滕哲 姜寧

1 引言

復(fù)雜對抗環(huán)境、體系對抗特征的反導(dǎo)作戰(zhàn)需求決定了反導(dǎo)作戰(zhàn)必須要求高精確性和強(qiáng)實(shí)時性。在多源異構(gòu)的傳感器網(wǎng)中通過多傳感器任務(wù)規(guī)劃實(shí)現(xiàn)對TBM快速搜索發(fā)現(xiàn)、連續(xù)穩(wěn)定跟蹤識別是反導(dǎo)作戰(zhàn)首要解決的關(guān)鍵技術(shù)?，F(xiàn)階段對于多傳感器任務(wù)規(guī)劃的研究，大多關(guān)注于探測能力的分配、傳感器目標(biāo)分配的內(nèi)部機(jī)理、分配算法以及分配效果等［1～5］，但對于作戰(zhàn)背景和作戰(zhàn)體系結(jié)構(gòu)的改變下的任務(wù)規(guī)劃問題涉及較少。針對反導(dǎo)作戰(zhàn)背景下的多傳感器任務(wù)規(guī)劃，對其內(nèi)部機(jī)理、認(rèn)識、任務(wù)還不夠清晰。研究成果一部分可直接適用于反導(dǎo)作戰(zhàn)，一部分無法適用。

實(shí)際上，反導(dǎo)傳感器體系構(gòu)成了一個多層次多結(jié)構(gòu)的網(wǎng)絡(luò)，而多維異構(gòu)的反導(dǎo)傳感器平臺則構(gòu)成了該網(wǎng)絡(luò)中的節(jié)點(diǎn)，這是一個混合大尺度異構(gòu)無線傳感器網(wǎng)絡(luò)（Hybrid Large-scale Heterogeneous Wireless Sensor Network，HLSH-WSN）。因此，傳感器任務(wù)規(guī)劃首先需要在合理的反導(dǎo)多傳感器任務(wù)規(guī)劃體系構(gòu)建的基礎(chǔ)上和網(wǎng)絡(luò)配置最優(yōu)的總體要求下進(jìn)行。有必要對反導(dǎo)作戰(zhàn)傳感器任務(wù)規(guī)劃技術(shù)框架展開研究，對其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及數(shù)據(jù)分發(fā)模式進(jìn)行合理設(shè)計，重點(diǎn)在信息處理層對多維平臺之間的目標(biāo)交接和指示過程進(jìn)行優(yōu)化；在規(guī)劃層針對有限的傳感器資源限制和可視化窗口的約束下，動態(tài)地確定傳感器對每個TBM目標(biāo)的探測序列、探測時間窗口以及工作模式，從而使整體的效能達(dá)到最優(yōu)。

2 異構(gòu)MAS結(jié)構(gòu)下的反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃體系構(gòu)建

2.1 基于MAS的反導(dǎo)傳感器協(xié)同體系整體架構(gòu)

MAS 是 目 前 DAI（Distributed Artificial Intelli?gence，DAI）領(lǐng)域研究的熱點(diǎn)，在供應(yīng)鏈、無人機(jī)任務(wù)規(guī)劃、車間調(diào)度等領(lǐng)域有著廣泛的應(yīng)用［6～8］。文獻(xiàn)［1］中指出觀測資源的異構(gòu)性以及觀測任務(wù)的多維性、階段性和動態(tài)性，導(dǎo)致了集中式聯(lián)合任務(wù)規(guī)劃方法建模難、求解負(fù)責(zé)度高、系統(tǒng)魯棒性較差以及可擴(kuò)展性不足，應(yīng)當(dāng)采用基于MAS的分布式協(xié)同規(guī)劃方法。文獻(xiàn)［9］中針對NADMS中ICF形成問題，從系統(tǒng)組成、個體行為、協(xié)作能力等方面將MAS與NADMS進(jìn)行了分析比較，指出MAS中Agent的協(xié)同決策方法是實(shí)現(xiàn)IFC的有效途徑。文獻(xiàn)［10］利用MAS分析、構(gòu)建了一個有限集中統(tǒng)籌、分布式協(xié)同調(diào)整的規(guī)劃機(jī)制，采用分布式動態(tài)規(guī)劃算驗(yàn)證了機(jī)制的有效性。因此，構(gòu)建的基于MAS的反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃體系架構(gòu)［10～12］，見圖1。

