熊 嵩，周 軍，呼衛(wèi)軍，盧 青

(西北工業(yè)大學(xué) 精確制導(dǎo)與控制研究所， 西安 710072)

?

基于多任務(wù)分析的空天飛行器綜合效能評估

熊 嵩，周 軍，呼衛(wèi)軍，盧 青

(西北工業(yè)大學(xué) 精確制導(dǎo)與控制研究所， 西安 710072)

空天飛行器效能的評估必須與實際任務(wù)相結(jié)合才更有意義。提出了基于多任務(wù)分析的效能評估模式，實現(xiàn)了對任務(wù)需求具有較強敏感性的動態(tài)權(quán)重評估方法。首先構(gòu)建下層神經(jīng)網(wǎng)絡(luò)法與上層層次分析法的混合評估模式，然后通過對任務(wù)內(nèi)容關(guān)注度與任務(wù)階段優(yōu)先級的度量，實現(xiàn)任務(wù)層權(quán)重的修正。評估后的指標(biāo)求解算法分析了方案的改進(jìn)需求。單方案評估與多方案對比的算例表明，多任務(wù)分析效能評估不僅能夠衡量空天飛行器的基本能力，而且能夠充分反映其基本指標(biāo)對于不同類型任務(wù)的適應(yīng)程度，從而為指定任務(wù)下的指標(biāo)方案論證與優(yōu)化提供參考方向。

空天飛行器；效能評估；任務(wù)模型；動態(tài)權(quán)重

0 引言

空天飛行器(Aerospace Vehicle, ASV)作為快速發(fā)展的前沿太空武器化裝備，其多用途、高重用、快速應(yīng)變的特點使得其優(yōu)勢越來越明顯[1-2]，對空天飛行器的方案論證隨之成為一項重要課題，而效能評估是完成其立項論證的主要途徑[3]。

目前，針對ASV的效能評估主要集中在傳統(tǒng)評估理論的應(yīng)用，如文獻(xiàn)[4]分析了目前主要的效能研究方法的基本分類、過程、量度以及各自的特點，文獻(xiàn)[5-7]則是專家評判法、灰色層次分析法、神經(jīng)網(wǎng)絡(luò)法等應(yīng)用于ASV評估的具體案例。但對于方案論證而言，評估的意義更多地體現(xiàn)于ASV對于不同任務(wù)、不同關(guān)注點、不同需求度的綜合效能[8]，需要對任務(wù)的側(cè)重點具有足夠的適應(yīng)性。

當(dāng)前面向任務(wù)的效能評估已反映于多種作戰(zhàn)系統(tǒng)評估中。國外的Robert A M、David J P 等學(xué)者把對任務(wù)效能的要求與飛行器的結(jié)構(gòu)設(shè)計、參數(shù)配置等綁定[9-10]；國內(nèi)的張建康、陳晨等學(xué)者則嘗試將不同任務(wù)映射到不同的指標(biāo)集合，并確定各自的影響度[11-12]。

本文重點在于結(jié)合ASV未來主要的任務(wù)模式，以關(guān)注度與優(yōu)先級概念為基礎(chǔ)實現(xiàn)適用于不同任務(wù)要求的動態(tài)修正權(quán)重評估算法，并進(jìn)行任務(wù)概念模型設(shè)計、方案改進(jìn)需求分析等研究。

1 基于ASV任務(wù)模式的評估過程

作為涵蓋航空、航天領(lǐng)域的多用途武器平臺，空天飛行器的工作模式可概括為3類：

(1)在軌運行：飛行器以軌道飛行過程為依托，長期在軌執(zhí)行對地監(jiān)測、信息收集、反航天器攻擊等天基任務(wù)。

(2)一次性再入：飛行器變軌再入大氣層，執(zhí)行對地的快速直接打擊或單次運輸?shù)热蝿?wù)。

(3)重復(fù)性往返：飛行器以地基與天基雙平臺為依托，多次往返于兩者之間，執(zhí)行可重復(fù)的載荷投放、天地運輸?shù)热蝿?wù)。

顯然，不同工作模式對于ASV的任務(wù)要求有相似點，任務(wù)之間存在耦合。面向任務(wù)的ASV效能評估需要基于任務(wù)的分解模型實現(xiàn)，過程如下：

