未来空战过程智能化关键技术研究

摘要：空战过程智能化是实现未来空战的关键途径，通过对该领域国内外技术研究的介绍与梳理，根据“观察-判断-决策-行动”空战环节特性，分析了未来空战过程智能化技术研究思路，重点对无人作战飞机空战过程智能化关键技术进行综述。

关键词：未来空战过程;智能化;无人作战飞机;观察-判断-决策-行动

中图分类号：TJ760;V271.4文献标识码：A文章编号：1673-5048（2019）01-0011-09[SQ0]

0引言

随着科学技术的进步，军事装备必将朝着无人化和智能化方向发展[1]。无人作战飞机（UnmannedCombatAerialVehicle，UCAV）作为未来空战的重要角色，实现其空战过程智能化是当前各军事强国研究的关键方向。对于目前空战装备而言，有人机的空战过程智能化主要体现在飞行员空战决策辅助系统的智能化，而无人机的空战过程智能化将是集探测、识别、跟踪、决策和作战功能为一体的系统智能化[2]。

空战战术决策是空战过程中的关键核心[3]。对于有人机，智能化的空战辅助决策系统可以利用人工智能技术分担一些飞行员的工作，比如自动进行超视距识别、传感器管理、战术态势判断、战术决策和飞行控制等。美军的“飞行员助手”——战术辅助决策系统（TacticsAssistantSystem，TA）[4]通过向飞行员提供周围战术环境信息，帮助飞行员在瞬间作出关键性决策响应。该辅助系统具有模仿人类的思维、判断和决策等能力，能替代或部分替代飞行员工作，大大减轻了飞行员的工作负担。

对于无人机，UCAV进入作战空域并获得授权后，独立完成目标数据处理与融合、态势评估、威胁估计、攻击/规避/干扰决策、武器-目标分配、战术机动、进入攻击区、发射武器及作战模式[5]。在人工智能、大数据、物联网、云计算等先进技术推动下，基于人工智能的“虚拟飞行员”技术成为推动和实现UCAV空战过程智能化的有效途径。

本文围绕当前的自主空战过程，介绍了国内外现状;同时围绕空战“观察-判断-决策-行动”过程，分析了未来空战过程智能化技术研究思路;围绕空战过程智能化，对五个关键技术，即智能感知、态势评估与目标意图识别、智能协同、自主空战战术机动决策以及机动轨迹生成进行综述。

1自主空战过程的国内外现状

未来智能化的空战过程既要求有人机的飞行员空战决策助手要智能化，也要求无人作战飞机自主空战的智能化。当前，国外军事强国结合现役装备发展了一系列空战辅助系统。美国DARPA研究的“飞行员助手”通过向飞行员提供周围战术环境信息，帮助飞行员在瞬时作出关键性决策响应。该系统最终应用到F-22和F-35战斗机上，并在识别、态势评估、战术决策和飞行控制等方面充当“操纵者”的角色。俄罗斯针对T-50战斗机研究了机载智能辅助系统，这种辅助系统是基于人工智能技术构建、由机载计算系统实现的混合系统。世界其他一些国家也对空战战术辅助决策手段进行了相关研究，包括：英国的“飞行管理助手”，德国的“飞行员IFR辅助操作系统”，以及法国的“智能座舱环境”研究计划。国内对空战辅助决策手段的研究起步较晚，主要从飞行控制、预测显示、协同空战决策、多传感器管理等方面进行探讨与研究。

