舰载机保障作业自适应批量匹配决策方法

doi:10.7527/S1000-6893.2024.30615

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

舰载机保障作业自适应批量匹配决策方法

刘广¹^,², 王华³^,⁴^,⁵, 林友芳¹^,², 贺硕³^,⁴^,⁵, 李亚飞³^,⁴^,⁵(), 徐明亮³^,⁴^,⁵

^1.北京交通大学计算机科学与技术学院，北京 100091
^2.交通数据分析与挖掘北京市重点实验室，北京 100044
^3.郑州大学计算机与人工智能学院，郑州 450001
^4.智能集群系统教育部工程研究中心，郑州 450001
^5.国家超级计算郑州中心，郑州 450001

收稿日期:2024-04-28 修回日期:2024-05-20 接受日期:2024-06-20 出版日期:2025-01-15 发布日期:2024-07-12
通讯作者: 李亚飞 E-mail:ieyfli@zzu.edu.cn
基金资助:
国家自然科学基金(62372416);河南省自然科学基金(242300421215);国家重点研发计划(2021YFB3301504)

Adaptive batch matching decision method for carrier-based aircraft support operations

Guang LIU¹^,², Hua WANG³^,⁴^,⁵, Youfang LIN¹^,², Shuo HE³^,⁴^,⁵, Yafei LI³^,⁴^,⁵(), Mingliang XU³^,⁴^,⁵

^1.School of Computer and Information Technology，Beijing Jiaotong University，Beijing 100091，China
^2.Beijing Key Laboratory of Traffic Data Analysis and Mining，Beijing 100044，China
^3.School of Computer and Artificial Intelligence，Zhengzhou University，Zhengzhou 450001，China
^4.Engineering Research Center of Intelligent Swarm Systems，Ministry of Education，Zhengzhou 450001，China
^5.National Supercomputing Center in Zhengzhou，Zhengzhou 450001，China

Received:2024-04-28 Revised:2024-05-20 Accepted:2024-06-20 Online:2025-01-15 Published:2024-07-12
Contact: Yafei LI E-mail:ieyfli@zzu.edu.cn
Supported by:
National Natural Science Foundation of China(62372416);Henan Natural Science Foundation(242300421215);National Key Research and Development Program of China(2021YFB3301504)

摘要/Abstract

摘要：

衡量航空母舰作战性能的关键指标是舰载机出动架次率，其高低取决于舰载机的保障阵位匹配策略。现有工作主要采用序列匹配和批量匹配方法为舰载机匹配保障阵位，但均存在一定的局限性，难以兼顾保障作业阵位匹配的实时性和质量。面对复杂时变的作业环境，确定合理的保障作业匹配策略变得十分困难。因此，在批量匹配方法的基础上，提出了一种新的舰载机保障作业自适应批量匹配决策方法。首先，通过构建多维环境状态编码的强化学习方法求解较优的时间窗划分策略。然后，在每个时间窗内应用高效率的批量匹配算法，以求解保障作业与保障阵位的最佳匹配方案。基于公开的尼米兹号航母数据进行的多组模拟实验结果表明，本文方法能够有效应对保障环境的动态变化，在满足实时性需求的前提下能够快速求解出高质量的保障作业阵位分配方案。

关键词: 舰载机, 航空保障, 实时调度, 强化学习, 自适应决策

Abstract:

The key indicator for measuring the combat performance of an aircraft carrier is the sortie rate of carrier-based aircraft， which depends on the support station matching strategy of carrier-based aircraft. Existing works mainly use sequence matching and batch matching methods to match suitable stations for carrier-based aircraft. However， both methods have certain limitations， and it is difficult for the methods to ensure both real-timeliness and quality of station matching at the same time. Facing the complex and time-varying support environment， it becomes extremely difficult to determine a reasonable support operation matching strategy. In this paper， we propose a novel adaptive batch matching decision-making method for carrier-based aircraft support operations based on the batch matching method. First， the optimal time window division strategy is solved by constructing a reinforcement learning method for multi-dimensional environmental state encoding. Then， a highly efficient batch matching algorithm is applied within each time window to find the best matching solution for support operations and support stations. The results of multiple sets of simulation experiments based on the publicly available Nimitz aircraft carrier data show that our proposed method can effectively respond to dynamic changes in the support environment， and can quickly solve high-quality support operation assignment plans while meeting real-time requirements.