步驟1 任務(wù)解析：包括子任務(wù)的分解與底層指標(biāo)集的映射，前者將主任務(wù)分解為多個子任務(wù)，后者則對每個子任務(wù)明確其包含的可度量指標(biāo)。

步驟2 指標(biāo)度量：建立任務(wù)型指標(biāo)體系，并為各級任務(wù)確定物理度量與評判度量模型。

步驟3 權(quán)重修正：采用不同算法分析上、下層的基本權(quán)重，然后分析可能存在的關(guān)注任務(wù)因素，建立各任務(wù)與關(guān)注因素的對應(yīng)關(guān)系并設(shè)計動態(tài)權(quán)重模型，是整個評估過程的重點。

步驟4 評估計算：基于動態(tài)權(quán)重模型設(shè)計評估算法，設(shè)置待評估的任務(wù)參數(shù)并計算總體效能。

步驟5 方案改進(jìn)：根據(jù)評估結(jié)果，分析方案的可優(yōu)化空間及對底層指標(biāo)的要求。

2 面向任務(wù)的評估體系度量模型

2.1 ASV多任務(wù)解析模型

以目前ASV的主要發(fā)展方向選擇4項主任務(wù)：反航天器攻擊M1、對地攻擊M2、投放式運輸M3、著陸式運輸M4。分解各自的子任務(wù)集為

M1={探測，軌道機動，跟蹤，打擊}；

M2={探測，再入，彈道機動，突防，打擊}；

M3={再入，彈道機動，載荷釋放}；

M4={再入，彈道機動，能量耗散，著陸}。

包含主觀與客觀參數(shù)的子任務(wù)元素集為

SMi={關(guān)注度a，優(yōu)先級p，指標(biāo)集T}

其中，i=1, 2, …為子任務(wù)編號。元素含義如下：

(1)關(guān)注度a：該元素反映不同評估對于各類型任務(wù)的不同側(cè)重程度。

(2)優(yōu)先級p：該元素反映子任務(wù)的邏輯順序與執(zhí)行階段性質(zhì)對于整個任務(wù)的影響。

(3)指標(biāo)集T：該元素反映與子任務(wù)直接對應(yīng)的底層指標(biāo)集，包括指標(biāo)項與指標(biāo)范圍要求兩部分。

2.2 任務(wù)型指標(biāo)體系構(gòu)建與度量

根據(jù)前述任務(wù)模型，面向任務(wù)的ASV綜合評估體系由總體效能、主任務(wù)、子任務(wù)、底層指標(biāo)組成，上下層元素為一對多或多對多連接關(guān)系。按照系統(tǒng)性、準(zhǔn)確性、可行性的要求選擇底層指標(biāo)，整合得到指標(biāo)體系如圖1所示。

圖1 ASV綜合效能指標(biāo)體系Fig.1 Comprehensive effectiveness index system for ASV

顯然面向任務(wù)的指標(biāo)體系是高度耦合結(jié)構(gòu)。根據(jù)ASV解析模型，分別以E、M、SM、T表示總體、任務(wù)、子任務(wù)、底層指標(biāo)，則各層集合關(guān)系為

(1)

式中a與p分別為所在任務(wù)的關(guān)注度與優(yōu)先級。

以權(quán)重和為基本方法的各層指標(biāo)度量模型為

(2)

式中w為各指標(biāo)項權(quán)重；A為任務(wù)內(nèi)容的關(guān)注度矩陣；P為任務(wù)階段的優(yōu)先級矩陣，兩者是權(quán)重計算的重要參數(shù)；Rk為第k個底層指標(biāo)的歸一化標(biāo)準(zhǔn)。

3 關(guān)聯(lián)任務(wù)需求的分層權(quán)重設(shè)計

分析評估體系可知，上下層權(quán)重有明顯區(qū)別：

(1)下層與上層的評估性質(zhì)不同，下層指標(biāo)可根據(jù)真實數(shù)據(jù)量化得到，為定量評估；而上層指標(biāo)由主觀評判得到，為定性評估。

(2)對于下層權(quán)重，理論上9個子任務(wù)與16個下層指標(biāo)間存在著9×16=144個權(quán)重，傳統(tǒng)算法實現(xiàn)復(fù)雜，而且大量的專家評定會引入主觀因素。

