中国指挥与控制学会会刊 
随着军事技术的迅猛发展,智能群组系统已成为现代战场的重要力量倍增器。智能平台凭借其低成本、高效能、零伤亡的特点,正逐步改变传统作战模式,成为各国军事力量争相发展的战略方向。在海上方向,由空中终端、水面终端、水下终端等组成的异构智能集群,通过协同作战可有效应对复杂多变的海洋环境挑战,实现对目标的精确打击。目前,智能群组执行任务逐步由人控为主、机器为辅的形式向机器自主、人员监控的方式转变,突破人自身的决策与操控局限性,形成更大的集群规模和效益。其中,自主任务分解算法在智能系统中居于重要地位,对智能系统能力起决定性作用。
然而,海上智能群组任务规划与分解面临诸多复杂挑战:(1)多任务建模粒度:任务分解粒度与平台能力匹配问题缺乏系统化解决方案。现有研究在任务分解粒度上缺乏统一标准,过粗的粒度难以精确描述任务需求,过细的粒度又增加了任务分解复杂度。如何确定合适的任务分解粒度,平衡描述精度和计算复杂度,是当前研究的重要挑战。(2)子任务参数化:多平台多任务的资源分配优化问题计算复杂度高,智能群组任务涉及多种参数,如何建立统一的参数化模型,实现任务需求的精确量化描述,是提高任务规划精度的关键。现有研究多关注任务的逻辑分解,对任务参数的定量建模研究不足。(3)异构平台协同:异构平台间能力差异大,协同控制难度高。智能群组通常由不同类型、不同能力的平台组成,如何实现异构平台的协同规划和能力互补,是提高集群作战效能的关键问题。现有研究在异构平台协同机制和能力匹配方法方面仍有待深入开展。(4)任务依赖关系处理:智能群组任务间存在复杂的依赖关系,包括时序依赖、资源依赖和信息依赖等。如何建立任务依赖关系模型,实现任务的有序规划和协同执行,是当前研究的重要挑战。
本文提出一种基于杀伤链的智能群组任务分解与参数建模方法,从作战目标出发,按照杀伤链逆序推导各环节任务参数,形成完整的任务链,确保任务分解的系统性和完备性。杀伤链理论作为现代作战的重要作战理念,构建了从目标侦察到效果评估的完整作战闭环。典型的杀伤链包括侦察(Find)、识别(Fix)、跟踪(Track)、决策(Target)、打击(Engage)和评估(Assess)6个环节,形成了作战任务的逻辑链条。在智能群组中,杀伤链各环节对应不同的任务需求和平台能力要求,为任务分解提供了天然的结构化框架。基于杀伤链的任务分解方法,可将复杂的作战任务转化为结构清晰、逻辑严密的子任务集合。本文采用系统化的任务分解方法,为智能群组协同执行任务提供了理论基础和技术支撑。
近年来,国内外学者在任务分解与规划领域开展了大量研究,主要集中在以下几个方面:
(1)多任务分解与优化方法方面。WANG等[1]提出了一种基于优先级感知的多卫星任务并行分解方法,通过动态资源映射实现了任务的高效分配。PAN等[2]研究了基于多任务分解和稀疏正则化的移动力识别方法,为复杂环境下的任务分解提供了新思路。分层任务网络(HTN)是任务分解领域的经典方法,俞锦涛等[3]提出了基于扩展HTN的不确定作战任务分解方法,解决了传统HTN在处理不确定性任务时的局限性。钟霄等[4]研究了基于分层任务网络的多机器人复杂任务分解方法,实现了复杂任务的自动分解与规划。赵佳然等[5]提出了基于扩展HTN的作战任务混合策略分解方法,提高了任务分解的灵活性和适应性。杜伟伟等[6]提出了作战任务层次化分解方法,从系统工程角度构建了任务分解体系。刘颖等[7]研究了基于目标层级分析法的复杂重型装备顶层任务分解,为复杂系统任务分解提供了方法论支持。
(2)人工智能任务分解技术方面。刘飞凡等[8]探索了基于多模态大模型的具身智能体任务分解与安全规划方法,将人工智能技术应用于任务分解领域。GAO等[9]提出了基于子任务分解的学习和基准测试方法,用于预测遗传扰动结果。郭洪宇等[10]研究了基于任务分解内在奖励的无人艇群协同作战方法,将强化学习与任务分解相结合,提高了智能群组的协同效能。赵莉等[11]研究了基于多Agent技术的云计算任务分解方法,实现了任务的分布式处理。王磊磊等[12]提出了边缘计算中基于任务分解的任务分配算法,解决了资源受限条件下的任务分配问题。上述研究为智能群组分布式任务分解提供了理论基础。
