人工智能在導(dǎo)彈控制系統(tǒng)中的應(yīng)用

鄧偉偉 段朝陽

摘要：針對導(dǎo)彈控制系統(tǒng)的技術(shù)要求，本文分析了人工智能在導(dǎo)彈控制領(lǐng)域的應(yīng)用優(yōu)勢，介紹了神經(jīng)網(wǎng)絡(luò)、模糊控制、遺傳算法在導(dǎo)彈控制系統(tǒng)中的應(yīng)用研究現(xiàn)狀。探討了人工智能在導(dǎo)彈控制系統(tǒng)中的應(yīng)用關(guān)鍵技術(shù)，展望了人工智能在導(dǎo)彈控制領(lǐng)域應(yīng)用的發(fā)展方向。人工智能應(yīng)用于導(dǎo)彈控制系統(tǒng)解決了傳統(tǒng)控制方法存在的局限性，使得控制系統(tǒng)具有自學(xué)習(xí)、自適應(yīng)能力，未來將實現(xiàn)由“人”來完成導(dǎo)彈控制任務(wù)。

關(guān)鍵詞：導(dǎo)彈控制系統(tǒng)；人工智能；神經(jīng)網(wǎng)絡(luò)；模糊控制；遺傳算法

中圖分類號：TJ765.2文獻標(biāo)識碼：ADOI：10.19452/j.issn1007-5453.2020.10.005

人工智能自20世紀(jì)提出后，得到了廣泛的傳播，但技術(shù)的制約使其發(fā)展一直處于理論研究層面。進入21世紀(jì)，各種軟、硬件技術(shù)水平的提高促進了仿真軟件和高性能計算機的發(fā)展，人工智能不再停留于理論研究層面，在自然科學(xué)與社會科學(xué)各領(lǐng)域得到了廣泛的應(yīng)用，成為當(dāng)下的研究熱點。

人工智能應(yīng)用于軍事領(lǐng)域方面，主要體現(xiàn)在智能武器裝備研究方面。未來是智能化戰(zhàn)爭時代，各國為占領(lǐng)智能化軍事領(lǐng)域制高點，都在加快研究智能武器裝備[1]。導(dǎo)彈作為重要的武器裝備，其智能化的研究意義重大。智能化導(dǎo)彈發(fā)展分為三個階段，第一階段實現(xiàn)導(dǎo)彈子系統(tǒng)智能化，第二階段實現(xiàn)單位作戰(zhàn)導(dǎo)彈智能化，第三階段實現(xiàn)導(dǎo)彈集群智能化。導(dǎo)彈具有多個子系統(tǒng)，控制系統(tǒng)是其重要的子系統(tǒng)之一[2]。導(dǎo)彈智能控制系統(tǒng)就是將人工智能應(yīng)用到導(dǎo)彈控制系統(tǒng)，達到控制要求，并使得控制系統(tǒng)具有自學(xué)習(xí)、自適應(yīng)的能力。

1應(yīng)用研究現(xiàn)狀

導(dǎo)彈控制系統(tǒng)是一個非線性、時變、多變量復(fù)雜控制系統(tǒng)[3]，難以建立精確的數(shù)學(xué)模型，模型的不確定性使得控制系統(tǒng)設(shè)計難度加大。雖然通過傳統(tǒng)控制方法設(shè)計的導(dǎo)彈控制系統(tǒng)可以達到控制要求，但是傳統(tǒng)控制方法存在不少的局限性，控制系統(tǒng)參數(shù)的確定過程復(fù)雜且難以尋得最優(yōu)參數(shù)，控制系統(tǒng)缺乏自學(xué)習(xí)、自適應(yīng)能力。

人工智能應(yīng)用于導(dǎo)彈控制系統(tǒng)使得控制系統(tǒng)具有學(xué)習(xí)、推理、決策的能力，并根據(jù)環(huán)境的變化進行適應(yīng)性調(diào)整，實現(xiàn)由“人”來完成任務(wù)[4]。機器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，模擬人腦推理的模糊控制，生物進化計算方法的遺傳算法，在導(dǎo)彈控制系統(tǒng)中主要應(yīng)用于以下幾個方面。

1.1導(dǎo)彈控制系統(tǒng)參數(shù)尋優(yōu)

