针对无人机空战对抗自主机动决策问题, 设计了侧向机动决策算法。通过加入启发式因子的方式和双Q表交替学习的机制, 弥补了传统Q-Learning算法学习速度慢、无效学习多的不足。通过路径规划仿真和数据的对比, 验证了改进Q-Learning算法具有更好的稳定性和求解能力。设计了动态的栅格规划环境, 能够使无人机根据变化的空战态势自适应调整栅格尺寸大小, 且对求解的速率不产生影响。基于Q-Learning算法, 构建了无人机空战对抗侧向机动决策模型, 并通过**平台调换的方式验证了改进Q-Learning算法能显著提升无人机空战胜负比。

针对现有机动决策模型体现空战对抗性不足的问题,基于博弈论构建机动决策模型并提出采用改进Memetic算法求解。基于双矩阵博弈构造空战机动决策模型;MA由粒子群优化算法和禁忌搜索算法组成,并引入模拟退火算法以保持粒子多样性。仿真表明更加符合空战实际,可对空战进行有效建模,求解算法满足实时性要求。

针对战术级飞行任务规划系统如何简化规划流程、如何引入成熟的战术战法等一系列新设计需求, 提出战术模板概念。从飞机三自由度简化模型入手, 建立基本动作模型; 以躲避导弹攻击的CLIBⅡ机动战术为例, 设计战术模板数据库; 将决策影响图法应用到CLIBⅡ机动规划中, 并在Skyview工具包中进行仿真。结果说明战术模板技术可行, 但仍需扩展和优化。

采用滚动时域控制(Receding Horizon Control, RHC)方法对空战机动决策进行建模研究。首先, 基于空战态势和战斗机作战能力给出探测优势和攻击优势的集合描述, 并建立定量评估函数, 得到机动决策的目标集; 其次, 综合考虑战斗机的战术优势、机动时间和控制损耗构建了决策指标函数; 然后, 基于直接多重打靶法给出其数值求解方法。仿真结果表明: 基于RHC的机动决策方法能够在规避目标威胁的情况下, 有效地达成攻击条件。

以敌我双机空战为背景，基于滚动时域控制思想对空战机动决策进行研究。借鉴人工势场的思想构建了空战人工势场，重点分析了人工势场函数的构建，变权重函数的建立，提出了人工势场启发粒子群算法的空战机动决策方法，最后进行仿真验证。仿真结果表明，该方法能有效消除人工势场的局部极小值问题，同时也改善了粒子群算法全局搜索能力，避免了早熟，得到的结果是有效的。

现代空战多为机群对机群的空战。针对无人机群空战中协同攻防机动决策的问题，首先提出了针对单机对单机的在不确定环境下基于多级影响图的空战决策建模。在此基础上对无人机群进行分组，并根据无人机的空战能力划分角色，在空战初始确定小组内的长机与僚机。通过引入协同因子，对空战机动决策中的当前局势概率重新进行加权修正，很好地解决了单元内各成员协同配合的问题，从而将单纯的一对一空战引申为多机对多机协同空战。仿真结果表明所建立的决策模型能够有效地解决无人机群协同空战的机动决策问题。

针对无人作战飞机自主空战的要求,通过空战机动方式的分析,提出一种基于风险型决策的空战自主机动决策算法。以对策论为基础,构建空战机动攻击阶段的对策模型,通过模糊决策分析找出最优机动策略。就不同条件下的实例进行仿真,仿真结果表明,该算法考虑空战机动决策的主动性和风险性,体现空战过程的对抗性,符合空战实际情况。

提出了一种基于单步预测的多级影响图法,并将该理论应用在单机连续空战机动决策系统建模中。在决策系统的建模过程中考虑了影响无人机机动决策的各要素,包括无人机动力学方程、决策者的偏好以及战斗双方态势的不确定性等。机动决策的态势基准是通过无人机动力学方程迭代获得,运动方程中的控制量通过求解单步预测影响图获得。该预测影响图算法,效能函数的起点不断向后平移,建立了离散空间空战决策的纳什平衡,通过求解效能函数的最大值就能获得每一步的最优控制解。最后仿真验证该方法有效性,无人机模型采用质点运动方程,使用VC++实现并机动决策算法。分析表明提供了一种新型无人机机动决策算法,发展了无人机自主空战机动决策系统。