圖1 反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃體系

2.2 基于任務(wù)共同體的異構(gòu)MAS多傳感器任務(wù)規(guī)劃機(jī)制

彈道導(dǎo)彈飛行空間區(qū)域一般較長，會不斷地脫離一個衛(wèi)星或雷達(dá)的視野而進(jìn)入另一個衛(wèi)星或雷達(dá)的視野范圍。那么對于某個特定的目標(biāo)而言，只需整個反導(dǎo)傳感網(wǎng)中的部分傳感器節(jié)點(diǎn)對其進(jìn)行探測，而無需網(wǎng)絡(luò)中所有節(jié)點(diǎn)的參與。此外多傳感器任務(wù)規(guī)劃技術(shù)涉及要素多、協(xié)同關(guān)系復(fù)雜，若直接進(jìn)行全局優(yōu)化配置，問題的維數(shù)和復(fù)雜度很高，并且受多階段觀測任務(wù)動態(tài)調(diào)整的影響大，系統(tǒng)魯棒性差。

因此，在圖1構(gòu)建的體系架構(gòu)的基礎(chǔ)上引入任務(wù)共同體概念，建立一種新的異構(gòu)MAS多傳感器任務(wù)規(guī)劃結(jié)構(gòu)和相應(yīng)的任務(wù)規(guī)劃機(jī)制。這里先引入一個任務(wù)共同體概念。

任務(wù)共同體（Community of Interest，COI）是指由具有相同知識背景的成員組成，為共同的目標(biāo)、利益、任務(wù)或業(yè)務(wù)處理過程進(jìn)行信息交換的協(xié)作組織或團(tuán)體，分為制度性和利益性兩種。前者為事先約定的配置，后者是分布式網(wǎng)絡(luò)結(jié)構(gòu)下臨時組成的作戰(zhàn)聯(lián)盟。

在反導(dǎo)作戰(zhàn)中，COI為某種傳感器根據(jù)任務(wù)的動態(tài)組成的聚群——由網(wǎng)絡(luò)中處于對目標(biāo)探測的所有傳感器節(jié)點(diǎn)組成，聚群集合來自于C2BMC為每個威脅目標(biāo)制定的STPs。即假設(shè)對于威脅目標(biāo)ti，C2BMC根據(jù)掌握的戰(zhàn)場態(tài)勢制定的ESG中為威脅目標(biāo) ti確定的傳感器任務(wù)計劃則 T 時刻，COI定義為：，其 中 1＜j＜k＜t＜n ，

如圖2所示，相應(yīng)隨著作戰(zhàn)過程的推進(jìn)，STPs下的傳感器節(jié)點(diǎn)組成的COI的屬性也會不斷變化（預(yù)警—探測—跟蹤—識別—制導(dǎo)）。同樣，由于傳感器探測范圍和部署位置不同，目標(biāo)飛行過程中，COI中的成員可分為兩類：探測狀態(tài)、待機(jī)接力狀態(tài)，并且隨著時間而不斷變化。

圖2 反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃過程中COI示意圖

2.3 任務(wù)共同體的作戰(zhàn)描述

基于任務(wù)共同體的思想，對反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃問題進(jìn)行分析和研究，需要為共同體開發(fā)各自的行為準(zhǔn)則來形式化描述它們的任務(wù)范圍，構(gòu)造任務(wù)共同體目錄。下面基于任務(wù)共同體的思想，對反導(dǎo)作戰(zhàn)中的新型一體化作戰(zhàn)能力進(jìn)行描述和分析，部分作戰(zhàn)能力的遂行需調(diào)整體系中的各任務(wù)共同體構(gòu)成，因此反導(dǎo)作戰(zhàn)多傳感器中任務(wù)共同體執(zhí)行的能力在一定程度上可作為調(diào)整任務(wù)規(guī)劃方案的動機(jī)和需求。下面分別對三種任務(wù)共同體能力進(jìn)行形式化描述。

1）預(yù)警Agent任務(wù)共同體

假設(shè) Tracking(ti，Sk，T)=1 表示 T 時刻傳感器節(jié)點(diǎn)Sk已經(jīng)發(fā)現(xiàn)目標(biāo)ti并實(shí)現(xiàn)跟蹤，Tracking(ti，Sk，T)=0 表示未發(fā)現(xiàn)或者尚未穩(wěn)定跟蹤。

