人工智能在導彈控制系統中的應用

鄧偉偉 段朝陽

摘要：針對導彈控制系統的技術要求，本文分析了人工智能在導彈控制領域的應用優勢，介紹了神經網絡、模糊控制、遺傳算法在導彈控制系統中的應用研究現狀。探討了人工智能在導彈控制系統中的應用關鍵技術，展望了人工智能在導彈控制領域應用的發展方向。人工智能應用于導彈控制系統解決了傳統控制方法存在的局限性，使得控制系統具有自學習、自適應能力，未來將實現由“人”來完成導彈控制任務。

關鍵詞：導彈控制系統；人工智能；神經網絡；模糊控制；遺傳算法

中圖分類號：TJ765.2文獻標識碼：ADOI：10.19452/j.issn1007-5453.2020.10.005

人工智能自20世紀提出后，得到了廣泛的傳播，但技術的制約使其發展一直處于理論研究層面。進入21世紀，各種軟、硬件技術水平的提高促進了仿真軟件和高性能計算機的發展，人工智能不再停留于理論研究層面，在自然科學與社會科學各領域得到了廣泛的應用，成為當下的研究熱點。

人工智能應用于軍事領域方面，主要體現在智能武器裝備研究方面。未來是智能化戰爭時代，各國為占領智能化軍事領域制高點，都在加快研究智能武器裝備[1]。導彈作為重要的武器裝備，其智能化的研究意義重大。智能化導彈發展分為三個階段，第一階段實現導彈子系統智能化，第二階段實現單位作戰導彈智能化，第三階段實現導彈集群智能化。導彈具有多個子系統，控制系統是其重要的子系統之一[2]。導彈智能控制系統就是將人工智能應用到導彈控制系統，達到控制要求，并使得控制系統具有自學習、自適應的能力。

1應用研究現狀

導彈控制系統是一個非線性、時變、多變量復雜控制系統[3]，難以建立精確的數學模型，模型的不確定性使得控制系統設計難度加大。雖然通過傳統控制方法設計的導彈控制系統可以達到控制要求，但是傳統控制方法存在不少的局限性，控制系統參數的確定過程復雜且難以尋得最優參數，控制系統缺乏自學習、自適應能力。

人工智能應用于導彈控制系統使得控制系統具有學習、推理、決策的能力，并根據環境的變化進行適應性調整，實現由“人”來完成任務[4]。機器學習的神經網絡，模擬人腦推理的模糊控制，生物進化計算方法的遺傳算法，在導彈控制系統中主要應用于以下幾個方面。

1.1導彈控制系統參數尋優

空空導彈由于彈體運動復雜，難以建立精確的數學模型進行控制器設計，被控對象與環境的不確定性使得控制器參數難以確定。針對傳統比例-積分-微分（PID）控制器存在的問題，可以建立基于神經網絡的PID控制器，利用神經網絡的自學習與非線性功能，在線優化整定PID控制器的三個參數。參考文獻[5]控制器設計過程中引入了反向傳播（BP）神經網絡與徑向基函數（RBF）神經網絡優化導彈控制系統，控制算法結構如圖1所示。控制系統的實際輸出與輸入形成的偏差及其積分項和微分項同時作為BP神經網絡和PID控制器的輸入，BP神經網絡的輸出為PID控制器所需要整定的三個參數。設計過程中加入了RBF神經網絡對受控對象進行系統辨識。通過神經網絡與傳統PID控制器的結合，優化了PID控制器參數的確定過程，達到了控制效果。

導彈控制系統引入模糊控制，依據控制經驗可以建立模糊PID控制器，通過模糊調節器優化整定傳統PID控制器參數，提高控制系統的自適應能力。參考文獻[6]設計了基于模糊PID控制器的直/氣復合控制系統。直接力/氣動力（簡稱直/氣）復合控制系統分為氣動力控制和直接力控制兩個子系統，兩個子系統均采用模糊PID控制器來設計，利用模糊控制建立PD調節器，來確定PD控制器的參數。迎角指令的誤差以及誤差變化率作為PD調節器和PD控制器的輸入，PD調節器和PD控制器的輸出分別為PD控制器參數的變化量和執行機構的控制量。根據工程實際經驗確定模糊控制的論域、隸屬度函數，建立相應的模糊控制規則表，完成PD調節器的設計，調整傳統PD控制器的參數。仿真驗證中氣動參數與大氣密度參數都進行相應拉偏，模擬氣動數據的誤差以及環境的不確定性，仿真結果表明傳統PID控制器的調節時間為1s，模糊PID控制器的調節時間為0.3s，采用模糊PID控制器能夠減少控制器調節時間，保證有效實時性的同時達到更好的跟蹤效果。除此之外，系統對于氣動誤差以及外界干擾也具有良好的魯棒性。