(3)特定场景任务分解应用方面。付景枝等[13]研究了基于任务相关性分析的制造任务优化分解方法,并将其应用于制造领域。伍国华等[14]提出了基于任务分解与强化学习的多平台协同火力分配方法,解决了多平台协同打击问题。常青等[15]探讨了作战任务分解策略与规范化描述方法,为作战任务分解提供了标准化框架。孙文等[16]探讨了高速隐身目标多传感器协同探测跟踪任务分解策略,解决了特殊目标跟踪问题。朱政霖等[17]研究了基于任务分解的多星成像规划模型建立与求解,将任务分解应用于航天领域。王伟等[18]提出了基于协同相关度的作战任务分解优化方法,提高了作战任务分解的协同效率。林仁等[19]探讨了任务分解控制及人员柔性的车间集成调度,将任务分解应用于生产管理领域。
目前,任务分解领域的研究主要集中在多任务优化、人工智能方法融合、经典HTN方法拓展、多Agent分布式计算,以及具体领域和特定场景的工程应用。这些研究普遍关注具体计算方法的优化与局部技术问题的解决,但从军事作战视角对任务进行全面、系统的维度构建研究明显不足,尤其缺乏结合任务逻辑与兵力运用需求来建立结构化、逻辑闭环的任务分解方法体系。
1 任务分解建模
1.1 总体结构
为实现智能群组任务系统建模,本文基于杀伤链理论提出任务链构建机制,结合无人系统任务特点,设计“搜索-跟踪-打击-通信”4类核心作战任务模块。在任务建模中,以“是否涉及兵力实体机动”作为任务拆分标准:需调度平台执行空间迁移或物理打击操作的环节,独立设为可执行作战任务;否则,纳入相关任务模块中作为内部处理逻辑。据此,本文构建了“搜索任务、跟踪任务、打击任务与通信任务”四大核心任务类型,分别对应侦察、跟踪、打击与集群信息维系等功能。识别、决策与评估环节因不涉及实体平台机动,分别嵌入搜索、跟踪与打击任务模块中统一执行。图1展示了杀伤链环节与任务之间的映射关系,该结构为后续任务分解、平台匹配与协同规划提供了清晰的理论框架。
该框架将智能群组任务分解视为一个完整的系统工程,包含以下核心组件:
(1)任务结构建模:基于杀伤链理论,将总体任务分解为搜索、跟踪、打击等子任务;
(2)智能群组平台:代表己方智能群组及其能力特性;
(3)能力建模与兵力编组:根据任务需求,对智能群组进行编组和能力配置;
(4)任务-能力匹配机制:将分解后的任务与平台能力进行匹配,形成具体的执行方案。
1.2 基础任务建模
为实现系统化的任务分解与协同,本文设计了统一的基础任务模型,作为任务分解的基础模板。该模型可形式化表示为
$ \boldsymbol{T}=\left(I, C, A, O, R, P, E, P_{r}, T_{c}\right)$
其中:
•I表示任务标识符,包含任务类型、优先级和时间戳等信息;
•C表示任务上下文,描述任务的背景环境和约束条件;
•A=a1,a2,…,am表示任务区域集合,每个区域包含地理坐标、范围和环境特征;
•O=o1,o2,…,on表示任务目标集合,每个目标包含类型、价值和状态等属性;
•R=r1,r2,…,rk表示任务规则集合,定义任务执行的约束条件和评价标准;
•P表示任务处理算法,描述任务执行的方法和流程;
•E表示任务评估指标,用于衡量任务执行的效能和质量;
•Pr表示任务优先等级,定义任务在资源受限条件下的执行优先顺序;
•Tc表示任务转换条件,定义任务执行过程中的事件触发和流程控制机制。
根据杀伤链各环节,任务类型可分为搜索任务、识别任务、跟踪任务、决策任务、打击任务和评估任务六大类。每类任务都具有特定的属性参数,见表1。
表1 不同类型任务的关键属性参数Tab.1 Key attribute parameters of different types of tasks |
| 任务类型 | 关键属性 | 描述 |
|---|---|---|
| 搜索区域 | 定义搜索范围和优先级 | |
| 搜索任务 | 目标特征 | 描述目标的特征和先验概率 |
| 搜索模式 | 定义搜索路径和策略 | |
| 目标状态 | 目标的位置、速度等状态信息 | |
| 跟踪任务 | 预测模型 | 目标运动预测模型 |
| 跟踪精度 | 要求的跟踪精度指标 | |
| 目标价值 | 目标的战术价值评估 | |
| 打击任务 | 武器参数 | 武器性能和约束条件 |
| 毁伤要求 | 要求的毁伤程度 | |
| 覆盖区域 | 需要保持通信覆盖的作战区域范围 | |
| 通信任务 | 中继布局 | 中继平台的空间分布与数量 |