Key words: carrier-based aircraft, support operation, real-time scheduling, reinforcement learning, adaptive decision

中图分类号:

刘广, 王华, 林友芳, 贺硕, 李亚飞, 徐明亮. 舰载机保障作业自适应批量匹配决策方法[J]. 航空学报, 2025, 46(1): 330615.

Guang LIU, Hua WANG, Youfang LIN, Shuo HE, Yafei LI, Mingliang XU. Adaptive batch matching decision method for carrier-based aircraft support operations[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(1): 330615.

图/表 10

图 1

图 2

图 3

图 4

图 5

图 6

表1

图 7

表2

实验参数

参数名称	参数范围
舰载机数量 $N$	4，5，6，7，8
保障流程长度 $Γ$	7，9，11，13，15
阵位选择奖励比例 $β$	0.5，0.6，0.7，0.8，0.9

表2

图 8

参考文献 37

1	夏国清，陈红召，王元慧. 基于闭排队网络的飞机出动架次率分析［J］. 系统工程学报， 2011， 26（5）： 686-693.
	XIA G Q， CHEN H Z， WANG Y H. Analysis of aircraft sortie generation rate based on closed queueing network model［J］. Journal of System Engineering， 2011， 26（5）： 686-693 （in Chinese）.
2	ZHAO Y， ZHENG K， YIN H Z， et al. Preference-aware task assignment in spatial crowdsourcing： From individuals to groups［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（7）： 3461-3477.
3	伍国华，王天宇. 基于自适应模拟退火的大规模星座测控资源调度算法［J］. 航空学报， 2023， 44（12）： 327759.
	WU G H， WANG T Y. Large-scale constellation TT & C resource scheduling algorithm based on adaptive simulated annealing［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（12）： 327759 （in Chinese）.
4	LI Y F， WU Q S， HUANG X， et al. Efficient adaptive matching for real-time city express delivery［J］.IEEE Transactions on Knowledge and Data Engineering， 2023， 35（6）： 5767-5779.
5	WU Q S， LI Y F， LI H L， ZHANG D， ZHU G L. AMRAS： A visual analysis system for spatial crowdsourcing［J］. Proceedings of the VLDB Endowment，2022， 15（12）： 3690-3693.
6	朱云冲，梁彦刚，黎克波，等. 基于PSO和RRT的智能弹群任务分配算法［J］. 航空学报， 2023， 44（S1）： 727354.
	ZHU Y C， LIANG Y G， LI K B， et al. Task assignment algorithm for intelligent missile swarm based on PSO and RRT［J］. Acta Aeronautica et Astronautica Sinica， 2023，44（S1）： 727354 （in Chinese）.
7	ABBEEL P. Apprenticeship learning and reinforcement learning with application to robotic control［D］. Stanford： Stanford University， 2008.
8	MNIH V， KAVUKCUOGLU K， SILVER D， et al. Human-level control through deep reinforcement learning［J］. Nature， 2015， 518： 529-533.
9	刘广，颜世伟，李海旭，等. 国外航母航空保障技术发展现状［J］. 航空科学技术， 2020， 31（2）： 1-11.
	LIU G， YAN S W， LI H X， et al. Aviation support technology development for foreign aircraft carrier［J］. Aeronautical Science & Technology， 2020， 31（2）： 1-11 （in Chinese）.
10	JOHNSTON J， SWENSON E. A persistent monitoring system to reduce navy aircraft carrier flight deck mishaps［C］∥AIAA Guidance， Navigation， and Control Conference. Reston： AIAA， 2009： 5647.
11	JOHNSTON J S. A feasibility study of a persistent monitoring system for the flight deck of U.S. navy aircraft carriers［D］. Ohio： Air Force Institute of Technology， 2009.
12	RYAN J， CUMMINGS M， ROY N， et al. Designing an interactive local and global decision support system for aircraft carrier deck scheduling［C］∥Proceedings of the AIAA Information Technology. Reston： AIAA， 2011.
13	刘东，吴家仁，周一舟，等. 舰载机综合保障技术实践及发展展望［J］. 航空学报， 2021， 42（8）： 525802.
