù)。價(jià)值網(wǎng)絡(luò)結(jié)構(gòu)圖見圖6。
圖6 價(jià)值網(wǎng)絡(luò)結(jié)構(gòu)圖
本文以UCAV與敵機(jī)一對(duì)一近距空戰(zhàn)為背景進(jìn)行仿真分析,設(shè)置3組仿真實(shí)驗(yàn),分別為敵機(jī)采取隨機(jī)機(jī)動(dòng)策略,基于專家規(guī)則庫的機(jī)動(dòng)策略和基于優(yōu)化算法的機(jī)動(dòng)策略。設(shè)每個(gè)epoch包含200個(gè)訓(xùn)練回合,每回合的仿真步長設(shè)為30步,每一步的決策時(shí)間為0.05 s,UCAV與敵機(jī)對(duì)抗900個(gè)epoch后停止學(xué)習(xí)。UCAV的速度為300 m/s,航跡傾角和航跡偏角均為0°,敵機(jī)的速度為250 m/s,航跡傾角為0°,航跡偏角為180°。參數(shù)設(shè)置如表1所示,利用表1中的參數(shù)結(jié)合LSTM-PPO算法對(duì)所設(shè)計(jì)的空戰(zhàn)場(chǎng)景進(jìn)行仿真。
表1 參數(shù)設(shè)置
3.2.1實(shí)驗(yàn)1:敵機(jī)采取隨機(jī)機(jī)動(dòng)策略
該策略下,針對(duì)敵機(jī)選擇緩慢向上爬升的隨機(jī)機(jī)動(dòng)動(dòng)作,UCAV首先平飛再通過緩慢爬升接近敵機(jī),形成后半球攻擊態(tài)勢(shì)并使敵機(jī)進(jìn)入我機(jī)導(dǎo)彈攻擊區(qū),進(jìn)而取得空戰(zhàn)勝利。圖7為UCAV與敵機(jī)空戰(zhàn)對(duì)抗軌跡圖。
圖7 空戰(zhàn)對(duì)抗軌跡圖(實(shí)驗(yàn)1)
圖8為反映兩機(jī)對(duì)抗相對(duì)優(yōu)勢(shì)的累計(jì)獎(jiǎng)勵(lì)曲線,橫坐標(biāo)每個(gè)epoch包含了200個(gè)訓(xùn)練回合,縱坐標(biāo)為200個(gè)訓(xùn)練回合所獲得累計(jì)獎(jiǎng)勵(lì)的平均值。從圖中可以看出,訓(xùn)練初期由于UCAV學(xué)習(xí)不到任何有效策略導(dǎo)致墜毀或被敵機(jī)擊落,使得累計(jì)獎(jiǎng)勵(lì)不斷減小,到了訓(xùn)練中期由于我機(jī)能夠保持平飛,避免了訓(xùn)練前期墜毀的情況,因此累計(jì)獎(jiǎng)勵(lì)值逐步增大,最終在約400個(gè)epoch的訓(xùn)練下能夠?qū)W習(xí)到有效的機(jī)動(dòng)動(dòng)作,形成后半球攻擊態(tài)勢(shì),此時(shí)累計(jì)獎(jiǎng)勵(lì)值收斂。
圖8 累計(jì)獎(jiǎng)勵(lì)曲線(實(shí)驗(yàn)1)
3.2.2實(shí)驗(yàn)2:敵機(jī)采取基于專家規(guī)則庫的機(jī)動(dòng)策略
該策略下,針對(duì)敵機(jī)采取迂回盤旋機(jī)動(dòng)動(dòng)作[16],我方UCAV首先通過緩慢爬升接近敵機(jī),再采取突然俯沖機(jī)動(dòng)跟隨敵機(jī),當(dāng)敵機(jī)采取左轉(zhuǎn)緩慢俯沖動(dòng)作欲完成逃逸時(shí),UCAV通過小過載爬升機(jī)動(dòng)形成后半球攻擊態(tài)勢(shì),并使敵機(jī)進(jìn)入我機(jī)導(dǎo)彈攻擊區(qū)進(jìn)而取得空戰(zhàn)勝利。圖9為該場(chǎng)景下的空戰(zhàn)對(duì)抗軌跡圖。
圖9 空戰(zhàn)對(duì)抗軌跡圖(實(shí)驗(yàn)2)
