● 摘要
随着现代高新技术应用于军事领域，空战格局中对抗双方性能有了很大的提高，机载制导武器将成为赢得战争的最重要因素。由于目标机动突防能力的大幅度提高，当目标检测到拦截导弹时往往会采取恶意突防机动，在关键时刻甩开导弹的攻击。经典导引理论已经不能满足精确制导的要求，而现代制导理论实现复杂。因此，寻求新的高精度导引律是十分迫切的。 本论文采用增强学习，试图通过获得环境的有限信息，设计出一种新的导引律，力图在对目标大机动恶意突防机动时进行有效的拦截。本论文的主要研究内容和创新性研究如下： 首先，在深入理解古典导引律弹道特性和前人研究的基础上，分析了比例导引律和组合导引律在对付目标大机动规避时的效果。 然后，将增强学习引入到导弹的制导中来，并将增强学习与微分对策相结合，形成一种新的智能导引律，并通过选择多种截击情况，与改进的比例导引律在视线变化率、导弹需用过载、脱靶量等指标上进行了对比，证明制导效果有了明显的改善。 由于增强学习存储状态-动作对要占用大量的空间，因此将神经元网络与Q-学习相结合，用神经网络来近似评价函数。论文中将CMAC网络和Q-学习相结合，采用离线学习的方法对网络进行调整，从仿真效果来看基于Q-学习算法的导引律能够提高导弹的性能。 本论文还将模糊逻辑和预测控制相结合，提出了基于模糊预测控制的导引律。仿真结果表明这种导引律有利于提高制导精度。 综上所述，仿真结果表明了Q-学习和模糊预测控制在导弹制导中的应用前景和有效性，因此本文的研究成果对提高精确制导武器制导精度有很好的应用价值。