(3)對于上層權(quán)重，待確定的權(quán)重大幅減少，允許采用專家評定思路實現(xiàn)。同時，為了使評估對不同任務(wù)需求點有足夠的敏感性，需要量化ASV任務(wù)可能存在的需求因素，作為影響權(quán)重的動態(tài)參數(shù)。

基于這種區(qū)別將權(quán)重設(shè)計分解為兩部分，采用徑向基函數(shù)(Radial Base Function, RBF)神經(jīng)網(wǎng)絡(luò)模擬下層權(quán)重，采用層次分析法(Analytic Hierarchy Process, AHP)確定上層基本權(quán)重，并根據(jù)任務(wù)需求對其修正。

3.1 下層定量型模擬權(quán)重設(shè)計

所謂“模擬權(quán)重”是指通過搭建神經(jīng)網(wǎng)絡(luò)并加以訓(xùn)練后，利用該網(wǎng)絡(luò)代替由下層指標(biāo)到上層指標(biāo)專家打分的過程。它相當(dāng)于模擬了對下層指標(biāo)的加“權(quán)”求和，只是 “模擬權(quán)重”是不透明的。神經(jīng)網(wǎng)絡(luò)評估的優(yōu)勢在于：通過海量的樣本訓(xùn)練，得到的模擬權(quán)重能夠消除專家打分方式的主觀因素。

RBF網(wǎng)絡(luò)是以函數(shù)局部逼近理論為基礎(chǔ)，以徑向距離為激勵參數(shù)的神經(jīng)網(wǎng)絡(luò)，其優(yōu)點是具有最佳逼近的特性，且無局部極小問題存在。針對ASV下層評估體系，RBF網(wǎng)絡(luò)的輸入層(底層指標(biāo))與輸出層(子任務(wù)指標(biāo))元素數(shù)目分別為12與9，中間層元素根據(jù)經(jīng)驗設(shè)置為7，如圖2所示。圖中，cj為隱藏層的中心點數(shù)據(jù)向量。

圖2 神經(jīng)網(wǎng)絡(luò)評估結(jié)構(gòu)Fig.2 Structure of neutral network based evaluation

中心點的輸出RBF(x)即為徑向基函數(shù)，這里選擇高斯函數(shù)形式：

(3)

利用RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)模擬權(quán)重的評估需要經(jīng)過3個步驟：首先，構(gòu)造訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需的大量樣本，其中輸入層數(shù)據(jù)通過實驗得到，輸出層數(shù)據(jù)可通過專家灰度打分得到；然后，基于一定的訓(xùn)練方法[13]進(jìn)行網(wǎng)絡(luò)訓(xùn)練，得到網(wǎng)絡(luò)內(nèi)部的cj等參數(shù)；最后，在實際評估應(yīng)用中，在輸入端輸入底層指標(biāo)，即可在輸出端計算得到子任務(wù)層指標(biāo)。

3.2 上層定性型動態(tài)權(quán)重設(shè)計

3.2.1 權(quán)重基本值確定方法

以AHP法計算上層權(quán)重基本值的基本思路是對于同一指標(biāo)集內(nèi)的每個指標(biāo)作兩兩對比，模糊確定兩者的相對重要程度，并以一定的數(shù)值進(jìn)行衡量。對于A、B兩指標(biāo)，若A比B重要，以bab表示A對于B的重要程度，以其倒數(shù)表示B對A的重要程度。對于包含N個元素的指標(biāo)集，其重要度判斷矩陣為

對B的特征向量W歸一化處理，即可得到子任務(wù)層至總體層各指標(biāo)集的各項映射權(quán)重取值。

對于不同任務(wù)的影響，對基本權(quán)重的修正主要考慮2種因素，即“關(guān)注度”與“優(yōu)先級”。前者考慮任務(wù)內(nèi)容，而后者考慮任務(wù)階段。

3.2.2 任務(wù)內(nèi)容關(guān)注度修正參數(shù)模型

關(guān)注度是評估過程中對任務(wù)內(nèi)容的側(cè)重點的量化表示。對ASV的典型因素進(jìn)行分析：

(1)任務(wù)功能類型。ASV的任務(wù)可按照功能進(jìn)行基本分類，這里簡單劃為信息、飛行、作戰(zhàn)3類，并設(shè)置關(guān)注度功能屬性af，其取值設(shè)為1和0。以反航天器攻擊為例，其3類子任務(wù)集分別為{探測}、{跟蹤，機動}、{打擊}。若當(dāng)前關(guān)注的任務(wù)功能包括信息與作戰(zhàn)，則探測/打擊任務(wù)af=1。

