基于遺傳算法的自主干擾決策方法

朱 卓，劉琦妍，張 策

（1.中國電子科技集團(tuán)公司第五十三研究所機(jī)載產(chǎn)品事業(yè)部，天津 300308；2.西北工業(yè)大學(xué)a.無人系統(tǒng)技術(shù)研究院；b.航天學(xué)院，西安 710072）

目前，察打一體無人機(jī)的主要威脅為紅外地空導(dǎo)彈[1-2]，其主要包括便攜式紅外地空導(dǎo)彈和車載式紅外地空導(dǎo)彈，并具有抗人工干擾能力較強(qiáng)，射程較遠(yuǎn)等特點(diǎn)[3-4]，無人機(jī)基本無法擺脫其攻擊，因此，研究用于無人機(jī)自主規(guī)避紅外地空導(dǎo)彈的決策技術(shù)是十分必要的。當(dāng)無人機(jī)遭受紅外地空導(dǎo)彈攻擊威脅時(shí)，能通過對(duì)自身獲得的各項(xiàng)信息進(jìn)行分析決策，做出最合理的自主規(guī)避對(duì)抗舉措，可以提高其生存能力。

文獻(xiàn)[5]研究了導(dǎo)彈迎頭攻擊時(shí)，飛機(jī)的最佳防御策略，即做非常規(guī)機(jī)動(dòng)并同時(shí)發(fā)射干擾彈；文獻(xiàn)[6]深入研究紅外成像導(dǎo)彈的抗干擾機(jī)理，建立了目標(biāo)機(jī)的運(yùn)動(dòng)和輻射模型以及面源紅外誘餌的運(yùn)動(dòng)擴(kuò)散模型和紅外圖像模型，并選擇導(dǎo)彈的戰(zhàn)術(shù)參數(shù)以制定干擾效能評(píng)估指標(biāo)，仿真結(jié)果表明，面源紅外誘餌可有效干擾二代彈，但針對(duì)三代彈和四代彈的干擾成功率較低；文獻(xiàn)[7]針對(duì)具有一定自主空戰(zhàn)能力的無人機(jī),建立了以過載為輸入的飛行動(dòng)力學(xué)模型和采用三維比例導(dǎo)引法的導(dǎo)引彈道模型，并結(jié)合神經(jīng)網(wǎng)絡(luò)為無人機(jī)設(shè)計(jì)了一種規(guī)避來襲導(dǎo)彈的機(jī)動(dòng)策略，但其樣本庫的計(jì)算非常耗時(shí)，且神經(jīng)網(wǎng)絡(luò)只適用于設(shè)定好的導(dǎo)彈系統(tǒng)；文獻(xiàn)[8]構(gòu)建了超視距空中對(duì)抗訓(xùn)練環(huán)境，提出了一種融合專家經(jīng)驗(yàn)的啟發(fā)式Q 網(wǎng)絡(luò)方法，實(shí)現(xiàn)了空中對(duì)抗機(jī)動(dòng)策略的自主學(xué)習(xí)；文獻(xiàn)[9]利用神經(jīng)網(wǎng)絡(luò)直接從無人機(jī)與導(dǎo)彈的位置關(guān)系預(yù)測(cè)規(guī)避結(jié)果，為無人機(jī)實(shí)時(shí)提供規(guī)避策略，但其需要大量數(shù)據(jù)支持；文獻(xiàn)[10]提出了一種基于蟻群和Q 學(xué)習(xí)的融合算法，以提高認(rèn)知雷達(dá)干擾決策的效率和適應(yīng)性，從而適應(yīng)未來戰(zhàn)場(chǎng)上的集群對(duì)抗環(huán)境，但其在復(fù)雜戰(zhàn)場(chǎng)環(huán)境下效果不佳。

