融合大语言模型技术的飞机编队行为智能建模

doi:10.7527/S1000-6893.2026.33092

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

融合大语言模型技术的飞机编队行为智能建模

刘洋, 李妮(), 于泽熙, 贾尚杰

北京航空航天大学自动化科学与电气工程学院，北京 100191

收稿日期:2025-11-17 修回日期:2025-12-02 接受日期:2026-01-05 出版日期:2026-01-12 发布日期:2026-01-09
通讯作者: 李妮 E-mail:lini@buaa.edu.cn
基金资助:
省部级项目

An intelligent modeling method for aircraft formation behaviors integrating LLM technology

Yang LIU, Ni LI(), Zexi YU, Shangjie JIA

School of Automation Science and Electrical Engineering，Beihang University，Beijing 100191，China

Received:2025-11-17 Revised:2025-12-02 Accepted:2026-01-05 Online:2026-01-12 Published:2026-01-09
Contact: Ni LI E-mail:lini@buaa.edu.cn
Supported by:
Provincial or Ministerial Level Project

摘要/Abstract

摘要：

针对飞机编队对抗仿真场景中行为模型构建过程复杂、人工依赖程度高等问题，通过融合大语言模型技术，实现飞机编队协同对抗行为的智能化建模。构建一种融合大语言模型技术的复合分层行为建模框架，实现语义驱动的自动化建模流程。设计一种基于“系统-用户”分层架构的提示工程方法，实现概念语义到形式化状态机的转化。提出一种基于向量检索机制的“状态-行为”关联方法，实现决策状态与行为树节点的智能高效匹配。基于上述方法，构建典型飞机编队协同战术行为模型，并在典型对抗场景中开展仿真实验。仿真实验表明，该框架与方法可支撑编队协同对抗行为的智能化快速建模，验证了所提出框架的适用性以及建模方法的有效性。

关键词: 作战仿真, 飞机编队, 行为模型, 分层建模框架, 大语言模型技术

Abstract:

To address the complexity and high manual dependency in behavior modeling process for cooperative combat simulation scenarios， this paper integrates Large Language Model （LLM） technology to enable intelligent modeling of aircraft formation cooperative combat behaviors. A hybrid hierarchical modeling framework integrating LLM technology is proposed to enable a semantics-driven and automated modeling workflow. A two-layer ‘system-user’ prompt engineering method is designed to transform conceptual semantics into formalized state machines. A vector-retrieval-based association method is developed to achieve intelligent and efficient matching between decision states and behavior tree nodes. Based on these methods， representative cooperative combat behavior models for aircraft formations are constructed and validated through simulation experiments in typical combat scenarios. The experimental results demonstrate that the proposed framework and methods effectively support rapid and intelligent modeling of cooperative combat behaviors， confirming their applicability and practical effectiveness.

Key words: combat simulation, aircraft formation, behavior model, hierarchical modeling framework, large language model technology

中图分类号:

V249.1

刘洋, 李妮, 于泽熙, 贾尚杰. 融合大语言模型技术的飞机编队行为智能建模[J]. 航空学报, 2026, 47(15): 333092.

Yang LIU, Ni LI, Zexi YU, Shangjie JIA. An intelligent modeling method for aircraft formation behaviors integrating LLM technology[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(15): 333092.