目前，UCAV的空战过程智能化技术研究已经是国内外专家的热门课题。由于无人机能承受的过载大以及未來空战的复杂度高，利用人工智能等技术赋予无人机相当程度的自主决策权限，实现UCAV空战过程智能化。为了追求人员零伤亡目标，美军认为“非接触”作战是未来战场的主要作战方式，UCAV作为无人作战飞行器，是“非接触”作战装备的典型代表[6]。同时，美军在《美国无人机发展路线图2005-2030》中指出，无人机的最终发展目标是：完全计算机自主化[7]。2016年6月，人工智能ALPHA在空战模拟实验室中以100%的概率战胜了空战专家、美军退役上校GeneLee[8]，如图1所示。ALPHA采用的是遗传模糊树（GeneticFuzzyTrees）的方法，反应时间不到2ms，且训练条件极低，一个消费级的电脑就能满足要求。这次空战模拟对抗实验标志着无人智能空战已发展进入了新的阶段。2017年1月，美国海军三架F/A-18F“大黄蜂”投放了104架微型无人机（Perdix），展示其无人机“蜂群”作战能力。无人机“蜂群”作战的核心就是以量取胜，以“饱和攻击”的方式对目标实施攻击[9]。无人机“蜂群”作战适合于防御能力较弱且低速或静止的目标，是未来无人机智能作战的一种重要模式。美国空军实验室在2018年3月发布了其面向2030年的未来空战概念设想视频。在这个视频中，不乏有激光定向武器、微波武器、第六代战斗机等为人熟知的概念，还有新提出的“忠诚僚机”（LoyalWingman）概念[10]。在“忠诚僚机”概念设想中，F-35战斗机（作为长机）能够控制多架无人作战飞机（作为僚机）进行协同作战，如图2所示。

2未来空战过程智能化的技术思路

美国空军上尉迈克尔·伯恩斯在《空天力量》中撰文描述到：“具有战术自主能力的无人作战飞行器，暂且称之为FQ-X，采用OODA环、高机动能力的构型以及纳秒级的超快速运算能力和对任务经验的自主学习能力，将形成无与伦比的杀伤力，对未来空对空作战带来颠覆性的影响。”其中，UCAV的OODA是指空战武器系统作战过程中的观测（Observe）、判断（Orient）、决策（Decide）、行动（Action）等关键环节，如图3所示。

在未来空战中，智能化将贯穿于空战OODA全过程。首先，UCAV的智能观测技术通过智能传感器告诉UCAV在哪里以及将和谁对抗，其本质就是空战态势感知。未来空战必定处于陆、海、空、天、电、磁、网一体化的复杂空间中，而智能无人机作战系统是体系作战力量中的一环，是网络中心战系统中的一个关键节点。该系统将紧耦合在复杂的超级物联网中，基于“超级物联”和“云计算”实现体系作战效能的最大化。智能感知是UCAV对战场环境全信息域的感知能力的智能化表现，也是实现自主导航、任务感测的基础。智能感知系统要求感知系统在信息复杂、高度对抗、任务多变的战场环境中，通过有限信息感知来推断态势，并评估敌方作战意图。

然后，UCAV判断智能化技术将给出敌方的意图、威胁程度以及本机的胜算程度，这一过程也就是威胁评估的智能化。判断目标机的意图是一个层层推理的动态过程。首先需要从大量的信息源中提取对己方决策有用的事件，然后将每个事件映射到相应的任务上，再综合各个事件的任务进行推理获得目标的计划安排，对目标的意图进行识别。在目标意图识别之后，UCAV判断智能系统根据当前的信息情况，对己方的胜算进行评估，同时也要评估敌方的威胁等级，这一过程就是UCAV作战系统的态势评估。

其次，空战决策智能化对于UCAV来说是至关重要的一个环节。空战决策智能化技术包括作战规划与战术决策的智能化。一般来说，作战规划给出UCAV到哪里去、和谁去以及要做什么，其次，战术决策主要表现在谁打谁、先打谁、用什么武器打以及怎么打。在作战规划中，未来的UCAV作战系统必须具备更加全面的战场环境感知能力，在对战场态势智能认知的基础上确定自己的占位;由于现代战争的复杂与多变，单个UCAV将不满足作战要求，多无人机协同作战、有人/无人协同作战、无人机集群作战的智能化将是智能协同的具体体现;UCAV进入作战空域并获得授权后，必须具备精确导航定位、复杂动作控制、远程精确打击、智能规划与决策等作战任务自主化能力，而智能化技术正是将UCAV从自动化推向自主化的动力源。在战术决策中，对于多机对多机，首先要对协同目标分配进行智能化，然后根据机载武器系统的当前状态，进行多目标攻击;武器决定战法，不同的武器，空战模式不一样，导致了UCAV功能不一样以及自主空战等级的不一样，如表1所示;最后，自主空战决策智能化必须要解决三个基本性问题：如何构建学习机制、如何进行思维决策、如何实现行为控制。