(2)所需資源類型。ASV各任務(wù)的完成需要一定成本，其資源的形式是多樣的，這里將其分為物質(zhì)、能量與技術(shù)，并設(shè)置資源屬性ar。仍以反航天器攻擊為例，3種資源的子任務(wù)集分別為{打擊}、{機動}、{探測，跟蹤}，若當(dāng)前關(guān)注物質(zhì)資源，則打擊任務(wù)的ar=1。

(3)直接取舍要求。有些情況下根據(jù)評估的最終目的可直接確定是否關(guān)注某任務(wù)(特別是針對主任務(wù))，據(jù)此設(shè)置取值屬性an，如果對該任務(wù)表示關(guān)注取值為1，直接舍棄則為0。

設(shè)計關(guān)注度修正參數(shù)a的模型為

a=fa(af,ar,an)

(4)

3.2.3 任務(wù)階段優(yōu)先級修正參數(shù)模型

優(yōu)先級是對子任務(wù)執(zhí)行階段在整個執(zhí)行過程中的地位的量化表示。以對地攻擊任務(wù)為例，其執(zhí)行過程如圖3所示。

圖3 對地攻擊執(zhí)行過程Fig.3 Execute process of air-ground attack

分析該過程可知， ASV任務(wù)過程中的不同子任務(wù)階段存在以下幾點典型區(qū)別屬性：

(1)串行性(串行/并行)：該屬性反映了子任務(wù)之間執(zhí)行過程的關(guān)聯(lián)性。對于子任務(wù)A、B，可能A是B的先決條件，如探測與再入，稱為串行；也可能兩者的前后約束相同，如機動與突防，稱為并行。相對而言，并行任務(wù)的瓶頸約束較小。

(2)連續(xù)性(連續(xù)/離散)：該屬性反映了子任務(wù)在時間上的持續(xù)性，例如再入飛行屬于連續(xù)任務(wù)，其他為離散任務(wù)。連續(xù)任務(wù)一旦出現(xiàn)意外就會導(dǎo)致整個任務(wù)失敗，而離散任務(wù)則允許組織第二次執(zhí)行，可見兩者的影響不同。

(3)確定性(確定/隨機)：該屬性反映了子任務(wù)受隨機條件的影響程度。為完成對地打擊，必須通過探測、再入、打擊等一系列動作而實現(xiàn)，這些子任務(wù)是確定的；相反，機動與突防是隨機的，是否執(zhí)行取決于探測信息與決策。

分別以ps、pc、pa表示以上3種屬性，對各屬性的選擇與影響程度的界定由人為主觀決定。以串行性為例，若優(yōu)先考慮串行任務(wù)，則探測的ps=1，機動的ps=-1，若不考慮該屬性則取值均為0。設(shè)計優(yōu)先級修正參數(shù)p的模型為

p=fp(ps,pc,pa)

(5)

3.2.4 動態(tài)權(quán)重修正算法

作為權(quán)重的修正參數(shù)，關(guān)注度c與優(yōu)先級p的計算模型根據(jù)需要人為設(shè)置，但需滿足3點要求：

(1)允許不同子任務(wù)具有相同的關(guān)注度或優(yōu)先級。

(2)兩參數(shù)對權(quán)重的修正能力應(yīng)當(dāng)有限，不能覆蓋原權(quán)重的影響。

(3)兩者的取值范圍具有一定彈性。各任務(wù)項的權(quán)重修正算法為

w′=(a+p)w0

(6)

式中w0為根據(jù)第3.2.1節(jié)算法得到的基本權(quán)重。

由于系數(shù)a、p的添加會影響到權(quán)重的取值范圍，因此需要對修正權(quán)重進(jìn)行歸一化處理，即

(7)

式中i為任務(wù)編號；N為任務(wù)集的元素數(shù)目。

4 提升效能方案的底層需求分析

完成方案評估后希望能夠分析對原方案的優(yōu)化方向，即提升總體效能方案對于底層指標(biāo)的需求。對該問題的描述為：已知某ASV的指標(biāo)組成，在部分底層指標(biāo)不變的前提下，欲將總體效能指標(biāo)提升到較高值，求剩余底層指標(biāo)取值。其數(shù)學(xué)描述為：已知函數(shù)模型M=f(u1,u2,…,um)與若干自變量ui，求剩余自變量的取值。

