面对未来作战中高密度、多方位的集群智能体，传统点对点饱和攻击已不是最佳策略，可通过选择合适的武器类型和作用点实现火力覆盖，达到武器数量小于目标数量的最大杀伤效果。综合考虑安全目标、毁伤门限、偏好指派等作战需求，首先，建立了多约束多目标武器-目标分配（CMWTA）数学模型；其次，设计了约束违反值的计算方法，并采用个体编码、检测修复和约束支配相结合的方式处理多约束；最后，设计了针对多目标武器-目标分配模型的收敛性度量指标，并基于多目标进化算法（MOEA）框架进行了仿真分析。其中在进化算法框架对比中，SPEA2下的Pareto集合容量主要分布于[21，25]区间内，NSGA-Ⅱ下的Pareto集合容量主要分布于[16，20]，而MOEA/D下的Pareto集合容量均小于16；在修复算法验证中，修复算法将三种进化算法框架的Convergence指标提升了20%以上，且可将Pareto解集中不可行解的比例保持在0%。实验结果表明，在求解CMWTA模型中，SPEA2算法框架在分布性和收敛性上优于NSGA-Ⅱ和MOEA/D算法框架，且所提修复算法有效地提高了进化算法对非支配可行解的求解效率。

针对纯方位单站目标跟踪中观测方程非线性且易受滤波初值影响的问题,提出了一种距离参数化混合坐标系下的平方根容积卡尔曼滤波(SRCKF)算法.该滤波算法首先将平方根容积卡尔曼滤波算法应用于混合坐标系,比直角坐标系下的平方根容积卡尔曼滤波算法能得到更好的跟踪效果;接着将距离参数化思想和混合坐标系下的平方根容积卡尔曼滤波算法结合,消除了距离信息不可测对跟踪效果的影响.仿真结果表明,该滤波算法虽略微提升了计算复杂度,但其鲁棒性和滤波精度均有大幅度的提高.

针对机载多传感器调度管理的困难，提出基于模糊决策树的机载多传感器智能管理方法。该方法将作战阶段与目标类型相结合，构建不同目标属性，建立基于目标类型的模糊决策树模型，在此基础上建立机载多传感器动态智能管理模型，并进行空战仿真验证。仿真结果表明该方法与作战阶段动态相关，能快速有效地完成机载多传感器调度管理。