導彈飛行過程中氣動參數變化劇烈，為保證較高的控制精度，控制器參數選擇難度較大。遺傳算法可以根據控制要求，建立相應的適配值函數，通過迭代篩選確定控制器的最優參數。參考文獻[7]針對側滑轉彎（STT）導彈，利用遺傳算法尋優確定傳統PID控制器的參數，以俯仰通道為例，根據導彈俯仰通道的超調量和調節時間等控制要求，設立遺傳算法的目標函數，計算個體的適應度，依據交叉概率和變異概率產生新的個體，根據適應度選擇再生個體，迭代N次后得到的最優個體即為PID控制器的最優參數。采用插值法完成全彈道仿真驗證，系統的調節時間、超調量與上升時間都較小，動態響應特性好。

現代控制方法中線性二次型最優控制（LQR）因其設計過程中充分考慮了系統的指標要求與控制量約束，較適合于導彈控制系統設計。但由于系統性能指標與目標函數加權矩陣Q、R有關且不存在解析解，Q、R矩陣難以確定，通過引入遺傳算法，根據控制系統的性能指標，可以尋優計算得到權值矩陣Q、R，從而確定控制器的增益參數。參考文獻[8]在直/氣復合控制系統中采用LQR控制器，針對導彈俯仰通道建立數學模型，舵偏速率作為控制量，采用三回路自動駕駛儀結構，引入角速度誤差補償，消除跟蹤過載的穩態誤差。利用遺傳算法進行LQR控制器的優化設計。自動駕駛儀增益取決于加權系數，依據遺傳算法設計準則，確定適應度函數，設置種群個數為100，迭代100次后得到控制系統的增益矩陣K。仿真驗證表明，經過遺傳算法優化的復合控制系統具有良好的魯棒性，上升時間、跟蹤精度、穩態誤差等性能指標都得到了提升。

導彈控制系統中一般存在非線性化問題，遺傳算法可以通過參數尋優解決非線性化問題。參考文獻[9]針對高機動性導彈自動駕駛儀設計面臨的非線性化挑戰，自動駕駛儀設計采用經典PI控制器，導彈縱向通道控制策略基于多目標方法，設計要求使用整體標準制定，多目標設計考慮幾個步驟的程序閉環響應時間。優化問題使用混合遺傳算法（GA）解決非線性優化問題。使用Simulink中的非線性仿真來驗證所獲得的結果，顯示了所設計的飛行控制器的性能、穩定性和魯棒性。

飛行控制系統是實現導彈所需性能的關鍵要素。飛行控制系統的首要目的是確保系統的穩定性，然后精確跟蹤制導指令。生物進化計算方法為非最小相位導彈設計自動駕駛儀提供了優化算法。參考文獻[10]考慮導彈非最小相位模型和帶時滯的執行機構模型。適當的指標（如系統響應速度、超調量、穩態誤差）被納入提出創新的成本函數。然后，采用了幾種適用的進化計算方法來優化成本函數。在此優化問題中，對遺傳算法（GA）、粒子群優化算法（PSO）、人工蜂群算法（ABC）、帝國主義競爭算法（ICA）和布谷鳥搜索算法（CS）進行了比較。對兩個基準問題的仿真結果表明，遺傳算法具有可接受的速度，可用于非最小相位系統的增益調度控制設計，可以替代增益調度方法中耗時的增益調整過程，自動調整了自動駕駛儀的增益。

1.2導彈控制系統參數辨識與建模

針對導彈控制系統的自適應魯棒問題，利用神經網絡能夠逼近任何非線性函數的特性，可以確定控制系統的動態逆誤差，進而對系統的不確定性和外界擾動進行實時補償。參考文獻[11]采用RBF神經網絡建立自適應控制器來補償系統的動態逆誤差。在線RBF神經網絡根據系統的誤差e進行權值調整，神經網絡輸出線性控制器的補償信號。神經網絡的輸出完全補償動態逆誤差時，系統的誤差e趨于0，完成期望信號跟蹤。仿真算例中氣動參數進行20%的拉偏并且引入垂直陣風的影響，結果表明基于RBF神經網絡優化的控制系統能夠快速、精確地跟蹤輸入指令，對于氣動參數的擾動具有良好的自適應能力。