空空導(dǎo)彈由于彈體運動復(fù)雜，難以建立精確的數(shù)學(xué)模型進行控制器設(shè)計，被控對象與環(huán)境的不確定性使得控制器參數(shù)難以確定。針對傳統(tǒng)比例-積分-微分（PID）控制器存在的問題，可以建立基于神經(jīng)網(wǎng)絡(luò)的PID控制器，利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)與非線性功能，在線優(yōu)化整定PID控制器的三個參數(shù)。參考文獻[5]控制器設(shè)計過程中引入了反向傳播（BP）神經(jīng)網(wǎng)絡(luò)與徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)優(yōu)化導(dǎo)彈控制系統(tǒng)，控制算法結(jié)構(gòu)如圖1所示?？刂葡到y(tǒng)的實際輸出與輸入形成的偏差及其積分項和微分項同時作為BP神經(jīng)網(wǎng)絡(luò)和PID控制器的輸入，BP神經(jīng)網(wǎng)絡(luò)的輸出為PID控制器所需要整定的三個參數(shù)。設(shè)計過程中加入了RBF神經(jīng)網(wǎng)絡(luò)對受控對象進行系統(tǒng)辨識。通過神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)PID控制器的結(jié)合，優(yōu)化了PID控制器參數(shù)的確定過程，達到了控制效果。

導(dǎo)彈控制系統(tǒng)引入模糊控制，依據(jù)控制經(jīng)驗可以建立模糊PID控制器，通過模糊調(diào)節(jié)器優(yōu)化整定傳統(tǒng)PID控制器參數(shù)，提高控制系統(tǒng)的自適應(yīng)能力。參考文獻[6]設(shè)計了基于模糊PID控制器的直/氣復(fù)合控制系統(tǒng)。直接力/氣動力（簡稱直/氣）復(fù)合控制系統(tǒng)分為氣動力控制和直接力控制兩個子系統(tǒng)，兩個子系統(tǒng)均采用模糊PID控制器來設(shè)計，利用模糊控制建立PD調(diào)節(jié)器，來確定PD控制器的參數(shù)。迎角指令的誤差以及誤差變化率作為PD調(diào)節(jié)器和PD控制器的輸入，PD調(diào)節(jié)器和PD控制器的輸出分別為PD控制器參數(shù)的變化量和執(zhí)行機構(gòu)的控制量。根據(jù)工程實際經(jīng)驗確定模糊控制的論域、隸屬度函數(shù)，建立相應(yīng)的模糊控制規(guī)則表，完成PD調(diào)節(jié)器的設(shè)計，調(diào)整傳統(tǒng)PD控制器的參數(shù)。仿真驗證中氣動參數(shù)與大氣密度參數(shù)都進行相應(yīng)拉偏，模擬氣動數(shù)據(jù)的誤差以及環(huán)境的不確定性，仿真結(jié)果表明傳統(tǒng)PID控制器的調(diào)節(jié)時間為1s，模糊PID控制器的調(diào)節(jié)時間為0.3s，采用模糊PID控制器能夠減少控制器調(diào)節(jié)時間，保證有效實時性的同時達到更好的跟蹤效果。除此之外，系統(tǒng)對于氣動誤差以及外界干擾也具有良好的魯棒性。

導(dǎo)彈飛行過程中氣動參數(shù)變化劇烈，為保證較高的控制精度，控制器參數(shù)選擇難度較大。遺傳算法可以根據(jù)控制要求，建立相應(yīng)的適配值函數(shù)，通過迭代篩選確定控制器的最優(yōu)參數(shù)。參考文獻[7]針對側(cè)滑轉(zhuǎn)彎（STT）導(dǎo)彈，利用遺傳算法尋優(yōu)確定傳統(tǒng)PID控制器的參數(shù)，以俯仰通道為例，根據(jù)導(dǎo)彈俯仰通道的超調(diào)量和調(diào)節(jié)時間等控制要求，設(shè)立遺傳算法的目標(biāo)函數(shù)，計算個體的適應(yīng)度，依據(jù)交叉概率和變異概率產(chǎn)生新的個體，根據(jù)適應(yīng)度選擇再生個體，迭代N次后得到的最優(yōu)個體即為PID控制器的最優(yōu)參數(shù)。采用插值法完成全彈道仿真驗證，系統(tǒng)的調(diào)節(jié)時間、超調(diào)量與上升時間都較小，動態(tài)響應(yīng)特性好。

