动态环境下多无人机战术决策方法及装置
阅读说明：本技术 动态环境下多无人机战术决策方法及装置 (Multi-unmanned aerial vehicle tactical decision method and device in dynamic environment ) 是由 罗贺 蒋儒浩 王国强 马滢滢 陈宇轩 胡笑旋 夏维 唐奕城 靳鹏 马华伟 于 2020-11-27 设计创作，主要内容包括：本发明提供了一种动态环境下多无人机战术决策方法及装置,涉及多无人机对抗战术决策技术领域。基于武器数量组合概率分布,将无人机性能偏好转化为多个含有武器数量组合概率的子优化目标,并基于子优化目标来设计支付函数,把武器数量这个不确定信息转换为多个优化目标,对不确定性进行有效表征,再构建高维矩阵来求解战术决策。(The invention provides a multi-unmanned aerial vehicle tactical decision method and a multi-unmanned aerial vehicle tactical decision device in a dynamic environment, and relates to the technical field of multi-unmanned aerial vehicle countermeasure tactical decision. Based on the weapon quantity combination probability distribution, converting the unmanned aerial vehicle performance preference into a plurality of sub-optimization targets containing the weapon quantity combination probability, designing a payment function based on the sub-optimization targets, converting uncertain information of the weapon quantity into a plurality of optimization targets, effectively representing uncertainty, and then constructing a high-dimensional matrix to solve tactical decisions.)
技术领域
本发明涉及多无人机对抗战术决策技术领域，具体涉及一种动态环境下多无人机战术决策方法及装置。
背景技术
在对抗环境下，无人机已经成为现代空战武器装备的重要成员之一。由于单个无人机所携带武器和传感器数量及性能有限，其执行空战任务的能力受到相应的限制，而多个无人机进行有效协同可以更好的完成空战任务，因此，多无人机协同空战决策技术已受到了越来越多的关注；
余弹数量即武器数量，作为重要的武器火力信息，是空战决策中最重要的考虑因素之一，根据已获取的信息对敌方余弹数量进行有效判定在空战决策中非常关键。
但在实际作战环境下，交战双方对对方每个无人机的武器数量估计是不确定的，在不同武器数量组合下，无人机性能值也是不同的，进而影响后续战术决策。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种动态环境下多无人机战术决策方法及装置，解决了实际作战环境下，敌方无人机的武器数量组合估计不准确的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，提供了一种动态环境下多无人机战术决策方法，该方法包括：
T1、获取对抗双方的总策略空间；
T2、基于无人机性能偏好，设置优化目标；
T3、基于武器数量组合概率，将所述优化目标转化为多个子优化目标，并基于每个所述子优化目标设置对应的支付函数；
T4、基于支付函数，分别构建对抗双方的用于评估总策略空间的高维矩阵；
T5、基于对抗双方的高维矩阵进行求解，输出纳什均衡解。
进一步的，所述T3、基于武器数量组合概率，将所述优化目标转化为多个子优化目标，并基于每个所述子优化目标设置对应的支付函数；包括：
T301、计算武器数量组合概率；