| 路径规划 | 中继平台的机动路径与调整策略 |
任务区域ai∈A可表示为
$a_{i}=\left(G_{i}, S_{i}, E_{i}, V_{i}\right)$
其中:
•Gi表示区域的地理信息,包含中心坐标、形状和范围;
•Si表示区域的空间特性,如海况、气象和地形等;
•Ei表示区域的环境约束,如敌方威胁和禁飞区等;
•Vi表示区域的价值函数,定义区域的战术价值。
任务目标oj∈O可表示为
$o_{j}=\left(T_{j}, S_{j}, V_{j}, P_{j}\right)$
其中:
•Tj表示目标类型,如水面舰艇、潜艇或岸基设施等;
•Sj表示目标状态,包含位置、速度、姿态和行为模式等;
•Vj表示目标价值,定义目标的战术重要性;
•Pj表示目标优先级,用于多目标场景下的资源分配。
任务规则rk∈R可表示为条件-动作对
$r_{k}=\text { Condition }_{k} \longrightarrow \text { Action }_{k}$
其中,Conditionk表示规则触发条件,Actionk表示相应的动作。规则可分为约束规则(限制任务执行的边界条件)和决策规则(指导任务执行的策略选择)。
任务处理算法P定义了任务执行的方法和流程,可表示为
$P:(I, C, A, O, R) \rightarrow(X, Y)$
其中,X表示任务执行计划,Y表示预期执行效果。
任务评估指标E用于衡量任务执行的效能和质量,可表示为多维指标向量
$\boldsymbol{E}=\left[e_{1}, e_{2}, \cdots, e_{i}\right]$
其中,ei表示单项评估指标,如任务完成度、资源利用率、时间效率和风险水平等。
任务优先等级Pr可表示为
$P_{r}=(L, W, D, A)$
其中:
•L∈{1,2,3,4,5}表示任务基础优先级,数值越大表示优先级越高;
•W表示任务权重向量,包含多个影响因素的权重:
$\boldsymbol{W}=\left[w_{\text {threat }}, w_{\text {value }}, w_{\text {urgency }}, w_{\text {dependency }}\right]$
其中,各分量分别表示威胁程度、目标价值、时间紧迫性和任务依赖性的权重;
•D表示任务动态调整因子,考虑实时战场态势变化:
$D(t)=\alpha \cdot f_{\text {threat }}(t)+\beta \cdot f_{\text {resource }}(t)+\gamma \cdot f_{\text {progress }}(t)$
其中,fthreat(t)、fresource(t)和fprogress(t)分别表示威胁变化、资源可用性和任务进展对优先级的影响,α、β和γ为相应权重系数;
•A表示任务自适应优先级,根据任务执行情况动态调整:
$A(t)=A(t-1)+\Delta A(t)$
其中,ΔA(t)表示优先级调整量,可基于强化学习方法计算:
$\Delta A(t)=\eta \cdot\left[R(t)+\lambda \cdot \max _{\alpha} Q\left(s_{t+1}, a\right)-Q\left(s_{t}, a_{t}\right)\right]$
其中,R(t)表示任务执行奖励,Q(s,a)表示状态-动作价值函数,η和λ分别表示学习率和折扣因子。
综合考虑上述因素,任务的最终优先级计算为
$ Priority =L \cdot \sum_{i} W[i] \cdot F_{i}(t) \cdot D(t)$
其中,Fi(t)表示各影响因素的归一化值。在资源受限情况下,系统将按照Priority(t)从高到低的顺序分配资源,确保关键任务优先执行。
任务分解后形成的任务集合(方案)中,各任务间需要按条件转换,以实现任务流程的有序执行。任务转换条件TC可表示为
$T C=(E, N, T, S)$
其中:
•E={e1,e2,…,em}表示触发事件集合,每个事件ei可表示为
$e_{i}=\left(\text { Type }_{i}, \text { Param }_{i}, \text { Cond }_{i}\right)$
