吳詩平，陳 謀，朱榮剛，賀建良

（1.南京航空航天大學(xué)自動化學(xué)院，南京 211106；2.光電控制技術(shù)重點實驗室，洛陽 471000）

人工智能、云計算和物聯(lián)網(wǎng)等技術(shù)的發(fā)展及其 在軍事領(lǐng)域的廣泛應(yīng)用使現(xiàn)代信息化戰(zhàn)爭逐漸趨于無人化、智能化以及全域化。戰(zhàn)機集群作戰(zhàn)和協(xié)同作戰(zhàn)已經(jīng)成為現(xiàn)代信息化戰(zhàn)爭的基本作戰(zhàn)樣式［1］，在這樣復(fù)雜的作戰(zhàn)背景下，為了提升多戰(zhàn)機協(xié)同、集群作戰(zhàn)效能，對作戰(zhàn)資源調(diào)度以及作戰(zhàn)信息交互可信性問題進行研究具有重要的意義。

作戰(zhàn)資源調(diào)度主要根據(jù)具體的作戰(zhàn)任務(wù)合理地分配作戰(zhàn)資源，以求整體作戰(zhàn)效益最大化，其核心技術(shù)是資源調(diào)度算法。性能優(yōu)異的資源調(diào)度算法可以在很短的時間內(nèi)精確地求出最優(yōu)資源調(diào)度方案，這對提高作戰(zhàn)效率具有重要意義。狼群算法、蜂群算法、蟻群算法以及遺傳算法等群智能優(yōu)化算法因其優(yōu)異的尋優(yōu)性能被廣泛地用于求解作戰(zhàn)資源調(diào)度問題。文獻(xiàn)［1］借鑒蟻群算法的優(yōu)化思想來改進狼群算法，提出了一種尋優(yōu)性能更好的基于信息素啟發(fā)的狼群算法，能夠有效地解決無人機集群作戰(zhàn)的火力分配問題；文獻(xiàn)［2］針對防空作戰(zhàn)體系中多傳感器資源調(diào)度問題，對傳統(tǒng)蝙蝠算法進行改進，并將其用于求解多傳感器多目標(biāo)分配問題；文獻(xiàn)［3］在單親遺傳算法的基礎(chǔ)上設(shè)計了雙親遺傳算法，該算法能夠更快、更精準(zhǔn)地求出多無人機最優(yōu)資源調(diào)度方案，有效地解決了無人機集群作戰(zhàn)的任務(wù)分配問題。由于遺傳算法在解決資源調(diào)度問題方面的優(yōu)異表現(xiàn)及其算法本身潛在的巨大發(fā)展空間吸引了廣大學(xué)者對其進行改進算法方面的研究，主要改進的方面包括進化概率、進化方式以及染色體種群的初始化等。文獻(xiàn)［4?5］通過設(shè)計自適應(yīng)交叉概率和自適應(yīng)變異概率來加快算法的收斂速度；文獻(xiàn)［6］提出了一種基于“定序模式”的自適應(yīng)單點交叉方法和隨機交換變異方法來改進交叉算子和變異算子，從而在提升了染色體種群多樣性的同時增強了算法的尋優(yōu)能力；文獻(xiàn)［7］利用混沌映射法初始化染色體種群，通過豐富初始種群的多樣性來提高其尋到最優(yōu)解的概率?；谝陨涎芯拷Y(jié)果，本文利用混沌反向?qū)W習(xí)法來初始化染色體種群，以精英保留、優(yōu)劣兼顧的方式改進選擇算子，同時采用“優(yōu)?中?差”分層誘導(dǎo)交叉、變異改進交叉算子、變異算子，進而提高了遺傳算法的優(yōu)化性能。