最后，UCAV的行动智能化技术将告诉我们在哪里打、何时打以及打后做什么工作。不同的武器有不同的作战模式。比如近距空空导弹，到目前为止，第四代近距空空导弹拥有大离轴角、大过载，全向攻击目标，并能打击目标要害部位，抗干扰性能较好等优势，使UCAV机动占位，并到达攻击区发射导弹。UCAV作战系统根据导弹的可攻击区与导弹类型，可发射后不管（红外制导近距格斗空空导弹），也可跟踪目标，直到将导弹引导至目标（雷达制导中距空空导弹，如图4

所示）。当完成对目标的攻击后，UCAV还需要进行评估工作，其中包括UCAV打得怎么样、怎么规避威胁以及怎么退出战场。毁伤评估是目前无人机自主作战的一大难题，通过是否打中、是否毀伤、是否补弹来进行接下来的作战样式;在空战过程中，实时对空战态势的变化做出反应，实现“进攻-规避”角色的智能切换，保持我机的战术优势，比如普加乔夫战术动作，将当前的不利态势，转换为整个战术上的优势，如图5所示。

3UCAV空战过程智能化关键技术研究

UCAV空战过程智能化的关键技术主要包括以下五个方面的技术。

3.1智能感知技术

UCAV态势感知是空战战术决策与机动控制的前提。未来空战要求智能感知系统能够在信息复杂、高度对抗、任务多变的战场环境中发挥重要的前端作用。智能感知技术包括多源信息采集、融合与处理技术、非结构化环境感知技术以及复杂环境认知学习和推理技术。

多源信息采集、融合与处理技术主要是无人机作战系统通过多传感器所获得信息，依据某种准则进行组合，实现对所获数据的结构化表示，获得目标和环境信息。对于UCAV来说，首先通过高度传感器（大气数据计算机、无线电高度表、GPS）与角度传感器（垂直陀螺、航姿参考系统）分别获得原始的高度数据与俯仰角数据，再通过数据融合算法对两者原始数据进行处理，其数据融合过程如图6所示。

联合实验室（JointDirectorsofLaboratories，JDL）定义数据融合是一个“多层次、多方面处理自动检测、联系、相关、估计以及多来源的信息和数据的组合过程”[11-12]。

多源信息采集、融合与处理技术应用至今，有着很多成熟的数据融合算法，包括聚类分析方法、证据理论法、DS算法以及近年来火热的计算机智能方法。通过融合过程中采用的不同算法，多源信息融合技术可以分为两类：基于统计学的数据融合技术与基于人工智能的数据融合技术[13]，如图7所示。在多传感器数据融合中，基于统计学的算法主要运用传统概率统计方法，利用概率分布或者密度函数来描述数据的不确定性，主要包括贝叶斯估计[14]、卡尔曼滤波[15]以及回归分析[16]等算法;基于统计学的数据融合技术，主要解决

数据的不确定性融合，虽然有完善和可理解的数学处理方法，但鲁棒性较低。近几年，基于人工智能的数据融合算法被广泛关注，其中包括遗传算法[17]、神经网络[18]、模糊逻辑[19]等算法;基于人工智能的数据融合算法通过一定的先验知识，同时用自组织、自适应的学习方式对数据进行训练及预测。对于数据融合方法的加权系数的优化问题，智能优化算法可以有效地从各融合数据中提取有效信息，取得良好的融合效果[20]。

