多機(jī)協(xié)同目標(biāo)與火力資源分配*

傅 莉，劉駿馳（.沈陽航空航天大學(xué)航空航天工程學(xué)部，沈陽 036；.沈陽航空航天大學(xué)自動化學(xué)院，沈陽 036）

多機(jī)協(xié)同目標(biāo)與火力資源分配*

傅 莉1，劉駿馳2
（1.沈陽航空航天大學(xué)航空航天工程學(xué)部，沈陽 110136；2.沈陽航空航天大學(xué)自動化學(xué)院，沈陽 110136）

在協(xié)同空戰(zhàn)中，快速正確的空戰(zhàn)決策是己方戰(zhàn)機(jī)少受敵方傷害并取得戰(zhàn)爭勝利的前提。目標(biāo)與火力資源分配是決策過程的重要部分。多機(jī)空戰(zhàn)與單機(jī)空戰(zhàn)相比有明顯的不同，不同之處是面臨多個敵方目標(biāo)，根據(jù)我方資源最優(yōu)分配作戰(zhàn)對象和火力，基于遺傳算法實現(xiàn)了兩種算法的有人無人目標(biāo)與火力資源分配。仿真結(jié)果表明，帶有毀傷概率門限的算法既節(jié)省火力資源又快速有效。

協(xié)同空戰(zhàn)，威脅評估，目標(biāo)與火力資源分配，遺傳算法

0 引言

對于未來越來越復(fù)雜的戰(zhàn)場環(huán)境，越來越苛刻的作戰(zhàn)條件，頻繁變化的戰(zhàn)場態(tài)勢數(shù)據(jù)，戰(zhàn)術(shù)任務(wù)具有多重性與復(fù)雜性。對于單架作戰(zhàn)飛機(jī)來說，指定的作戰(zhàn)任務(wù)幾乎是無法完成的，有人無人協(xié)同作戰(zhàn)已經(jīng)成為當(dāng)今世界空中戰(zhàn)場的必然選擇。在現(xiàn)代協(xié)同空戰(zhàn)［1-3］中，快速正確的空戰(zhàn)決策是保證戰(zhàn)爭的勝利的前提。而在協(xié)同空戰(zhàn)決策過程中，目標(biāo)與火力分配［5-7］是在威脅評估之后的特別重要的部分。多機(jī)空戰(zhàn)與單機(jī)空戰(zhàn)相比有明顯的不同，不同之處是面臨多個敵方目標(biāo)，根據(jù)我方資源最優(yōu)分配作戰(zhàn)對象和火力。目標(biāo)分配的目的是從進(jìn)入我方戰(zhàn)機(jī)能夠搜所到的范圍內(nèi)的多個敵方目標(biāo)中選取攻擊或規(guī)避對象。協(xié)同目標(biāo)分配是無人機(jī)對目標(biāo)位置等信息的分析后，通過數(shù)據(jù)鏈等手段傳遞給有人機(jī)。有人機(jī)獲取到的數(shù)據(jù)，按照一定的分配原則，在綜合優(yōu)勢函數(shù)的基礎(chǔ)上進(jìn)行目標(biāo)分配給無人機(jī)，由無人機(jī)負(fù)責(zé)實施打擊。

目標(biāo)與火力分配是一個約束眾多而復(fù)雜的組合優(yōu)化問題，其傳統(tǒng)的解決方法如隱枚舉法、線性規(guī)劃、割平面法等方法，比較簡單。但隨問題維數(shù)的增加，問題的解算會耗費大量的時間，所以不利于解決復(fù)雜問題，一些智能算法例如遺傳算法、蟻群算法等在目標(biāo)分配研究領(lǐng)域被廣泛地應(yīng)用到。下面具體研究遺傳算法在目標(biāo)與火力分配中的應(yīng)用。

1 基于遺傳算法的目標(biāo)與火力資源分配建模

1.1 遺傳算法基本流程

遺傳算法（Genetic Algorithm，GA）最先是在20世紀(jì)70年代由美國科學(xué)家John Holland提出的。這種算法模擬了Darwin的遺傳科學(xué)和“適者生存”的劣勢被淘汰的生物進(jìn)化過程模型。生物遺傳科學(xué)和優(yōu)勝劣汰的自然法則是其想法的起源，是能夠把生存與檢測相結(jié)合的迭代過程的搜索算法。遺傳算法隨機(jī)地搜索一個參數(shù)空間，這些參數(shù)被編碼，對象就是群體中的個體，這種搜索效率很高。其中，選擇、交叉和變異是遺傳算法中的遺傳操作過程的最重要的3個部分；第1步是把參數(shù)集合確定下來，接下來就是進(jìn)行編碼工作，然后設(shè)定它的初始群體，適應(yīng)度函數(shù)的設(shè)計、遺傳操作設(shè)計、控制參數(shù)設(shè)定等5個必要元素構(gòu)成了遺傳算法的核心內(nèi)容。