图/表 22

表 1

图 1

表 2

图 2

图 3

图 4

表 3

图 5

图 6

图 7

图 8

图 9

表 4

图 10

图 11

图 12

表 5

表 6

表 7

表 8

图 13

图 14

参考文献 27

[1]	杜梓冰，张立丰，陈敬志，等. 有人/无人机协同作战演示验证试飞关键技术［J］. 航空兵器， 2019， 26（4）： 75-81.
	DU Z B， ZHANG L F， CHEN J Z， et al. Critical technologies of demonstration flight test of cooperative operation for manned/unmanned aerial vehicles［J］. Aero Weaponry， 2019， 26（4）： 75-81 （in Chinese）.
[2]	张琪. 学习驱动的CGF决策行为建模方法研究［D］. 长沙：国防科技大学， 2018.
	ZHANG Q. Research on learning driven behavior modeling methods for decision making of computer generated forces（CGFs）［D］. Changsha： National University of Defense Technology， 2018 （in Chinese）.
[3]	BOURASSA N R. Modeling and simulation of fleet air defense systems using EADSIM［D］. Monterey： Naval Postgraduate School， 1993.
[4]	CLIVE P D， JOHNSON J A， MOSS M J， et al. Advanced framework for simulation， integration and modeling （AFSIM）［C］∥Proceedings of the International Conference on Scientific Computing （CSC）， 2015： 73.
[5]	王鹏，刘昊雨，李妮，等. 基于改进ABC算法的有-无人协同空战行为建模［J］. 系统仿真学报， 2024， 36（12）： 2871-2883.
	WANG P， LIU H Y， LI N， et al. Behavioral modeling of manned-unmanned cooperative air combat based on improved ABC algorithm［J］. Journal of System Simulation， 2024， 36（12）： 2871-2883 （in Chinese）.
[6]	刘波，魏潇龙，屈虹，等. 有人—无人机协同空战机动决策研究［J］. 航空工程进展， 2023， 14（6）： 63-72.
	LIU B， WEI X L， QU H， et al. Research on MAV-UAV cooperative air combat maneuver decision［J］. Advances in Aeronautical Science and Engineering， 2023， 14（6）： 63-72 （in Chinese）.
[7]	MNIH V， KAVUKCUOGLU K， SILVER D， et al. Playing atari with deep reinforcement learning［DB/OL］. arXiv preprint： 1312.5602， 2013.
[8]	单圣哲，张伟伟. 基于自博弈深度强化学习的空战智能决策方法［J］. 航空学报， 2024， 45（4）： 328723.
	SHAN S Z， ZHANG W W. Air combat intelligent decision-making method based on self-play and deep reinforcement learning［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（4）： 328723 （in Chinese）.
[9]	李佐龙，朱纪洪，匡敏驰，等. 基于混合动作的空战分层强化学习决策算法［J］. 航空学报， 2024， 45（17）： 530053.
	LI Z L， ZHU J H， KUANG M C， et al. Hierarchical decision algorithm for air combat with hybrid action based on deep reinforcement learning［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（17）： 530053 （in Chinese）.
[10]	王宇琨，王泽，董力维，等. 基于分层的智能建模方法的多机空战行为建模［J］. 系统仿真学报， 2023， 35（10）： 2249-2261.
	WANG Y K， WANG Z， DONG L W， et al. Research on multi-aircraft air combat behavior modeling based on hierarchical intelligent modeling methods［J］. Journal of System Simulation， 2023， 35（10）： 2249-2261 （in Chinese）.
[11]	刘玮，张永亮，程旭. 基于深度强化学习的人机智能对抗综述［J］. 指挥信息系统与技术， 2023， 14（2）： 28-37.
	LIU W， ZHANG Y L， CHENG X. Survey of human-computer intelligence gaming based on deep reinforcement learning［J］. Command Information System and Technology， 2023， 14（2）： 28-37 （in Chinese）.
[12]	罗欣悦，刘同，陈文龙，等. 无人集群通感算协同仿真系统综述：现状、技术与展望［J/OL］. 无线电工程，（2025-12-05）［2025-12-10］. .
	LUO X Y， LIU T， CHEN W L， al et， Review of UAV swarm synaesthesia computing cooperative simulation system： Status， technology and prospect［J/OL］. Radio Engineering，（2025-12-05）［2025-12-10］. （in Chinese）.
[13]	孙宇祥，赵俊杰，解宇轩，等. 自生成兵棋AI：基于大语言模型的双层Agent任务规划［J］. 控制与决策， 2024， 39（12）： 3927-3936.
	SUN Y X， ZHAO J J， XIE Y X， et al. Self generated wargame AI： Double layer agent task planning based on large language model［J］. Control and Decision， 2024， 39（12）： 3927-3936 （in Chinese）.
[14]	王彤，赵美静，徐沛，等. 基于大语言模型的兵棋推演智能决策技术［J］. 自动化学报， 2025， 51（6）： 1205-1217.
	WANG T， ZHAO M J， XU P， et al. Decision technology based on large language model for wargame［J］. Acta Automatica Sinica， 2025， 51（6）： 1205-1217 （in Chinese）.
[15]	刘大勇，董志明，郭齐胜，等. LLM赋能的战术兵棋决策Agent构建方法［J］. 系统仿真学报， 2026， 38 （3）： 758-775.
	LIU D Y， DONG Z M， GUO Q S， et al. Construction approach of LLM-empowered tactical wargame decision-making agents［J］. Journal of System Simulation， 2026，38（3）：758-775 （in Chinese）.
[16]	SAHOO P， SINGH A K， SAHA S， et al. A systematic survey of prompt engineering in large language models： Techniques and applications［DB/OL］. arXiv preprint： 2402. 07927， 2024.
[17]	LEWIS P， PEREZ E， PIKTUS A， et al. Retrieval-augmented generation for knowledge-intensive NLP tasks［C］∥Proceedings of the 34th International Conference on Neural Information Processing Systems. New York： ACM， 2020： 9459-9474.
[18]	郜洪奎，马瑞祥，包骐豪，等. 基于混合检索增强的双塔模型研究［J］. 计算机科学， 2025， 52（6）： 324-329.
	GAO H K， MA R X， BAO Q H， et al. Research on hybrid retrieval-augmented dual-tower model［J］. Computer Science， 2025， 52（6）： 324-329 （in Chinese）.
[19]	DEEPSEEK-AI. DeepSeek-V3 technical report［DB/OL］. arXiv preprint： 2412.19437v2， 2025.
[20]	WANG Y X， SUN Q X， HE S C. M3 E： Moka massive mixed embedding model［EB/OL］. （2023-06-07）［2025-10-30］. .
[21]	CHEN J L， XIAO S T， ZHANG P T， et al. BGE M3-embedding： Multi-lingual， multi-functionality， multi-granularity text embeddings through self-knowledge distillation ［DB/OL］. arXiv preprint： 2402.03216， 2024.
[22]	KIMI TEAM. Kimi K2： Open agentic intelligence［DB/OL］. arXiv preprint： 2507.20534， 2025.
[23]	QWEN TEAM. Qwen3 technical report［DB/OL］. arXiv preprint： 2505.09388， 2025.
[24]	字节跳动Seed团队. 豆包Seed1.6模型技术介绍文档［EB/OL］. （2025-06-25）［2025-10-30］. .
	BYTEDANCE SEED. Doubao Seed 1.6 large language model［EB/OL］. （2025-06-25）［2025-10-30］（in Chinese）.
[25]	XIAO S T， LIU Z， ZHANG P T， et al. C-pack： Packed resources for general Chinese embeddings［C］∥ Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2024： 641-649.
[26]	LI Z H， ZHANG X， ZHANG Y Z， et al. Towards general text embeddings with multi-stage contrastive learning ［DB/OL］. arXiv preprint： 2308.03281， 2023.
[27]	XU M. Text2vec： A tool for text to vector［DB/OL］. ［2025-10-30］. .