導彈控制系統存在不確定性與干擾，利用神經網絡可以逼近控制系統的不確定性，消除外部干擾，但是神經網絡自身存在逼近誤差，影響了導彈控制系統的控制精度。模糊控制與神經網絡相結合可以建立模糊神經網絡，神經網絡的輸入量與權值變為模糊控制所用的模糊量，通過樣本數據的學習得到模糊規則，利用模糊規則產生神經網絡的前向傳播結構。模糊神經網絡理論上具有萬能逼近性，消除了神經網絡自身存在的逼近誤差。參考文獻[12]針對BTT導彈控制系統的不確定性，采用模糊神經網絡逼近系統的不確定項。模糊神經網絡采用Sugeno模糊推理計算模型、高斯型隸屬度函數，通過神經網絡學習得到模糊控制規則，相應地調整隸屬度函數，神經網絡與模糊控制相互補充，確定了控制系統的不確定項，消除了神經網絡自身存在的逼近誤差。仿真表明模糊神經網絡很好地消除了控制系統的不確定影響，系統的跟蹤性能得到提升。

導彈控制系統需要建立精確的動力學模型，從而確定控制器參數，動力學模型的精確性影響控制系統性能。神經網絡可以解決建模過程中存在的非線性與不確定性問題。參考文獻[13]利用BP神經網絡的逼近特性建立艦載導彈垂直發射的辨識模型。海浪橫搖角度為神經網絡輸入，角速度為神經網絡輸出，設置網絡結構，利用信息熵概念定義目標函數，訓練后學習誤差趨于0。仿真表明，基于BP網絡的艦載導彈垂直的發射模型，實現了輸入與輸出的逼近，取得了理想的收斂效果，建立的模型具有良好的泛化效果。

T-S型模糊控制能以任意精度逼近定義域上的非線性函數，是非線性不確定系統辨識與建模的一個重要工具。參考文獻[14]針對導彈網絡化控制系統中存在不確定時延，采用T-S型模糊控制建立了系統的離散模型，用李雅普諾夫方法分析了系統的穩定性，并設計了模糊狀態反饋控制器設計，通過求解一組線性矩陣不等式，獲得模糊狀態反饋控制器參數。仿真結果表明，模糊狀態反饋控制下滾動角響應漸進穩定，驗證了離散模型的精確性。

神經網絡可用于改善不確定的非線性系統，通過在線學習自適應地消除系統誤差，確保閉環系統的穩定性。敏捷防空導彈空氣動力學數據，在大迎角時是非線性的。參考文獻[15]針對敏捷防空導彈自動駕駛儀設計問題，首先基于導彈的六自由度非線性動力學的近似反演設計控制律，然后添加具有在線學習能力的神經網絡，通過李雅普諾夫穩定理論確定神經網絡權值，辨識并消除系統的非線性，從而增強了該非線性控制器的性能。敏捷防空導彈的數值仿真結果證明了該自動駕駛儀設計的可行性。

1.3導彈控制系統控制器設計

神經網絡具有強大的自學習能力與逼近能力，通過樣本數據的學習，可以建立神經網絡控制器，使得導彈控制系統具有自學習、自適應的能力。參考文獻[16]對于導彈俯仰/偏航通道控制器設計，采用離線訓練RBF神經網絡。通過傳統PID控制器獲得神經網絡的訓練樣本，RBF神經網絡輸入為過載誤差，輸出為舵偏信號。仿真驗證擬合誤差量級幾乎為0，離線訓練的RBF神經網絡完美擬合了導彈俯仰/偏航通道控制器。

模糊控制基于經驗與數據，一般不需要精確的數學模型，控制系統中引入模糊控制，可以提高導彈控制系統的自適應能力。參考文獻[17]針對直/氣復合控制導彈，設計了俯仰平面模糊控制自動駕駛儀。加速度誤差與角速度誤差作為模糊控制器的輸入，直接力控制信號和舵偏角控制信號作為模糊控制器的輸出。根據工程經驗，確定輸入輸出的論域，選取三角隸屬度函數，建立輸入輸出的模糊控制規則表，確定輸入與輸出的非線性映射關系。仿真驗證表明模糊控制自動駕駛儀在響應速度、跟蹤精度等方面都優于傳統的自動駕駛儀。