T302、基于武器数量组合概率，设置无人机性能的可选值和对应的权重；
T303、构建与无人机性能的可选值数量对应的子优化目标；
T304、分别构建每个子优化目标对应的对抗双方的无人机性能优势矩阵；
T305、基于所述无人机性能优势矩阵，构建子优化目标的支付函数。
进一步的，所述T301、计算武器数量组合概率；包括：
S1、基于我方各无人机采集的敌方无人机武器发射概率，计算多无人机信息融合下的敌方各无人机武器发射的概率；
S2、基于敌方无人机的数量，将敌方各无人机的武器数量拆分为套嵌多层的两个无人机武器数量组合的结构；
S3、基于敌方单无人机武器最大数量，构建每层结构对应的武器数量组合图；
S4、基于武器数量组合图和武器发射数量，获得当前的所有武器数量组合和所属阶段；基于概率分布函数，计算武器数量组合的概率分布。
进一步的，所述S1、基于我方各无人机采集的敌方无人机武器发射概率，计算多无人机信息融合下的敌方各无人机武器发射的概率，包括如下步骤：
S11、获取我方各无人机采集的敌方无人机武器发射概率；
S12、对敌方无人机发射武器的先验概率赋值；
S13、基于贝叶斯分类器计算敌方各无人机武器发射的概率；
其中，所述贝叶斯分类器为：
其中，表示在我方传感器采集到的情况下推理敌方发射武器无人机的类别的条件概率；表示第i个武器发射时，我方无人机s获取到敌方无人机t的特征信息；表示敌方无人机t；表示敌方无人机t发射武器的先验概率。
进一步的，所述S2、基于敌方无人机的数量，将敌方各无人机的武器数量拆分为套嵌多层的两个无人机武器数量组合的结构，包括如下步骤：
定义(numB1,numB2,...,numBt,...,numBT-1,numBT)表示敌方T个无人机对应的武器数量组合情况；
S21、对各个无人机的武器数量按无人机编号进行拆分：
T为奇数时，拆分为：
(numB1,(numB2,...,(numB(T+1)/2),...,numBT-1),numBT)；
T为偶数时，拆分为：
(numB1,(numB2,...,(numBT/2,numB(T/2)+1),...,numBT-1),numBT)；
S22、将各无人机武器数量按照从外到内的顺序依次拆分为两两组合{(numB1,numBT)，(numB2,numBT-1)，...}，且相邻两层中，下一层包含上一层的所有组合可能。
进一步的，所述S3、基于敌方单无人机武器最大数量，构建每层结构对应的武器数量组合图，包括如下步骤：
S31、基于敌方单无人机武器最大携带数量K，构建每层结构在不同武器发射数量时，两个敌方无人机的武器数量组合的可选值，作为武器数量组合图；
S32、将武器发射数量不大于K时，记为第一阶段，武器发射数量大于K时，记为第二阶段；
S33、将有两个箭头引入的武器数量组合，标记为存在融合的武器数量组合，表示由两种敌方各无人机武器发射的概率叠加的结果。
进一步的，所述S4、基于武器数量组合图和武器发射数量，获得当前的所有武器数量组合和所属阶段；基于概率分布函数，计算武器数量组合的概率分布，包括如下步骤：
S41、基于武器发射数量，从对应的武器数量组合图得到当前的所有武器数量组合的可选值，并依次从0开始编号，记为{0，1，……，nk，……，Nk}，并确定所属阶段；
S42、基于上一个武器发射时武器数量组合的概率分布，利用武器数量组合概率分布函数计算各个武器数量组合的概率，其中，标记为存在融合的武器数量组合的概率为两个概率值之和；该层中，两个无人机的武器数量为：
numB1＝K-i+nk-τ(K-i)
numB2＝K-nk+τ(K-i)
nk＝0,1,...,Nk
Nk＝i+2τ(K-i)
其中，numB1表示每层结构中其中一个无人机的武器数量，numB2表示每层结构中的另一个无人机的武器数量，nk表示武器数量组合的编号，Nk表示当前武器数量组合的可选值的数量，i表示武器发射数量，K表示敌方单无人机武器最大携带数量，且第一阶段时，τ＝0，第二阶段时，τ＝1；
所述武器数量组合概率分布函数为：
i＝0时，
i＝1时，
i＝2时，3，……，2K时：
表示发射第i个武器时，第nk个武器数量组合的概率，表示由敌方无人机1发射第i个武器的概率；以此类推；
S43、重复S41-S42的步骤，计算各层对应的武器数量组合概率，再将相邻两层的武器数量组合的概率再次组合，最终得到敌方所有无人机的武器数量组合的概率。
进一步的，所述无人机性能优势矩阵的数量＝我方武器数量组合数量*敌方武器数量组合数量；