定義1 預(yù)警Agent任務(wù)共同體

對于預(yù)警 COIi(T)={ti，Sj，Sk，…，St}，根據(jù)第一收到預(yù)警信息后，若 Tracking(ti，Sk，T)=0 ，且有Tracking(ti，Sl，T)=1，其中l(wèi)≠ k，Sk，Sl∈{Sj，Sk，…，St} ，基于信息共享，Sk接收到目標(biāo)信息，使得Tracking(ti，Sk，T+Δ)=1，Δ＜σ ，σ 為 Sk自主搜索跟蹤目標(biāo)的時間間隔；

預(yù)警Agent任務(wù)共同體示例如圖3所示。

2）跟蹤Agent任務(wù)共同體

圖3 預(yù)警Agent任務(wù)共同體示例

假設(shè)Tr_t(ti，T)=Sk表示T時刻跟蹤目標(biāo)ti的傳感器為 Sk，Tr_a(ti，Sk，T)表示T時刻 Sk對目標(biāo) ti的跟蹤精度。

定義2 跟蹤Agent任務(wù)共同體

若 ?Tr_t(ti，T+ΔT)=Sl， l≠k ， 使 得Tr_a(ti，Sl，T+ΔT)＞Tr_a(ti，Sk，T+ΔT) ，則 由 Sl進(jìn)行目標(biāo)跟蹤。

對 Tr_t(ti，T)=Sk，?Tr_t(ti，T+1)=Sl，k≠ l，則由Sl進(jìn)行接力跟蹤，Sk為Sl提供高精度引導(dǎo)信息。

跟蹤Agent任務(wù)共同體示例如圖4所示。

3）識別制導(dǎo)Agent任務(wù)共同體

假設(shè)Tr_r(ti，T)=Sk表示T時刻Sk進(jìn)行目標(biāo)識別，Tr_g(ti，wj，T)=Sl表示T時刻由 Sl對 wj發(fā)射的攔截彈實(shí)施制導(dǎo)，Sk對目標(biāo)ti的可視化窗口為[Tik1，Tik2]，根據(jù)火力規(guī)劃給出的目標(biāo)ti識別時間窗口為

圖4 跟蹤Agent任務(wù)共同體示例

定義3 識別制導(dǎo)Agent任務(wù)共同體

對 于 Tr_g(ti，wj，T)=Sk，若 Tracking(ti，Sk，T)=0 ，且 Tracking(ti，Sl，T)=1，l≠k ，則 wj可根據(jù) Sl提供的目標(biāo)信息進(jìn)行攔截決策解算，wj發(fā)射攔截彈后，Tr_g(ti，wj，T')=Sl，T'為攔截彈中段或末制導(dǎo)的任意時刻；

若 Tr_g(ti，wj，T)=Sl，?Tr_g(ti，wj，T+1)=St，l≠t，則攔截的控制權(quán)移交給St。

特別要指出的是，由于跟蹤精度的限制，目前針對彈道目標(biāo)的目標(biāo)識別主要是依靠地基X波段雷達(dá)和低軌道SBIRS的跟蹤和識別探測器來完成，而其他類型的傳感器（如有需要）主要是以輔助信息支援的形式來參與。制導(dǎo)識別Agent任務(wù)共同體示例如圖5所示。

圖5 識別制導(dǎo)Agent任務(wù)共同體示例

3 基于“周期-事件”的反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃分層決策框架

反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃是指對任意來襲目標(biāo)，在有限的傳感器資源限制和可視化窗口的約束下，如何動態(tài)地確定傳感器對目標(biāo)的探測跟蹤序列，進(jìn)而確定探測時機(jī)和工作模式，以實(shí)現(xiàn)對多目標(biāo)的探測、跟蹤和識別。其實(shí)質(zhì)是一類非線性組合優(yōu)化決策問題。其作為作戰(zhàn)決策中的關(guān)鍵問題，方案及時效性的優(yōu)劣直接影響武器系統(tǒng)作戰(zhàn)效能的發(fā)揮，已成為軍事運(yùn)籌領(lǐng)域中的一個研究熱點(diǎn)［13～16］。對此，基于周期-事件的綜合策略能夠同時兼顧調(diào)度方案的魯棒性和適應(yīng)性問題，是解決此類問題的基本策略。