其中,Typei表示事件类型(如时间事件、目标事件、状态事件等),Parami表示事件参数,Condi表示事件触发条件;
•N={n1,n2,…,nk}表示后续任务集合,每个元素nj表示一个可能的后续任务;
•T:E→N表示事件-任务映射函数,定义特定事件触发后转换到的后续任务:
$T\left(e_{i}\right)=\left\{n_{j} \mid n_{j} \in N, \text { Cond }_{i} { is satisfied }\right\}$
•S表示任务状态转换规则,定义任务执行过程中的状态变化:
$S:\left( { State }_{\text {current }}, e_{i}\right) \rightarrow { State }_{\text {next }}$
其中,Statecurrent和Statenext分别表示当前状态和下一状态。
常见的任务触发事件类型包括:
•时间事件:任务执行时间到达预设阈值,如搜索时间结束;
•目标事件:与目标相关的事件,如发现目标、目标进入特定区域、目标满足打击条件等;
•资源事件:与资源相关的事件,如能量不足、武器耗尽、通信中断等;
•指令事件:来自上级的指令变更,如任务中止、优先级调整、目标变更等;
•状态事件:任务执行状态变化,如任务完成、任务失败、达到中间目标、进入敌方威胁区等。
任务转换过程可表示为有向图G=(V,E),其中顶点集V表示任务集合,边集E表示可能的转换关系。每条边(vi,vj)∈E关联一个条件集合Cij,当且仅当条件集合中至少一个条件满足时,任务才从vi转换到vj。基于事件驱动的任务转换机制可实现:
•顺序执行:任务Ti完成后自动转换到任务Ti+1;
•条件分支:根据条件C1,C2,…,Cn选择不同的后续任务;
•并行执行:一个任务完成后触发多个并行任务;
•循环执行:任务执行完成后,在特定条件下重新执行;
•中断处理:高优先级事件触发时,中断当前任务并转换到紧急任务。
任务转换条件模型为智能群组任务分解提供了动态流程控制机制,使系统能够根据实时情况自适应调整任务执行顺序,提高作战效能和环境适应性。
通过统一的任务单元模型,可实现任务的标准化描述、系统化分解和协同化执行,为后续基于杀伤链的任务分解提供基础框架。根据以上设计形成任务单元数据表,见表2。
表2 任务单元数据表Tab.2 Task unit data table |
| 任务编号 | 01 | 任务名称 | 对海打击 | 任务类型 | 打击任务 | ||
|---|---|---|---|---|---|---|---|
| 任务优先级 | 高/中/低 | 任务状态 | 开始/进行中 | 任务描述 | 隐蔽突击 | ||
| *任务时间 | T+45 min T+60 min | 作战目标 | 驱逐舰 | *任务区域 | A13,A12 | ||
| *兵力编成 | |||||||
| 兵力类型 | 2 | *作战武器 | 武器类型 | 挂载数量 | 2 | ||
| *任务条件 | |||||||
| 任务条件 | 跟踪任务01 | 搜索任务01 | 资源条件 | 弹药类型 | 弹药数量 | ||
| 任务策略 | |||||||
| 机动策略 | 机动路径 | 机动速度 | 武器策略 | 饱和攻击 | 隐蔽 | ||
1.3 子任务结构建模
根据杀伤链理论,海上智能群组任务可系统地划分为多个功能明确、流程闭环的对抗环节。本文以搜索、跟踪、打击、通信、评估五大核心任务模块为结构主线,构建了面向各子任务的参数建模方法,为任务分解与调度提供统一建模框架。
1.3.1 搜索任务模型
搜索任务是海上智能群组执行任务的首要环节,其目标是在指定海域内高效发现并初步识别目标。本文构建了一个综合性的搜索任务模型,包含区域划分、路径规划和资源分配三个核心子模块。
搜索任务可形式化表示为五元组S=(A,T,V,P,C),其中:
•A=a1,a2,…,am表示搜索区域集合;
•T=[tstart,tend]表示搜索时间窗口;
•V=v1,v2,…,vn表示可用搜索平台集合;
•P:A→[0,1]表示区域目标存在概率函数;
•C:V×A→R+表示平台执行区域搜索的代价函数。搜索任务的基本参数包括:
•vu:无人平台速度向量;vt:目标可能速度向量;
•t:搜索时间窗口;Δt:搜索任务更新周期;