且所述无人机性能优势矩阵的权重＝无人机性能偏好的权重*武器数量组合概率。
第二方面，提供了一种动态环境下多无人机战术决策装置，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如下的方法：
T1、获取对抗双方的总策略空间；
T2、基于无人机性能偏好，设置优化目标；
T3、基于武器数量组合概率，将所述优化目标转化为多个子优化目标，并基于每个所述子优化目标设置对应的支付函数；
T4、基于支付函数，分别构建对抗双方的用于评估总策略空间的高维矩阵；
T5、基于对抗双方的高维矩阵进行求解，输出纳什均衡解。
进一步的，所述T3、基于武器数量组合概率，将所述优化目标转化为多个子优化目标，并基于每个所述子优化目标设置对应的支付函数；包括：
T301、计算武器数量组合概率；
T302、基于武器数量组合概率，设置无人机性能的可选值和对应的权重；
T303、构建与无人机性能的可选值数量对应的子优化目标；
T304、分别构建每个子优化目标对应的对抗双方的无人机性能优势矩阵；
T305、基于所述无人机性能优势矩阵，构建子优化目标的支付函数。
进一步的，所述T301、计算武器数量组合概率；包括：
S1、基于我方各无人机采集的敌方无人机武器发射概率，计算多无人机信息融合下的敌方各无人机武器发射的概率；
S2、基于敌方无人机的数量，将敌方各无人机的武器数量拆分为套嵌多层的两个无人机武器数量组合的结构；
S3、基于敌方单无人机武器最大数量，构建每层结构对应的武器数量组合图；
S4、基于武器数量组合图和武器发射数量，获得当前的所有武器数量组合和所属阶段；基于概率分布函数，计算武器数量组合的概率分布。
进一步的，所述S1、基于我方各无人机采集的敌方无人机武器发射概率，计算多无人机信息融合下的敌方各无人机武器发射的概率，包括如下步骤：
S11、获取我方各无人机采集的敌方无人机武器发射概率；
S12、对敌方无人机发射武器的先验概率赋值；
S13、基于贝叶斯分类器计算敌方各无人机武器发射的概率；
其中，所述贝叶斯分类器为：
其中，表示在我方传感器采集到的情况下推理敌方发射武器无人机的类别的条件概率；表示第i个武器发射时，我方无人机s获取到敌方无人机t的特征信息；表示敌方无人机t；表示敌方无人机t发射武器的先验概率。
进一步的，所述S2、基于敌方无人机的数量，将敌方各无人机的武器数量拆分为套嵌多层的两个无人机武器数量组合的结构，包括如下步骤：
定义(numB1,numB2,...,numBt,...,numBT-1,numBT)表示敌方T个无人机对应的武器数量组合情况；
S21、对各个无人机的武器数量按无人机编号进行拆分：
T为奇数时，拆分为：
(numB1,(numB2,...,(numB(T+1)/2),...,numBT-1),numBT)；
T为偶数时，拆分为：
(numB1,(numB2,...,(numBT/2,numB(T/2)+1),...,numBT-1),numBT)；
S22、将各无人机武器数量按照从外到内的顺序依次拆分为两两组合{(numB1,numBT)，(numB2,numBT-1)，...}，且相邻两层中，下一层包含上一层的所有组合可能。
进一步的，所述S3、基于敌方单无人机武器最大数量，构建每层结构对应的武器数量组合图，包括如下步骤：
S31、基于敌方单无人机武器最大携带数量K，构建每层结构在不同武器发射数量时，两个敌方无人机的武器数量组合的可选值，作为武器数量组合图；
S32、将武器发射数量不大于K时，记为第一阶段，武器发射数量大于K时，记为第二阶段；
S33、将有两个箭头引入的武器数量组合，标记为存在融合的武器数量组合，表示由两种敌方各无人机武器发射的概率叠加的结果。
进一步的，所述S4、基于武器数量组合图和武器发射数量，获得当前的所有武器数量组合和所属阶段；基于概率分布函数，计算武器数量组合的概率分布，包括如下步骤：
S41、基于武器发射数量，从对应的武器数量组合图得到当前的所有武器数量组合的可选值，并依次从0开始编号，记为{0，1，……，nk，……，Nk}，并确定所属阶段；
S42、基于上一个武器发射时武器数量组合的概率分布，利用武器数量组合概率分布函数计算各个武器数量组合的概率，其中，标记为存在融合的武器数量组合的概率为两个概率值之和；该层中，两个无人机的武器数量为：
numB1＝K-i+nk-τ(K-i)
numB2＝K-nk+τ(K-i)