多先進戰(zhàn)機最優(yōu)資源調(diào)度方案由多先進戰(zhàn)機協(xié)同執(zhí)行，故先進戰(zhàn)機間的信任程度勢必會影響協(xié)同作戰(zhàn)的效率。區(qū)塊鏈?zhǔn)且环N去中心化、分布式的數(shù)據(jù)存儲結(jié)構(gòu)，在多先進戰(zhàn)機間建立區(qū)塊鏈網(wǎng)絡(luò)，先進戰(zhàn)機間的信息交互在區(qū)塊鏈上進行，從而在先進戰(zhàn)機間建立了一種完全可信的信息交互環(huán)境，實現(xiàn)了作戰(zhàn)效能的最大化。區(qū)塊鏈和資源調(diào)度結(jié)合的核心是在智能合約內(nèi)設(shè)計資源調(diào)度優(yōu)化模型，然后智能合約根據(jù)發(fā)布在區(qū)塊鏈上的作戰(zhàn)信息自動解算出作戰(zhàn)資源調(diào)度方案。文獻(xiàn)［8］在智能合約內(nèi)設(shè)計了基于協(xié)作型協(xié)同進化算法的能源電力調(diào)度優(yōu)化模型；文獻(xiàn)［9］在智能合約內(nèi)設(shè)計了基于差分進化算法的云制造資源調(diào)度優(yōu)化模型；文獻(xiàn)［10］在智能合約內(nèi)設(shè)計了基于Benders 分解算法的邊緣服務(wù)器資源優(yōu)化調(diào)度模型。

基于以上所述，為了確保多先進戰(zhàn)機協(xié)同作戰(zhàn)信息交互的安全性，同時為了加快算法優(yōu)化求解多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度問題的速度，本文在設(shè)計基于區(qū)塊鏈的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度框架的基礎(chǔ)上，從交叉、變異方式以及染色體種群初始化等方面對傳統(tǒng)遺傳算法進行改進，提出了一種基于改進遺傳算法的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度優(yōu)化模型，并將其寫入智能合約。動態(tài)作戰(zhàn)環(huán)境下改進遺傳算法相對于傳統(tǒng)遺傳算法、粒子群算法等智能優(yōu)化算法能夠以更快的速度求得最優(yōu)資源調(diào)度方案。同時由于區(qū)塊鏈下先進戰(zhàn)機之間相互完全信任，協(xié)同作戰(zhàn)的整體效能要高于非區(qū)塊鏈下多先進戰(zhàn)機協(xié)同作戰(zhàn)的整體效能。

1 問題描述

1.1 基于區(qū)塊鏈的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度框架設(shè)計

參與作戰(zhàn)的我方先進戰(zhàn)機群去中心化連接建立區(qū)塊鏈網(wǎng)絡(luò)，各先進戰(zhàn)機之間通過共識算法來決定由哪架先進戰(zhàn)機產(chǎn)生下一個區(qū)塊，以這樣的方式隔一段時間就產(chǎn)生一個區(qū)塊，將這些區(qū)塊按照生成的時間順序進行連接就形成了區(qū)塊鏈。區(qū)塊鏈的基本構(gòu)成單元是區(qū)塊，每個區(qū)塊都由區(qū)塊頭和區(qū)塊體組成，區(qū)塊頭包含父區(qū)塊哈希值、時間戳以及默克爾樹根等信息［9］，區(qū)塊體包含從生成上一區(qū)塊到當(dāng)前區(qū)塊這個時間段內(nèi)在區(qū)塊鏈上發(fā)布的作戰(zhàn)信息以及根據(jù)智能合約解算得出的最優(yōu)資源調(diào)度方案。將改進遺傳算法寫入智能合約，在智能合約內(nèi)建立基于改進遺傳算法的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度優(yōu)化模型，一旦作戰(zhàn)信息在區(qū)塊鏈上發(fā)布，智能合約便自動解算出當(dāng)前最優(yōu)資源調(diào)度方案，并將其存儲在即將生成的下一區(qū)塊中。

在t0時刻，區(qū)塊鏈上發(fā)布初始敵我雙方先進戰(zhàn)機的作戰(zhàn)狀態(tài)信息，智能合約解算出初始最優(yōu)資源調(diào)度方案，將以上信息打包存入即將生成的編號為k-1 的區(qū)塊中；在t1時刻，區(qū)塊鏈上發(fā)布新增敵方先進戰(zhàn)機的作戰(zhàn)狀態(tài)信息，智能合約解算出當(dāng)前最優(yōu)資源調(diào)度方案，將以上信息打包存入即將生成的編號為k的區(qū)塊中；在t2時刻，區(qū)塊鏈上發(fā)布新增我方先進戰(zhàn)機作戰(zhàn)狀態(tài)信息，智能合約解算出當(dāng)前最優(yōu)資源調(diào)度方案，將以上信息打包存入即將生成的編號為k+1 的區(qū)塊中。先進戰(zhàn)機群在區(qū)塊鏈上發(fā)布作戰(zhàn)信息的同時也能從區(qū)塊鏈上查詢得到當(dāng)前最優(yōu)資源調(diào)度方案，并據(jù)此執(zhí)行作戰(zhàn)任務(wù)?；趨^(qū)塊鏈的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度框架如圖1 所示。