現(xiàn)代控制方法中線性二次型最優(yōu)控制（LQR）因其設(shè)計過程中充分考慮了系統(tǒng)的指標(biāo)要求與控制量約束，較適合于導(dǎo)彈控制系統(tǒng)設(shè)計。但由于系統(tǒng)性能指標(biāo)與目標(biāo)函數(shù)加權(quán)矩陣Q、R有關(guān)且不存在解析解，Q、R矩陣難以確定，通過引入遺傳算法，根據(jù)控制系統(tǒng)的性能指標(biāo)，可以尋優(yōu)計算得到權(quán)值矩陣Q、R，從而確定控制器的增益參數(shù)。參考文獻[8]在直/氣復(fù)合控制系統(tǒng)中采用LQR控制器，針對導(dǎo)彈俯仰通道建立數(shù)學(xué)模型，舵偏速率作為控制量，采用三回路自動駕駛儀結(jié)構(gòu)，引入角速度誤差補償，消除跟蹤過載的穩(wěn)態(tài)誤差。利用遺傳算法進行LQR控制器的優(yōu)化設(shè)計。自動駕駛儀增益取決于加權(quán)系數(shù)，依據(jù)遺傳算法設(shè)計準(zhǔn)則，確定適應(yīng)度函數(shù)，設(shè)置種群個數(shù)為100，迭代100次后得到控制系統(tǒng)的增益矩陣K。仿真驗證表明，經(jīng)過遺傳算法優(yōu)化的復(fù)合控制系統(tǒng)具有良好的魯棒性，上升時間、跟蹤精度、穩(wěn)態(tài)誤差等性能指標(biāo)都得到了提升。

導(dǎo)彈控制系統(tǒng)中一般存在非線性化問題，遺傳算法可以通過參數(shù)尋優(yōu)解決非線性化問題。參考文獻[9]針對高機動性導(dǎo)彈自動駕駛儀設(shè)計面臨的非線性化挑戰(zhàn)，自動駕駛儀設(shè)計采用經(jīng)典PI控制器，導(dǎo)彈縱向通道控制策略基于多目標(biāo)方法，設(shè)計要求使用整體標(biāo)準(zhǔn)制定，多目標(biāo)設(shè)計考慮幾個步驟的程序閉環(huán)響應(yīng)時間。優(yōu)化問題使用混合遺傳算法（GA）解決非線性優(yōu)化問題。使用Simulink中的非線性仿真來驗證所獲得的結(jié)果，顯示了所設(shè)計的飛行控制器的性能、穩(wěn)定性和魯棒性。

飛行控制系統(tǒng)是實現(xiàn)導(dǎo)彈所需性能的關(guān)鍵要素。飛行控制系統(tǒng)的首要目的是確保系統(tǒng)的穩(wěn)定性，然后精確跟蹤制導(dǎo)指令。生物進化計算方法為非最小相位導(dǎo)彈設(shè)計自動駕駛儀提供了優(yōu)化算法。參考文獻[10]考慮導(dǎo)彈非最小相位模型和帶時滯的執(zhí)行機構(gòu)模型。適當(dāng)?shù)闹笜?biāo)（如系統(tǒng)響應(yīng)速度、超調(diào)量、穩(wěn)態(tài)誤差）被納入提出創(chuàng)新的成本函數(shù)。然后，采用了幾種適用的進化計算方法來優(yōu)化成本函數(shù)。在此優(yōu)化問題中，對遺傳算法（GA）、粒子群優(yōu)化算法（PSO）、人工蜂群算法（ABC）、帝國主義競爭算法（ICA）和布谷鳥搜索算法（CS）進行了比較。對兩個基準(zhǔn)問題的仿真結(jié)果表明，遺傳算法具有可接受的速度，可用于非最小相位系統(tǒng)的增益調(diào)度控制設(shè)計，可以替代增益調(diào)度方法中耗時的增益調(diào)整過程，自動調(diào)整了自動駕駛儀的增益。

1.2導(dǎo)彈控制系統(tǒng)參數(shù)辨識與建模

針對導(dǎo)彈控制系統(tǒng)的自適應(yīng)魯棒問題，利用神經(jīng)網(wǎng)絡(luò)能夠逼近任何非線性函數(shù)的特性，可以確定控制系統(tǒng)的動態(tài)逆誤差，進而對系統(tǒng)的不確定性和外界擾動進行實時補償。參考文獻[11]采用RBF神經(jīng)網(wǎng)絡(luò)建立自適應(yīng)控制器來補償系統(tǒng)的動態(tài)逆誤差。在線RBF神經(jīng)網(wǎng)絡(luò)根據(jù)系統(tǒng)的誤差e進行權(quán)值調(diào)整，神經(jīng)網(wǎng)絡(luò)輸出線性控制器的補償信號。神經(jīng)網(wǎng)絡(luò)的輸出完全補償動態(tài)逆誤差時，系統(tǒng)的誤差e趨于0，完成期望信號跟蹤。仿真算例中氣動參數(shù)進行20%的拉偏并且引入垂直陣風(fēng)的影響，結(jié)果表明基于RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化的控制系統(tǒng)能夠快速、精確地跟蹤輸入指令，對于氣動參數(shù)的擾動具有良好的自適應(yīng)能力。