由于體系組成復(fù)雜，直接建模與求解都較為困難，而遺傳算法可解決該問題。該算法的基本思想是對大量參數(shù)值進(jìn)行交叉變異，實現(xiàn)全局搜索，適合求解多參數(shù)優(yōu)化問題。遺傳算法的基本方法參考文獻(xiàn)[14]，應(yīng)用于指標(biāo)反解優(yōu)化的步驟如下：

(1)確定種群大小N、交叉算子s等參數(shù)；

(2)設(shè)定初始種群x=(x1,x2, …,xN)，種群中任一染色體向量包含所有待優(yōu)化的底層指標(biāo)；

(3)以各染色體向量為輸入指標(biāo)，計算該組底層指標(biāo)的評估誤差；

(4)計算適應(yīng)度與新染色體，以各染色體期望輸出與實際輸出效能偏差為適應(yīng)度，保留滿足適應(yīng)度要求的染色體，對不滿足的染色體根據(jù)交叉算子進(jìn)行兩兩交叉變異；

(5)若當(dāng)前種群最優(yōu)個體滿足誤差精度或迭代終止條件則結(jié)束優(yōu)化，否則轉(zhuǎn)向步驟4。

5 算例與分析

5.1 基本評估權(quán)重計算

(1)訓(xùn)練下層神經(jīng)網(wǎng)絡(luò)：根據(jù)已有的ASV實驗數(shù)據(jù)，對參數(shù)進(jìn)行一定區(qū)間的隨機浮動，得到50組16項底層指標(biāo)后，由專家根據(jù)灰度打分的方法得到各組對應(yīng)的9項子任務(wù)指標(biāo)。將這些底層指標(biāo)與對應(yīng)的子任務(wù)指標(biāo)作為50組網(wǎng)絡(luò)訓(xùn)練樣本，對底層RBF評估網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到7個隱藏層節(jié)點的高斯寬度與輸出權(quán)重分別為

R=[0.411,0.614,0.566,0.627,0.799,0.497,0.711]

W=[0.158,0.197,0.110,0.244,0.055,0.068,0.167]

數(shù)據(jù)中心值c由于數(shù)目較多不再列出。

(2)計算上層動態(tài)權(quán)重：基于AHP法得到9個子任務(wù)至4個主任務(wù)的中層傳遞權(quán)重矩陣為

主任務(wù)至總體效能的上層權(quán)重向量為

WM=[0.250 0.250 0.250 0.250]