圖1 基于區(qū)塊鏈的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度框架Fig.1 Framework of cooperative combat resource scheduling based on blockchain for multi-advanced fighters

1.2 多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度建模

在智能合約內(nèi)建立多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度優(yōu)化模型，根據(jù)在區(qū)塊鏈上發(fā)布的敵我雙方先進戰(zhàn)機的作戰(zhàn)狀態(tài)信息，綜合考慮其攻擊能力和防御能力，以作戰(zhàn)收益最大、代價最小為目標(biāo)構(gòu)建多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度數(shù)學(xué)模型［11?12］。將相對空戰(zhàn)能力作為衡量雙方空戰(zhàn)態(tài)勢的標(biāo)準(zhǔn)，建立空戰(zhàn)能力指標(biāo)體系如圖2 所示［13?14］。

圖2 空戰(zhàn)能力指標(biāo)體系Fig.2 Index system of air combat capability

1.2.1 攻擊能力

先進戰(zhàn)機的攻擊能力由先敵發(fā)現(xiàn)能力、先敵發(fā)射能力以及先敵摧毀能力3 部分構(gòu)成。正常情況下，先敵發(fā)現(xiàn)之后才能先敵發(fā)射進而先敵摧毀，構(gòu)建攻擊能力結(jié)構(gòu)如圖3 所示［13?14］。

圖3 攻擊能力構(gòu)成Fig.3 Composition of attack capability

由于先敵發(fā)現(xiàn)能力、先敵發(fā)射能力以及先敵摧毀能力是依次遞進的關(guān)系，定義攻擊能力g1為［13?14］

式中ψ1、ψ2、ψ3分別為先敵發(fā)現(xiàn)能力、先敵發(fā)射能力以及先敵摧毀能力。先敵發(fā)現(xiàn)能力與敵我戰(zhàn)機的相對位置關(guān)系以及紅外、雷達(dá)等探測裝備的性能有關(guān)；先敵發(fā)射能力與探測雷達(dá)、中遠(yuǎn)距雷達(dá)彈的性能以及雙方戰(zhàn)機的相對位置關(guān)系有關(guān)；先敵摧毀能力與導(dǎo)彈的命中能力、導(dǎo)彈的毀傷能力以及敵我戰(zhàn)機間的距離有關(guān)。此3 項能力指標(biāo)的具體數(shù)學(xué)表達(dá)式請參見文獻(xiàn)［13?14］。

1.2.2 防御能力

先進戰(zhàn)機的防御能力由隱身能力、通信能力、干擾能力以及機動能力4 部分構(gòu)成，這四者之間相互獨立，沒有先后關(guān)系，構(gòu)建防御能力結(jié)構(gòu)如圖4所示［13?14］。

圖4 防御能力構(gòu)成Fig.4 Composition of defense capability

結(jié)合上述分析，定義防御能力g2為［13?14］

式中：χ1、χ2、χ3、χ4分別為隱身能力、通信能力、機動能力以及干擾能力；λ1、λ2、λ3、λ4分別為各項能力權(quán)重，且和為1。隱身能力與我方戰(zhàn)機的雷達(dá)反射截面積以及敵方戰(zhàn)機探測雷達(dá)的性能有關(guān)；通信能力與友機間的距離、無線電臺和數(shù)據(jù)鏈的可靠性以及無線電臺的最大作用距離有關(guān)；機動能力與戰(zhàn)機最大可用過載、過失速機動能力等機動參數(shù)有關(guān)；干擾能力與箔條、紅外干擾彈的無源干擾以及電子干擾等的有源干擾有關(guān)。此4 項能力指標(biāo)的具體數(shù)學(xué)表達(dá)式請參見文獻(xiàn)［13?14］。