導(dǎo)彈控制系統(tǒng)存在不確定性與干擾，利用神經(jīng)網(wǎng)絡(luò)可以逼近控制系統(tǒng)的不確定性，消除外部干擾，但是神經(jīng)網(wǎng)絡(luò)自身存在逼近誤差，影響了導(dǎo)彈控制系統(tǒng)的控制精度。模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合可以建立模糊神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的輸入量與權(quán)值變?yōu)槟：刂扑玫哪：?，通過樣本數(shù)據(jù)的學(xué)習(xí)得到模糊規(guī)則，利用模糊規(guī)則產(chǎn)生神經(jīng)網(wǎng)絡(luò)的前向傳播結(jié)構(gòu)。模糊神經(jīng)網(wǎng)絡(luò)理論上具有萬能逼近性，消除了神經(jīng)網(wǎng)絡(luò)自身存在的逼近誤差。參考文獻[12]針對BTT導(dǎo)彈控制系統(tǒng)的不確定性，采用模糊神經(jīng)網(wǎng)絡(luò)逼近系統(tǒng)的不確定項。模糊神經(jīng)網(wǎng)絡(luò)采用Sugeno模糊推理計算模型、高斯型隸屬度函數(shù)，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到模糊控制規(guī)則，相應(yīng)地調(diào)整隸屬度函數(shù)，神經(jīng)網(wǎng)絡(luò)與模糊控制相互補充，確定了控制系統(tǒng)的不確定項，消除了神經(jīng)網(wǎng)絡(luò)自身存在的逼近誤差。仿真表明模糊神經(jīng)網(wǎng)絡(luò)很好地消除了控制系統(tǒng)的不確定影響，系統(tǒng)的跟蹤性能得到提升。

導(dǎo)彈控制系統(tǒng)需要建立精確的動力學(xué)模型，從而確定控制器參數(shù)，動力學(xué)模型的精確性影響控制系統(tǒng)性能。神經(jīng)網(wǎng)絡(luò)可以解決建模過程中存在的非線性與不確定性問題。參考文獻[13]利用BP神經(jīng)網(wǎng)絡(luò)的逼近特性建立艦載導(dǎo)彈垂直發(fā)射的辨識模型。海浪橫搖角度為神經(jīng)網(wǎng)絡(luò)輸入，角速度為神經(jīng)網(wǎng)絡(luò)輸出，設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)，利用信息熵概念定義目標(biāo)函數(shù)，訓(xùn)練后學(xué)習(xí)誤差趨于0。仿真表明，基于BP網(wǎng)絡(luò)的艦載導(dǎo)彈垂直的發(fā)射模型，實現(xiàn)了輸入與輸出的逼近，取得了理想的收斂效果，建立的模型具有良好的泛化效果。

T-S型模糊控制能以任意精度逼近定義域上的非線性函數(shù)，是非線性不確定系統(tǒng)辨識與建模的一個重要工具。參考文獻[14]針對導(dǎo)彈網(wǎng)絡(luò)化控制系統(tǒng)中存在不確定時延，采用T-S型模糊控制建立了系統(tǒng)的離散模型，用李雅普諾夫方法分析了系統(tǒng)的穩(wěn)定性，并設(shè)計了模糊狀態(tài)反饋控制器設(shè)計，通過求解一組線性矩陣不等式，獲得模糊狀態(tài)反饋控制器參數(shù)。仿真結(jié)果表明，模糊狀態(tài)反饋控制下滾動角響應(yīng)漸進穩(wěn)定，驗證了離散模型的精確性。

神經(jīng)網(wǎng)絡(luò)可用于改善不確定的非線性系統(tǒng)，通過在線學(xué)習(xí)自適應(yīng)地消除系統(tǒng)誤差，確保閉環(huán)系統(tǒng)的穩(wěn)定性。敏捷防空導(dǎo)彈空氣動力學(xué)數(shù)據(jù)，在大迎角時是非線性的。參考文獻[15]針對敏捷防空導(dǎo)彈自動駕駛儀設(shè)計問題，首先基于導(dǎo)彈的六自由度非線性動力學(xué)的近似反演設(shè)計控制律，然后添加具有在線學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)，通過李雅普諾夫穩(wěn)定理論確定神經(jīng)網(wǎng)絡(luò)權(quán)值，辨識并消除系統(tǒng)的非線性，從而增強了該非線性控制器的性能。敏捷防空導(dǎo)彈的數(shù)值仿真結(jié)果證明了該自動駕駛儀設(shè)計的可行性。