nk＝0,1,...,Nk
Nk＝i+2τ(K-i)
其中，numB1表示每层结构中其中一个无人机的武器数量，numB2表示每层结构中的另一个无人机的武器数量，nk表示武器数量组合的编号，Nk表示当前武器数量组合的可选值的数量，i表示武器发射数量，K表示敌方单无人机武器最大携带数量，且第一阶段时，τ＝0，第二阶段时，τ＝1；
所述武器数量组合概率分布函数为：
i＝0时，
i＝1时，
i＝2时，3，……，2K时：
表示发射第i个武器时，第nk个武器数量组合的概率，表示由敌方无人机1发射第i个武器的概率；以此类推；
S43、重复S41-S42的步骤，计算各层对应的武器数量组合概率，再将相邻两层的武器数量组合的概率再次组合，最终得到敌方所有无人机的武器数量组合的概率。
进一步的，所述无人机性能优势矩阵的数量＝我方武器数量组合数量*敌方武器数量组合数量；
且所述无人机性能优势矩阵的权重＝无人机性能偏好的权重*武器数量组合概率。
(三)有益效果
本发明提供了一种动态环境下多无人机战术决策方法及装置。与现有技术相比，具备以下有益效果：
本发明基于武器数量组合概率分布，将无人机性能偏好转化为多个含有武器数量组合概率的子优化目标，并基于子优化目标来设计支付函数，把武器数量这个不确定信息转换为多个优化目标，对不确定性进行有效表征，再构建高维矩阵来求解战术决策。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的流程图；
图2为本发明构建支付函数的流程图；
图3为本发明计算武器数量组合概率的流程图；
图4为本发明武器数量组合图的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种动态环境下多无人机战术决策方法及装置，解决了实际作战环境下，敌方无人机的武器数量组合估计不准确的问题，以便求解得到战术决策。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：把武器数量这个不确定信息转换为多个优化目标，对不确定性进行有效表征，方便后续求解战术决策。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1：
如图1所示，本发明提供了一种动态环境下多无人机战术决策方法，该方法由计算机执行，该方法包括：T1～T5；
T1、获取对抗双方的总策略空间；
T2、基于无人机性能偏好，设置优化目标；
T3、基于武器数量组合概率，将所述优化目标转化为多个子优化目标，并基于每个所述子优化目标设置对应的支付函数；
T4、基于支付函数，分别构建对抗双方的用于评估总策略空间的高维矩阵；
T5、基于对抗双方的高维矩阵进行求解，输出纳什均衡解。
本实施例的有益效果为：
基于武器数量组合概率分布，将无人机性能偏好转化为多个含有武器数量组合概率的子优化目标，并基于子优化目标来设计支付函数，把武器数量这个不确定信息转换为多个优化目标，对不确定性进行有效表征，再构建高维矩阵来求解战术决策。
下面对本实施例进行详细描述：
T1、获取对抗双方的总策略空间；
我方策略空间为X＝{x1,...,xi,...,xm}，敌方的策略空间记为Y＝{y1,...,yj,...,yn}，则对抗双方的总策略空间记为O＝X×Y。
在对抗双方的可选策略数量和无人机数量均小于一定阈值时，可将目标分配方案融入总策略空间，具体包括如下步骤：
获取对抗双方的可选策略，并基于双方的无人机数量，获取可选目标分配方案；
计算对抗双方各自所有的可选策略-可选目标分配方案组合，每个可选策略-可选目标分配方案组合作为一个策略，得到对抗双方各自的策略空间；我方的策略空间记为X＝{x1,…,xi,...,xm}，敌方的策略空间记为Y＝{y1,...,yj,...,yn}。
基于对抗双方的策略空间，获取对抗双方所有策略的组合，构建总策略空间。
举例说明：我方为红方记为R，敌方为蓝方记为B。
例如，我方可选策略有5个，例如进攻型、攻守兼备型、佯攻型和逃跑型等，无人机数量1v2的场景下，我方目标分配方案为2个，则我方的策略空间可表示为：X＝{x1,x2,...,x10}，其中，我方的策略-目标分配方案组合的数量m＝10；敌方的策略有3个，目标分配方案只有1个，则敌方的策略空间可表示为：Y＝{y1,y2,y3}，其中，敌方的策略-目标分配方案组合的数量n＝3。则总策略空间可表示为O＝X×Y，共具有30种策略对。每个策略对为对抗双方的策略组合，可记为(xi,yj)。
