7.1　总　结

本书运用智能技术对双/多反潜巡逻机协同搜潜辅助智能决策进行了研究。主要研究内容如下:

(1)探讨了反潜巡逻机协同搜潜作战环境和作战对象,分析了近海水文环境(包括海流、潮汐、海水水温、海水盐度)、声速梯度和海洋噪声环境的影响。其次,探讨了目标潜艇的位置散布模型,进行了仿真。然后,分析了目标潜艇的运动模型。

(2)研究了双/多反潜巡逻机协同搜潜方法。设计了双/多反潜巡逻机协同搜潜总体方案,其协同方案可分为自主模式和长机僚机模式,并研究了反潜机协同搜潜发现潜艇的概率。

(3)采用云贝叶斯网络方法研究了双/多反潜巡逻机自主模式协同搜潜目标态势评估问题。反潜巡逻机协同搜潜过程中,战场态势变化迅速,存在大量不确定性,很难建立有效的潜艇目标类型识别和意图评估模型。为了处理具有大量不确定信息的目标态势评估,本书引入云理论和贝叶斯网络,以克服单一的云模型在推理能力上的不足以及贝叶斯网络在知识表示上的缺陷,取云理论的知识表示优势和贝叶斯网络的推理优势,结合云理论的模糊性和随机性的知识表达能力以及贝叶斯网络的推理能力,建立了反潜巡逻机协同搜潜目标态势评估模型,推断敌方作战意图,形成战场态势,为反潜巡逻机协同搜潜指挥决策提供重要依据。

(4)协同搜潜作战智能决策是一个NP-Complete问题,针对不确定条件下协同搜潜最优决策时决策指标的相关性问题,引入模糊测度与模糊积分理论,提出一种适用于反潜巡逻机协同搜潜的智能决策方法。针对目标潜艇不同航行状态,组合了6种合理有效方案,并选取搜索能力、隐蔽性、可操作性、经济性作为决策指标,用gλ模糊测度对关联决策指标的重要程度进行建模,用Marichal熵算法计算了gλ模糊测度,用Choquet积分实现了决策,选出最优或近似最优方案,并进行了仿真分析。仿真结果表明,所建立的模型合理、可行。

(5)构建反潜巡逻机协同搜潜作战智能决策模型过程中,针对指标的冗余问题,基于贝叶斯粗糙集的知识简约方法去掉不必要(或不重要)的指标,挑选特征指标(发现目标潜艇概率、目标潜艇下潜深度、目标潜艇散布范围、浮标数量、隐蔽性、环境参数),提高算法的收敛速度,从而提高算法的最优性和实时性。同时,针对指标的关联问题,用gλ模糊测度对关联决策指标的重要程度进行建模。最后,用Choquet积分实现了最优决策结果。本方法解决了指标的冗余和相关性问题,所选出的最优(或近似最优)方案更具有实际意义。