战场环境中多炮射无人机指挥控制过程面临信息不确定性,计算复杂性,时间紧迫性的严峻挑战。多操作员多无人机(Multi-Operator-Multi-UAV,MOMU)指挥控制辅助决策是网络化战争中发挥多无人机协同优势的关键之一。论文以多操作员、多任务、多目标的MOMU指挥控制为背景,重点围绕辅助决策模型、操作员任务分配、注意力分配和操作员任务自适应排序四个内容,建立数学模型,研究优化理论,设计求解算法,开展仿真与实验验证。(1)提炼炮射无人机典型任务,并基于任务的执行过程对任务进行分解,得到无人机子任务集合;根据无人机的自动化水平提炼出需要操作员处理的子任务,作为操作员的任务空间,研究了操作员任务的属性,并对典型目标设定属性值;根据指挥控制过程设计MOMU指挥控制辅助决策系统的逻辑结构,并建立了多操作员多无人机指挥控制辅助决策系统。最后对辅助决策关键问题进行分解,提炼出多操作员任务分配,操作员注意力分配和基于操作员任务处理习惯的任务排序三个互相衔接的关键问题。(2)根据战场目标的特点,将操作员任务分配分解为集中式和分布式两种任务分配模式。针对集中式任务分配模式,结合滚动时域控制思想,建立基于全局回报最大化的任务分配模型,并改进人工免疫算法对集中式任务分配模型进行求解。针对分布式任务分配模式,结合操作员任务分配特点,基于合同网协议建立任务分配模型。建立混合式任务分配模型,根据任务特点自动采用相应任务分配方法,实现非时敏任务分配的综合回报最大化,以及时敏任务的实时动态分配。(3)针对先进先出、权重优先和寻优排序三种任务排序策略的特点,分别建立操作员注意力分配模型。采用动态规划算法对先进先出和权重优先两种固定排序策略的注意力分配模型进行求解。针对寻优排序这种动态任务序列,将动态规划算法嵌套在免疫算法内,设计免疫动态规划算法(AIA-DP),应用该算法对寻优排序的单操作员注意力分配模型进行求解。(4)针对操作员手动选择任务处理顺序破坏系统设置的问题,首先,结合操作员任务属性设计了操作员任务处理习惯模型,并采用随机策略产生符合操作员任务处理习惯的任务序列;其次,采用改进的线性回归方法对操作员任务处理习惯数据进行训练,得到操作员任务处理习惯的任务排序模型;最后,采用测试数据对模型进行验证。(5)采用模块化设计思想,设计测试平台。基于MOMU指挥控制结构,设计了一套MOMU指挥控制测试平台,利用该测试平台对本文提出的多操作员任务分配算法、操作员注意力分配算法和自适应任务排序算法进行测试。测试结果表明,本文提出的算法整体缩短了操作员完成任务的时间;任务分配算法分配所有任务平均消耗时间约为0.53秒,虽然该时间高于对照组的结果,但在时域滚动控制框架下,该结果可以满足MOMU指挥控制的实时性要求;任务分配算法获得的任务综合回报大于对照组的结果,平均提升26%;任务自适应排序算法预测任务排序的正确率在88%~90%之间,比原始算法的正确率平均提高了33%,其减少了操作员手动选择任务的工作,降低了操作员的工作负荷,提高了操作员的工作效率。