3.1 問題求解組成框架

多傳感器任務(wù)規(guī)劃的制定到最終被執(zhí)行是一個不斷迭代、更新的過程。因此，根據(jù)反導(dǎo)作戰(zhàn)一體化的方式和特點(diǎn)：多源異類傳感器、多種攔截器、多個可變中心的指控節(jié)點(diǎn)分布式的網(wǎng)絡(luò)連接、采用集中指揮與分布式相結(jié)合的指控方式，相應(yīng)地將反導(dǎo)作戰(zhàn)中的多傳感器任務(wù)規(guī)劃問題分解為兩個層次：集中式?jīng)Q策和分布式調(diào)整。集中式?jīng)Q策對應(yīng)于所構(gòu)建MAS架構(gòu)的規(guī)劃層，而分布式調(diào)整則在處理層與實(shí)體層之間展開。

如圖6所示，在集中式?jīng)Q策生成預(yù)規(guī)劃，確保解的質(zhì)量的基礎(chǔ)上，將部分權(quán)力下放，對任務(wù)規(guī)劃涉及到的相關(guān)各傳感器節(jié)點(diǎn)能夠協(xié)同決策，實(shí)現(xiàn)動態(tài)自同步更新，把不同的組成部分集成到一起，形成適合于當(dāng)前戰(zhàn)場態(tài)勢的多種組合的傳感網(wǎng)。

圖6 問題求解組成框架

3.2 基于任務(wù)共同體的問題求解過程機(jī)制分析

任務(wù)規(guī)劃序列生成是動態(tài)的，既要考慮到空間維度上的延伸性，又要考慮到時間維度上的時效性。一方面，周期性的以集中式方法生成整體的任務(wù)序列方案，確保當(dāng)前全局最優(yōu)解；另一方面，動態(tài)事件觸發(fā)執(zhí)行層傳感器進(jìn)行分布式調(diào)整，確保對戰(zhàn)場任務(wù)動態(tài)變化的自適應(yīng)。如果序列生成的周期過長，隨著對目標(biāo)探測跟蹤誤差的增加，將使規(guī)劃失敗的可能性不斷增大；周期選取頻繁，將顯著增加任務(wù)共同體內(nèi)部具體方案求解的工作量。因此，對周期的選取應(yīng)根據(jù)對目標(biāo)的量測結(jié)果和任務(wù)的變化趨勢進(jìn)行自適應(yīng)調(diào)整。具體如圖7所示。

1）周期的確定

周期性序列生成是集中式產(chǎn)生全新序列方案，周期長短的選擇對整個序列方案生成的魯棒性的影響是根本性的。根據(jù)任務(wù)共同體的劃分，在各彈道段內(nèi)目標(biāo)的運(yùn)動軌跡一般具有可預(yù)測性，相對穩(wěn)定。因此，考慮以任務(wù)共同體為依據(jù)作為一個選取周期。

2）基于任務(wù)共同體的周期調(diào)整

周期的調(diào)整需要根據(jù)前一次周期內(nèi)對目標(biāo)的執(zhí)行情況來進(jìn)行調(diào)整，考慮問題的求解復(fù)雜度以及要符合實(shí)際情況的客觀要求，以跟蹤精度和攔截區(qū)確定分別作為探測跟蹤任務(wù)共同體和識別制導(dǎo)任務(wù)共同體周期調(diào)整的兩個主要因素：

（1）探測跟蹤任務(wù)共同體

對于探測跟蹤任務(wù)共同體而言，就是要最優(yōu)化目標(biāo)的跟蹤性能，因此選擇以探測跟蹤誤差作為確定探測跟蹤任務(wù)共同體下周期序列生成的時機(jī)。假設(shè)預(yù)警任務(wù)共同體序列生成初始周期為T0，周期終止時刻為et，對目標(biāo)跟蹤誤差的閾值為εmax，當(dāng)前任務(wù)共同體下t時刻對目標(biāo)的跟蹤協(xié)方差為P。那么探測跟蹤任務(wù)共同體周期T′開始時刻，以跟蹤精度比閾值高一個數(shù)量級為依據(jù)來確定，具體見式（1）。

（2）識別制導(dǎo)任務(wù)共同體

識別制導(dǎo)是在線控制整個反導(dǎo)作戰(zhàn)過程的關(guān)鍵點(diǎn)，是整體傳感器任務(wù)規(guī)劃的落腳點(diǎn)。其與攔截的耦合關(guān)系，必然要求以攔截成功為最終目標(biāo)進(jìn)行優(yōu)化。因此，選擇以攔截區(qū)作為確定識別制導(dǎo)任務(wù)共同體下周期序列生成的時機(jī)。首先跟蹤任務(wù)共同體給出的信息可以確定目標(biāo)的攔截點(diǎn)，進(jìn)而來倒推目標(biāo)識別窗口達(dá)到優(yōu)化序列的目的。