1.3導(dǎo)彈控制系統(tǒng)控制器設(shè)計

神經(jīng)網(wǎng)絡(luò)具有強大的自學(xué)習(xí)能力與逼近能力，通過樣本數(shù)據(jù)的學(xué)習(xí)，可以建立神經(jīng)網(wǎng)絡(luò)控制器，使得導(dǎo)彈控制系統(tǒng)具有自學(xué)習(xí)、自適應(yīng)的能力。參考文獻[16]對于導(dǎo)彈俯仰/偏航通道控制器設(shè)計，采用離線訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)。通過傳統(tǒng)PID控制器獲得神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，RBF神經(jīng)網(wǎng)絡(luò)輸入為過載誤差，輸出為舵偏信號。仿真驗證擬合誤差量級幾乎為0，離線訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)完美擬合了導(dǎo)彈俯仰/偏航通道控制器。

模糊控制基于經(jīng)驗與數(shù)據(jù)，一般不需要精確的數(shù)學(xué)模型，控制系統(tǒng)中引入模糊控制，可以提高導(dǎo)彈控制系統(tǒng)的自適應(yīng)能力。參考文獻[17]針對直/氣復(fù)合控制導(dǎo)彈，設(shè)計了俯仰平面模糊控制自動駕駛儀。加速度誤差與角速度誤差作為模糊控制器的輸入，直接力控制信號和舵偏角控制信號作為模糊控制器的輸出。根據(jù)工程經(jīng)驗，確定輸入輸出的論域，選取三角隸屬度函數(shù)，建立輸入輸出的模糊控制規(guī)則表，確定輸入與輸出的非線性映射關(guān)系。仿真驗證表明模糊控制自動駕駛儀在響應(yīng)速度、跟蹤精度等方面都優(yōu)于傳統(tǒng)的自動駕駛儀。

神經(jīng)網(wǎng)絡(luò)具有快速學(xué)習(xí)能力，但是網(wǎng)絡(luò)的結(jié)構(gòu)及訓(xùn)練參數(shù)難以確定，影響了模型的實現(xiàn)和控制效果。遺傳算法可以全局、并行尋優(yōu)，引入遺傳算法可以確定并優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值，提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，進而提高導(dǎo)彈控制系統(tǒng)的控制性能。參考文獻[18]針對導(dǎo)彈姿態(tài)控制系統(tǒng)建立RBF神經(jīng)網(wǎng)絡(luò)控制器，導(dǎo)彈姿態(tài)角與角速度的誤差作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，姿態(tài)控制信號作為RBF神經(jīng)網(wǎng)絡(luò)的輸出。通過遺傳算法在線尋優(yōu)調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值，網(wǎng)絡(luò)權(quán)值采用二進制編碼，交叉與變異后進行迭代尋優(yōu)，完成權(quán)值的優(yōu)化。經(jīng)遺傳算法優(yōu)化，確定了神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值，避免了神經(jīng)網(wǎng)絡(luò)收斂速度慢、學(xué)習(xí)精度限制等問題。仿真驗證，經(jīng)過遺傳算法尋優(yōu)的導(dǎo)彈控制系統(tǒng)相較于未尋優(yōu)的導(dǎo)彈控制系統(tǒng)快速收斂于期望姿態(tài)，保證了控制系統(tǒng)的動穩(wěn)態(tài)特性。

模糊控制設(shè)計依據(jù)工程經(jīng)驗，不需要建立被控對象的精確數(shù)學(xué)模型。參考文獻[19]建立了超聲速導(dǎo)彈的非線性縱向短周期運動模型，并在過載指令分配中采用了幾種模糊控制策略，以使氣動子系統(tǒng)與直接力子系統(tǒng)分離。針對直接力子系統(tǒng)設(shè)計了二維模糊控制器，以減少精確模型的依賴性。仿真結(jié)果表明，所提出的控制器能夠克服擾動的影響，從而實現(xiàn)滿意的跟蹤性能，控制器可以在整個巡航階段實現(xiàn)良好的跟蹤性能。

2人工智能在導(dǎo)彈控制系統(tǒng)中的應(yīng)用的關(guān)鍵技術(shù)

人工智能在導(dǎo)彈控制系統(tǒng)中的應(yīng)用不局限于解決傳統(tǒng)控制方法存在的問題。針對未來飛行器發(fā)展趨勢[20-21]，結(jié)合智能化導(dǎo)彈的三個發(fā)展階段要求，導(dǎo)彈智能控制系統(tǒng)需要適應(yīng)飛行環(huán)境變化，接收智能探測系統(tǒng)的探測信息，結(jié)合導(dǎo)彈自身飛行參數(shù)，做出智能決策[22]。因此，導(dǎo)彈智能控制系統(tǒng)應(yīng)該具有以下能力。