上述研究從不同方面給出了無人機(jī)的作戰(zhàn)策略，但在復(fù)雜紅外對(duì)抗情況下，仍需進(jìn)一步提高無人機(jī)對(duì)抗決策的質(zhì)量，使其適應(yīng)力更強(qiáng)，覆蓋面更廣。本文提出一種面向典型對(duì)抗態(tài)勢(shì)的自主干擾決策模型，首先，基于紅外干擾彈投放策略集及典型紅外對(duì)抗態(tài)勢(shì)建立紅外對(duì)抗樣本庫；其次，利用遺傳算法及匹配決策模型得到最優(yōu)典型對(duì)抗態(tài)勢(shì)決策集；最后，結(jié)合線性插值思想得到一般對(duì)抗態(tài)勢(shì)下的干擾彈投放策略，找出針對(duì)不同對(duì)抗態(tài)勢(shì)的近乎最優(yōu)的對(duì)抗策略方案，創(chuàng)建決策模型，并通過仿真實(shí)驗(yàn)驗(yàn)證了本文自主決策模型的有效性。

1 紅外對(duì)抗樣本庫

1.1 干擾彈投放策略集

干擾彈投放策略集包含以下因素：投放干擾彈總數(shù)、投放組數(shù)、組間間隔、每組投放強(qiáng)點(diǎn)源干擾彈數(shù)、每組投放多點(diǎn)源干擾彈數(shù)、彈間隔、投放方向、投放速度等。

為同時(shí)應(yīng)對(duì)紅外制導(dǎo)導(dǎo)彈和雷達(dá)制導(dǎo)導(dǎo)彈，無人機(jī)需裝載相同數(shù)量的紅外干擾彈和箔條彈。本文設(shè)定目標(biāo)無人機(jī)單次可攜帶的紅外干擾彈總量為60 枚，包括強(qiáng)點(diǎn)源干擾彈與多點(diǎn)源干擾彈。為避免一次投放全部干擾彈造成無人機(jī)多次遇襲時(shí)無干擾彈可用的危險(xiǎn)處境，限定一次性投放干擾彈的數(shù)量不多于12枚，最多投放3 組。投放組數(shù)n=1，2，3，每組強(qiáng)點(diǎn)源干擾彈數(shù)m=1，2，每組多點(diǎn)源干擾彈數(shù)d=1，2，組間隔tn=0，1，1.5 s，彈間隔tm=0.1，0.2，0.3 s。干擾彈投放速度為30 m/s，投放傾角與偏角為[-120°，-60°]（以30°為間隔），本文取-60°，按照先投放強(qiáng)點(diǎn)源干擾彈后投放多點(diǎn)源干擾彈的原則，上述參數(shù)組成的紅外干擾彈投放策略集（部分）如表1 所示。

表1 紅外干擾彈投放策略集（部分）Tab.1 Delivery strategy set of infrared decoy（partial）

每一個(gè)干擾投放策略確定后，會(huì)有一個(gè)對(duì)應(yīng)的投放持續(xù)時(shí)間T，即完成該策略的投放所需要的時(shí)長，可表示為

式中k 為每組彈數(shù)。

針對(duì)任一對(duì)抗態(tài)勢(shì)，每次投放都應(yīng)包含強(qiáng)點(diǎn)源干擾彈與多點(diǎn)源干擾彈，強(qiáng)點(diǎn)源干擾彈可以有效遮蔽無人機(jī)目標(biāo)并使紅外制導(dǎo)導(dǎo)彈根據(jù)質(zhì)心跟蹤原理偏向強(qiáng)點(diǎn)源干擾彈的方位；如果強(qiáng)點(diǎn)源干擾彈未能成功誘導(dǎo)紅外制導(dǎo)導(dǎo)彈偏離目標(biāo)，多點(diǎn)源干擾彈可以形成多個(gè)類目標(biāo)紅外干擾，混淆導(dǎo)引頭對(duì)目標(biāo)的判斷，致使導(dǎo)彈需要從多個(gè)點(diǎn)源目標(biāo)中選擇跟蹤目標(biāo)，從而有效降低選中目標(biāo)的概率。

1.2 典型對(duì)抗態(tài)勢(shì)