多先進戰(zhàn)機協(xié)同作戰(zhàn)過程中，假設(shè)由我方m架戰(zhàn)機對抗敵方n架戰(zhàn)機，綜合上述定義的先進戰(zhàn)機攻擊能力g1和防御能力g2，則我方第i架先進戰(zhàn)機相對敵方第j架先進戰(zhàn)機的空戰(zhàn)能力g(i，j)為［13?14］

同理，根據(jù)上述建立的先進戰(zhàn)機攻擊能力、防御能力數(shù)學(xué)模型，也可以求得敵方第j架戰(zhàn)機相對于我方第i架戰(zhàn)機的空戰(zhàn)能力g′(j，i)。據(jù)此，可以得出我方m架戰(zhàn)機相對于敵方n架戰(zhàn)機的空戰(zhàn)能力矩陣G=[g(i，j)]m×n以及敵方n架戰(zhàn)機相對我方m架戰(zhàn)機的空戰(zhàn)能力矩陣G′=[g′(j，i)]n×m。

區(qū)塊鏈下和非區(qū)塊鏈下多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度的區(qū)別在于區(qū)塊鏈下多先進戰(zhàn)機間相互完全信任，而非區(qū)塊鏈下多先進戰(zhàn)機間互不完全信任，先進戰(zhàn)機間的相互信任程度會通過影響協(xié)同作戰(zhàn)信息交互環(huán)境來影響多戰(zhàn)機協(xié)同空戰(zhàn)效果，因此結(jié)合多先進戰(zhàn)機間的相互信任程度，追求作戰(zhàn)收益最大、代價最小，設(shè)計多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度目標(biāo)函數(shù)為［15］

式中：式（7）表示對于敵方任何一架戰(zhàn)機，都要為之分配至少1 架我方戰(zhàn)機與之對抗；式（8）表示我方第i架戰(zhàn)機同時對抗的敵方戰(zhàn)機的數(shù)量上限為Mi。

2 基于改進遺傳算法的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度優(yōu)化

針對1.2 節(jié)中構(gòu)建的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度數(shù)學(xué)模型，本文利用改進遺傳算法對其進行優(yōu)化求解［16?17］，建立基于改進遺傳算法的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度優(yōu)化模型，并將其部署進智能合約，一旦作戰(zhàn)信息在區(qū)塊鏈上發(fā)布，智能合約便自行根據(jù)此信息解算出最優(yōu)資源調(diào)度方案。遺傳算法的主要改進內(nèi)容如下：根據(jù)多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度的特點，本文設(shè)計了以敵方先進戰(zhàn)機數(shù)量為編碼長度和我方先進戰(zhàn)機數(shù)量為基因值上限的實數(shù)編碼；結(jié)合混沌映射法和反向?qū)W習(xí)法來初始化染色體種群；將父代、子代染色體融合，以精英保留、優(yōu)劣兼顧的方式來改進選擇算子；采用“優(yōu)?中?差”分層誘導(dǎo)交叉、變異來改進交叉算子、變異算子。改進遺傳算法的詳細(xì)步驟如下。

步驟1 染色體編碼

假設(shè)從區(qū)塊鏈上獲取的敵我雙方參與對抗的先進戰(zhàn)機的數(shù)量分別為n、m。以敵方戰(zhàn)機為參考對象，敵方每架戰(zhàn)機都要為之分配1架我方戰(zhàn)機與之對抗，因此染色體的編碼長度為n。染色體上第i位基因值xi表示對敵方第i架戰(zhàn)機，分配我方第xi架戰(zhàn)機與之對抗，染色體中每個基因位上的基因值x∈[1，m]，且為整數(shù)；以n=7、m=4 為例，若某染色體編碼為3124134，則表示我方第1 架戰(zhàn)機對抗敵方第2 架、第5 架戰(zhàn)機，我方第2 架戰(zhàn)機對抗敵方第3架戰(zhàn)機，我方第3 架戰(zhàn)機對抗敵方第1 架、第6 架戰(zhàn)機，我方第4架戰(zhàn)機對抗敵方第4架、第7架戰(zhàn)機。