在“116號文”中，施工臨時設(shè)施有不同的計算方式：一是列入直接費。如風(fēng)水電支管支線、簡易砂石料加工系統(tǒng)、小型混凝土拌和澆筑系統(tǒng)、木材加工廠、鋼筋加工廠、機(jī)械修理廠、混凝土預(yù)制構(gòu)件廠、場內(nèi)施工排水等。二是在施工臨時工程中單獨列項。如施工交通工程、施工場外供電工程、施工倉庫、辦公及生活用房等。三是列入其他施工臨時工程。如施工供水系統(tǒng)、砂石料系統(tǒng)、混凝土拌和澆筑系統(tǒng)、施工排水、施工通信、施工臨時支護(hù)設(shè)施等。

遺傳算法［10-12］是一種全局意義上的自適應(yīng)搜索技術(shù)，通過選擇復(fù)制交叉以及變異等操作，確保問題解空間中的任意一點，都能夠被該算法完整地搜索到編碼的方式，遺傳算子的性能，二者決定了遺傳算法的效率。

其優(yōu)點是:

2018年以來中美貿(mào)易摩擦愈演愈烈。究其主要原因，一方面是中國經(jīng)濟(jì)的快速增長，另一方面是美國在20世紀(jì)80年代中后期國際競爭力減弱、經(jīng)濟(jì)衰退。這使得美國認(rèn)為其國際地位受到了威脅，國際話語權(quán)面臨被削弱的風(fēng)險。

社會的發(fā)展人的因素是最重要的，大到國家的興衰，小到家庭的變化，其中起決定作用的還是人的因素。學(xué)校的發(fā)展離不開學(xué)生的進(jìn)步，但影響學(xué)生的還是廣大教職員工的付出。學(xué)校是一個大家庭，對于學(xué)校管理也是同樣需要科學(xué)地評判一位教師，作為一種高層次領(lǐng)導(dǎo)藝術(shù)的人力資源管理，能夠正確對待人才的兩面性，是合理用人的關(guān)鍵所在。

1）搜索范圍廣，具有很強(qiáng)的全局搜尋能力，無論任何問題領(lǐng)域；

2）能夠從設(shè)定群體出發(fā)搜索，魯棒性好；

3）構(gòu)造適應(yīng)度函數(shù)，并從此啟發(fā)，過程簡單易行；4）迭代過程是隨機(jī)的，基于概率理論；5）可容易結(jié)合其他算法，擴(kuò)展性極好。

1.2 目標(biāo)與火力資源分配建模

目標(biāo)與火力資源分配的原則是在確保自己安全，保存實力的前提下，盡量讓殺敵機(jī)概率提升到最高，避免對某個目標(biāo)的相同攻擊和失敗打擊，其目的是盡最大可能發(fā)揮我機(jī)的武器威力。

目標(biāo)與火力資源的分配應(yīng)遵循以下幾點:

假設(shè)在某次多機(jī)協(xié)同攻擊多目標(biāo)的空戰(zhàn)中，由a架飛機(jī)組成的飛行編隊A={A1，A2，…，Aa}，掛載的導(dǎo)彈總量為m，每枚導(dǎo)彈的編號為Mi（i=1，2，…，m），所需要攻擊的敵機(jī)目標(biāo)有n個，每個目標(biāo)的編號為Tj（j=1，2，…，n）。記Pj表示為所分配火力對第j個目標(biāo)打擊的總體毀傷概率，可表示如下

2.2 犁具在新疆生產(chǎn)建設(shè)兵團(tuán)的應(yīng)用現(xiàn)狀 目前新疆生產(chǎn)建設(shè)兵團(tuán)耕地已完全實現(xiàn)機(jī)械化作業(yè)，機(jī)械化程度達(dá)100%，產(chǎn)品處于更新?lián)Q代時期，兵團(tuán)液壓翻轉(zhuǎn)犁的應(yīng)用主要以配套74.57～134.23 kW大型拖拉機(jī)為主，犁具規(guī)格與配套拖拉機(jī)功率如表2所示。根據(jù)調(diào)查信息顯示，近幾年149.14 kW以上的大型拖拉機(jī)擁有量不斷增加，農(nóng)機(jī)戶為充分利用拖拉機(jī)，購置了與之配套的3～5鏵的翻轉(zhuǎn)犁機(jī)型。