	LIU D， WU J R， ZHOU Y Z， et al. Practice and prospects of comprehensive support technologies of carrier-based aircraft［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（8）： 525802 （in Chinese）.
14	杨伟. 关于未来战斗机发展的若干讨论［J］. 航空学报， 2020， 41（6）： 524377.
	YANG W. Development of future fighters［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（6）： 524377-524377 （in Chinese）.
15	周晓光，赵仁厚，王述运，等. 飞行甲板作业对大型舰船舰载机出动架次影响分析［J］. 系统仿真学报， 2014， 26（10）： 2447-2451.
	ZHOU X G， ZHAO R H， WANG S Y， et al. Research on influence of flight deck operation exerts upon sortie generation of carrier-based aircraft ［J］. Journal of System Simulation， 2014， 26（10）： 2447-2451 （in Chinese）.
16	董文洪，潘科，潘宣宏，等. 基于马尔科夫状态转移过程的舰载机出动能力分析［J］. 舰船电子工程， 2018， 38（5）： 111-114， 129.
	DONG W H， PAN K， PAN X H， et al. Sortie generation capacity of shipboard aircraft based on the Markov state transition［J］. Ship Electronic Engineering， 2018， 38（5）： 111-114， 129 （in Chinese）.
17	谢君，廖松，石章松. 大型舰船作战部署中的舰载机出动规划模型［J］. 系统工程与电子技术， 2019， 42（1）： 128-132.
	XIE J， LIAO S， SHI Z S. Programming model of flight sortie for an aircraft carrier in transit［J］. Systems Engineering and Electronics， 2019， 42（1）： 128-132 （in Chinese）.
18	ZHANG Z， LIN S， DONG R， et al. Designing a human-computer cooperation decision planning system for aircraft carrier deck scheduling［C］∥AIAA Infotech@ Aerospace. Reston： AIAA， 2015.
19	张洪涛，崔珊珊，刘广，等. 机群保障资源配置建模与优化研究［J］. 系统工程理论与实践， 2015， 35（4）： 1019-1026.
	ZHANG H T， CUI S S， LIU G， et al. Resource scheduling for air fleet operations［J］. Systems Engineering-Theory & Practice， 2015， 35（4）： 1019-1026 （in Chinese）.
20	钟涛，萧卫，徐宏云，等. 带准备时间的单机调度问题的混合进化算法研究［J］. 计算机应用研究， 2013， 30（11）： 3248-3252.
	ZHONG T， XIAO W， XU H Y， et al. Hybrid evolutionary algorithm for solving single-machine scheduling problem with setup times［J］. Application Research of Computers， 2013， 30（11）： 3248-3252 （in Chinese）.
21	韩维，苏析超，陈俊锋. 舰载机多机一体化机务保障调度方法［J］. 系统工程与电子技术， 2015， 37（4）： 809-816.
	HAN W， SU X C， CHEN J F. Integrated maintenance support scheduling method of multi-carrier aircrafts［J］. Systems Engineering and Electronics， 2015， 37（4）： 809-816 （in Chinese）.
22	苏析超，韩维，张勇，等. 考虑人机匹配模式的舰载机甲板机务勤务保障调度算法［J］. 航空学报， 2018， 39（12）： 222314.
	SU X C， HAN W， ZHANG Y， et al. Scheduling algorithm for maintenance and service support of carrier-based aircraft on flight deck with different man-aircraft matching patterns［J］. Acta Aeronautica et Astronautica Sinica， 2018， 39（12）： 222314 （in Chinese）.
23	谭大力，王云飞，于连飞，等. 基于整数线性规划方法的舰载机航空保障资源优化调度［J］. 中国舰船研究， 2019，14（5）： 145-151.
	TAN D L， WANG Y F， YU L F， et al. Optimal scheduling of aviation support resources for carrier based aircrafts based on integer linear programming［J］.Chinese Journal of Ship Research， 2019， 14（5）： 145-151 （in Chinese）.
24	MICHINI B， HOW J. A human-interactive course of action planner for aircraft carrier deck operations［C］∥Proceedings of the AIAA Information Technology. Reston： AIAA， 2011.
25	王文鹏，邹刚，张玎，等. 基于自适应遗传算法的舰载机保障调度［J］. 兵工自动化， 2021， 40（1）： 37-42.