神經網絡具有快速學習能力，但是網絡的結構及訓練參數難以確定，影響了模型的實現和控制效果。遺傳算法可以全局、并行尋優，引入遺傳算法可以確定并優化神經網絡的權值，提高神經網絡的學習速率，進而提高導彈控制系統的控制性能。參考文獻[18]針對導彈姿態控制系統建立RBF神經網絡控制器，導彈姿態角與角速度的誤差作為RBF神經網絡的輸入，姿態控制信號作為RBF神經網絡的輸出。通過遺傳算法在線尋優調整神經網絡的權值，網絡權值采用二進制編碼，交叉與變異后進行迭代尋優，完成權值的優化。經遺傳算法優化，確定了神經網絡的最優權值，避免了神經網絡收斂速度慢、學習精度限制等問題。仿真驗證，經過遺傳算法尋優的導彈控制系統相較于未尋優的導彈控制系統快速收斂于期望姿態，保證了控制系統的動穩態特性。

模糊控制設計依據工程經驗，不需要建立被控對象的精確數學模型。參考文獻[19]建立了超聲速導彈的非線性縱向短周期運動模型，并在過載指令分配中采用了幾種模糊控制策略，以使氣動子系統與直接力子系統分離。針對直接力子系統設計了二維模糊控制器，以減少精確模型的依賴性。仿真結果表明，所提出的控制器能夠克服擾動的影響，從而實現滿意的跟蹤性能，控制器可以在整個巡航階段實現良好的跟蹤性能。

2人工智能在導彈控制系統中的應用的關鍵技術

人工智能在導彈控制系統中的應用不局限于解決傳統控制方法存在的問題。針對未來飛行器發展趨勢[20-21]，結合智能化導彈的三個發展階段要求，導彈智能控制系統需要適應飛行環境變化，接收智能探測系統的探測信息，結合導彈自身飛行參數，做出智能決策[22]。因此，導彈智能控制系統應該具有以下能力。

（1）面向故障的容錯控制

人工智能可以處理不確定性信息，解決不確定性故障，使得導彈控制系統具有惡劣環境自適應能力。面對導彈飛行過程中出現的故障，控制系統接收故障診斷信息，評估故障信息，切換容錯控制律維持導彈工作[23]。容錯控制基于典型故障的大數據學習，主要研究故障診斷、飛行能力評估以及容錯控制律。容錯控制整合優化系統資源，隔絕與修復故障，提高導彈的自適應能力。導彈飛行過程中出現故障時，容錯控制能夠對飛行狀態進行評估，并進行故障隔離與系統修復，自主決策完成控制律與作戰任務的重構。

（2）面向飛行狀態的適應性控制

智能化導彈決策自主化，需要控制系統面對導彈的飛行狀態進行適應性控制。戰場情況瞬息萬變，導彈根據作戰環境與作戰任務的變化，自主化決策進行智能突防、智能變形等。導彈的自身參數與飛行狀態發生變化，控制系統自適應動態地改變控制策略，調整自身姿態、方向、速度等，高精度跟蹤目標。面對不同的飛行狀態，導彈智能控制系統對仿真與試驗的“大數據”進行精細化建模與學習，提高控制算法性能，適應導彈不同的自身參數與飛行狀態。

（3）面向任務的協同控制

未來戰爭是陸、海、空、天的空間立體化戰爭，單位作戰導彈難以滿足戰爭要求，參照自然界蜂群等行為模式，面向作戰任務的多彈協同編隊可以提高導彈的綜合攻擊、防御能力。編隊飛行通過協同控制完成隊形生成、保持、重構以及編隊避障。協同控制主要為信息交互控制策略與隊形控制算法。導彈智能控制系統根據作戰任務與限制條件自適應調整協同控制策略，完成單位作戰導彈的彈道規劃，實現多彈集體智能決策。經過大數據學習，協同控制可以完成導彈與無人平臺、導彈與人之間的協作。

3結束語

人工智能在導彈控制系統中的應用解決了傳統控制方法存在的問題，但工程應用還有諸多的約束條件，如人工智能依賴于大數據、數據采集難度大、可解釋性較差等。目前，知識圖譜、貝葉斯網絡、深度學習等當下人工智能理論的最新成果可為上述難題提供新的研究思路。硬件方面可建立通用的計算框架，AI芯片是人工智能應用的重要突破口。