在复杂、强对抗环境下，无人机系统实现高可靠、强实时环境感知的难度很大。战争是一种复杂、混乱的行为，战场环境具有不确定性与不可预知性，因此空战中感知到的数据是非结构数据。非结构化的空战感知信息常表现出以下特征：数据形式是高维、海量、动态的;同时，内容是不完整、不确定的。非结构化的环境感知能力是依据物理传感器收集到的真实物体信息以及作战系统的虚拟物体信息，重建真实物理场景。目前，环境感知在理论和应用方面取得了巨大进步，但是还不能处理复杂的环境感知问题，尤其是未来空战过程智能化中的环境感知问题。随着人工智能的发展，国内外学者将遗传算法、模糊逻辑、神经网络、支持向量机、深度学习等人工智能方法应用于非结构化环境感知问题中[21-23]。

UCAV能够感知、识别、理解其所处的战场环境，是UCAV作战系统实现高级智能的基础。借鉴人类认知过程重点突破认知信息处理、复杂环境认知算法、基于认知的学习和推理方法是未来空战过程智能化的趋势。UCAV复杂环境认知学习和推理技术分为反应层与协调层，环境信息通过反应层传感器接受与处理，送到协调层的认知模型，利用人工神经网络（实现学习过程）结合以规则为基础的专家系统（实现推理过程）可以实现一个完整的认知学习与推理系统[24]，UCAV基于神经网络的认知技术如图8所示。

3.2态势评估与目标意图识别技术

空战态势评估与目标意图识别是智能空战决策的前提，是不可缺少的一个环节。目标意图识别是战场态势评估的一个重要部分，并且直接关系到UCAV作战系统的决策[25]。

目标意图识别系统有空战行动特征提取、任务推理和意图识别三级结构组成，这三级结构逐级推理，每级都以前级为基础，形成意图识别系统，如图9所示。目标意图识别就是利用多传感器系统提供的战场目标信息，判断出目标可能的意图。目标意图识别方法主要包括贝叶斯推理[26]、贝叶斯网络[27]、神经网络[28]以及专家系统[29]等。由于多个传感器的信息样式多样性以及战场环境不确定性，传统的目标识别方法不能准确有效地去处理不确定信息。置信规则库具有可追溯性和可解释性，将其与传统方法结合，可以提高意图识别的精度[30]。XGBoost是梯度Boosting机器算法的一种执行方法，可以进行并行计算，通过与传统识别方法结合，使识别实时化。

知道目标的意图之后，UCAV作战系统需要分析自己的胜算，其本质就是态势评估。依据敌我双方武器、电子设备性能、敌作战企图，以定量或定性的形式对敌方威胁程度做出估计和分析，确定敌方的威胁等级，实现敌我态势评估，如图10所示。当敌我双方空战能力相当时，具有优势空战态势的一方将会取得空战胜利。对于空战威胁评估，首先要建立优势函数，通过优势函数值来评估态势优势，为了使评估结果全面，还需要引入空空导弹攻击区[31]。

3.3智能协同技术

智能协同主要解决多无人机之间分布式协同和人机之间的交互协作行为，实现有人/无人机协同作战、多无人机协同作战，增强无人机集群的任务能力。协同智能技术包括多无人机任务分配与协调技术、多无人机编队协同航路规划技术、分布式态势共享技术、人机功能动态分配与人机接口技术。

在多无人机任务分配与协调中，以最小代价合理地将无人机以最佳任务状态分配给最合适的UCAV[32]。针对任务分配与协调问题，常采用的方法有基于协商机制的分布式方法、基于多层树的协同方法以及基于智能优化算法的任务分配，图11所示为现有的优化算法。由于未来空战的复杂多样性，任务分配与协调模型的评价函数必定是多项指标融合在一起的，而智能优化算法不能保證每个指标都是最优的，但可以肯定的是求得的解一定是较优解。在实际的协同任务执行过程中，可能会出现任务环境不确定性，因此，基于快速求解的智能优化算法更能稳定地适应实时环境。