1）上級指定的目標(biāo)優(yōu)先分配；

2）重點目標(biāo)優(yōu)先分配；

1）要保證各目標(biāo)都可以達(dá)到預(yù)設(shè)毀傷概率門限Pdj。一個火力分配方案中，如果對某個目標(biāo)的毀傷概率低于預(yù)設(shè)的毀傷概率門限，則認(rèn)為對該目標(biāo)的分配無效。

目標(biāo)與火力資源分配是在對整個戰(zhàn)場態(tài)勢評估的基礎(chǔ)上進(jìn)行的。目標(biāo)與火力資源分配的目的根據(jù)我方火力資源最優(yōu)分配作戰(zhàn)對象和火力，從而得到最佳攻擊方案，使得我方作戰(zhàn)飛機(jī)的整體優(yōu)勢達(dá)到最大。對目標(biāo)分配不僅僅要考慮整個戰(zhàn)場的態(tài)勢評估結(jié)果，還要考慮其他的影響因素，目標(biāo)與火力資源分配主要基于以下6個因素:

·目標(biāo)的威脅矩陣（也是我方的優(yōu)勢矩陣）

·交戰(zhàn)雙方的相對幾何關(guān)系

優(yōu)勢矩陣［15-16］的建立與解算是目標(biāo)分配的基礎(chǔ)?？紤]交戰(zhàn)雙方的幾何關(guān)系，主要是考慮我方飛機(jī)能夠進(jìn)行的武器打擊限制，在我方武器的攻擊范圍之外，將帶來決策的失誤。每個戰(zhàn)機(jī)能夠打擊的數(shù)量由本身所帶的導(dǎo)彈數(shù)量決定，攻擊的數(shù)量不能超出本身所帶的導(dǎo)彈數(shù)量。

一般的火力分配算法為

2）目標(biāo)威脅權(quán)重Wj可以保證威脅度較高或最高的目標(biāo)被優(yōu)先分配。

·目標(biāo)分配中的重要目標(biāo)和次要目標(biāo)的導(dǎo)彈合理分配，不能出現(xiàn)遺漏攻擊。

·戰(zhàn)機(jī)的機(jī)載武器（可用的導(dǎo)彈數(shù)量）

第二，嬰幼兒配方乳粉的進(jìn)口來源相對集中。雖然中國嬰幼兒配方乳粉進(jìn)口來源國共有20多個國家，但是數(shù)據(jù)顯示其進(jìn)口來源國卻相對集中。以2016年為例，荷蘭是我國最大的嬰幼兒配方乳粉進(jìn)口貿(mào)易來源國，占比35.7%；愛爾蘭和新西蘭分別是第二和第三大進(jìn)口來源國，分別占比14.6%和10.8%；第三和四五位分別是德國和法國；來自排名前五個國家的進(jìn)口量高達(dá)總進(jìn)口量的77.5%（圖1）。

目前，很多目標(biāo)與火力分配模型都只是簡單地滿足求毀傷概率越大越好或威脅程度越大便優(yōu)先分配的要求，該模型在實際戰(zhàn)場中不能夠滿足需求，在有足夠火力資源、攻擊對象并不多的情況下，該模型會嚴(yán)重浪費武器火力資源，一旦有增援?dāng)硻C(jī)目標(biāo)到來時，無法繼續(xù)為其提供充足的火力資源。本文提出一種在上述模型基礎(chǔ)上改進(jìn)過的火力分配模型，在該模型中引入毀傷概率門限，從而在取得最大的對目標(biāo)的毀傷概率平均值的同時，盡可能少地消耗火力資源，以便對盡可能多的目標(biāo)實施打擊［17］。

多機(jī)協(xié)同空戰(zhàn)中，進(jìn)行火力優(yōu)化分配的目的就是使各戰(zhàn)機(jī)在盡可能保存自己，避免重復(fù)攻擊的同時，達(dá)到對目標(biāo)的整體毀傷最大。本文在一般火力資源分配模型的基礎(chǔ)上，通過改進(jìn)建立了一種可以節(jié)約火力資源的帶有毀傷門限的火力分配模型，這個模型能夠有效地達(dá)到這一目標(biāo)。