不同類型導(dǎo)彈的射程、射高、飛行速度等參數(shù)不同，故對(duì)應(yīng)的干擾對(duì)抗策略也不盡相同。

紅外制導(dǎo)導(dǎo)彈與目標(biāo)無人機(jī)構(gòu)成的典型對(duì)抗態(tài)勢(shì)由導(dǎo)彈和無人機(jī)的初始參量構(gòu)成，包括：飛機(jī)高度、彈目距離、導(dǎo)彈運(yùn)動(dòng)速度、導(dǎo)彈發(fā)射方位角、無人機(jī)飛行高度、無人機(jī)飛行速度。設(shè)置典型便攜式導(dǎo)彈對(duì)抗態(tài)勢(shì)，無人機(jī)飛行高度分別設(shè)置為1.0、2.0、3.5 km，無人機(jī)飛行速度為0.2 Ma，彈目距離分別為2.0、4.0、6.0 km，導(dǎo)彈發(fā)射方位角根據(jù)導(dǎo)彈攻擊包線分別設(shè)置為0°、12°、27°、50°、77°、90°、120°、138°、165°、180°，排除不合理的對(duì)抗態(tài)勢(shì)，共組成典型對(duì)抗態(tài)勢(shì)80 種，部分態(tài)勢(shì)如表2 所示。

表2 典型對(duì)抗態(tài)勢(shì)（部分）Tab.2 Typical confrontation situation（partial）

1.3 紅外對(duì)抗樣本庫構(gòu)建

通過建立具有典型性和覆蓋性的紅外對(duì)抗樣本庫，可為仿真實(shí)驗(yàn)和干擾彈投放策略的選擇提供數(shù)據(jù)支撐，是后續(xù)評(píng)估干擾策略效果的基礎(chǔ)。紅外對(duì)抗樣本庫的構(gòu)成如圖1 所示。

圖1 紅外對(duì)抗樣本庫Fig.1 Sample library of infrared countermeasures

隨著導(dǎo)彈發(fā)射距離的增加，對(duì)應(yīng)的理想彈道平均時(shí)長增加；當(dāng)水平進(jìn)入角從0°逐漸轉(zhuǎn)到180°，即導(dǎo)彈從尾后攻擊逐漸轉(zhuǎn)向迎頭攻擊，對(duì)應(yīng)的理想彈道平均時(shí)長減?。徊煌母蓴_投放策略對(duì)應(yīng)的投放持續(xù)時(shí)間不同。因此，在構(gòu)建紅外對(duì)抗樣本庫時(shí)，需要考慮干擾彈投放持續(xù)時(shí)間和導(dǎo)彈完成攻擊的理想時(shí)間的匹配，以保證紅外干擾彈可以全部投放出去，且其在整個(gè)對(duì)抗過程的大部分時(shí)間內(nèi)均能發(fā)揮效用。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，T應(yīng)滿足以下條件

式中：S 為彈目距離；v彈為導(dǎo)彈飛行平均速度；v無為無人機(jī)飛行平均速度。

基于上述分析，可以從紅外干擾彈投放策略集中為每種對(duì)抗態(tài)勢(shì)選擇可行策略集，以貼合實(shí)際情況，避免浪費(fèi)紅外干擾彈，并減少紅外對(duì)抗樣本庫的樣本數(shù)量，方便后續(xù)計(jì)算。

2 典型對(duì)抗態(tài)勢(shì)下的干擾彈投放策略

2.1 基于遺傳算法思想的對(duì)抗策略選擇

遺傳算法[11]（GA，genetic algorithm）是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理生物進(jìn)化過程的計(jì)算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法[12]。遺傳算法過程如圖2 所示，種群像自然進(jìn)化一樣，后生代種群比前代更加適應(yīng)于環(huán)境，末代種群中的最優(yōu)個(gè)體經(jīng)過解碼，可作為問題近似最優(yōu)解[13]。