多无人机协同在未来战争中要面临环境复杂、约束众多、信息模糊、实时性高等诸多挑战，同时要确保无人机的安全、任务代价、运行时间等多项指标整体优化。多无人机编队协同航迹规划是指多架无人机编队根据任务需求，设计出满足机动性能约束与威胁环境约束的协同航迹[33]。编队协同根据协同地位分为平等协同（各机地位相同，目标一致）、长僚协同（僚机随长机协同）与衔级协同（按级协同）。多UCAV协同航迹规划方法主要包括机器学习[34]、A*搜索算法[35]、快速搜索随机树、概率图方法以及智能优化算法[36]。由于战场环境的多变性以及无人机平台的性能约束，应关注实时智能航迹规划算法亟待解决的问题，同时还要考虑智能航迹规划系统产生的航迹是否满足飞机性能要求。

无人机集群协同完成任务的前提是享有对当前作战任务环境的相同认知，这就要求在机间数据链的基础上发展分布式态势共享技术。同时，无人机作战系统是“平台无人、系统有人”，智能化无人机作战系统可以与有人系统共同完成任务，实现高效协同，如图12所示。

3.4自主空战战术机动决策技术

将空战决策作为一个系统，系统的输入是与空战态势相关的各种参数，如我机的平台参数、武器参数、敌我构成的态势参数等，决策过程便是系统内部的信息处理机制，系统输出的即为决策结果：战术方案或者某种机动动作，如图13所示。空战决策是一个复杂的动态过程，空战决策的结果必须能被下一级执行层识别并执行，如此循环往复，直至任务结束。在空战决策问题中，对决策结果影响较大是空战态势函数、空战决策模型。合理的态势函数不仅能直观地表示当前空战态势，并且在决策推理过程中也不会过于冗长复杂，态势函数的设计重点在于态势子函数权重的自适应调整，即在不同的态势情况下，子函数的权重自动调整以突出当前态势下，哪种因素对整个态势的

影响更大;空战决策模型的设计决定了决策结果的优劣，因此构建一个稳定的、精度较高的、实时性强的决策模型是研究空战决策问题的核心。空战决策和控制技术与“观察-判断-决策-行动：OODA”循环结构相结合，运用大数据和机器学习方法提取有人机飞行员的空战经验并结合推理决策算法，实现实时空战决策。自主空战机动决策传统方法主要包括微分对策[37]、矩阵对策法[38]、近似动态规划法[39]、影像图法[40]。人工智能就是构造一个人工系统使其能让机器来替代需要人类智力才能完成的工作。随着人工智能的发展，基于人工智能的空战决策方法包括专家系统、遗传模糊树和强化学习。

3.5自主空战机动轨迹生成技术

自主空战机动轨迹生成是UCAV将战术决策、机动决策产生的结果转化为飞行控制系统能够识别的轨迹指令或者引导指令，是决策层与执行层之间的接口。机动轨迹生成的目标是基于某一目标函数，为UCAV规划参考轨迹或者规划操纵控制系统的期望输入量，使无人作战飞机按照该参考量执行，从而实现决策目的。自主空战机动轨迹生成技术包括确定型算法和随机搜索算法以及后来的群智能算法和近几年比较热门的数值解法，其分类如图14所示[41]。针对空战态势快速变化的特点，首先设计了UCAV行为规划模块一般框架，分别针对攻击占位机动行为和规避敌机威胁的机动行为设计了目标函数，使UCAV在空战过程中根据当前态势结合战术决策、机动决策结果自动在目标函数之间进行切换，并通过轨迹规划模块将机动行为转换为机动飞行参考轨迹，送入执行层进行实施。

4結束语

空战过程智能化是有人机空战辅助系统与无人作战飞机的发展趋势，研究未来空战过程中的智能化技术是实现智能空战的有效途径。首先对国内外的自主空战技术进行探究与综述，从有人机空战辅助系统与无人作战飞机两种角度看自主空战技术发展。根据“观察-判断-决策-行动”空战环节的特征，分析其智能化技术的目的，同时给出相应的设计思路。要设计一个完整空战智能化系统，需要解决五个方面的关键技术。随着人工智能的发展，通过引入人工智能的理论与思路，空战过程智能化将离我们不远。

参考文献：

[1]黄长强，丁达理，黄汉桥，等.无人作战飞机自主攻击技术[M].北京：国防工业出版社，2014.