在特定條件下使用氯化銨溶液浸出鋅，同時浸出的還有銅、鉛等元素，鐵及鐵離子被留在渣中[28]。在溶液結(jié)晶過程中，微量元素被溶解，可得到氫氧化鋅，經(jīng)漂洗、干燥、焙燒后，可得到氧化鋅，化學(xué)反應(yīng)見式(3)和式(4)。

式中:pij表示第i枚導(dǎo)彈打擊第j個目標(biāo)的毀傷概率；oij為決策變量，如果分配第i個導(dǎo)彈攻擊第j個目標(biāo)，則oij=1，否則oij=0。

上述的分析可以證明，諾亞方舟、巴別塔不過是神話，與此同時，整個《創(chuàng)世紀(jì)》都是神話。既然是神話，為什么人們會信以為真呢？

·擊毀敵方一個目標(biāo)所需導(dǎo)彈數(shù)量

式中:Wj為第j個目標(biāo)的威脅權(quán)重。

這種算法在目前已經(jīng)被廣泛地應(yīng)用于目標(biāo)與火力分配的問題中，取得了一定的成果。但這種一次性的分配準(zhǔn)則是基于求毀傷概率越大越好的，沒有考慮資源消耗的問題，在我方火力資源相對充足并且目標(biāo)數(shù)量并不是很多的情況下，這種算法會導(dǎo)致武器火力資源的嚴(yán)重浪費，而當(dāng)有后續(xù)敵機(jī)目標(biāo)來襲時，無法繼續(xù)提供充足的火力資源。所以，本文提出了一種帶有毀傷概率門限的目標(biāo)與火力分配算法，該數(shù)學(xué)模型為式中:pij是第j個敵機(jī)目標(biāo)預(yù)先設(shè)定的毀傷概率門限，它的具體數(shù)值可根據(jù)戰(zhàn)場態(tài)勢人為決定，或由指揮系統(tǒng)確定；Pdj為Pj的均值；Pj≥Pdj可以理解為對每個敵機(jī)目標(biāo)的毀傷概率不小于其預(yù)先設(shè)定的毀傷概率門限；oij≤1表示一枚導(dǎo)彈最多只能攻擊一個敵方目標(biāo)。

對該模型的具體分析如下:

3）威脅度大的目標(biāo)被優(yōu)先分配；4）先達(dá)到的目標(biāo)優(yōu)先分配。

·最多分配幾枚導(dǎo)彈攻擊一個目標(biāo)

學(xué)生完成本科階段的學(xué)習(xí)后，去向有所不同，有的學(xué)生選擇繼續(xù)深造考研，有的學(xué)生想盡早參加工作，有的學(xué)生則去考公務(wù)員，有的學(xué)生選擇三支一扶，學(xué)校一般都會尊重學(xué)生的選擇?！?+1”模式中，學(xué)生最后一年的實習(xí)單位一般比較固定，但學(xué)生就業(yè)企業(yè)卻不一定是實習(xí)企業(yè)。畢業(yè)生“先就業(yè)、后擇業(yè)”的觀念不強(qiáng)烈，部分學(xué)生吃苦耐勞意識淡薄，只看重眼前的待遇，導(dǎo)致學(xué)生在畢業(yè)之后不一定從事本專業(yè)工作，與人才培養(yǎng)方案的目標(biāo)相背離。

4）Pj可以保證目標(biāo)j被分配相等數(shù)量的導(dǎo)彈，也就是oij相同的情況下，選擇Pj大的導(dǎo)彈組合，從而使毀傷概率盡可能增大。

(2)創(chuàng)建宗地的關(guān)聯(lián)屬性方法。如在調(diào)查庫中查看宗地屬性時，發(fā)現(xiàn)沒有相應(yīng)的屬性信息，系統(tǒng)可自動獲取宗地上的建筑面積、容積率等關(guān)聯(lián)信息，即創(chuàng)建關(guān)聯(lián)屬性的方式來獲取相應(yīng)的屬性。

該算法在滿足毀傷概率門限的前提下，通過比較各種導(dǎo)彈組合對目標(biāo)的毀傷概率平均值來進(jìn)行武器優(yōu)化分配。整體考慮毀傷概率和資源消耗這兩個問題，所以基于導(dǎo)彈數(shù)目越少越好的原則前提下，實現(xiàn)既能夠節(jié)省資源又可以讓毀傷概率最大化的效果。