•(xu,yu):无人平台初始部署位置;(xt,yt):目标可能区域中心;
•Rs:平台探测半径;θs:传感器扫描角度;ws:扫描宽度。
搜索任务的目标函数可表示为
$\max _{X} \sum_{i=1}^{n} \sum_{j=1}^{m} D\left(v_{i}, a_{j}\right) \cdot x_{i j}$
其中,D(vi,aj)表示平台vi在区域aj的探测效能,X=[xij]n×m为决策矩阵,xij=1表示分配平台vi搜索区域aj,否则xij=0。
1.3.2 跟踪任务模型
在海上智能群组任务中,目标被发现后,需要持续监视其动态变化并预测其未来行为。本节构建了一个综合性的跟踪任务模型,包含任务模型定义、目标状态预测、跟踪资源调度和协同跟踪四个核心子模块。
跟踪任务是海上智能群组任务的关键环节,其任务是在目标被发现后持续监视并预测其动态变化。本文构建的跟踪任务模型可形式化表示为五元组T=(O,P,V,W,F),其中:
•O={o1,o2,…,om}表示需跟踪目标集合;
•P={p1,p2,…,pn}表示平台跟踪时间窗集合;
•V={v1,v2,…,vk}表示可用跟踪平台集合;
•W:V×O×P→[0,1]表示平台-目标-时间窗匹配度函数;
•F:V×O×P→R+表示协同消耗函数。
跟踪任务的基本参数包括:
•Xo(t):目标o在时刻t的状态向量;
•Po(t):目标o在时刻t的状态协方差矩阵;
•Zv(t):平台v在时刻t的观测向量;
•Rv:平台v的观测噪声协方差矩阵;
•Tv:平台v的最大跟踪持续时间;
•dvo(t):平台v与目标o在时刻t的距离。
跟踪任务的目标函数可表示为
$\begin{array}{r}\max _{Y} \sum_{i=1}^{k} \sum_{j=1}^{m} \sum_{l=1}^{n} W\left(v_{i}, o_{j}, p_{l}\right) \cdot y_{i j l}- \\\lambda \cdot \sum_{i=1}^{k} \sum_{j=1}^{m} \sum_{l=1}^{n} F\left(v_{i}, o_{j}, p_{l}\right) \cdot y_{i j l}\end{array}$
其中,Y=[yijl]k×m×n为决策张量,yijl=1表示分配平台vi在时间窗pl跟踪目标oj,否则yijl=0。λ为平衡跟踪效能与资源消耗的权衡系数。
跟踪任务优化问题可通过时间窗划分和匈牙利匹配算法求解,对于多平台协同跟踪场景,可采用拍卖算法或遗传算法等启发式方法。
1.3.3 打击任务模型
在海上智能群组任务中,目标被跟踪确认后,需要实施精确打击以达成作战目标。本节构建了一个综合性的打击任务模型,包含任务模型定义、目标价值评估、武器-目标匹配和打击效能评估四个核心子模块。
打击任务是海上智能群组任务中的关键环节,其目标是对已识别目标实施精确打击。本文构建的打击任务模型可形式化表示为五元组D=(T,W,E,C,S),其中:
•T={t1,t2,…,tm}表示目标集合;
•W={w1,w2,…,wn}表示可用武器集合;
•E:W×T→[0,1]表示武器-目标打击效能函数;
•C:W→R+表示武器资源消耗函数;
•S:T→R+表示目标价值评估函数。
打击任务的基本参数包括:
•(xt,yt,zt):目标位置坐标;(xw,yw,zw):武器平台位置坐标;
•vt:目标速度向量;vw:武器平台速度向量;
•Rw:武器有效射程;Phit:命中概率;Pkill:毁伤概率;
•Tavail:武器可用时间窗口;Tflight:武器飞行时间。
打击任务的目标函数可表示为
$\max _{X} \sum_{i=1}^{n} \sum_{j=1}^{m} E\left(w_{i}, t_{j}\right) \cdot V\left(t_{j}\right) \cdot x_{i j}-\gamma \cdot \sum_{i=1}^{n} \sum_{j=1}^{m} C\left(w_{i}\right) \cdot x_{i j}$
其中,X=[xij]n×m为决策矩阵,xij=1表示分配武器wi打击目标tj,否则xij=0。γ为平衡打击效能与资源消耗的权衡系数。
1.3.4 通信任务模型