T2、基于无人机性能偏好，设置优化目标；
无人机性能计算公式为：
C＝[ln B+ln(∑A1+1)+ln(∑A2)]ε1ε2ε3ε4
其中：C表示无人机性能指数，B表示机动性参数，A1表示火力参数，A2表示雷达探测能力参数，ε1表示操纵效能系数，ε2表示生存力系数，ε3表示航程系数，ε4表示电子对抗能力系数；
以导弹为例，而火力参数A1由最大实际有效射程Dmax、允许发射总高度差Hd、单发杀伤概率Pk、发射包线总攻击角At、导弹最大过载OLmax、导弹最大跟踪角速度Va、总离轴发射角Az以及同类导弹挂载数量n这几个参数确定。具体的计算公式为：
但在实际作战环境下，交战双方对对方每个无人机的武器数量(此处为同类导弹挂载数量)估计是不确定的，在不同导弹数量组合下，无人机性能值也是不同的，影响无人机性能的准确度。
T3、基于武器数量组合概率，将所述优化目标转化为多个子优化目标，并基于每个所述子优化目标设置对应的支付函数。具体包括如图2所示的步骤：T301～T305；
T301、计算武器数量组合概率；
如图3所示，包括S1-S4；
S1、基于我方各无人机采集的敌方无人机武器发射概率，计算多无人机信息融合下的敌方各无人机武器发射的概率；
现有的方法通常采用我方单无人机的传感器判断武器来源，举例说明，以对抗双方的无人机数量为2v2，我方各无人机采集到的特征信息分别为但在多无人机的场景下，单无人机武器来源的方法不够准确，依赖于传感器的性能。因此需要融合多无人机信息，得到敌方各无人机武器发射的概率；具体步骤如下：S11～S13；
S11、获取我方各无人机采集的敌方无人机武器发射概率；
S12、对敌方无人机发射武器的先验概率赋值；
S13、基于贝叶斯分类器计算敌方各无人机武器发射的概率。
其中，所述贝叶斯分类器：
其中，表示在我方传感器采集到的情况下推理敌方发射武器无人机的类别的条件概率；表示第i个武器发射时，我方无人机s获取到敌方无人机t的特征信息；表示敌方无人机t；表示敌方无人机t发射武器的先验概率。
下面以对抗双方无人机数量2v2为例对S1的步骤进行说明：
无人机最大武器携带量为4，根据武器数量组合图可知发射3个武器后，敌方两个无人机的武器数量组合情况可能为1+4、2+3、3+2、4+1，且概率分布为16％、41％、34％、9％。
则在发射第4个武器时：
我方无人机1的传感器探测到武器由敌方无人机1发射的概率为
我方无人机2的传感器探测到武器由敌方无人机1发射的概率为
我方无人机1的传感器探测到武器由敌方无人机2发射的概率为
我方无人机2的传感器探测到武器由敌方无人机2发射的概率为
但由于战场环境具有深度不确定的特点，空战中对方两个无人机很难通过测试或统计的方式得到发射武器的先验概率因此需要基于当前战场情况对先验概率进行赋值。
下面给出一种基于专家经验的方法对先验概率进行赋值：
敌方两个无人机武器组合1+4、2+3、3+2、4+1的概率分布为16％、41％、34％、9％，很明显敌方无人机1可能拥有武器数量要比无人机2的武器数量少，无人机1可能只有1～2枚武器，最后1～2枚一定会慎重发射，所以无人机1发射武器的先验概率要比无人机2发射武器的先验概率小，因此可以设定先验概率分别为
赋值后，再通过贝叶斯分类器计算后验概率：
同理计算：
至此，即可得到第4个武器由敌方无人机1发射的概率为由敌方无人机2发射的概率为
S2、基于敌方无人机的数量，将敌方各无人机的武器数量拆分为套嵌多层的两个无人机武器数量组合的结构。
具体包括如下步骤：S21～S22；
定义(numB1,numB2,...,numBt,...,numBT-1,numBT)表示敌方T个无人机对应的武器数量组合情况；
S21、对各个无人机的武器数量按无人机编号进行拆分：
T为奇数时，拆分为：
(numB1,(numB2,...,(numB(T+1)/2),...,numBT-1),numBT)；
T为偶数时，拆分为：
(numB1,(numB2,...,(numBT/2,numB(T/2)+1),...,numBT-1),numBT)；
S22、将各无人机武器数量按照从外到内的顺序依次拆分为两两组合{(numB1,numBT)，(numB2,numBT-1)，...}，且相邻两层中，下一层包含上一层的所有组合可能。
以敌方共有4个无人机为例对S2的步骤进行说明：
敌方4个无人机对应的武器数量组合情况可表示为(numB1,numB2,numB3,numB4)；