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

建模方法	对抗性能	泛化能力	可解释性	建模成本	实时性
传统知识工程行为建模	中：规则驱动，稳定性较好，但复杂对抗适应性有限	低：跨场景通常需人工重构规则	高：决策逻辑清晰	高：规则设计与维护成本较高	高：决策计算开销小
基于优化算法的行为建模	中：可针对特定目标函数获得较优解	低：目标函数或约束变化需重新建模	中：目标与约束可解释，求解过程隐式	中：建模与求解成本随问题规模上升	低：在线优化计算开销较大
基于DRL的行为建模	高：在固定场景下可学习复杂对抗策略	中：对状态分布变化敏感，泛化能力受限	低：策略以隐式参数形式存在	高：训练样本与计算资源需求较大	中：推理阶段计算开销相对较小
基于LLM的行为建模	中：具备高层决策与协同推理能力	高：具备跨任务与场景迁移潜力	高：可通过语言与结构化推理进行解释	中：规则与目标函数设计减少，但需考虑模型适配与约束	低：需通过推理频率与模型规模进行控制

机动号	机动动作名	控制量
1	匀速平飞	Ma（飞行速度）
2	最速爬升	PitchDeg（俯仰角）
3	平飞加减速	Thrust（发动机状态）
4	水平转弯	TurnDirection（转弯方向）
		Thrust
		Ny（法向过载）
5	俯冲	PitchDeg
5	俯冲	Ma
6	斜筋斗	ObliqueDeg（倾斜角）
7	偏置	Thrust
		HeadingDeg（航向角）
		TurnDirection
		Ny