HuangChangqiang，DingDali，HuangHanqiao，etal.AutonomousAttackTechnologyforUCAV[M].Beijing：NationalDefenseIndustryPress，2014.（inChinese）

[2]黄长强，唐上钦.从“阿法狗”到“阿法鹰”——论无人作战飞机智能自主空战技术[J].指挥与控制学报，2016，2（3）：261-264.

HuangChangqiang，TangShangqin.FromAlphagotoAlphaeagle：OntheIntelligentAutonomousAirCombatTechnologyforUCAV[J].JournalofCommandandControl，2016，2（3）：261-264.（inChinese）

[3]ZhouKai，WeiRuixuan，XuZhuofan，etal.ABrainLikeAirCombatLearningSystemInspiredbyHumanLearningMechanism[C]∥IEEE/CSAAGuidance，NavigationandControlConference，2018：286-293.

[4]乔鑫，孔繁峨，冯星，等.单机超视距空战智能辅助决策方法[J].电光与控制，2011，18（6）：9-15.

QiaoXin，KongFane，FengXing，etal.AnIntelligentDecisionMakingMethodUsedinBeyondVisualRangeAirCombat[J].ElectronicsOptics&Control，2011，18（6）：9-15.（inChinese）

[5]黄长强，赵克新，韩邦杰，等.一种近似动态规划的无人机机动决策方法[J].电子与信息学报，2018，40（10）：2447-2452.

HuangChangqiang，ZhaoKexin，HanBangjie，etal.ManeuveringDecisionMakingMethodofUAVBasedonApproximateDynamicProgramming[J].JournalofElectronics&InformationTechnology，2018，40（10）：2447-2452.（inChinese）

[6]吕信明.军用无人机的发展及对策[J].国防科技，2013，34（1）：5-7.

LüXinming.MilitaryUAVDevelopmentandCountermeasures[J].NationalDefenseScience&Technology，2013，34（1）：5-7.（inChinese）

[7]UnmannedSystemsIntegratedRoadmap2005-2030[R].WashingtonDC：DepartmentofDefenseOffice，2005.

[8]

UniversityofCincinnati.

NewArtificialIntelligenceBeatsTacticalExpertsinCombatSimulation[EB/OL].（2016-06-27）[2018-11-15].http：∥magazine.uc.edu/editors_picks/recent_features/alpha.html.

[9]袁利平，陈宗基，周锐，等.多无人机同时到达的分散化控制方法[J].航空学报，2010，31（4）：797-805.

YuanLiping，ChenZongji，ZhouRui，etal.DecentralizedControlforSimultaneousArrivalofMultipleUAVs[J].ActaAeronauticaetAstronauticaSinica，2010，31（4）：797-805.（inChinese）

[10]AllhoffF，EvansNG，HenschkeA.RoutledgeHandbookofEthicsandWar：JustWarTheoryintheTwentyFirstCentury[M].London：Routledge，2013.

[11]KhaleghiB，KhamisA，KarrayFO，etal.MultisensorDataFusion：AReviewoftheStateoftheArt[J].InformationFusion，2013，14（1）：28-44.

[12]YangMingxing，HeJingsha，SunXuguang.ResearchonSecureDataAggregationinWirelessSensorNetworksBasedonClusteringMethod[C]∥InternationalConferenceonInternetTechnologyandApplications，IEEE，2011：1-4.

[13]张浩，张静静.无线传感器网络数据融合算法[J].计算机工程与软件，2017，38（12）：296-304.

ZhangHao，ZhangJingjing.ASurveyofDataFusioninWirelessSensorNetworks[J].ComputerEngineering&Software，2017，38（12）：296-304.（inChinese）

[14]AbdulhafizWA，KhamisA.BayesianApproachtoMultisensorDataFusionwithPreandPostFiltering[C]∥InternationalConferenceonNetworking，SensingandControl，IEEE，2013：373-378.