圖2 遺傳算法過程Fig.2 Process of genetic algorithm

本文針對(duì)典型態(tài)勢(shì)的最優(yōu)干擾彈投放策略，結(jié)合遺傳算法的基本思想，對(duì)傳統(tǒng)遺傳算法進(jìn)行一定的改進(jìn)。其核心內(nèi)容包括以下方面。

（1）參數(shù)編碼。采用實(shí)數(shù)編碼，減少一般二進(jìn)制編碼最后解碼的步驟。

（2）初始群體的設(shè)定。初始種群選取參數(shù)范圍為紅外對(duì)抗樣本庫中參數(shù)。在獲得的初始種群選取范圍內(nèi)，以隨機(jī)方式獲取初始種群，其規(guī)模設(shè)為40。

（3）適應(yīng)度函數(shù)的設(shè)計(jì)。以綜合復(fù)雜度[14]作為適應(yīng)度函數(shù)。

（4）遺傳操作設(shè)計(jì)過程如下。

a 選擇算子。計(jì)算初始種群的適應(yīng)值，保留適應(yīng)值最高的前10 個(gè)組合并遺傳至下一代，淘汰最低的10 個(gè)組合。

b 交叉算子。本文無人機(jī)干擾彈投放策略采用實(shí)數(shù)編碼的方式，每個(gè)個(gè)體的染色體記為干擾彈決策各因素的值，采用單點(diǎn)交叉，示意圖如圖3 所示。將適應(yīng)度排名前30 的個(gè)體分為奇數(shù)與偶數(shù)排列的兩組，每組共15 個(gè)，各選10 個(gè)個(gè)體分別進(jìn)行交叉操作，遺傳至下一代。

圖3 單點(diǎn)交叉示意圖Fig.3 Diagram of single point crossing

c 變異算子。優(yōu)質(zhì)的典型態(tài)勢(shì)對(duì)抗決策已經(jīng)接近最優(yōu)，采取的變異范圍較小，本文將使用變異算子產(chǎn)生的高斯隨機(jī)數(shù)替換組合染色體后6 位中任一位作為一次變異操作。

（5）控制參數(shù)設(shè)定。設(shè)置初始種群數(shù)量為40，迭代次數(shù)設(shè)置為5 次，交叉概率和變異概率設(shè)定為1。交叉概率設(shè)置為1，可以加速搜索過程，提高算法效率；變異概率設(shè)為1，以保證最優(yōu)策略的全局性。

迭代結(jié)束后，將迭代所得的適應(yīng)度值最高的策略作為當(dāng)前典型態(tài)勢(shì)的干擾彈投放策略。擇優(yōu)步驟如圖4 所示。

圖4 基于遺傳算法的擇優(yōu)步驟Fig.4 Optimal steps based on genetic algorithm

2.2 基于典型紅外對(duì)抗系統(tǒng)的匹配決策模型

針對(duì)紅外對(duì)抗樣本庫中的每個(gè)樣本，生成其紅外仿真圖像序列，計(jì)算這些序列的綜合復(fù)雜度值，利用建立的紅外對(duì)抗樣本庫以及計(jì)算出的綜合復(fù)雜度值來進(jìn)行簡(jiǎn)單的決策匹配。針對(duì)每一種基礎(chǔ)對(duì)抗態(tài)勢(shì)給出最優(yōu)干擾彈投放策略的評(píng)價(jià)準(zhǔn)則：①策略符合干擾與混淆的基本思想；②綜合復(fù)雜度作為評(píng)判指標(biāo)；③每次對(duì)抗干擾總數(shù)滿足全程干擾規(guī)劃。針對(duì)任意一種典型對(duì)抗態(tài)勢(shì)選擇干擾彈投放策略流程如圖5 所示。

圖5 策略流程圖Fig.5 Strategy flow chart

根據(jù)實(shí)驗(yàn)分析，與最優(yōu)策略綜合復(fù)雜度值差值在0.05 以內(nèi)的策略均可作為備選策略，選取其中投放干擾彈最少的策略作為當(dāng)前對(duì)抗態(tài)勢(shì)的最優(yōu)干擾彈投放策略。