從圖10的累計(jì)獎(jiǎng)勵(lì)曲線中可以看出,初始階段由于我機(jī)對(duì)環(huán)境認(rèn)知不足,學(xué)習(xí)不到較好策略導(dǎo)致出現(xiàn)高懲罰值行為,之后通過訓(xùn)練逐步掌握了能夠尾隨敵機(jī)的策略,最終在約600個(gè)epoch的訓(xùn)練下策略不再大幅變化,此時(shí)獎(jiǎng)勵(lì)值收斂。
圖10 累計(jì)獎(jiǎng)勵(lì)曲線
3.2.3實(shí)驗(yàn)3:敵機(jī)采取基于優(yōu)化算法的機(jī)動(dòng)策略
由于敵機(jī)具有一定的策略[17],因此對(duì)抗博弈程度較實(shí)驗(yàn)1劇烈很多。開始由于UCAV高度處于劣勢(shì),因此敵機(jī)欲采取筋斗機(jī)動(dòng)完成逃逸,此時(shí)UCAV交替執(zhí)行平飛與爬升機(jī)動(dòng)接近敵機(jī)并與敵機(jī)搶占高度優(yōu)勢(shì)。當(dāng)敵機(jī)抵達(dá)最高點(diǎn)開始向下俯沖,UCAV完成爬升獲得高度優(yōu)勢(shì)后,UCAV跟隨敵機(jī)進(jìn)行俯沖,從而在獲得后半球角度優(yōu)勢(shì)的情況下達(dá)到武器發(fā)射條件,最終取得空戰(zhàn)勝利。圖11為該場(chǎng)景下的空戰(zhàn)對(duì)抗軌跡圖。
圖11 空戰(zhàn)對(duì)抗軌跡圖(實(shí)驗(yàn)3)
從圖12的曲線變化趨勢(shì)可以看出由于敵機(jī)飛行具有一定的策略,因此收斂速度比較慢且獎(jiǎng)勵(lì)值曲線波動(dòng)較為劇烈,體現(xiàn)出了空戰(zhàn)任務(wù)的復(fù)雜性,在大約720個(gè)epoch的訓(xùn)練下累計(jì)獎(jiǎng)勵(lì)值收斂,完成學(xué)習(xí)。
圖12 累計(jì)獎(jiǎng)勵(lì)曲線(實(shí)驗(yàn)3)
將PPO算法和LSTM-PPO算法設(shè)置相同的超參數(shù),并使用相同的空戰(zhàn)環(huán)境,經(jīng)過900個(gè)epoch訓(xùn)練后選取前800個(gè)epoch進(jìn)行測(cè)試。以平均獎(jiǎng)勵(lì)值、收斂時(shí)間、空戰(zhàn)獲勝概率作為衡量兩種算法性能的重要指標(biāo),進(jìn)行兩種算法在實(shí)驗(yàn)1和實(shí)驗(yàn)2下的性能對(duì)比分析,見表2~3??梢钥闯?,LSTM-PPO算法平均獎(jiǎng)勵(lì)值和獲勝概率均大于PPO算法,收斂速度LSTM-PPO算法快于PPO算法。
表2 實(shí)驗(yàn)1算法性能的對(duì)比
表3 實(shí)驗(yàn)2算法性能的對(duì)比
由于空戰(zhàn)環(huán)境復(fù)雜、格斗態(tài)勢(shì)高速變化,因此本文針對(duì)UCAV與敵機(jī)一對(duì)一近距空戰(zhàn)引入了基于LSTM-PPO算法的UCAV機(jī)動(dòng)決策方法,設(shè)計(jì)了敵機(jī)采取隨機(jī)機(jī)動(dòng)策略、基于專家規(guī)則庫的機(jī)動(dòng)策略和基于優(yōu)化算法的機(jī)動(dòng)策略3組仿真實(shí)驗(yàn)。3組實(shí)驗(yàn)下的結(jié)果表明,不論敵機(jī)采取何種機(jī)動(dòng)策略,UCAV均可以很好地感知空戰(zhàn)態(tài)勢(shì),做出合理的機(jī)動(dòng)動(dòng)作,進(jìn)而取得空戰(zhàn)勝利。與PPO算法作性能對(duì)比也可以發(fā)現(xiàn),基于LSTM-PPO算法的UCAV空戰(zhàn)機(jī)動(dòng)決策方法具有獲得平均獎(jiǎng)勵(lì)值大、收斂速度快、獲勝概率高的優(yōu)點(diǎn)。