[15]XuJian，LiJianxun，XuSheng.DataFusionforTargetTrackinginWirelessSensorNetworksUsingQuantizedInnovationsandKalmanFiltering[J].ScienceChinaInformationSciences，2012，55（3）：530-544.

[16]YangMingxin.ConstructingEnergyEfficientDataAggregationTreesBasedonInformationEntropyinWirelessSensorNetworks[C]∥IEEEAdvancedInformationTechnology，Electronic&AutomationControlConference，2015：527-531.

[17]PintoAR，MontezC，AraújoG，etal.AnApproachtoImplementDataFusionTechniquesinWirelessSensorNetworksUsingGeneticMachineLearningAlgorithms[J].InformationFusion，2014，15：90-101.

[18]LiShi，LiuMengyao，XiaLi.WSNDataFusionApproachBasedonImprovedBPAlgorithmandClusteringProtocol[C]∥27thChineseControlandDecisionConference，2015：1450-1454.

[19]IzadiD，AbawajyJH，GhanavatiS，etal.ADataFusionMethodinWirelessSensorNetworks[J].Sensors，2015，15（2）：2964-2979.

[20]孙凯明，胡晓工，王刚.基于布谷鸟搜索算法的多传感器数据融合[J].自动化技术与应用，2018，37（7）：13-15.

SunKaiming，HuXiaogong，WangGang.MultisensorDataFusionBasedonCuckooSearchAlgorithm[J].TechniquesofAutomation&Applications，2018，37（7）：13-15.（inChinese）

[21]刘宏林，罗杨宇，李成荣.基于模糊控制器的未知环境下移动机器人导航[J].计算机仿真，2011，28（1）：201-205.

LiuHonglin，LuoYangyu，LiChengrong.FuzzyControllerforMobileRobotNavigationunderUnknownEnvironments[J].ComputerSimulation，2011，28（1）：201-205.（inChinese）

[22]高峰，黄玉美，林义忠，等.自主移动机器人的模糊智能导航[J].西安理工大学学报，2005，21（4）：337-341.

GaoFeng，HuangYumei，LinYizhong，etal.FuzzyIntelligentNavigationofAutonomousMobileRobot[J].JournalofXianUniversityofTechnology，2005，21（4）：337-341.（inChinese）

[23]賈林，顾爽，陈启军.基于图像视觉伺服的移动机器人自主导航实现[J].华中科技大学学报：自然科学版，2011，39（S2）：220-222.

JiaLin，GuShuang，ChenQijun.AnAutonomousNavigationProcedureforMobileRobotonImageBasedVisualServoing[J].JournalofHuazhongUniversityofScienceandTechnology：NaturalScienceEdition，2011，39（S2）：220-222.（inChinese）

[24]贺倩，冯志勇，张平.基于人工智能技术的认知无线网络重构决策算法[J].通信学报，2012，33（7）：96-102.

HeQian，FengZhiyong，ZhangPing.ReconfigurationDecisionMakingBasedonArtificialIntelligenceTechnologyinCognitiveRadioNetworks[J].JournalonCommunications，2012，33（7）：96-102.（inChinese）

[25]PachterM，ChandlerPR，SmithL.ManeuveringFlightControl[J].JournalofGuidance，Control，andDynamics，2012，35（3）：368-374.

[26]WiseKA，LavretskyE，HovakimyanN，etal.VerifiableAdaptiveFlightControl：UCAVandAerialRefueling[C]∥AIAAGuidance，NavigationandControlConferenceandExhibit，2008：1-26.

[27]MahmoodA，KimY，ParkJ.RobustH∞AutopilotDesignforAgileMissilewithTimeVaryingParameters[J].IEEETransactionsonAerospace&ElectronicSystems;，2014，50（4）：3082-3089.

[28]洪炳熔，金飛虎，高庆吉.基于蚁群算法的多层前馈神经网络[J].哈尔滨工业大学学报，2003，35（7）：823-825.