（1）面向故障的容錯控制

人工智能可以處理不確定性信息，解決不確定性故障，使得導(dǎo)彈控制系統(tǒng)具有惡劣環(huán)境自適應(yīng)能力。面對導(dǎo)彈飛行過程中出現(xiàn)的故障，控制系統(tǒng)接收故障診斷信息，評估故障信息，切換容錯控制律維持導(dǎo)彈工作[23]。容錯控制基于典型故障的大數(shù)據(jù)學(xué)習(xí)，主要研究故障診斷、飛行能力評估以及容錯控制律。容錯控制整合優(yōu)化系統(tǒng)資源，隔絕與修復(fù)故障，提高導(dǎo)彈的自適應(yīng)能力。導(dǎo)彈飛行過程中出現(xiàn)故障時，容錯控制能夠?qū)︼w行狀態(tài)進行評估，并進行故障隔離與系統(tǒng)修復(fù)，自主決策完成控制律與作戰(zhàn)任務(wù)的重構(gòu)。

（2）面向飛行狀態(tài)的適應(yīng)性控制

智能化導(dǎo)彈決策自主化，需要控制系統(tǒng)面對導(dǎo)彈的飛行狀態(tài)進行適應(yīng)性控制。戰(zhàn)場情況瞬息萬變，導(dǎo)彈根據(jù)作戰(zhàn)環(huán)境與作戰(zhàn)任務(wù)的變化，自主化決策進行智能突防、智能變形等。導(dǎo)彈的自身參數(shù)與飛行狀態(tài)發(fā)生變化，控制系統(tǒng)自適應(yīng)動態(tài)地改變控制策略，調(diào)整自身姿態(tài)、方向、速度等，高精度跟蹤目標(biāo)。面對不同的飛行狀態(tài)，導(dǎo)彈智能控制系統(tǒng)對仿真與試驗的“大數(shù)據(jù)”進行精細(xì)化建模與學(xué)習(xí)，提高控制算法性能，適應(yīng)導(dǎo)彈不同的自身參數(shù)與飛行狀態(tài)。

（3）面向任務(wù)的協(xié)同控制

未來戰(zhàn)爭是陸、海、空、天的空間立體化戰(zhàn)爭，單位作戰(zhàn)導(dǎo)彈難以滿足戰(zhàn)爭要求，參照自然界蜂群等行為模式，面向作戰(zhàn)任務(wù)的多彈協(xié)同編隊可以提高導(dǎo)彈的綜合攻擊、防御能力。編隊飛行通過協(xié)同控制完成隊形生成、保持、重構(gòu)以及編隊避障。協(xié)同控制主要為信息交互控制策略與隊形控制算法。導(dǎo)彈智能控制系統(tǒng)根據(jù)作戰(zhàn)任務(wù)與限制條件自適應(yīng)調(diào)整協(xié)同控制策略，完成單位作戰(zhàn)導(dǎo)彈的彈道規(guī)劃，實現(xiàn)多彈集體智能決策。經(jīng)過大數(shù)據(jù)學(xué)習(xí)，協(xié)同控制可以完成導(dǎo)彈與無人平臺、導(dǎo)彈與人之間的協(xié)作。

3結(jié)束語

人工智能在導(dǎo)彈控制系統(tǒng)中的應(yīng)用解決了傳統(tǒng)控制方法存在的問題，但工程應(yīng)用還有諸多的約束條件，如人工智能依賴于大數(shù)據(jù)、數(shù)據(jù)采集難度大、可解釋性較差等。目前，知識圖譜、貝葉斯網(wǎng)絡(luò)、深度學(xué)習(xí)等當(dāng)下人工智能理論的最新成果可為上述難題提供新的研究思路。硬件方面可建立通用的計算框架，AI芯片是人工智能應(yīng)用的重要突破口。

智能化導(dǎo)彈的不同發(fā)展階段對于導(dǎo)彈控制系統(tǒng)提出了不同的要求。人工智能引入導(dǎo)彈控制系統(tǒng)，由最初的子系統(tǒng)智能化，逐漸發(fā)展到針對作戰(zhàn)環(huán)境與作戰(zhàn)任務(wù)變化，智能接收探測系統(tǒng)的探測信息，“自適應(yīng)”改變控制策略，集感知、反饋與自主決策于一體，控制過程擬人化思考，最終實現(xiàn)由“人”來完成導(dǎo)彈控制要求。

參考文獻

[1]劉代軍，王超磊.空空導(dǎo)彈智能化技術(shù)的發(fā)展與展望[J].航空兵器，2019，26（1）：25-29. Liu Daijun，Wang Chaolei.Development and prospect of air-toair missile intelligentization [J].Aero Weaponry， 2019， 26（1）： 25-29.（in Chinese）

[2]文蘇麗，陳琦，蘇鑫鑫，等.智能化導(dǎo)彈與導(dǎo)彈智能化研究[J].戰(zhàn)術(shù)導(dǎo)彈技術(shù)，2015，10（6）：21-26. Wen Suli，Chen Qi，Su Xinxin，et al.Study of intelligent missile and missile intelligentization[J]. Tactical Missile Technology， 2015，10（6）：21-26.（in Chinese）

[3]Song Jianmei，Zhang Tianqiao. A survey for modeling and control of missile system using neural network[C]//Proceedings of the 4th Beijing International Conference on System Simulation and Scientific Computing，1999.