5.2 飛行任務(wù)仿真算例

選取在研的某3種空天飛行器為對象進(jìn)行飛行過程仿真，其中第2種飛行器不具備地面著陸能力。設(shè)定4種飛行任務(wù)過程如下：

(1)反航天器打擊：敵方某彈道導(dǎo)彈進(jìn)入中段飛行，ASV搜索、鎖定目標(biāo)后發(fā)射EKV彈頭攔截。

(2)對地攻擊：敵方某海上機動部隊侵入領(lǐng)海，且該部隊具備防空能力，由ASV再入大氣層后有效規(guī)避其防空火力，最終將其摧毀。

(3)投放式運輸：由ASV高速進(jìn)入敵方領(lǐng)空，滿足投放條件后將己方所需物資釋放到指定區(qū)域。

(4)著陸式運輸：ASV攜帶天基平臺載荷，再入大氣層后耗散多余能量并著陸于機場。

對3種飛行器分別針對不同任務(wù)執(zhí)行50次隨機仿真，統(tǒng)計各任務(wù)下的成功率。如圖4。

圖4 各種飛行器在不同任務(wù)下的成功率Fig.4 ASVs' success rate for different missions

根據(jù)飛行過程數(shù)據(jù)計算底層指標(biāo)，提取各自指標(biāo)的均值得到3套ASV指標(biāo)方案如表1。

表1 ASV多方案底層指標(biāo)參數(shù)Table 1 Bottom index values of the ASV examples

5.3 單方案綜合效能評估

以方案1為算例對評估方法進(jìn)行驗證。在不考慮關(guān)注度與優(yōu)先級影響的前提下，易求得該方案的總體效能為E=0.634。

為了驗證不同底層指標(biāo)的影響程度，以原方案參數(shù)為基礎(chǔ)，分別選擇控制誤差、機動范圍、彈道約束、末端約束等4個指標(biāo)為[0, 1]區(qū)間變化的浮動指標(biāo)，則其對應(yīng)的總體效能變化區(qū)間分別為(0.6, 0.85)、(0.65, 0.8)、(0.65, 0.75)、(0.74, 0.77)?？梢妼傮w效能的影響最大與最小的指標(biāo)分別為控制誤差與機動范圍。分析指標(biāo)體系可知，控制誤差為跟蹤、機動、再入等3項任務(wù)的共享指標(biāo)，而末端約束為能量耗散的獨有指標(biāo)，說明共享指標(biāo)具有更強的影響力。

考慮關(guān)注度與優(yōu)先級的影響。假定關(guān)注度中功能屬性的重要性較高，而優(yōu)先級中各項屬性的重要性相同，同時關(guān)注度的重要性比優(yōu)先級高。根據(jù)第3.2.4節(jié)要求設(shè)計關(guān)注度a與優(yōu)先級p模型

a=0.75(1+3af)(1+0.5ar)an

(8)

p=0.25×2ps+pc+pa

(9)

為了使結(jié)果更直觀，分別設(shè)計若干關(guān)注度與優(yōu)先級分布，測試其總體效能如表2、表3。

表2 不同關(guān)注度組合下的效能分布Table 2 Efficiency with different combination of attention

表3 不同優(yōu)先級組合下的效能分布Table 3 Efficiency with different combination of priority

可以看出，對于關(guān)注度與優(yōu)先級的不同考慮，評估體系能夠有效區(qū)分其影響，同時對比結(jié)果反映了不同任務(wù)效能的優(yōu)劣，如“反航天器打擊”任務(wù)效能較低(圖4中反航天器打擊的成功率也證明了這一點)，“離散”類任務(wù)效能優(yōu)于“連續(xù)”類。

5.4 多方案效能對比與優(yōu)化

對方案2與方案3進(jìn)行對比。根據(jù)基本評估算法，得到2個方案在不考慮權(quán)重修正情況下的總體效能指標(biāo)分別為0.706與0.720。分析兩方案可知，方案2在許多子任務(wù)中占優(yōu)，但由于缺乏著陸能力，導(dǎo)致其綜合能力受到抑制。如果考慮評估的關(guān)注點，對比結(jié)果會隨之變化。采用表3中的3項關(guān)注組合，相應(yīng)的對比結(jié)果如圖5。

圖5 方案2、3在不同關(guān)注度組合下的對比Fig.5 Comparison of project 2 and 3 with different attention

圖5中各子項附加編號為其對應(yīng)效能值較高的方案。由圖5可知，在指定的關(guān)注度要求下，方案2自身的飛行作戰(zhàn)等能力完全可彌補其著陸缺陷。

進(jìn)一步，采用遺傳算法計算方案3的底層指標(biāo)改進(jìn)需求。以關(guān)注度組合1的情況為例，已知方案2、3的總體效能值分別為0.743和0.699，假定欲通過提升導(dǎo)航誤差與控制誤差2個指標(biāo)使方案3達(dá)到方案2的總體效能。以神經(jīng)網(wǎng)絡(luò)的樣本構(gòu)造待求解指標(biāo)的初始種群，以效能輸出與0.743的差值為適應(yīng)度，染色體長度為2，迭代求解20次，其適應(yīng)度變化如圖6。

圖6 最優(yōu)適應(yīng)度變化過程Fig.6 Changing process of best fitness

由圖6可見，迭代至14次時已基本收斂至最優(yōu)解，最終得到導(dǎo)航誤差指標(biāo)0.84、控制誤差指標(biāo)0.63，可作為提升方案3的參考方向。

6 結(jié)束語

空天飛行器的效能評估必須與實際的任務(wù)需求點與側(cè)重點結(jié)合才更有意義。本文創(chuàng)新性地建立了關(guān)注度與優(yōu)先級的概念與量化模型，并將其與任務(wù)分解模型的度量綁定。結(jié)合不同的關(guān)注模型，該評估能更好地說明空天飛行器自身效能對不同類型任務(wù)的適應(yīng)度，從而使評估結(jié)果更具有針對性。該評估方法在一些細(xì)節(jié)如關(guān)注度/優(yōu)先級模型的設(shè)計標(biāo)準(zhǔn)、關(guān)注方向的篩選形式等還有待深入研究，這是下一步工作的重點。

[1] Robert A M.Establishing mission requirements based on consideration of aircraft operations [J].Journal of Aircraft,2013,50(3):741-751.