战术号	战术名称	战术意图	战术过程
1	搜索战术	在雷达未发现敌机时，对敌机进行搜索，确保远距时雷达可以锁定敌方	按照固定巡逻路径进行匀速平飞，在雷达成功锁定敌机后转向敌机并调整我机姿态稳定
2	正面强攻战术	朝向敌机飞行，建立进攻优势后发射导弹	在与敌机达到合适距离时，提高自身速度并转向敌机来袭方向，接着提升自身高度建立高度优势，进行发弹，而后立即俯冲，为规避敌方导弹做准备
3	回转脱离战术	回转偏离敌机方向，以提前规避来袭导弹	调整自身俯仰角，随后进行偏置机动，远离敌机方向
4	持续制导战术	转向敌机方向，持续为导弹提供导引信息	首先转弯至敌机方向，使敌机进入我机雷达扫描范围，接着保持朝着敌机方向飞行的情况下降低自身高度，为后续规避敌方导弹做准备
5	导弹规避战术	用于规避敌方已经锁定我机的导弹	立即偏离来袭导弹方向，转离后向远离导弹来袭方向进行大过载斜筋斗机动，通过自身海拔的升高消耗导弹最后阶段的动能

状态名称	状态描述	粗粒度候选战术（Top-3）	细粒度语义相关性评分
Patrol	巡逻搜索	搜索战术	0.835 5
		导弹规避战术	0.000 8
		持续制导战术	0.001 7
GuideMissile	提供导弹制导	持续制导战术	0.919 2
		导弹规避战术	0.000 2
		正面强攻战术	0.000 5
LaunchMissile	发射导弹	正面强攻战术	0.828 5
		导弹规避战术	0.168 2
		回转脱离战术	0.033 2
BreakAway	回转脱离	回转脱离战术	0.744 0
		导弹规避战术	0.003 5
		持续制导战术	0.004 7
EmergencyEvade	紧急规避	导弹规避战术	0.408 8
		正面强攻战术	0.125 8
		搜索战术	0.014 9

序号	模型	提示词形式	SMQM	相关性评分
1	DeepSeekV3-chat	分层结构提示词	3.77	0.850 1
2	DeepSeekV3-chat	单一结构提示词	3.59	0.840 9
3	DeepSeekV3-reasoner	分层结构提示词	4.00	0.892 9
4	DeepSeekV3-reasoner	单一结构提示词	3.84	0.886 8

融合大语言模型技术的飞机编队行为智能建模

An intelligent modeling method for aircraft formation behaviors integrating LLM technology

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 22

参考文献 27

相关文章 1

编辑推荐

Metrics

本文评价

序号	嵌入模型	Hit@3 （粗筛）	MRR （粗筛）	MRR（引入细粒度匹配）
1	bge-small-zh	0.94	0.781 7	0.878 3
2	bge-base-zh	0.96	0.808 3	0.881 7
3	bge-large-zh	0.96	0.825 0	0.881 7
4	gte-small-zh	0.96	0.808 3	0.888 3
5	gte-base-zh	0.90	0.826 7	0.840 0
6	gte-large-zh	0.88	0.716 7	0.815 0
7	m3e-small	0.92	0.736 7	0.845 0
8	m3e-base	0.96	0.805 0	0.900 0
9	text2vec-chinese	0.92	0.820 0	0.848 3

建模方法	建模阶段	所耗时间
建模方法	建模阶段	磨盘战术	诱敌战术
本文智能建模方法	1.清洗协同战术语义描述，编写为用户提示词	5.0 min	3.0 min
	2.智能生成有人长机和无人僚机的状态机形式化语言	4.7 min	2.9 min
	3.将决策状态描述向量化并与单机战术行为库进行检索匹配	9.27 s	7.55 s
	4.行为模型仿真测试与人工微调	32.0 min	13.0 min
	总过程	41.7 min	19.0 min
传统人工建模方法	1.分解协同战术语义描述，通过人工阅读/讨论方式完成任务分段	66.4 min	27.8 min
	2.状态机概念模型构建，设计状态集与状态转移	114.2 min	42.2 min
	3.状态机形式化转化，将协同战术状态机模型编写为形式化语言	59.1 min	18.7 min
	4.决策状态与底层行为树逐条人工匹配与绑定	28.9 min	9.9 min
	5.行为模型仿真测试与人工微调	21.2 min	15.3 min
	总过程	289.8 min	113.9 min