3 干擾彈投放策略遷移模型

3.1 線性插值思想

計(jì)算得到匹配典型紅外對(duì)抗態(tài)勢(shì)的最佳紅外干擾彈投放策略，需要將其擴(kuò)展到針對(duì)任一態(tài)勢(shì)，構(gòu)建基于典型紅外對(duì)抗態(tài)勢(shì)的遷移決策模型。本文根據(jù)典型對(duì)抗態(tài)勢(shì)得出的有效策略，使用插值法得到非典型對(duì)抗態(tài)勢(shì)的策略提案，再根據(jù)仿真實(shí)驗(yàn)，并結(jié)合綜合復(fù)雜度來評(píng)判策略的有效性。三線性插值思想[15]如圖6 所示。

圖6 三線性插值圖Fig.6 Tri-linear interpolation graph

已知C 點(diǎn)坐標(biāo)（x，y，z），設(shè)C000點(diǎn)坐標(biāo)為（x0，y0，z0），C001點(diǎn)坐標(biāo)為（x0，y0，z1），C100點(diǎn)坐標(biāo)為（x1，y0，z0），C110點(diǎn)坐標(biāo)為（x1，y1，z0），C101點(diǎn)坐標(biāo)為（x1，y0，z1），C011點(diǎn)坐標(biāo)為（x0，y1，z1），C010點(diǎn)坐標(biāo)為（x0，y1，z0），C111點(diǎn)坐標(biāo)為（x1，y1，z1）。C 點(diǎn)的插值計(jì)算形式如下

3.2 無人機(jī)紅外對(duì)抗策略遷移模型

典型對(duì)抗態(tài)勢(shì)通過組合共構(gòu)成36 個(gè)區(qū)間，示意圖如圖7 所示。通過判斷當(dāng)前對(duì)抗態(tài)勢(shì)處于哪個(gè)區(qū)間內(nèi)，即可通過線性插值思想計(jì)算得出對(duì)應(yīng)態(tài)勢(shì)的遷移干擾彈投放策略。

圖7 典型對(duì)抗態(tài)勢(shì)示意圖Fig.7 Typical confrontation situation diagram

為了測(cè)算通過插值方法計(jì)算得到的隨機(jī)態(tài)勢(shì)的干擾彈投放策略是否為當(dāng)前態(tài)勢(shì)的優(yōu)質(zhì)策略，同樣使用遺傳算法進(jìn)行尋優(yōu)設(shè)計(jì)。紅外對(duì)抗決策模型由典型對(duì)抗態(tài)勢(shì)策略經(jīng)過線性插值法與基于遺傳算法思想的改進(jìn)算法組成，流程如圖8 所示。

圖8 一般對(duì)抗態(tài)勢(shì)決策分析流程Fig.8 Decision analysis process of general confrontation situation

上文的干擾彈投放策略只能取整，但通過線性插值思想計(jì)算得出的當(dāng)前態(tài)勢(shì)干擾彈投放策略參數(shù)值一般不取整，需結(jié)合典型態(tài)勢(shì)投放策略設(shè)計(jì)參數(shù)值，將當(dāng)前態(tài)勢(shì)計(jì)算參數(shù)就近取整，作為當(dāng)前態(tài)勢(shì)干擾彈投放策略。設(shè)投放組數(shù)n={n1，n2}，每組強(qiáng)點(diǎn)源干擾彈數(shù)m={m1，m2}，每組多點(diǎn)源干擾彈數(shù)d={d1，d2}，其計(jì)算公式如下

其余投放策略因素設(shè)置與前文針對(duì)典型對(duì)抗態(tài)勢(shì)的投放策略相同。與最優(yōu)策略綜合復(fù)雜度值差值在0.05以內(nèi)的干擾彈投放策略作為備選策略，再進(jìn)一步選取最優(yōu)策略。