只有在這段時間內(nèi)成功識別目標(biāo)，才能達(dá)到目標(biāo)的發(fā)射條件。

3）分布式更新

分布式更新問題，要設(shè)計與問題匹配的協(xié)同機(jī)制，各分配節(jié)點(diǎn)以該協(xié)同機(jī)制作為行為規(guī)則，對分配方案進(jìn)行動態(tài)分布式調(diào)整。這一部分將在3.4節(jié)進(jìn)行詳細(xì)敘述。

3.3 集中式反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃方法分析

集中式反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃是指對任意來襲目標(biāo)，在有限的傳感器資源限制和可視化窗口的約束下，如何確定傳感器對目標(biāo)的探測跟蹤序列、探測時機(jī)和工作模式，以實(shí)現(xiàn)對多目標(biāo)的探測、跟蹤和識別。影響反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃的因素主要包括：傳感器資源的性能、任務(wù)的特性與規(guī)劃目標(biāo)。體現(xiàn)為不同傳感器對不同類型任務(wù)的處理能力各不相同，即使針對同一任務(wù)各傳感器間也有所差異。同時，規(guī)劃的目標(biāo)對規(guī)劃結(jié)果的影響是根本性的，不同的目標(biāo)會有不同的規(guī)劃結(jié)果，它決定了資源與任務(wù)按什么原則去匹配。

因此，集中式反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃可歸結(jié)為：任務(wù)分配規(guī)劃（mission allocation program?ming，MAP）和任務(wù)分配調(diào)度（mission allocation scheduling，MAS）兩個問題。在任務(wù)規(guī)劃過程中，MAP和MAS有各自的決策變量和目標(biāo)函數(shù)。在給定MAP方案后才能進(jìn)一步確定MAS方案。一方面，MAS方案對其目標(biāo)函數(shù)的優(yōu)化決策具有決定性的作用；另一方面MAS方案又將對MAP的目標(biāo)函數(shù)產(chǎn)生影響。綜上所述，反導(dǎo)作戰(zhàn)傳感器任務(wù)規(guī)劃實(shí)際上是一個以MAP為上層規(guī)劃，MAS為下層規(guī)劃的雙層規(guī)劃模型。

1）MAP上層規(guī)劃

在反導(dǎo)作戰(zhàn)中，傳感器從預(yù)警到攔截制導(dǎo)的“任務(wù)-時間-空間”線中涉及任務(wù)主要包括預(yù)警任務(wù)、探測跟蹤任務(wù)、識別制導(dǎo)任務(wù)。進(jìn)而，MAP的目的是通過優(yōu)化任務(wù)分配，以最大化作戰(zhàn)效能、平衡任務(wù)契合度為目標(biāo)，合理匹配各個異構(gòu)多源傳感器的能力，以獲得最佳任務(wù)效益的傳感器集合。

2）MAS下層規(guī)劃

MAS的目的是在任務(wù)匹配的基礎(chǔ)上，各傳感器間以最大化探測有利度、最小化傳感器節(jié)點(diǎn)數(shù)、平衡全局資源負(fù)載為目標(biāo)，尋求執(zhí)行任務(wù)最佳的傳感器節(jié)點(diǎn)時間序列組合，并將規(guī)劃結(jié)果反饋到上層，由上層進(jìn)行總體權(quán)衡，從而得到最終決策結(jié)果。

可以看出，MAP和MAS都是組合優(yōu)化問題，存在“維數(shù)災(zāi)難”的問題。因此這是一個包含復(fù)雜約束條件、上下層規(guī)劃問題的非線性雙層規(guī)劃問題。求解該類問題就需要設(shè)計一種搜索能力強(qiáng)、收斂速度快的分層遞階的求解算法。而在求解算法研究方面，隨著計算機(jī)技術(shù)的發(fā)展，智能優(yōu)化算法被大量應(yīng)用于傳統(tǒng)優(yōu)化算法難以解決的NP問題中，由此發(fā)展起來的swarm intelligence（SI）是目前研究的熱點(diǎn)。典型的有遺傳算法、差分優(yōu)化算法、粒子群算法、蟻群算法、狼群算法以及混合智能算法等等［17～22］，這類算法在計算復(fù)雜度上相對于傳統(tǒng)算法表現(xiàn)出的極大優(yōu)勢，使得它們在各個領(lǐng)域都得到了廣泛的應(yīng)用。

