第2期 段海滨，等：基于模糊规则和动态蚁群-贝叶斯网络的无人作战飞机态势评估 ·125 于，若在实际战场中同时存在这3种威胁源，那么威 进行推理、验证.假定在预先没有任何情报信息的情 胁源1对己方造成的威胁无疑是最大的，从常识上 况下，设定评估变量的先验信息为π=(0.3,0.4， 来判断，必须先攻击威胁源1. 0.3),这反映了预估者信息的匮乏所导致的对可能性 估计不充分，认为各种情况的可能性均相近.对应于 4仿真验证 图5所示的网络结构，表3和表4分别给出了在不同 通过根据蚁群-贝叶斯算法得到的最优网络结 起始状态和输入下的无人作战飞机态势评估结果 构，可进一步用该网络结构对无人作战飞机评估问题 表3态势1评估结果 Table 3 The situation assessment results of case 1 蚁群-贝叶斯网络 蚁群贝叶斯网络 模糊处理后 得到的置信度 输入诊断概率入 模糊处理后 输入诊断概率入 得到的置信度 的威胁度q (自毁，返回，攻击) (自毁，返回，攻击) 的威胁度q A2=(0.1,0.1,0.8) A2=(0.2,0.7,0.1) 5=(0.1,0.1,0.8) (0.0002, s=(01,0.6,0.2,0.1) (0.0002, A6=(0.1,0.1,0.8) 0.9983, 0.5481 入4=(0.1,0.5,0.4) 0.9983, 0.5481 入7=(0,0,0,1) 0.0015) A15=(0.2,0.6,0.2) 0.0015) o=(01,0.6,0.1,0.1) A16=(0.5,0.4,0.1) 表4态势2评估结果 Table 4 The situation assessment results of case 2 蚁群贝叶斯网络 蚁群贝叶斯网络 输入诊断概率入 得到的置信度 模糊处理后 输入诊断概率入 得到的置信度 模糊处理后 的威胁度q 的威胁度q (自毁，返回，攻击) (自毁，返回，攻击) 2=(0.1,0.1,0.8) 入g=(0.1,0.1,0.3,0.5） A5=(0.1,0.1,0.8) 入4=(0.1,0.1,0.8) A6=(0.1,0.1,0.8) (0.0000, A5=(0.1,0.2,0.7) (0.0000 0.0001, 0.9998 0.0001, 0.9998 A7=(0,0,0,1) A6=(0.1,0.2,0.7) 0.9999) 0.9999) n=(0.1,0.6,01,0.1) Am=(0.1,0.3,0.6) A2=(0.1,0.2,0.7) 入1g=(0.1,0.3,0.6) 入表示每一个叶节点的诊断概率，例如， 逻辑对评估算法进行改进，采用基于模糊规则的专 2=(0.1,0.1,0.8)表示油量处于较充足的概率为 家经验作为贝叶斯网络的输入，基于概率向量给出 80%,充足和不足的概率均为10%，依次类推入5、 单值评估结果.在贝叶斯网络学习过程中，给出无人 6、入7入0、入2、入3、入4、入5、入16、入7、A8表示无人机 作战飞机不同时刻的行为能力等级评价.最后通过 其他状态的诊断概率.表3中的输入表明，无人作战 系列仿真实验验证了所提方法的可行性和有效性， 飞机各个状态处于中等的概率较高，因此，给出的评 为解决复杂动态战场环境下的无人作战飞机信息感 估是返回.表4中的输入表明，无人作战飞机各部 知和态势评估问题提供了一条新的可行技术途径. 分均以较高概率处于较好状态，因此，给出的评估是 参考文献： 攻击.上述评估结果与专家经验相吻合，从而验证了 所提出的模糊动态蚁群-贝叶斯算法的可行性和有 [1]NIKOLOS I K.VALAVANIS K P.TSOURVELOUDIS N 效性 C,et al.Evolutionary algorithm based offline/online path planner for UAV navigation[J].IEEE Transactions on Sys- 5结束语 tems,Man,and Cybernetics-Part B:2003,33(6):898- 912. 本文将贝叶斯网络算法与蚁群优化结合，用于 [2]罗德林，段海滨，吴顺祥，等.基于启发式蚁群算法的 解决大规模的贝叶斯网络学习问题；同时利用模糊 协同多目标攻击空战决策研究[J].航空学报，2006,27