	WANG W P， ZOU G， ZHANG D， et al. Support scheduling of carrier-based aircraft based on adaptive genetic algorithm ［J］. Ordnance Industry Automation， 2021，40（1）： 37-42 （in Chinese）.
26	孟杨凯，王正，范加利. 基于禁忌算法对不确定性舰载机保障的调度优化研究［J］. 系统仿真学报， 2021， 33（10）： 2363-2371.
	MENG Y K， WANG Z， FAN J L. Scheduling optimization research based on tabu algorithm for uncertainty carrier aircraft support［J］. Journal of System Simulation， 2021， 33（10）： 2363-2371 （in Chinese）.
27	朱兴动，孟杨凯，黄葵，等. 基于GA算法的舰载机快速调度［J］. 兵工自动化， 2020， 39（9）： 9.
	ZHU X D， MENG Y K， HUANG K， et al. Aircraft fast scheduling based on GA algorithm［J］. Ordnance Industry Automation， 2020， 39（9）： 9 （in Chinese）.
28	张少辉，刘舜，李亚飞，等. 航空母舰舰载机弹药保障作业调度优化算法［J］. 航空学报， 2023， 44（20）： 228485.
	ZHANG S H， LIU S， LI Y F， et al. Optimization algorithm for ammunition support operation scheduling of carrier-borne aircraft［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（20）： 228485 （in Chinese）.
29	TANG X C， QIN Z T， ZHANG F， et al. A deep value-network based approach for multi-driver order dispatching［C］∥Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York： ACM， 2019： 1780-1790.
30	LI Y X， ZHENG Y， YANG Q. Cooperative multi-agent reinforcement learning in express system［C］∥Proceedings of the 29th ACM International Conference on Information & Knowledge Management. New York： ACM， 2020： 805-814.
31	CHEN S Y， YU Y， DA Q， et al. Stabilizing reinforcement learning in dynamic environment with application to online recommendation［C］∥Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York： ACM， 2018： 1187-1196.
32	LIN K X， ZHAO R Y， XU Z， et al. Efficient large-scale fleet management via multi-agent deep reinforcement learning［C］∥Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York： ACM， 2018： 1774-1783.
33	SHAN C H， MAMOULIS N， CHENG R， et al. An end-to-end deep RL framework for task arrangement in crowdsourcing platforms［C］∥2020 IEEE 36th International Conference on Data Engineering （ICDE）. Piscataway： IEEE Press， 2020： 49-60.
34	KILLIAN J A， BISWAS A， SHAH S， et al. Q-learning Lagrange policies for multi-action restless bandits［C］∥Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. New York： ACM， 2021： 871-881.
35	李亚飞，吴庆顺，徐明亮，等. 基于强化学习的舰载机保障作业实时调度方法［J］. 中国科学：信息科学， 2021， 51： 247-262.
	LI Y F， WU Q S， XU M L， et al. Real-time scheduling for carrier-borne aircraft support operations： a reinforcement learning approach［J］. Scientia Sinica （Informationis）， 2021， 51： 247–262 （in Chinese）.
36	李亚飞，高磊，蒿宏杰，等. 舰载机保障作业人机协同决策方法［J］. 中国科学（信息科学）， 2023， 53（12）： 2493-2510.
	LI Y F， GAO L， HAO H J， et al. Human-machine collaborative decision-making for carrier aircraft support operations［J］. Scientia Sinica （Informationis）， 2023， 53（12）： 2493-2510 （in Chinese）.
37	吴靳，戴明强，王俊杰，等. 基于学徒制算法的航母舰载机保障作业调度［J］. 中国舰船研究， 2022， 17（4）： 145-154.
	WU J， DAI M Q， WANG J J， et al. Carrier-based aircraft operation support scheduling based on apprenticeship learning algorithm［J］. Chinese Journal of Ship Research， 2022， 17（4）： 145-154 （in Chinese）.