在海上智能群组任务中,保持各作战单元间的通信连接是确保指挥控制、态势共享和协同决策的关键。本节构建了一个简化的通信任务模型,重点关注如何通过中继智能群组的合理部署与路径规划,确保集群内所有终端在空间距离上保持连接,并且不超出固定的通信范围。
通信中继任务是海上智能群组任务的基础支撑环节,其目标是在复杂海洋环境下保障各作战单元间的空间连通性。本文构建的通信任务模型可形式化表示为四元组C=(N,R,M,D),其中:
•N={n1,n2,…,nm}表示通信节点集合,包括任务执行节点和中继节点;
•R={r1,r2,…,rm}表示通信半径集合,ri表示节点ni的通信覆盖半径;
•M={m1,m2,…,mk}表示可用中继平台集合;
•D:N×N→{0,1}表示节点间连通性函数,当两节点间距离不超过通信半径时为1,否则为0。
通信任务的基本参数包括:
•(xi,yi,zi):节点ni的位置坐标;
•Rc:固定通信半径,表示节点间的最大通信距离;
•vm:中继平台的移动速度;
•Tm:中继任务的时间窗口;
•Em:中继平台的能量约束。
通信任务的目标函数可表示为
$\max _{X} {Connectivity}(G)-\gamma \cdot \sum_{i=1}^{k} {Cost}\left(m_{i}\right) \cdot x_{i}$
其中,X=[x1,x2,…,xk]为决策向量,xi=1表示部署中继平台mi,否则xi=0。Connectivity(G)表示通信网络G的连通性度量,γ为平衡连通性与资源消耗的权衡系数。
2 任务分解流程
2.1 逆向分解建模
传统的任务分解方法通常采用自顶向下的正向分解策略,从总体任务出发,逐步细化为子任务。然而,在复杂的智能群组环境中,这种方法往往难以确保任务链的完整性和一致性,容易导致任务参数不匹配、资源分配不合理等问题。
如图2所示,海上智能群组任务可分解为搜索、跟踪、打击、通信四个核心子任务模块,每个子任务模块都有其特定的参数模型和算法流程,共同构成了完整的任务分解流程。该流程以作战目标为出发点,按照杀伤链的逆序逻辑,逐层推导任务所需的前置条件及参数,包括打击、跟踪、侦察和通信四类核心任务,最终形成结构清晰、逻辑闭环的作战任务链。逆向分解建模从作战效果出发,通过逆推的方式确定各环节的任务需求,各子任务对前置任务提出明确的输入需求,形成闭环的信息流和控制流,确保任务执行的可行性。
2.2 计算流程
总体方案可表示为各子任务的组合函数:
$T_{\text {total }}=F\left(T_{\text {strike }}, T_{\text {track }}, T_{\text {recon }}, T_{\text {comm }}\right)$
各任务间具有层层依赖关系,逆向分解过程为:
$T_{\text {strike }}=f_{\text {strike }}\left(G, C_{\text {strike }}\right)$
$T_{\text {track }}=f_{\text {track }}\left(T_{\text {strike }}, C_{\text {track }}\right)$
$T_{\text {recon }}=f_{\text {recon }}\left(T_{\text {track }}, C_{\text {recon }}\right)$
$T_{\text {comm }}=f_{\text {comm }}\left(T_{\text {strike }}, T_{\text {track }}, T_{\text {recon }}, C_{\text {comm }}\right)$
其中,G表示作战目标信息,C*表示各阶段的约束条件,f*表示各子任务的分解函数。通过这种逆向推导机制,系统能够自动生成完整的任务链,并确保各环节任务参数的一致性和可行性。
通过以下流程,从目标需求出发,逐步明确任务链条中各子任务的功能边界、参数指标与时间依赖关系,提升智能群组任务生成的可控性、可验证性与执行效率。
任务分解计算流程Task decomposition calculation process |
| 计算步骤 | 计算内容 |
|---|---|