3.3 無人機(jī)紅外對(duì)抗自主決策模型

基于紅外干擾彈投放策略集和典型對(duì)抗態(tài)勢(shì)計(jì)算綜合復(fù)雜度得到80 組典型對(duì)抗態(tài)勢(shì)優(yōu)質(zhì)策略集，通過遺傳算法思想對(duì)優(yōu)質(zhì)策略集進(jìn)行進(jìn)一步優(yōu)化，計(jì)算得到的最優(yōu)策略集綜合復(fù)雜度與優(yōu)質(zhì)策略集綜合復(fù)雜度對(duì)比圖如圖9（a）所示，其中，紅點(diǎn)表示經(jīng)過遺傳算法迭代后得到的最優(yōu)策略綜合復(fù)雜度值，藍(lán)點(diǎn)表示優(yōu)質(zhì)策略的綜合復(fù)雜度值。兩者差值如圖9（b）所示。

圖9 典型態(tài)勢(shì)綜合復(fù)雜度對(duì)比圖與差值圖Fig.9 Comparison of synthetic complexity and difference graph of typical situation

從圖9 可知，經(jīng)過遺傳算法迭代后得到的最優(yōu)策略綜合復(fù)雜度值明顯高于未迭代之前的優(yōu)質(zhì)策略綜合復(fù)雜度值，綜合復(fù)雜度差值均值接近0.2。

故無人機(jī)紅外對(duì)抗自主決策模型以面向典型對(duì)抗態(tài)勢(shì)的自主干擾決策模型為基礎(chǔ)，結(jié)合插值與遺傳算法尋優(yōu)思想，得到面向一般態(tài)勢(shì)的自主干擾決策模型。取36 個(gè)典型對(duì)抗態(tài)勢(shì)區(qū)間，每個(gè)區(qū)間有20 個(gè)隨機(jī)態(tài)勢(shì)，結(jié)合插值思想計(jì)算其干擾彈投放策略，并計(jì)算相關(guān)策略的綜合復(fù)雜度。隨機(jī)態(tài)勢(shì)分布圖如圖10所示。

圖10 隨機(jī)態(tài)勢(shì)分布圖Fig.10 Distribution of random situation

計(jì)算720 個(gè)隨機(jī)態(tài)勢(shì)的插值遷移策略綜合復(fù)雜度與通過遺傳算法迭代后得到的最優(yōu)策略綜合復(fù)雜度，綜合復(fù)雜度對(duì)比圖如圖11（a）所示，其中，紅點(diǎn)表示經(jīng)過遺傳算法迭代后得到的最優(yōu)策略綜合復(fù)雜度值，藍(lán)點(diǎn)表示插值遷移策略綜合復(fù)雜度值。隨機(jī)態(tài)勢(shì)最優(yōu)策略綜合復(fù)雜度與插值遷移策略綜合復(fù)雜度的差值圖如圖11（b）所示。

圖11 隨機(jī)態(tài)勢(shì)綜合復(fù)雜度對(duì)比圖與差值圖Fig.11 Comparison of synthetic complexity and difference graph of random situation

從圖11（b）可知，綜合復(fù)雜度差值大于0.05 的策略約占測(cè)試策略總數(shù)的10%，其中綜合復(fù)雜度差值介于0.05 與0.06 之間的策略約占測(cè)試策略總數(shù)的44%，本文認(rèn)為綜合復(fù)雜度差值在0.05 以內(nèi)的對(duì)抗策略均可作為備選策略，所以插值遷移策略與經(jīng)過遺傳算法思想尋優(yōu)后的策略相比有近90%都可作為備選策略，且計(jì)算量小，具有應(yīng)用可行性。