[2] Emily A L,Mark F C.Benefits of autonomous morphing aircraft in loiter and attack missions [C] //Proc.of AIAA Atmospheric Flight Mechanics Conference,Toronto,2010.

[3] Goman M G,Khramtsovsky A V,Kolesnikov E N.Evaluation of aircraft performance and maneuverability by computation of attainable equilibrium sets [J].Journal of Guidance,Control and Dynamics,2008,31(2):329-340.

[4] 張 克,劉永才,關(guān)世義.關(guān)于導(dǎo)彈武器系統(tǒng)作戰(zhàn)效能評估問題的探討[J].宇航學(xué)報,2002,23(2):58-66.

[5] 吳 江,羅建軍.天基再入飛行器作戰(zhàn)效能綜合評估[J].火力與指揮控制,2012,37(9):185-189.

[6] 梁金登,李東旭.空間武器系統(tǒng)效能評估模型研究[J].宇航學(xué)報,2007,28(5):1422-1428.

[7] Rohit G,Abhishek H,Manoranjan S.Sensitivity analysis using neural network for estimating aircraft stability and control derivatives [C] //Proc.of International Conference on Intelligent and Advanced Systems,USA,2007.

[8] Nicolai L M,Carichner G.Fundamentals of aircraft and airship design[C] //Proc.of AIAA,Reston,USA,2010.

[9] Robert A M.Mission performance considered as point performance in aircraft design [J].Journal of Aircraft,2011,48(5):1576-1588.

[10] David J P,Michael D P,Brian J G.Optimizing families of reconfigurable aircraft for multiple missions [J].Journal of Aircraft,2012,49(6):1988-2000.

[11] 張建康,程龍,黃俊,武哲.基于任務(wù)的作戰(zhàn)飛機效能評估模型[J].北京航空航天大學(xué)學(xué)報,2005,31(12):1279-1283.

[12] 陳晨,周東華,陳杰.面向任務(wù)的網(wǎng)絡(luò)化天基信息系統(tǒng)連續(xù)性效能評估[J].系統(tǒng)科學(xué)與數(shù)學(xué),2010,30(6):806-815.

[13] Hyontai S.An empirical improvement of the accuracy of RBF Networks [C]//Proc.of 2nd International Conference on Interaction Sciences: Information Technology,Culture and Human,Seoul,2009.

[14] Frizo V,Max M,Rene V P.Optimization of flexible approach trajectories using a genetic algorithm [J].Journal of Aircraft,2006,43(4):941-952.

(編輯：呂耀輝)

Multi-mission analysis based comprehensive effectiveness evaluation for aerospace vehicle

XIONG Song,ZHOU Jun，HU Wei-jun, LU Qing

(Institute of Precision Guidance and Control, Northwestern Polytechnical University, Xi'an 710072, China)

The effectiveness evaluation for aerospace vehicle (ASV) should be joined with the mission closely. An evaluation mode based on multi-mission analysis was proposed, and the dynamic weight evaluation was achieved,which is sensitive to mission demand. A complex evaluation with neutral network and analytic hierarchy process (AHP) was summarized, and the modified weight method was realized with the models of attention and priority of sub-missions. Furthermore, the improvement demand was analyzed with the underlying indexes' inverse computation. Evaluation examples shows that the method based on multi-mission analysis can not only measure the basic ability of ASV, but also reflect its fitness for missions of different types, which provides a valuable reference for the demonstration under special mission.

aerospace vehicle; effectiveness evaluation; mission model; dynamic weight

2014-07-21；

：2014-08-28。

熊嵩(1987—)，男，博士生，研究方向為飛行器控制與評估。E-mail:xiongsong1987@163.com

V475.4

A

1006-2793(2015)06-0764-06

10.7673/j.issn.1006-2793.2015.06.003