3.4 分布式反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃方法分析

分布式反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃在本質(zhì)上屬于分布式任務(wù)分配問題范疇。求解該類問題的核心是設(shè)計任務(wù)執(zhí)行者之間的協(xié)同機(jī)制，各執(zhí)行者以該協(xié)同機(jī)制作為行為規(guī)則，實(shí)現(xiàn)作戰(zhàn)過程中的動態(tài)更新。主要包括確定問題的目標(biāo)函數(shù)和約束條件；分析分布式調(diào)整的觸發(fā)時機(jī)；根據(jù)問題背景和作戰(zhàn)需求，設(shè)計合理的協(xié)同機(jī)制，以實(shí)現(xiàn)交戰(zhàn)過程中任務(wù)規(guī)劃方案分布式調(diào)整后的作戰(zhàn)效能最大化。

1）執(zhí)行時機(jī)分析

在作戰(zhàn)過程中可能由于后續(xù)約束條件滿足、戰(zhàn)場節(jié)點(diǎn)損耗/失效等情況的改變而使得某個周期內(nèi)的集中式方案變得不再是最優(yōu)解，甚至變?yōu)椴豢尚薪?。此時，就需要根據(jù)戰(zhàn)場的實(shí)時態(tài)勢進(jìn)行動態(tài)的分布式調(diào)整。具體執(zhí)行條件如下。

執(zhí)行條件1：當(dāng)T時刻，目標(biāo)尚未到達(dá)傳感器節(jié)點(diǎn)有效威力范圍時，融合Agent（處理層Agent）根據(jù)體系內(nèi)的目標(biāo)綜合信息，發(fā)現(xiàn)目標(biāo)實(shí)際航跡偏離之前規(guī)劃時采用的預(yù)測彈道，使得處理層Agent根據(jù)所轄實(shí)體層Agent的部署位置、武器性能、剩余資源等因素的掌握程度，判定“之前由于作戰(zhàn)區(qū)域、系統(tǒng)資源或不滿足其他等原因未能分配到該目標(biāo)”的傳感器節(jié)點(diǎn)可對其提前作戰(zhàn)，則發(fā)出協(xié)同交戰(zhàn)請求，對相應(yīng)任務(wù)規(guī)劃方案進(jìn)行調(diào)整。這樣做是為了有機(jī)會選擇更加有效的傳感器節(jié)點(diǎn)對目標(biāo)實(shí)施作戰(zhàn)，提高作戰(zhàn)效能。

執(zhí)行條件2：當(dāng)T時刻，實(shí)體層Agent判定無法成功完成任務(wù)（失跟、傳感器節(jié)點(diǎn)失效、無剩余資源等）或者目標(biāo)強(qiáng)機(jī)動飛出當(dāng)前傳感器節(jié)點(diǎn)有效范圍，處理層Agent根據(jù)當(dāng)前其他節(jié)點(diǎn)的部署位置、武器性能等因素判定其它傳感器節(jié)點(diǎn)可對目標(biāo)繼續(xù)實(shí)施作戰(zhàn)，則發(fā)出協(xié)同交戰(zhàn)請求，重新調(diào)整任務(wù)規(guī)劃序列，盡可能減小目標(biāo)突防概率。

2）分布式協(xié)同決策方法分析

不同類型的任務(wù)共同體共同構(gòu)成了傳感器任務(wù)規(guī)劃，彼此間既存在區(qū)別、又存在耦合，因此相對應(yīng)的求解方法也應(yīng)當(dāng)是不盡相同的。具體體現(xiàn)為問題解決的目的、分配對象、任務(wù)執(zhí)行能力需求，如表1所示。