| Step1 | 打击任务。分解计算打击平台数量Nforce,确定攻击角度集合Θattack、攻击方式Mattack,选择武器类型Wtype,设定打击时间窗Tstrike,构建打击任务:Tstrike=(Nforce,Θattack,Mattack,Wtype,Tstrike) |
| Step2 | 跟踪任务。分解计算跟踪区域Atrack、跟踪精度Ptrack,设定时间窗Ttrack与信息刷新周期Δupdate,估算所需平台数量Nplatform,构建跟踪任务: Ttrack=(Atrack,Ptrack,Ttrack,Δupdate,Nplatform) |
| Step3 | 侦察任务。分解计算侦察区域Arecon、探测概率Pdetect,设定时间窗Trecon、搜索模式Spattern,确定平台数量Nrecon,构建侦察任务: Trecon=(Arecon,Pdetect,Trecon,Spattern,Nrecon) |
| Step4 | 通信任务。分解估算中继平台数量Nrelay、规划路径Prelay,设置通信带宽Bdata、延迟Llatency、可靠性Rreliability,构建通信任务: Tcomm=(Nrelay,Prelay,Bdata,Llatency,Rreliability) |
| Step5 | 可行性校验与优化。判断任务集是否满足资源约束R,不满足则调整子任务参数,重新分配资源,输出任务执行时序图与任务配置集合 |
3 任务分解实例
3.1 想定设置
以智能群组对水面舰艇突击为作战想定,构建了一个海上智能群组协同仿真环境。该环境模拟了对抗场景,展示了己方智能群组对敌方水面舰艇编队实施侦察-打击的完整作战过程。
目标:驱逐舰1艘,目标的初始位置、航向、航速及战术价值如表3所示。
表3 目标参数设置Tab.3 Target parameter settings |
| 目标基本信息 | ||
|---|---|---|
| 目标编号 | A | |
| 舰艇类型 | 驱逐舰 | |
| 初始位置/km | (60,40) | |
| 航向/(°) | 045 | |
| 航速/kn | 18 | |
| 战术价值 | 0.9 | |
| 防御能力 | 0.8 | |
| 武器装备信息 | ||
| 主炮 | 130 mm舰炮 | |
| 防空导弹 | 中程防空导弹×32 | |
| 反舰导弹 | 亚声速反舰导弹×8 | |
| 近防武器 | 30 mm近防炮×2 | |
| 鱼雷 | 重型鱼雷×6 | |
| 传感器信息 | ||
| 搜索雷达 | 三坐标相控阵雷达 | |
| 火控雷达 | 多功能火控雷达×2 | |
| 电子侦察 | 宽频段电子侦察系统 | |
| 声呐 | 船壳声呐+拖曳阵声呐 | |
| 光电系统 | 红外/可见光多传感器系统 | |
智能群组设置:己方智能群组由多类型智能平台组成,包括空中终端(UAV)、水面终端(USV)和水下终端(UUV)。根据任务特性与平台体量划分,己方智能群组由五类平台组成,平台性能参数如表4所示。
表4 平台分类与任务能力配置Tab.4 Platform classification and task capability configuration |
| 平台类别 | 数量 | 最大航 速/kn | 续航时 间/h | 通信半 径/km | 主要任务能力 |
|---|---|---|---|---|---|
| 大型空中群组 | 4 | 120 | 10 | 150 | 通信中继、远程感知 |
| 小型空中群组 | 12 | 180 | 3 | 60 | 自杀攻击、精确打击 |
| 大型水面群组 | 5 | 35 | 24 | 100 | 武器发射、通信中继 |
| 小型水面群组 | 10 | 55 | 8 | 50 | 自杀攻击、快速打击 |
| 水下群组 | 4 | 25 | 36 | 30 | 水下搜索、静默侦察 |
平台传感器配置:不同平台配备了适应任务需求的传感器组件,如表5所示。
表5 传感器配置Tab.5 Sensor configuration |
| 传感器类型 | 配备平台 |
|---|---|
| 光电探测器 | 小型空中终端、小型水面终端 |
| 合成孔径雷达 | 大型空中终端 |
| 电子侦察设备 | 大型空中终端、大型水面终端 |
| 声呐系统 | 水下终端 |