智能化導彈的不同發展階段對于導彈控制系統提出了不同的要求。人工智能引入導彈控制系統，由最初的子系統智能化，逐漸發展到針對作戰環境與作戰任務變化，智能接收探測系統的探測信息，“自適應”改變控制策略，集感知、反饋與自主決策于一體，控制過程擬人化思考，最終實現由“人”來完成導彈控制要求。

參考文獻

[1]劉代軍，王超磊.空空導彈智能化技術的發展與展望[J].航空兵器，2019，26（1）：25-29. Liu Daijun，Wang Chaolei.Development and prospect of air-toair missile intelligentization [J].Aero Weaponry， 2019， 26（1）： 25-29.（in Chinese）

[2]文蘇麗，陳琦，蘇鑫鑫，等.智能化導彈與導彈智能化研究[J].戰術導彈技術，2015，10（6）：21-26. Wen Suli，Chen Qi，Su Xinxin，et al.Study of intelligent missile and missile intelligentization[J]. Tactical Missile Technology， 2015，10（6）：21-26.（in Chinese）

[3]Song Jianmei，Zhang Tianqiao. A survey for modeling and control of missile system using neural network[C]//Proceedings of the 4th Beijing International Conference on System Simulation and Scientific Computing，1999.

[4]劉金琨.智能控制[M].北京：電子工業出版社，2006. Liu Jinkun. Intelligent control[M]. Beijing： Publishing House of Electronics Industry， 2006.（in Chinese）

[5]連春紅，馬建偉，劉忠.神經網絡PID在空空導彈自動駕駛儀中的應用[J].火力與指揮控制，2010，35（5）：145-148. Lian Chunhong， Ma Jianwei， Liu Zhong. The application of neural network PID for the autopilot of air-to-air missile [J]. Fire Control & Command Control， 2010， 35（5）： 145-148. （in Chinese）

[6]高晨，馬文濤，張慶振.基于模糊PID的直/氣復合再入控制方法研究[J].系統仿真學報，2010，22（1）：146-148. GaoChen， MaWentao， ZhangQingzhen.Reaction-jet/ aerodynamic compound re-entry control method research based on fuzzy PID control [J]. Journal of System Simulation， 2010，22（1）：146-148.（in Chinese）

[7]鄭佳焜，楊雅君，廖瑛.基于遺傳算法的導彈控制系統設計與仿真[J].彈箭與制導學報，2014，34（5）：33-36. Zheng Jiakun，Yang Yajun，Liao Ying. Design and simulation of missile control system based on genetic algorithm [J].Journal of Projectiles，Rockets，Missiles and Guidance， 2014，34（5）：33-36.（in Chinese）

[8]周小志，彭明焱，李友年.基于遺傳算法優化LQR復合控制導彈控制器設計[J].計算機測量與控制，2014，22（4）：1157-1162. Zhou Xiaozhi， Peng Mingyan， Li Younian. Autopilot for dual aero/propulsive missile using genetic algorithm LQR control[J]. Computer Measurement & Control， 2014，22（4）：1157-1162.（in Chinese）

[9]Ali Reza M，Nastaran N. A genetic approach to anti-air missile control system design[J].IFAC Proceedings Volumes，2007，40（7）：61-66.

[10]Vahid B，Alireza K，Pouria S. Optimal acceleration autopilot design for non-minimum phase missiles using evolutionary algorithms[J]. International Journal of Bio-Inspired Computation，2016，8（4）：221-227.

[11]方群，王祥.基于在線RBF神經網絡的BTT導彈控制器設計[J].西北工業大學學報，2014，32（3）：446-450. Fang Qun， Wang Xiang. Designing BTT missile flight controller with on-line RBF neural network [J]. Journal of Northwestern Polytechnical University， 2014， 32（3）： 446-450.（in Chinese）

[12]劉剛，杜濤，王園園，等.基于模糊神經網絡的BTT導彈自適應控制[J].彈箭與制導學報，2011，31（1）：26-28. Liu Gang，Du Tao，Wang Yuanyuan，et al.Adaptive control of BTT missile based on fuzzy-neural network [J]. Journal of Projectiles， Rockets， Missiles and Guidance， 2011， 31（1）：26-28.（in Chinese）

[13]彭俠夫，李大為，高貞彥.基于BP神經網絡的艦載導彈垂直發射系統建模與仿真研究[J].哈爾濱工程大學學報，2000（6）： 10-13. Peng Xiafu， Li Dawei， Gao Zhenyan. Study of modeling and simulation of vertical lauching ship-based missile based on BP neural network[J]. Journal of Harbin Engineering University， 2000（6）：10-13.（in Chinese）

[14]許哲，許化龍.基于T-S模糊模型的導彈網絡化控制系統建模與控制[J].上海航天，2010，27（2）：49-55. Xu Zhe，Xu Hualong. Model and control for missile networked control system based on T-S fuzzy model[J]. Aerospace Shanghai， 2010，27（2）：49-55.（in Chinese）

[15]Mcfarland M，Calise A.Neural networks and adaptive nonlinear control of agile antiair missiles[J].IEEE Transactions on Control Systems Technology，2000，23（5）：749-756.