1.3 仿真驗證

我方戰(zhàn)機(jī)編隊采取協(xié)同空戰(zhàn)的形式，戰(zhàn)機(jī)架數(shù)為8架，每架戰(zhàn)機(jī)均掛載2枚導(dǎo)彈，聯(lián)合攻擊區(qū)內(nèi)發(fā)現(xiàn)8個敵機(jī)目標(biāo)。本文采用的GA中，選擇運算使用比例選擇算子，交叉運算則應(yīng)用單點交叉算子，而變異運算，使用的是基本位變異算子。其參數(shù)具體設(shè)置如下:交叉概率，選取的數(shù)值為0.8，變異概率，選取的數(shù)值為0.1。

從圖1可以看出,兩個頻率分量的主瓣由于位置過于接近而重疊在一起,這種現(xiàn)象被稱為主瓣干擾。信號的真實頻譜是兩個分量的頻譜矢量疊加的結(jié)果。在此幅值譜中僅有一個主瓣被呈現(xiàn),若此時使用插值算法校正諧波的頻率、幅值和相位參數(shù),將會得到誤差較大的參數(shù)。通常,信號中大部分分量的頻率都有一定距離,它們對應(yīng)的主瓣沒有受到干擾,而只有個別諧波和間諧波分量的主瓣距離會太近而相互干擾。如果在加窗FFT得到的頻譜基礎(chǔ)上,增加一個判斷主瓣干擾的步驟,根據(jù)主瓣干擾的判定結(jié)果采取不同的處理方式,將會得到更理想的諧波和間諧波參數(shù)的檢測結(jié)果。

應(yīng)用式（2）不帶有毀傷門限的一般的算法，進(jìn)行仿真后得出如下頁圖3、圖4所示。

工作讀出模式：amtech芯片一直處于低功耗的接收狀態(tài)（功耗應(yīng)在10 μA以內(nèi)），在進(jìn)入RF輻射區(qū)后，接收到正確數(shù)據(jù)包頭后用中斷等方式將MCU喚醒，與MCU進(jìn)行數(shù)據(jù)交換，調(diào)用已加完密的數(shù)據(jù)向外發(fā)射后等待，直到amtech芯片離開RF輻射區(qū)，芯片重新進(jìn)入低功耗接收狀態(tài)，同時給MCU一個可休眠信號。MCU進(jìn)入休眠狀態(tài)。

應(yīng)用式（3），帶毀傷概率門限的算法，進(jìn)行仿真后得出如下頁圖5、圖6所示。

通過仿真結(jié)果的對比可以看出，在火力資源比較充足的情況下，改進(jìn)過的帶有毀傷門限的火力資源分配算法，不僅可以實現(xiàn)平均毀傷概率最大，同時可以更節(jié)省導(dǎo)彈資源，從而保存了火力，為戰(zhàn)場后續(xù)的戰(zhàn)斗提供資源保障，有利于空戰(zhàn)取得勝利。通過仿真結(jié)果也可以看出遺傳算法能夠很快速地收斂至全局的最優(yōu)解。

圖3 導(dǎo)彈-目標(biāo)最優(yōu)分配方案

圖4 GA算法的最優(yōu)迭代過程

圖5 帶有毀傷門限的導(dǎo)彈-目標(biāo)最優(yōu)分配方案

圖6GA算法的最優(yōu)迭代過程

4 結(jié)論

在協(xié)同空戰(zhàn)中，目標(biāo)與火力資源分配在決策過程中起到了重要的作用，是保存己方，使毀傷概率達(dá)到最大，并取得戰(zhàn)爭勝利的前提。多機(jī)空戰(zhàn)面對多個敵方目標(biāo)，能夠根據(jù)我方資源最優(yōu)分配作戰(zhàn)對象和火力資源，是與單機(jī)空戰(zhàn)最顯著的區(qū)別。本文基于遺傳算法實現(xiàn)了兩種模型的有人無人目標(biāo)與火力資源分配，并通過仿真驗證了帶有毀傷概率門限的模型，既節(jié)省了火力資源，又快速有效。遺傳算法能夠有效地解決有人無人協(xié)同空戰(zhàn)中的目標(biāo)與火力資源分配問題，該成果可以應(yīng)用到其他相關(guān)研究領(lǐng)域。

［1］鄒湘伏，何清華，賀繼林.無人機(jī)發(fā)展現(xiàn)狀及相關(guān)技術(shù)［J］.飛航導(dǎo)彈，2006，46（10）:8-14.