T＝4为偶数，所以拆分为(numB1,(numB2,numB3),numB4)；
按照要求拆分为两两组合，为第一层结构：(numB1,numB4)和第二层结构：(numB2,numB3)，且第一层包含第二层的所有可能。
S3、基于敌方单无人机武器最大数量，构建每层结构对应的武器数量组合图，包括如下步骤：S31～S33；
S31、基于敌方单无人机武器最大携带数量K，构建每层结构在不同武器发射数量时，两个敌方无人机的武器数量组合的可选值，作为武器数量组合图；
S32、将武器发射数量不大于K时，记为第一阶段，武器发射数量大于K时，记为第二阶段；
S33、将有两个箭头引入的武器数量组合，标记为存在融合的武器数量组合，表示由两种敌方各无人机武器发射的概率叠加的结果。
接着S2中的举例对S3的步骤进行说明：
假设单无人机最大武器数量为4，则对于第一层(numB1,numB4)，构建的武器数量组合图，如图4所示；根据敌方发射武器的情况，跟随右侧箭头指引方向依次从上至下递推，敌方可能存在的武器数量组合的种类呈现出先增多后减少的趋势，且当对方两个无人机武器总数为4时，武器数目组合最多为5种。则在武器发射数量i≤4时，为第一阶段，武器发射数量i＞4时，为第二阶段。
其中有两个箭头引入的方框表示武器数量组合存在融合情况。举个例子，敌方目前只发射了1枚武器，敌方无人机1、4武器数目组合分别为3+4和4+3，其概率分别为90％和10％，根据传感器和情报信息综合判断敌方无人机1发射武器概率为80％，利用规则推理，2+4组合和3+3组合的分布概率为72％和8％；另一方面，敌方无人机4发射武器概率为20％，以此推理，3+3和4+2组合的分布概率分别为18％和2％，综合分析组合结果，把3+3组合情况的概率融合处理，武器组合2+4、3+3和4+2的分布概率分别为72％、26％和2％。
S4、基于武器数量组合图和武器发射数量，获得当前的所有武器数量组合和所属阶段；基于概率分布函数，计算武器数量组合的概率分布，包括如下步骤：S41～S43；
S41、基于武器发射数量，从对应的武器数量组合图得到当前的所有武器数量组合的可选值，并依次从0开始编号，记为{0，1，……，nk，……，Nk}，并确定所属阶段；
S42、基于上一个武器发射时武器数量组合的概率分布，利用武器数量组合概率分布函数计算各个武器数量组合的概率，其中，标记为存在融合的武器数量组合的概率为两个概率值之和；
两个无人机的武器数量为：
numB1＝K-i+nk-τ(K-i)
numB2＝K-nk+τ(K-i)
nk＝0,1,...,Nk
Nk＝i+2τ(K-i)
其中，numB1表示每层结构中敌方其中一个无人机的武器数量，numB2表示敌方另一个无人机的武器数量，nk表示武器数量组合的编号，Nk表示当前武器数量组合的可选值的数量，i表示武器发射数量，K表示敌方单无人机武器最大携带数量，且第一阶段时，τ＝0，第二阶段时，τ＝1；
所述武器数量组合概率分布函数为：
i＝0时，
i＝1时，
i＝2时，3，……，2K时：
表示发射第i个武器时，第nk个武器数量组合的概率，表示由敌方无人机1发射第i个武器的概率；以此类推。
S43、重复S41-S42的步骤，计算各层对应的武器数量组合概率，再将相邻两层的武器数量组合的概率再次组合，最终得到敌方所有无人机的武器数量组合的概率。
接着S3中的举例对S4的步骤进行说明：
我方估测敌方目前的武器数量组合为1+4、2+3、3+2、4+1，其概率分布为16％、41％、34％、9％，已经发射了3枚武器，根据此前计算，可知武器数量组合的概率为P1 3＝41％，发射第4个武器时，武器数量组合可能为0+4、1+3、2+2、3+1、4+0，并将武器数量组合依次标记为0，1，2，3，4；处于第一阶段，τ＝0；通过贝叶斯分类器对武器来源的计算，可得到武器由敌方无人机1发射的概率为由敌方无人机4发射的概率为
因此，两个无人机的武器数量分别为：
numB1＝K-i+nk＝4-4+nk＝nk
numB2＝K-nk＝4-nk
Nk＝i＝4
选择对应的武器数量组合概率分布函数为：
带入公式，可计算得到各个武器数量组合的概率：
因此，0+4、1+3、2+2、3+1、4+0的概率分布依次为：1.37％、18.14％、40.4％、31.86％、8.23％。至此完成了第一层的武器数量组合的概率分布计算。
与第一层计算方法相同，再计算(numB2,numB3)对应的武器数量组合的概率分布。