HongBingrong，JinFeihu，GaoQingji.MultiLayerFeedforwardNeuralNetworkBasedonAntColonySystem[J].JournalofHarbinInstituteofTechnology，2003，35（7）：823-825.（inChinese）

[29]LavretskyE，WiseKA.RobustandAdaptiveControlwithAerospaceApplications[M].Berlin：Springer，2013：367-372.

[30]赵福均，周志杰，胡昌华，等.基于置信规则库和证据推理的空中目标意图识别方法[J].电光与控制，2017，24（8）：15-19.

ZhaoFujun，ZhouZhijie，HuChanghua，etal.AerialTargetIntentionRecognitionApproachBasedonBeliefRuleBaseandEvidentialReasoning[J].ElectronicsOptics&Control，2017，24（8）：15-19.（inChinese）

[31]顾佼佼，刘卫华，姜文志.基于攻击区和杀伤概率的视距内空战态势评估[J].系统工程与电子技术，2015，37（6）：1306-1312.

GuJiaojiao，LiuWeihua，JiangWenzhi.WVRAirCombatSituationAssessmentModelBasedonWeaponEngagementZoneandKillProbability[J].SystemsEngineeringandElectronics，2015，37（6）：1306-1312.（inChinese）

[32]魏政磊，赵辉，黄汉桥，等.基于SAGWO算法的UCAVs动态协同任务分配[J].北京航空航天大学学报，2018，44（8）：1651-1664.

WeiZhenglei，ZhaoHui，HuangHanqiao，etal.DynamicUCAVsCooperativeTaskAllocationBasedonSAGWOAlgorithm[J].JournalofBeijingUniversityofAeronauticsandAstronautics，2018，44（8）：1651-1664.（inChinese）

[33]周瑞，黄长强，魏政磊，等.MP-GWO算法在多UCAV协同航迹规划中的应用[J].空军工程大学学报：自然科学版，2017，18（5）：24-29.

ZhouRui，HuangChangqiang，WeiZhenglei，etal.ApplicationofMPGWOAlgorithminMultipleCooperatingUCAVPathPlanning[J].JournalofAirForceEngineeringUniversity：NaturalScienceEdition，2017，18（5）：24-29.（inChinese）

[34]GuB，ShengVS，TayKY，etal.IncrementalSupportVectorLearningforOrdinalRegression[J].IEEETransactionsonNeuralNetworksandLearningSystems，2014，26（7）：1403-1416.

[35]ZhangB，TangL，RoemerM.ProbabilisticWeatherForecastingAnalysisforUnmannedAerialVehiclePathPlanning[J].JournalofGuidance，Control，andDynamics，2014，37（1）：309-312.

[36]黄长强，赵克新.基于改进蚁狮算法的无人机三维航迹规划[J].电子与信息学报，2018，40（7）：1532-1538.

HuangChangqiang，ZhaoKexin.ThreeDimensionalPathPlanningofUAVwithImprovedAntLionOptimizer[J].JournalofElectronics&InformationTechnology，2018，40（7）：1532-1538.（inChinese）

[37]MukaiH，TanikawaA，TunayI，etal.SequentialLinearQuadraticMethodforDifferentialGames[J].ComputationalOptimizationandApplications，2003，25（1-3）：193-222.

[38]PoropudasJ，VirtanenK.GameTheoreticValidationandAnalysisofAirCombatSimulationModels[J].IEEETransactionsonSystems，Man，andCyberneticsPartA：SystemsandHumans，2010，40（5）：1057-1070.

[39]MaYaofei，MaXiaole，SongXiao.ACaseStudyonAirCombatDecisionUsingApproximatedDynamicProgramming[J].MathematicalProblemsinEngineering，2014.

[40]VirtanenK，RaivioT，HmlinenRP.ModelingPilotsSequentialManeuveringDecisionsbyaMultistageInfluenceDiagram[J].JournalofGuidance，Control，andDynamics，2004，27（4）：665-677.