4 仿真實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證本文決策模型的可行性和有效性，進(jìn)行紅外對(duì)抗場(chǎng)景仿真實(shí)驗(yàn)。導(dǎo)彈發(fā)射距離分為近距、中距、遠(yuǎn)距3 種情況，分別對(duì)應(yīng)2～3 km、3～5 km、5～6 km；將導(dǎo)彈水平進(jìn)入角劃分為尾后、側(cè)向、迎頭3 種情況，分別對(duì)應(yīng)0°～45°、45°～135°和135°～180°；無人機(jī)飛行高度設(shè)為中低空、中高空2 種情況，分別對(duì)應(yīng)1.0～2.0 km、2.0～3.5 km。設(shè)計(jì)驗(yàn)證實(shí)驗(yàn)條件時(shí)，使近距、中距、遠(yuǎn)距對(duì)應(yīng)的實(shí)驗(yàn)樣本數(shù)之比為1 ∶3 ∶1，使尾后、側(cè)向、迎頭對(duì)應(yīng)的實(shí)驗(yàn)樣本數(shù)之比為2 ∶2 ∶1，使中低空和中高空對(duì)應(yīng)的實(shí)驗(yàn)樣本數(shù)之比為2 ∶3。通過生成隨機(jī)數(shù)的方式，得到100 條對(duì)抗實(shí)驗(yàn)條件，這些條件在空間中的分布情況如圖12 所示。

圖12 實(shí)驗(yàn)態(tài)勢(shì)分布圖Fig.12 Distribution of experimental situation

針對(duì)100 條隨機(jī)對(duì)抗實(shí)驗(yàn)態(tài)勢(shì)，通過典型態(tài)勢(shì)最優(yōu)策略集與插值計(jì)算方法計(jì)算出當(dāng)前態(tài)勢(shì)的對(duì)抗策略，并與傳統(tǒng)干擾彈投放策略進(jìn)行對(duì)比，當(dāng)來襲導(dǎo)彈從尾后攻擊時(shí)，遠(yuǎn)距時(shí)采用多點(diǎn)源干擾彈，中近距時(shí)采用強(qiáng)點(diǎn)源干擾彈；側(cè)向攻擊時(shí)，采用強(qiáng)點(diǎn)源干擾彈；迎頭攻擊時(shí)，采用多點(diǎn)源和強(qiáng)點(diǎn)源干擾彈組合使用。

對(duì)傳統(tǒng)干擾策略采用同一態(tài)勢(shì)下同一投放干擾彈數(shù)量進(jìn)行仿真實(shí)驗(yàn)，部分仿真數(shù)據(jù)如表3 所示，以實(shí)驗(yàn)結(jié)束時(shí)脫靶量大于導(dǎo)彈殺傷半徑作為干擾成功標(biāo)準(zhǔn)，統(tǒng)計(jì)100 條實(shí)驗(yàn)態(tài)勢(shì)與其對(duì)應(yīng)策略仿真結(jié)果，傳統(tǒng)策略的干擾成功率為59%，本文決策模型的干擾成功率為87%，驗(yàn)證了決策包的有效性。

表3 仿真數(shù)據(jù)（部分）Tab.3 Simulation data（partial）

5 結(jié)語

本文提出一種面向典型對(duì)抗態(tài)勢(shì)的自主干擾決策模型，設(shè)計(jì)紅外對(duì)抗樣本庫，并結(jié)合遺傳算法進(jìn)行尋優(yōu)，得到最優(yōu)典型態(tài)勢(shì)策略集；通過線性插值、綜合復(fù)雜度與對(duì)抗態(tài)勢(shì)和對(duì)抗決策之間的映射模型，得到針對(duì)不同對(duì)抗態(tài)勢(shì)近乎最優(yōu)的對(duì)抗策略方案，并創(chuàng)建決策模型。通過仿真實(shí)驗(yàn)，驗(yàn)證了本文決策模型的可行性和有效性。

本文通過非典型態(tài)勢(shì)的策略遷移模型計(jì)算發(fā)現(xiàn)決策與對(duì)應(yīng)態(tài)勢(shì)最優(yōu)對(duì)抗決策有一定的偏差，后續(xù)工作中，將尋找更為優(yōu)秀有效的計(jì)算模型，使一般態(tài)勢(shì)可以得到更優(yōu)秀的決策模型。