再将(numB1,numB4)和(numB2,numB3)结果进行再次组合。
举例说明，把(numB1,numB4)的组合结果和(numB2,numB3)的组合结果再次进行组合。
组合规则为：
i(B1,B2,B3,B4)＝i(B1,B4)+i(B2,B3)
例如：当估计发射第4枚武器时，可能存在下面几种情况：
第一种：B1和B4共发射4枚，而B2和B3共发射0枚：
第二种：B1和B4共发射3枚，而B2和B3共发射1枚：
第三种：B1和B4共发射2枚，而B2和B3共发射2枚：
第四种：B1和B4共发射1枚，而B2和B3共发射3枚：
第五种：B1和B4共发射0枚，而B2和B3共发射4枚：
其中，i(B1,B2,B3,B4)表示发射第i个武器时，4个无人机的武器数量组合，i(B1,B4)表示B1和B4发射武器数量；i(B2,B3)表示B2和B3发射武器数量。
T302、基于武器数量组合概率，设置无人机性能C的可选值和对应的权重；
T303、构建与无人机性能值C的可选值数量对应的子优化目标；
T304、分别构建每个子优化目标对应的对抗双方的无人机性能优势矩阵EpG,l,G∈{R,B}，包括我方无人机性能优势矩阵EpR,l和敌方无人机性能优势矩阵EpB,l；
所述无人机性能值C的可选值数量＝无人机性能优势矩阵的数量＝我方武器数量组合数量*敌方武器数量组合数量；
且所述无人机性能优势矩阵的权重＝无人机性能偏好的权重*武器数量组合概率。
以我方无人机数量为1与敌方无人机数量为2的场景为例，由于我方攻击时需要考虑敌方两个无人机，则第l个子优化目标对应的我方无人机性能优势矩阵EpR,l为：
其中，表示我方无人机1相对敌方无人机2的无人机性能优势矩阵；表示对抗双方的策略为xi＝p,yj＝q时，我方无人机1相对敌方无人机2的无人机性能优势矩阵。
同理，由于敌方攻击时只考虑我方1个无人机，则第l个子优化目标对应的敌方无人机性能优势矩阵EpB,l为：
T305、基于所述无人机性能优势矩阵，构建每个子优化目标的支付函数；
支付函数的个数与无人机性能优势矩阵的个数有关，本质上是由A1的可选值的数量决定；
下面仍以我方无人机数量为1与敌方无人机数量为2的场景为例，我方第l个子优化目标为例，给出两种支付函数的设计方式：
第一种：
这种支付函数的构建方法可直接反应为无人机性能偏好，计算简单。
第二种：
这种支付函数的构建方法采用无人机性能优势的相对值反应无人机性能偏好，是双方无人机性能优势共同作用的结果。
T4、基于支付函数，分别构建对抗双方的用于评估总策略空间的高维矩阵；
对抗双方的高维矩阵为：
其中，(xi,yj)表示对抗双方的策略对，xi表示我方策略，yj表示敌方策略，表示无人机性能偏好对应的优化目标的支付函数，表示无人机性能偏好对应的优化目标的第l个子优化目标对应的支付函数；G表示对抗双方，R表示我方，B表示敌方。
T5、基于对抗双方的高维矩阵进行求解，输出纳什均衡解。
可采用现有的求解算法对高维矩阵进行求解，例如利用多目标混合策略纳什均衡求解算法，输出混合策略纳什均衡解。
实施例2
一种动态环境下多无人机战术决策装置，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如下方法：
T1、获取对抗双方的总策略空间；
T2、基于无人机性能偏好，设置优化目标；
T3、基于武器数量组合概率，将所述优化目标转化为多个子优化目标，并基于每个所述子优化目标设置对应的支付函数；
T4、基于支付函数，分别构建对抗双方的用于评估总策略空间的高维矩阵；
T5、基于对抗双方的高维矩阵进行求解，输出纳什均衡解。
可理解的是，本发明实施例提供的动态环境下多无人机战术决策装置与上述动态环境下多无人机战术决策方法相对应，其有关内容的解释、举例、有益效果等部分可以参考面向不确定事件的多无人机协同决策方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，本发明具备以下有益效果：
①基于武器数量组合概率分布，将无人机性能偏好转化为多个含有武器数量组合概率的子优化目标，并基于子优化目标来设计支付函数，把武器数量这个不确定信息转换为多个优化目标，对不确定性进行有效表征，再构建高维矩阵来求解战术决策。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种抗多发异形整体陶瓷防弹插板及防弹装置