［2］馬向玲，雷宇曜.有人/無人機(jī)協(xié)同作戰(zhàn)關(guān)鍵技術(shù)［J］.火力與指揮控制，2012，37（1）:78-81.

［3］閆曄.有人機(jī)/無人機(jī)協(xié)同中的交互控制技術(shù)研究［D］.長沙:國防科技大學(xué)，2007:1-81.

［4］董彥非，馮驚雷，張恒喜.多機(jī)空戰(zhàn)仿真協(xié)同戰(zhàn)術(shù)決策方法［J］.系統(tǒng)仿真學(xué)報，2004，16（6）:723-725.

［5］姜長生，丁全心，王建剛，等.多機(jī)協(xié)同空戰(zhàn)中的威脅評估與目標(biāo)分配［J］.火力與指揮控制，2008，33（11）:8-12.

［6］楊榮，李長軍，龔華軍.一種適用于四代機(jī)的多目標(biāo)威脅評估算法［J］.電光與控制，2014，21（10）:5-9.

［7］DORIGO M，GAMBARDELLA L M.Ant colony system:a cooperative learning approach to the traveling salesman problem［J］.IEEE Transactions on Evolutionary Computation，2002，1（1）:53-66.

［8］ABBATTISTA F，ABBATTISTA N，CAPONETTI L.An evolutionary and cooperative agents model for optimization［C］//Proceeding of the IEEE International Conference on Evolutional Computation，1995:668-671.

［9］TOROSLU I H，ARSLANOGLU Y.Genetic algorithm for the personnel assingment problem with multiple objectives［J］. Information Science，2007，177（3）:787-803.

［10］韓松臣.導(dǎo)彈武器系統(tǒng)效能分析的隨機(jī)理論方法［M］.北京:國防工業(yè)出版社，2001.

［11］于雷，任波，魯藝.自適應(yīng)蟻群算法的多機(jī)協(xié)同空戰(zhàn)目標(biāo)分配方法［J］.火力與指揮控制，2008，33（6）:49-51.

［12］EDISON E，SHIMA T.Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms［J］.Computers&Operations Research，2011，38（1）:340-356.

［13］GAMBARDELLA L M，DORIGO M.Ant-Q:a reinforcement learning approach to the traveling salesman problem ［C］//Proceedings of the 12th International Conference on Machine Learning，1995:252-260.

［14］王丕宏，姜長生，楊承.殲擊機(jī)空戰(zhàn)占位的模糊神經(jīng)網(wǎng)絡(luò)方法［J］.電光與控制，2001，8（3）:21-25.

［15］陳小兵，常勇，孔繁峨.近距格斗自主決策研究［J］.電光與控制，2009，16（4）:34-37.

［16］丁全心.現(xiàn)代空戰(zhàn)中的戰(zhàn)術(shù)輔助決策技術(shù)［J］.電光與控制，2009，16（12）:1-4.

［17］孫鵬，李鍇，孫昱，等.基于多目標(biāo)優(yōu)化的任務(wù)計劃建模及方法［J］.火力與指揮控制，2016，41（9）:18-23.

Resource Allocation of Target and Fire of Manned/Unmanned Cooperative Air Combat

FU Li1，LIU Jun-chi2
（1.School of Faculty of Aerospace Engineering，Shenyang Aerospace University，Shenyang 110136，China；2.School of Automation，Shenyang Aerospace University，Shenyang 110136，China）

In cooperative air combat，the rapid and right air combat decision is the premise of the condition that our aircraft are less affected by the enemy and win the war.The resource allocation of target and fire is a very important part of the decision-making process.According to our resources to make optimal allocation of target and fire when facing many targets is the most significant difference between multi-craft air combat to single air combat.In this paper，two models of allocation of target and fire have been resolved based on genetic algorithm which is verified through simulation.The simulation results show that the model with the threshold of damage probability can save resource and it is fast and efficient.

cooperative air combat，threat assessment，resource allocation of target and fire，genetic algorithm

E837

A

1002-0640（2017）03-0067-04

2016-02-14

2016-03-17

國家自然科學(xué)基金資助項目（61074090）

傅 莉（1968- ），女，遼寧鳳城人，教授。研究方向：模式識別與智能系統(tǒng)。