[4]劉金琨.智能控制[M].北京：電子工業(yè)出版社，2006. Liu Jinkun. Intelligent control[M]. Beijing： Publishing House of Electronics Industry， 2006.（in Chinese）

[5]連春紅，馬建偉，劉忠.神經(jīng)網(wǎng)絡(luò)PID在空空導(dǎo)彈自動駕駛儀中的應(yīng)用[J].火力與指揮控制，2010，35（5）：145-148. Lian Chunhong， Ma Jianwei， Liu Zhong. The application of neural network PID for the autopilot of air-to-air missile [J]. Fire Control & Command Control， 2010， 35（5）： 145-148. （in Chinese）

[6]高晨，馬文濤，張慶振.基于模糊PID的直/氣復(fù)合再入控制方法研究[J].系統(tǒng)仿真學(xué)報，2010，22（1）：146-148. GaoChen， MaWentao， ZhangQingzhen.Reaction-jet/ aerodynamic compound re-entry control method research based on fuzzy PID control [J]. Journal of System Simulation， 2010，22（1）：146-148.（in Chinese）

[7]鄭佳焜，楊雅君，廖瑛.基于遺傳算法的導(dǎo)彈控制系統(tǒng)設(shè)計與仿真[J].彈箭與制導(dǎo)學(xué)報，2014，34（5）：33-36. Zheng Jiakun，Yang Yajun，Liao Ying. Design and simulation of missile control system based on genetic algorithm [J].Journal of Projectiles，Rockets，Missiles and Guidance， 2014，34（5）：33-36.（in Chinese）

[8]周小志，彭明焱，李友年.基于遺傳算法優(yōu)化LQR復(fù)合控制導(dǎo)彈控制器設(shè)計[J].計算機測量與控制，2014，22（4）：1157-1162. Zhou Xiaozhi， Peng Mingyan， Li Younian. Autopilot for dual aero/propulsive missile using genetic algorithm LQR control[J]. Computer Measurement & Control， 2014，22（4）：1157-1162.（in Chinese）

[9]Ali Reza M，Nastaran N. A genetic approach to anti-air missile control system design[J].IFAC Proceedings Volumes，2007，40（7）：61-66.

[10]Vahid B，Alireza K，Pouria S. Optimal acceleration autopilot design for non-minimum phase missiles using evolutionary algorithms[J]. International Journal of Bio-Inspired Computation，2016，8（4）：221-227.

[11]方群，王祥.基于在線RBF神經(jīng)網(wǎng)絡(luò)的BTT導(dǎo)彈控制器設(shè)計[J].西北工業(yè)大學(xué)學(xué)報，2014，32（3）：446-450. Fang Qun， Wang Xiang. Designing BTT missile flight controller with on-line RBF neural network [J]. Journal of Northwestern Polytechnical University， 2014， 32（3）： 446-450.（in Chinese）

[12]劉剛，杜濤，王園園，等.基于模糊神經(jīng)網(wǎng)絡(luò)的BTT導(dǎo)彈自適應(yīng)控制[J].彈箭與制導(dǎo)學(xué)報，2011，31（1）：26-28. Liu Gang，Du Tao，Wang Yuanyuan，et al.Adaptive control of BTT missile based on fuzzy-neural network [J]. Journal of Projectiles， Rockets， Missiles and Guidance， 2011， 31（1）：26-28.（in Chinese）

[13]彭俠夫，李大為，高貞彥.基于BP神經(jīng)網(wǎng)絡(luò)的艦載導(dǎo)彈垂直發(fā)射系統(tǒng)建模與仿真研究[J].哈爾濱工程大學(xué)學(xué)報，2000（6）： 10-13. Peng Xiafu， Li Dawei， Gao Zhenyan. Study of modeling and simulation of vertical lauching ship-based missile based on BP neural network[J]. Journal of Harbin Engineering University， 2000（6）：10-13.（in Chinese）

[14]許哲，許化龍.基于T-S模糊模型的導(dǎo)彈網(wǎng)絡(luò)化控制系統(tǒng)建模與控制[J].上海航天，2010，27（2）：49-55. Xu Zhe，Xu Hualong. Model and control for missile networked control system based on T-S fuzzy model[J]. Aerospace Shanghai， 2010，27（2）：49-55.（in Chinese）

[15]Mcfarland M，Calise A.Neural networks and adaptive nonlinear control of agile antiair missiles[J].IEEE Transactions on Control Systems Technology，2000，23（5）：749-756.