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

保障作业信息	可执行阵位
<T1，1，否>	全部
<T2，3，是>	｛A，B，C，D，I，J，K，L｝
<T3，3，是>	｛E，F，G，H，M，N，O，P｝
<T4，3，是>	｛F，G，I，J，K，L｝
<T5，3，否>	全部
<T6，4，是>	｛C，D，I，J，K，L｝
<T7，4，否>	全部
<T8，4，是>	｛C，D，O，P｝
<T9，2，否>	全部
<T10，2，否>	全部
<T11，5，是>	｛I，J，K，L｝
<T12，6，否>	全部
<T13，6，是>	｛C，D，M，N，J，K｝
<T14，4，是>	｛C，D，I，J，K，L，O，P｝
<T15，1，否>	全部

[1]	周大鹏, 曲晓雷. 基于知识引导智能鸽群优化的舰载机着舰控制[J]. 航空学报, 2024, 45(S1): 730801-730801.
[2]	张鸿林, 罗建军, 马卫华. 基于机器学习的航天器规避目标威胁博弈决策[J]. 航空学报, 2024, 45(8): 329136-329136.
[3]	蔡云鹏, 周大鹏, 丁江川. 具有防撞安全约束的无人机集群智能协同控制[J]. 航空学报, 2024, 45(5): 529683-529683.
[4]	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): 328723-328723.
[5]	殷凯杰, 石嘉, 段国栋, 李立欣, 司江勃. 面向复杂电磁干扰环境的Greedy-PPO智能频谱共享决策[J]. 航空学报, 2024, 45(22): 330195-330195.
[6]	高兵, 张哲婕, 邹启杰, 刘治国, 赵锡玲. 基于深度强化学习和信息论的多智能体通信方法[J]. 航空学报, 2024, 45(18): 329862-329862.
[7]	杨书恒, 张栋, 熊威, 任智, 唐硕. 基于可解释性强化学习的空战机动决策方法[J]. 航空学报, 2024, 45(18): 329922-329922.
[8]	李佐龙, 朱纪洪, 匡敏驰, 张杰, 任洁. 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): 530053-530053.
[9]	武天才, 王宏伦, 任斌, 刘一恒, 吴星雨, 严国乘. 考虑规避与突防的高超声速飞行器智能容错制导控制一体化设计[J]. 航空学报, 2024, 45(15): 329607-329607.
[10]	王宝来, 高显忠, 谢涛, 侯中喜. 基于强化学习与种群博弈的近距空战决策[J]. 航空学报, 2024, 45(12): 329446-329446.
[11]	杨加秀, 李新凯, 张宏立, 王昊. 切换拓扑下异构集群的强化学习时变编队控制[J]. 航空学报, 2024, 45(10): 329166-329166.
[12]	肖冰, 张海朝. 航天器姿态稳定强化学习鲁棒最优控制方法[J]. 航空学报, 2024, 45(1): 628890-628890.
[13]	倪炜霖, 王永海, 徐聪, 赤丰华, 梁海朝. 基于强化学习的高超飞行器协同博弈制导方法[J]. 航空学报, 2023, 44(S2): 729400-729400.
[14]	王雪鉴, 文永明, 石晓荣, 张宁宁, 刘洁玺. 多智能体多耦合任务混合式智能决策架构设计[J]. 航空学报, 2023, 44(S2): 729770-729770.
[15]	邓有朋, 范佳宣, 郑岩, 王振亚, 吕勇梁, 李雨霄. 不完全信息下多智能体对手建模[J]. 航空学报, 2023, 44(S2): 729782-729782.

舰载机保障作业自适应批量匹配决策方法

Adaptive batch matching decision method for carrier-based aircraft support operations

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 37

相关文章 15

编辑推荐

Metrics

本文评价