[16]徐世昊，崔乃剛，韋常柱.基于RBF神經網絡的導彈智能控制系統設計[J].宇航總體技術，2018，2（6）：19-26. Xu Shihao， Cui Naigang， Wei Changzhu. Design of missile intelligent control system based on RBF neural network [J]. Astronautical Systems Engineering Technology， 2018，2（6）：19-26.（in Chinese）

[17]趙艷輝，張公平，楊育榮.直接力氣動力復合控制導彈的模糊邏輯自動駕駛儀設計[J].彈箭與制導學報，2014，34（3）：33-36. Zhao Yanhui，Zhang Gongping，Yang Yurong. Autopilot design based on fuzzy logic for a dual-controlled missile [J].Journal of Projectiles，Rockets，Missiles and Guidance， 2014， 34（3）：33-36.（in Chinese）

[18]秦莉，楊明，郭慶.遺傳算法在質量矩導彈姿態控制中的應用[J].北京航空航天大學學報，2007，33（7）：769-772. Qin Li， Yang Ming， Guo Qing. Moving-mass attitude control law based on genetic algorithm [J]. Journal of Beijing University of Aeronautics and Astronautics， 2007，33（7）： 769-772. （in Chinese）

[19]Yang Pengfei，Fang Yangwang，Chai Dong，et al. Fuzzy control strategy for hypersonic missile autopilot with blended aero-fin andlateralthrust[J]. ProceedingsoftheInstitutionof Mechanical Engineers，Part I：Journal of Systems and Control Engineering，2015，230（1）：72-81.

[20]田宏亮.臨近空間高超聲速武器發展趨勢[J].航空科學技術， 2018，29（6）：1-6. Tian Hongliang.Development trends of near space hypersonic weapon[J]. Aeronautical Science & Technology，2018，29（6）：1-6. （in Chinese）

[21]吳蔚.NASA明確未來25年航空研究工作重點[J].航空科學技術，2020，31（4）：81-82. Wu Wei.NASA clarifies priorities for aviation research in the next 25 years[J].Aeronautical Science & Technology，2020，31（4）：81-82.（in Chinese）

[22]槐澤鵬，佟澤友，梁雪超，等.智能導彈武器系統綜述[J].導航與控制，2017，16（5）：104-112. Huai Zepeng，Tong Zeyou，Liang Xuechao，et al. Overview of smart missile weapon system[J].Navigation and Control， 2017， 16（5）：104-112.（in Chinese）

[23]程進，齊航，袁健全，等.關于導彈武器智能化發展的思考[J].航空兵器，2019，26（1）：20-24. Cheng Jin， Qi Hang， Yuan Jianquan， et al. Discussion on the development of intelligent missile technology [J].Aero Weaponry， 2019，26（1）：20-24.（in Chinese）（責任編輯王為）

作者簡介

鄧偉偉（1996-）男，碩士研究生。主要研究方向：空空導彈控制系統設計。

Tel：13233929780E-mail：445926532@qq.com

The Application of Artificial Intelligence in Missile Control System

Deng Weiwei*，Duan Chaoyang

Aviation Guidance Weapon Key Laboratory of Aerospace Science and Technology，China Airborne Missile Academy，Luoyang 471009，China

Abstract： According to the technical requirements of the missile control system，the application advantages of artificial intelligence in the field of missile control are analyzed. The application research status of neural networks， fuzzy control and genetic algorithm in missile control system are introduced. The key technologies of artificial intelligence application in missile control system are discussed. The development direction of the application of artificial intelligence in the field of missile control is forecasted.The application of artificial intelligence to the missile control system solves the limitations of traditional control methods，and enables the control system to have self-learning and self-adaptive capabilities. In the future，"people"will be able to complete the missile control task.

Key Words： missile control system； artificial intelligence； neural networks； fuzzy control； genetic algorithm