步驟2 混沌反向?qū)W習(xí)初始化染色體種群

鑒于混沌映射生成的混沌算子具有很好的隨機性，故利用混沌映射法初始化染色體種群能讓初始染色體種群在尋優(yōu)空間隨機均勻分布，這樣通過提升初始染色體種群的整體多樣性來增大尋到最優(yōu)解的幾率。本文采用sine 混沌映射來進行研究，其公式如下

式中：0

鑒于反向?qū)W習(xí)是在初始解的基礎(chǔ)上通過透鏡成像原理產(chǎn)生反向解來擴大可選解的范圍這一特點，利用反向?qū)W習(xí)初始化染色體種群能夠產(chǎn)生與原染色體種群對立的染色體種群，這樣就在原先的基礎(chǔ)上擴大了染色體種群的分布區(qū)域，增大了尋到最優(yōu)解的概率。用Xk、X′k依次表示原染色體和經(jīng)反向?qū)W習(xí)操作后的反向染色體，由原染色體生成其反向染色體的數(shù)學(xué)公式如下

將上述生成的染色體種群N1代入式（11）生成數(shù)量為snum的反向染色體種群N2。合并N1和N2，以式（5）為目標(biāo)函數(shù)計算各染色體的適應(yīng)度值，并按照適應(yīng)度值由高到低進行排序，選擇前snum條染色體構(gòu)成初始染色體種群。

步驟3 選擇算子

將經(jīng)過選擇操作后的染色體種群視為父代，該父代經(jīng)過交叉、變異操作后相對于此父代即為子代。此后每次進行選擇操作時，將父代、子代染色體種群組合，按照適應(yīng)度值由高到低進行排序，為了確保每代中的最優(yōu)染色體能進入下一代并且新父代染色體種群具有一定的多樣性，以優(yōu)劣兼顧的方式，將前snum/4 條染色體和后snum/4 條染色體直接復(fù)制進入新父代，對于中間的3snum/2 條染色體采用輪盤賭算法選取snum/2 條染色體進入新父代。

步驟4 交叉算子

首先根據(jù)交叉概率pc對每一條染色體進行評判，將要交叉的染色體加入交配池中，計算交配池中染色體的數(shù)量cnum，并將交配池中的染色體按照適應(yīng)度值由高到低進行排序，將前cnum/4 條染色體視為優(yōu)秀染色體，中間cnum/2 條染色體視為中等染色體，最末cnum/4 條染色體視為差染色體。差染色體傾向于與中等染色體、優(yōu)秀染色體交叉來獲取較為優(yōu)秀的基因段，中等染色體傾向于與優(yōu)秀染色體交叉來獲取優(yōu)秀的基因段，同時優(yōu)秀染色體、中等染色體以及差染色體在一定程度上也會存在內(nèi)部（優(yōu)秀染色體之間、中等染色體之間、差染色體之間）交叉和向下（優(yōu)秀染色體與中等染色體、差染色體，中等染色體與差染色體）交叉?！皟?yōu)?中?差”分層誘導(dǎo)交叉原理如圖5 所示。

圖5 “優(yōu)-中-差”分層誘導(dǎo)交叉示意圖Fig.5 “Good?mediocre?bad”stratified induced crossover

由圖5 可見，對于優(yōu)秀染色體，其與優(yōu)秀染色體、中等染色體和差染色體交叉的概率依次為p11、p12、p13，且和為1；對于中等染色體，其與優(yōu)秀染色體、中等染色體和差染色體交叉的概率依次為p21、p22、p23，且和為1；對于差染色體，其與優(yōu)秀染色體、中等染色體和差染色體交叉的概率依次為p31、p32、p33，且和為1。由此可計算得出，在交配池中優(yōu)秀染色體與優(yōu)秀染色體配對的概率為p113，優(yōu)秀染色體與中等染色體配對的概率為(p12+p21) 3，優(yōu)秀染色體與差染色體配對的概率為(p13+p31) 3，中等染色體與中等染色體配對的概率為p223，中等染色體與差染色體配對的概率為(p23+p32) 3，差染色體與差染色體配對的概率為p333，且和為1。再按照輪盤賭算法產(chǎn)生所有的配對染色體，并在配對染色體間利用單點交叉法進行交叉操作。