[16]徐世昊，崔乃剛，韋常柱.基于RBF神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈智能控制系統(tǒng)設(shè)計[J].宇航總體技術(shù)，2018，2（6）：19-26. Xu Shihao， Cui Naigang， Wei Changzhu. Design of missile intelligent control system based on RBF neural network [J]. Astronautical Systems Engineering Technology， 2018，2（6）：19-26.（in Chinese）

[17]趙艷輝，張公平，楊育榮.直接力氣動力復(fù)合控制導(dǎo)彈的模糊邏輯自動駕駛儀設(shè)計[J].彈箭與制導(dǎo)學(xué)報，2014，34（3）：33-36. Zhao Yanhui，Zhang Gongping，Yang Yurong. Autopilot design based on fuzzy logic for a dual-controlled missile [J].Journal of Projectiles，Rockets，Missiles and Guidance， 2014， 34（3）：33-36.（in Chinese）

[18]秦莉，楊明，郭慶.遺傳算法在質(zhì)量矩導(dǎo)彈姿態(tài)控制中的應(yīng)用[J].北京航空航天大學(xué)學(xué)報，2007，33（7）：769-772. Qin Li， Yang Ming， Guo Qing. Moving-mass attitude control law based on genetic algorithm [J]. Journal of Beijing University of Aeronautics and Astronautics， 2007，33（7）： 769-772. （in Chinese）

[19]Yang Pengfei，F(xiàn)ang Yangwang，Chai Dong，et al. Fuzzy control strategy for hypersonic missile autopilot with blended aero-fin andlateralthrust[J]. ProceedingsoftheInstitutionof Mechanical Engineers，Part I：Journal of Systems and Control Engineering，2015，230（1）：72-81.

[20]田宏亮.臨近空間高超聲速武器發(fā)展趨勢[J].航空科學(xué)技術(shù)， 2018，29（6）：1-6. Tian Hongliang.Development trends of near space hypersonic weapon[J]. Aeronautical Science & Technology，2018，29（6）：1-6. （in Chinese）

[21]吳蔚.NASA明確未來25年航空研究工作重點[J].航空科學(xué)技術(shù)，2020，31（4）：81-82. Wu Wei.NASA clarifies priorities for aviation research in the next 25 years[J].Aeronautical Science & Technology，2020，31（4）：81-82.（in Chinese）

[22]槐澤鵬，佟澤友，梁雪超，等.智能導(dǎo)彈武器系統(tǒng)綜述[J].導(dǎo)航與控制，2017，16（5）：104-112. Huai Zepeng，Tong Zeyou，Liang Xuechao，et al. Overview of smart missile weapon system[J].Navigation and Control， 2017， 16（5）：104-112.（in Chinese）

[23]程進，齊航，袁健全，等.關(guān)于導(dǎo)彈武器智能化發(fā)展的思考[J].航空兵器，2019，26（1）：20-24. Cheng Jin， Qi Hang， Yuan Jianquan， et al. Discussion on the development of intelligent missile technology [J].Aero Weaponry， 2019，26（1）：20-24.（in Chinese）（責(zé)任編輯王為）

作者簡介

鄧偉偉（1996-）男，碩士研究生。主要研究方向：空空導(dǎo)彈控制系統(tǒng)設(shè)計。

Tel：13233929780E-mail：445926532@qq.com

The Application of Artificial Intelligence in Missile Control System

Deng Weiwei*，Duan Chaoyang

Aviation Guidance Weapon Key Laboratory of Aerospace Science and Technology，China Airborne Missile Academy，Luoyang 471009，China

Abstract： According to the technical requirements of the missile control system，the application advantages of artificial intelligence in the field of missile control are analyzed. The application research status of neural networks， fuzzy control and genetic algorithm in missile control system are introduced. The key technologies of artificial intelligence application in missile control system are discussed. The development direction of the application of artificial intelligence in the field of missile control is forecasted.The application of artificial intelligence to the missile control system solves the limitations of traditional control methods，and enables the control system to have self-learning and self-adaptive capabilities. In the future，"people"will be able to complete the missile control task.

Key Words： missile control system； artificial intelligence； neural networks； fuzzy control； genetic algorithm