一方面，目的和分配對象這兩個因素決定了分配問題的建模方式、約束條件和求解的粒度；另一方面，任務(wù)執(zhí)行能力需求決定了協(xié)同決策的依據(jù)、機(jī)理和過程。從表1中，可以看出預(yù)警與探測跟蹤主要關(guān)注目標(biāo)跟蹤性能上的穩(wěn)定和優(yōu)化，可以用某個或某些具體特性的最優(yōu)度量值（檢測概率、截獲概率、跟蹤精度等）作為目標(biāo)函數(shù)，是實(shí)現(xiàn)目標(biāo)-傳感器之間的動態(tài)調(diào)整；而識別制導(dǎo)任務(wù)共同體是要在攔截點(diǎn)規(guī)劃的基礎(chǔ)上對目標(biāo)-制導(dǎo)節(jié)點(diǎn)-火力節(jié)點(diǎn)的進(jìn)一步動態(tài)調(diào)整。與前兩者相比，在識別制導(dǎo)任務(wù)共同體階段，資源沖突高，約束復(fù)雜，實(shí)時性要求高。因此，有必要將分布式反導(dǎo)作戰(zhàn)多傳感器任務(wù)規(guī)劃問題分為預(yù)警探測跟蹤協(xié)同規(guī)劃和識別制導(dǎo)協(xié)同規(guī)劃分別進(jìn)行研究。

表1 不同類型任務(wù)體下的求解問題比較

在求解算法方面，目前對于分布式分配問題的研究可分為以Brown算法為代表的通用算法求解方法和以人工智能為基礎(chǔ)的協(xié)同機(jī)制求解方法。前者可實(shí)現(xiàn)全局最優(yōu)，一致性好，但是對作戰(zhàn)計算資源、數(shù)據(jù)要求以及指控能力的要求極高。一旦對抗體系發(fā)生變化（體系中有節(jié)點(diǎn)加入或者退出），就需要全局進(jìn)行重新優(yōu)化。而基于人工智能的求解方法，由于其計算復(fù)雜度低、體系結(jié)構(gòu)動態(tài)調(diào)整速度快，可擴(kuò)展性好，局部優(yōu)化能力強(qiáng)等特點(diǎn)，成為了目前研究的熱點(diǎn)。主要包括了基于行為的方法［23］，基于拍賣和市場機(jī)制的方法［24～25］，基于空閑鏈的方法［26］以及如蟻群、狼群等基于群智能［20～21］的方法。

4 結(jié)語

異構(gòu)MAS下的反導(dǎo)作戰(zhàn)傳感器任務(wù)規(guī)劃框架通過將反導(dǎo)作戰(zhàn)傳感器任務(wù)規(guī)劃依據(jù)任務(wù)性質(zhì)進(jìn)行分割，不但是為了平衡各傳感器的任務(wù)執(zhí)行量，也是為了區(qū)分多源異類傳感器能力帶來的區(qū)域性差異問題。在此基礎(chǔ)上，構(gòu)建了一種基于任務(wù)共同體的分層決策框架。最后，探討了基于雙層規(guī)劃的傳感器任務(wù)規(guī)劃序列生成模型，以及分布式協(xié)同決策下的動態(tài)更新問題。為反導(dǎo)作戰(zhàn)傳感器任務(wù)規(guī)劃問題提供了一個新的思路。

下一步的工作包括兩個方面：一是考慮更符合戰(zhàn)場環(huán)境的目標(biāo)和約束條件，構(gòu)建多目標(biāo)規(guī)劃模型，使得模型更貼近作戰(zhàn)應(yīng)用特點(diǎn)及決策需求；二是構(gòu)建能夠動態(tài)適應(yīng)戰(zhàn)場攻防對抗態(tài)勢變化的面向多任務(wù)分布式智能協(xié)同任務(wù)規(guī)劃理論與算法，以進(jìn)一步提高不確定戰(zhàn)場環(huán)境下，算法求解效率及解的精度。

［1］李軍，鐘志良，景寧，胡衛(wèi)東.異構(gòu)MAS結(jié)構(gòu)下的空天資源多階段協(xié)同任務(wù)規(guī)劃方法［J］.航空學(xué)報，2013，34（7）：1682-1697.

［2］Br?ring A，Echterhoff J，Jirka S，et al.New generation sensor web enablement［J］.Sensors，2011，11（3）：2652-2699.

［3］劉欽，劉崢.一種基于Rényi信息增量的機(jī)動目標(biāo)協(xié)同跟蹤方法［J］.控制與決策，2012，27（9）：1437-1440.

［4］王一川，單甘霖，童俊.基于協(xié)同memetic PSO算法的傳感器-目標(biāo)分配問題求解［J］.系統(tǒng)工程與電子技術(shù)，，2013，35（5）：1000-1007.

［5］aheswararajah S，Halgamuge S.Sensor scheduling for tar?get tracking using particle swarm optimization［C］//Proc.of the IEEE 63rdVehicular Technology conference，2006：573-577.