步驟5 變異算子

交叉操作結(jié)束后，將snum條染色體按照適應(yīng)度值的大小由高到低排序，前snum/4 條染色體視為優(yōu)秀染色體，中間snum/2 條染色體視為中等染色體，后snum/4 條染色體視為差染色體。變異操作分為向上變異、自我突破以及向下變異3種形式。向上變異是染色體朝著比自身優(yōu)秀的染色體方向變異，隨機選取較優(yōu)秀染色體上的一位或幾位基因位，將基因值復(fù)制到自身染色體的對應(yīng)基因位上；自我突破是染色體通過基本位變異的方式來更新自身基因；向下變異是染色體朝著比自身差的染色體方向變異，隨機選取較差染色體上一位或幾位基因位，將基因值復(fù)制到自身染色體的對應(yīng)基因位上。優(yōu)秀染色體傾向于自我突破來更新自身基因；中等染色體傾向于向優(yōu)秀染色體方向變異，在優(yōu)秀染色體的指導(dǎo)變異下，改善自身染色體的基因質(zhì)量；差染色體傾向于向優(yōu)秀染色體、中等染色體方向變異，在優(yōu)秀染色體、中等染色體的指導(dǎo)變異下，改善自身染色體的基因質(zhì)量。同時考慮維持染色體種群的多樣性，優(yōu)秀染色體、中等染色體也會有一定的幾率向下變異，即優(yōu)秀染色體朝著中等染色體和差染色體的方向變異、中等染色體朝著差染色體的方向變異?！皟?yōu)?中?差”分層誘導(dǎo)變異原理如圖6所示。

圖6 “優(yōu)-中-差”分層誘導(dǎo)變異示意圖Fig.6 “Good?mediocre?bad”stratified induced variation

由圖6 可見，對于優(yōu)秀染色體，其向中等染色體、差染色體方向變異的概率為t12、t13，自我突破的概率為t11，且和為1；對于中等染色體，其向優(yōu)秀染色體、差染色體方向變異的概率為t21、t23，自我突破的概率為t22，且和為1；對于差染色體，其向中等染色體、優(yōu)秀染色體方向變異的概率為t32、t31，自我突破的概率為t33，且和為1。

以變異概率pm對每一條染色體進行評判，對要變異的染色體，根據(jù)其染色體類型，利用輪盤賭算法確定其將要執(zhí)行哪種變異方式，再按照上述操作對該染色體進行變異。

步驟6 判斷算法終止條件

若算法達(dá)到最大迭代次數(shù)或者優(yōu)化解滿足預(yù)設(shè)精度要求，則輸出該優(yōu)化解，即最優(yōu)多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度方案，算法退出；否則，轉(zhuǎn)步驟3，繼續(xù)下一次迭代。

綜上，基于改進遺傳算法的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度優(yōu)化流程圖如下所示。

圖7 基于改進遺傳算法的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度優(yōu)化流程Fig.7 Optimization process of cooperative combat re?source scheduling based on improved genetic al?gorithm for multi-advanced fighters

3 實驗分析

為驗證本文提出的基于區(qū)塊鏈的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度方法的有效性，以Windows10為平臺，利用python3.8 和matlab2020b 進行混合仿真實驗。采用python3.8 為編程語言運行區(qū)塊鏈，一旦作戰(zhàn)信息在區(qū)塊鏈上發(fā)布，python3.8 即調(diào)用matlab2020b 執(zhí)行多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度優(yōu)化算法生成最優(yōu)資源調(diào)度方案。本文在初始資源調(diào)度的基礎(chǔ)上，引入敵方新增先進戰(zhàn)機這一作戰(zhàn)環(huán)境動態(tài)變化方式對本文所提方法進行仿真驗證。

（1）初始作戰(zhàn)環(huán)境下

同時給出非區(qū)塊鏈下我方先進戰(zhàn)機P1～P4對友機的平均信任程度為0.7、0.8、0.7、0.8。

基于以上所給數(shù)據(jù)，選擇不同的資源調(diào)度算法，分別進行區(qū)塊鏈下和非區(qū)塊鏈下的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度的仿真實驗，作戰(zhàn)效能Z隨迭代次數(shù)的變化曲線如圖8 所示，初始作戰(zhàn)環(huán)境下最優(yōu)資源調(diào)度方案如表1 所示。