| 红外探测器 | 小型空中终端、小型水面终端 |
装备配置:打击类平台按能力配备了不同类型的远程或自杀攻击武器,如表6所示。
表6 平台载荷配置Tab.6 Platform weapon configuration |
| 武器类型 | 配备平台 |
|---|---|
| 远程导弹(中型) | 大型水面终端 |
| 短程导弹(小型) | 小型水面终端、小型空中终端 |
| 自杀爆炸模块 | 小型水面终端、小型空中终端 |
| 鱼雷模块 | 水下终端 |
3.2 分解结果
针对想定任务,本文利用杀伤链任务分解模型进行任务分解,根据目标特性、状态参数等,将作战总任务倒叙分解为打击、搜索、跟踪、通信四个子任务,并重新按照正向执行程序进行编排,分解后主要任务如表7所示。
表7 任务分解表Tab.7 Task decomposition table |
| 任务类型 | 任务目标 与策略 | 平台类型 与数量 | 平台分工 | 关键参数 | 执行时间窗口 |
|---|---|---|---|---|---|
| 搜索任务 | 对敌舰可能区域实施大范围搜索 | 大型空中终端×4 | 高空SAR广域扫描,负责远距离跟踪,提供全局态势感知,负责中距离精确跟踪,为打击提供目标数据 | 负责A13,A12,A14,A8区域(高优先级区域) | T+0 min~ T+80 min |
| 大型水面终端×3 | 海面光电搜索 | 负责A18,A7,A9区域(中高优先级区域) | |||
| 水下终端×3 | 近岛水下静默搜索 | 负责A17,A19,A3,A2区域(低优先级区域) | |||
| 跟踪任务 | 多平台持续观测目标动态位置,支撑打击精度 | 小型空中终端×4 | 负责近距离详细跟踪,获取目标细节信息 | 围绕目标进行往复机动跟踪 | T+65 min~ T+90 min |
| 中型水面终端×2 | 负责水面跟踪,提供侧向观测数据 | 围绕目标进行旋回机动跟踪 | |||
| 打击任务 | 饱和打击目标舰队,突破其防御火力圈 | 小型空中终端×8 | 对目标传感器进行自杀式攻击 | 从2至3个方向对目标发起饱和攻击 | |
| 大型水面终端×2 | 发射反舰导弹,对目标进行二次打击 | 单方向攻击流 | T+70 min~ T+90 min | ||
| 小型水面终端×4 | 对目标水线进行自杀式攻击 | 2个方向攻击目标动力 | |||
| 通信任务 | 通信范围覆盖智能群组活动空间 | 大型空中终端×2 | 对空中单位进行通信保障 | 以最小的通信路径完成通信中继 | T+0 min~ T+100 min |
| 大型水面终端×1 | 负责空中、水面和水下的通信 | 以水下通信为约束 |
通过对任务分解与平台匹配过程的核对和修正,本文提出的基于杀伤链的逆向任务分解方法在任务链生成、平台资源分配以及时序协调方面具备较高的一致性与可靠性。经过修正后,各任务的兵力配置、平台类型、执行时间窗口与前文设定一致,形成明确、合理的任务规划方案。
4 结束语
本文针对智能群组协同中的任务分解与参数建模问题,提出了基于杀伤链的逆向任务分解与参数建模方法。本文构建了杀伤链视角下的智能群组任务分解理论框架,采用逆向推导机制,从作战目标出发,逆序推导任务前置条件及参数,形成了包含搜索、跟踪、打击和通信4个核心模块的系统化作战任务分解框架。通过构建任务单元模型来统一各子任务类型的形式化表示和参数定义,本文设计了时间、空间、功能和资源四维交叉分解模型,建立了任务参数间的依赖关系和约束条件,设计了任务参数的传递机制,确保了任务分解过程中的参数一致性和连贯性,实现了任务的精细化描述和参数的精确建模。
针对现有研究中存在的4个核心挑战,本文提出了创新性解决方案:在任务建模粒度方面,通过杀伤链导向的逆向推导流程和任务单元模型,本文实现了分解粒度与平台能力的系统化匹配,解决了粒度选择与精度、复杂度之间的平衡问题;在子任务参数化方面,本文构建了多维参数模型和统一的任务描述框架,实现任务需求的精确量化,提升了任务规划精度;在异构平台协同方面,本文明确了不同平台在任务链各环节中的功能分工与能力互补关系,提出了适应异构平台的协同规划机制;在任务依赖关系处理方面,本文建立了任务状态转换机制和事件驱动的依赖模型,实现了复杂任务链的有序衔接和自适应调整。