［6］Badawy R，Hirsch B，Albayrak S.Agent-based coordina?tion techniques for matching supply and demand in energy networks［J］.Integrated Computer-Aided Engineering，2010，17（4）：373-382.

［7］de Jong S，Tuyls K，Verbeeck K.Fairness in multi-agent systems［J］.Knowledge Engineering Review，2008，23（2）：153-180

［8］Confessore G，Giordani S，Rismondo S.A market-based multi-agent system model for decetrlized multi-project scheduling［J］.Annals of Operations Research，2003：27-38.

［9］唐蘇妍.網(wǎng)絡(luò)化防空導(dǎo)彈體系動態(tài)攔截聯(lián)盟形成機(jī)制與方法研究［D］.長沙：國防科學(xué)技術(shù)大學(xué)，2011：40-48.

［10］Peng Ni，Jin-Mang Liu，Yong-lan Liu，Qiang Fu.Re?search on mission planning for distributed multi-sensors in anti-TBM combat based on multi-agent system［J］.Sensor Letters.2014，12（2）：325-331.

［11］吳林鋒，王剛，劉昌云，楊少春.基于多智能體的反導(dǎo)傳感器任務(wù)規(guī)劃算法［J］.現(xiàn)代防御技術(shù)，2012，40（2）：88-93.

［12］王剛，何晶.基于Agent的網(wǎng)絡(luò)化防空作戰(zhàn)多傳感器集成研究［J］.火力指揮與控制，2009，34（1）：19-22.

［13］Bogdanowicz Z R.A new efficient algorithm for optimal assignment of smart weapons to targets［J］.Computers and Mathematics with Applications，2009，58（4）：1965-1969.

［14］陳英武，蔡懷平，邢立寧.動態(tài)武器目標(biāo)分配問題中策略優(yōu)化的改進(jìn)算法［J］.系統(tǒng)工程理論與實(shí)踐，2007，27（7）：160-165.

［15］Karasakal O.Air defense missile-target allocation mod?els for a naval task group［J］.Computers&Operations Research，2008，35（2）：1759-1770.

［16］劉曉，劉忠，侯文姝.火力分配多目標(biāo)規(guī)劃模型的改進(jìn)MOPSO算法［J］.系統(tǒng)工程與電子技術(shù)，2013，35（2）：326-330.

［17］王瑋，程樹昌，張玉芝.基于遺傳算法的一類武器目標(biāo)分配方法研究［J］.系統(tǒng)工程與電子技術(shù)，2008，30（9）：1708-1711.

［18］黃仁全，靳聰，賀筱軍，等.自適應(yīng)局部增強(qiáng)微分進(jìn)化改進(jìn)算法［J］.空軍工程大學(xué)學(xué)報（自然科學(xué)版），2011，12（3）：84-89.

［19］范成禮，邢清華，范海雄.帶審斂因子的變鄰域粒子群算法［J］.控制與決策，2014，29（4）：696-700.

［20］李猛，王道波，盛守照.采用多重啟發(fā)蟻群優(yōu)化算法的無人機(jī)航跡規(guī)劃［J］.華南理工大學(xué)學(xué)報（自然科學(xué)版），2011，39（10）：37-43.

［21］吳虎勝，張鳳鳴，吳廬山.一種新的群體智能算法——狼群算法［J］.系統(tǒng)工程與電子技術(shù)，2013，35（11）：2430-2438.

［22］劉朝華，李小花，章兢.精英免疫克隆選擇的協(xié)同進(jìn)化粒子群算法［J］. 電子學(xué)報，2013，41（11）：2167-2173.

［23］Gage Aaron.Multi-Robot Task Allocation Using Affect［D］. Tampa： University of South Florida， 2004：15-20.

［24］Jones E.Gil，Dias M.Bernardine，Stentz Anthony.Learn?ing-Enhanced Market-based Task Allocation for Disas?ter Response［A］.CMU-RI-TR-06-48.Pittsburgh：Carnegie Mellon University，2006：88-96.

［25］Dobzinski Shahar，Nisan Noam，Schapira Michael.Ap?proximation Algorithms for Combinatorial Auctions with Complement-Free Bidders［J］.Mathematics of Opera?tions Research，2010，35（1）：1-13.

［26］I.D.Chase，Weissburg M.，Dewitt T.H.The Vacancy Chain Process：A New Mechanism of Resource Distribu?tion in Animals with Application to Hermit Crabs［J］.Animal Behavior，1998（36）：1265-1274.