表1 初始作戰(zhàn)環(huán)境下最優(yōu)資源調(diào)度方案Table 1 Optimal resource scheduling scheme in initial operational environment

圖8 初始作戰(zhàn)環(huán)境下作戰(zhàn)效能隨迭代次數(shù)的變化Fig.8 Combat effectiveness changing with the number of it?erations in initial combat environment

由圖8 可見，對于同一仿真場景，改進遺傳算法相對于傳統(tǒng)遺傳算法、傳統(tǒng)狼群算法以及傳統(tǒng)粒子群算法能以更少的迭代次數(shù)尋到最優(yōu)解，證明了改進遺傳算法性能的優(yōu)越性。資源調(diào)度結(jié)束后，區(qū)塊鏈下、非區(qū)塊鏈下的作戰(zhàn)效能分別為3.174、2.372。由于在非區(qū)塊鏈下，先進戰(zhàn)機之間相互不信任，進而間接降低了協(xié)同執(zhí)行資源調(diào)度方案的效率，從而降低了協(xié)同作戰(zhàn)的整體效能。

由表1 可見，初始作戰(zhàn)環(huán)境下的最優(yōu)資源調(diào)度方案為：我方先進戰(zhàn)機P1對抗敵方先進戰(zhàn)機T4和T5，我方戰(zhàn)機P2對抗敵方戰(zhàn)機T1，我方P3對抗敵方T2和T6，我方T4對抗敵方T3。

（2）敵方新增兩架先進戰(zhàn)機T7、T8

結(jié)合以上數(shù)據(jù)，選擇不同的資源調(diào)度算法，分別進行區(qū)塊鏈下和非區(qū)塊鏈下的資源調(diào)度仿真，作戰(zhàn)效能Z隨迭代次數(shù)的變化曲線如圖9 所示，當(dāng)前作戰(zhàn)環(huán)境下最優(yōu)資源調(diào)度方案如表2 所示。

表2 當(dāng)前作戰(zhàn)環(huán)境下最優(yōu)資源調(diào)度方案Table 2 Optimal resource scheduling scheme under cur?rent operational environment

圖9 當(dāng)前作戰(zhàn)環(huán)境下作戰(zhàn)效能隨迭代次數(shù)的變化曲線Fig.9 Combat effectiveness changing with the number of iterations under current operational environment

由圖9 可見，區(qū)塊鏈下、非區(qū)塊鏈下的作戰(zhàn)效能分別為3.736、2.876，同樣由于先進戰(zhàn)機之間相互不信任導(dǎo)致區(qū)塊鏈下的作戰(zhàn)效能要高于非區(qū)塊鏈下的作戰(zhàn)效能。

由表2 可見，當(dāng)前作戰(zhàn)環(huán)境下的最優(yōu)資源調(diào)度方案為：我方先進戰(zhàn)機P1對抗敵方先進戰(zhàn)機T2和T4，我方戰(zhàn)機P2對抗敵方戰(zhàn)機T1和T8，我方T3對抗敵方T6和T7，我方T4對抗敵方T3和T5。

4 結(jié) 論

為了確保動態(tài)作戰(zhàn)環(huán)境下多先進戰(zhàn)機協(xié)同作戰(zhàn)信息交互的安全性以及加快算法求解資源調(diào)度問題的速度，本文提出了一種基于區(qū)塊鏈的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源自適應(yīng)調(diào)度方法。通過設(shè)計基于區(qū)塊鏈的多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度框架來建立完全可信的信息交互環(huán)境，同時在考慮先進戰(zhàn)機攻擊能力和防御能力的基礎(chǔ)上，以作戰(zhàn)收益最大、代價最小為目標(biāo)建立了多先進戰(zhàn)機協(xié)同作戰(zhàn)資源調(diào)度優(yōu)化模型，并用改進遺傳算法對該優(yōu)化問題進行求解。由仿真結(jié)果可見，改進遺傳算法相對于傳統(tǒng)遺傳算法、傳統(tǒng)狼群算法以及傳統(tǒng)粒子群算法能夠以更快的速度求得最優(yōu)資源調(diào)度方案；區(qū)塊鏈下先進戰(zhàn)機之間相互完全信任，使得其協(xié)同作戰(zhàn)效能要高于非區(qū)塊鏈下的協(xié)同作戰(zhàn)效能。