下载文档原格式
基于人工智能的网络安全态势感知技术研究与应用目录1. 内容描述 (2)1.1 研究背景 (3)1.2 研究意义 (3)1.3 文献综述 (5)1.4 研究内容和方法 (6)2. 网络安全态势感知概述 (7)2.1 网络安全态势感知定义 (9)2.2 网络态势感知技术发展历程 (10)2.3 网络态势感知关键技术 (11)3. 人工智能技术概述 (13)3.1 人工智能基础理论 (14)3.2 人工智能技术分类 (15)3.3 人工智能在网络安全领域的应用 (16)4. 基于人工智能的网络安全态势感知技术 (18)4.1 态势感知数据采集 (19)4.2 态势感知数据分析 (21)4.2.1 数据预处理 (22)4.2.2 特征选择与提取 (24)4.2.3 数据模型构建 (25)4.3 态势感知异常检测 (26)4.4 态势感知预警 (27)4.5 态势感知决策支持 (29)5. 应用场景与案例分析 (30)5.1 企业网络环境 (32)5.2 公共互联网 (33)5.3 金融行业 (35)5.4 政府机构 (37)6. 面临的挑战与未来发展趋势 (39)6.1 数据隐私与合规性问题 (40)6.2 人工智能技术更新迭代 (42)6.3 敌手对抗与攻击手段进化 (44)6.4 技术融合与创新 (45)7. 研究实践与结论 (46)7.1 研究成果 (48)7.2 应用案例总结 (49)7.3 研究局限与展望 (50)1. 内容描述这一章节将详细阐述基于人工智能的网络安全态势感知技术的研究背景、目标、方法和应用前景。
将介绍网络安全态势感知的概念和重要性，以及当前态势感知技术的局限性。
探讨人工智能在网络安全领域的应用潜力，特别是深度学习和机器学习技术如何帮助网络防御者更准确、更快地识别潜在威胁。
将描述研究的主要目标，包括开发更高效的人工智能算法用于威胁检测、攻击溯源和风险评估。
研究方法将具体说明实验设计、数据收集、特征提取和模型训练等关键步骤。
基于多模态神经网络流量特征的网络应用层DDoS攻击检测
方法
王小宇;贺鸿鹏;马成龙;陈欢颐
【期刊名称】《沈阳农业大学学报》
【年(卷),期】2024(55)3
【摘要】农业设备、传感器和监控系统与网络的连接日益紧密,给农村配电网带来了新的网络安全挑战。
其中,分布式拒绝服务(DDoS)攻击是一种常见的网络威胁,对农村配电网的安全性构成了严重威胁。
针对农村配电网的特殊需求,提出一种基于多模态神经网络流量特征的网络应用层DDoS攻击检测方法。
通过制定网络应用层流量数据包捕获流程并构建多模态神经网络模型,成功提取并分析了网络应用层DDoS攻击流量的特征。
在加载DDoS攻击背景下的异常流量特征后,计算相关系数并设计相应的DDoS攻击检测规则,以实现对DDoS攻击的有效检测。
经试验分析,所提出的方法在提取DDoS攻击相关特征上表现出色,最大提取完整度可达95%,效果明显优于对比试验中基于EEMD-LSTM的检测方法和基于条件熵与决策树的检测方法。
【总页数】9页(P354-362)
【作者】王小宇;贺鸿鹏;马成龙;陈欢颐
【作者单位】西安理工大学电气工程学院;国网内蒙古东部电力有限公司
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于非线性预处理网络流量预测方法的泛洪型DDoS攻击检测算法
2.基于网络流量的应用层DDoS攻击检测方法研究
3.基于网络流量自相似的DDoS攻击检测方法
4.基于多模态深度神经网络的应用层DDoS攻击检测模型
5.基于时空图神经网络的应用层DDoS攻击检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。
攻击型无人机协同作战控制方法研究
沈延航;周洲
【期刊名称】《兵工学报》
【年(卷),期】2008(029)010
【摘要】探讨了攻击型无人机目标搜索、识别、攻击作战的协同控制问题.通过分析典型作战情况,在搜索理论基础上,运用概率方法,根据搜索域上的动态"回报率"状态图,建立了多机协同搜索规划模型.通过目标的协同识别,提高目标的识别概率.建立了目标识别矩阵以考虑错误目标识别的情况.最后针对协同和非协同情况,分别就不同取值的识别概率和目标杀伤概率,进行仿真,评估其效能.结果表明,协同控制策略显著降低虚假目标攻击次数,达到90%,但对目标击毁数,协同和非协同情况没有太大差别.协同控制策略为组成战斗组的多机联合作战提供了近优控制方法,对实际作战中充分利用无人机资源,提高无人机机群的作战效能,具有实际意义.
【总页数】4页(P1277-1280)
【作者】沈延航;周洲
【作者单位】西北工业大学,航空学院,陕西,西安,710072;西北工业大学,航空学院,陕西,西安,710072
【正文语种】中文
【中图分类】V22
【相关文献】
1.一种有效的高速攻击型无人机二自由度PID控制 [J], 耿峰;祝小平;周洲;孟俊生
2.对地攻击型无人机群协同作战效能分析 [J], 李坎
3.无人机群协同作战任务分配方法研究 [J], 姚敏;王绪芝;赵敏
4.对地攻击型无人机作战机群协同作战研究 [J], 冯正文; 耿福山
5.对地攻击型无人机作战机群协同作战研究 [J], 冯正文; 耿福山
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度强化学习的多机协同空战方法研究一、本文概述随着现代战争形态的快速发展，空战作为战争的重要组成部分，其复杂性和挑战性日益提升。
多机协同空战，作为一种重要的战术手段，对于提高空战效能、实现战争目标具有重要意义。
然而，传统的空战决策方法在面对高度复杂和不确定的战场环境时，往往难以取得理想的效果。
因此，寻求一种能够在复杂环境中实现高效协同决策的方法，成为当前军事科技研究的热点问题。
本文旨在研究基于深度强化学习的多机协同空战方法。
深度强化学习作为人工智能领域的一个分支，结合了深度学习和强化学习的优势，能够在复杂环境中通过学习实现高效决策。
通过引入深度强化学习算法，我们可以构建一种能够适应不同战场环境、实现多机协同决策的智能空战系统。
本文首先介绍了多机协同空战的基本概念和面临的挑战，然后详细阐述了深度强化学习的基本原理和常用算法。
在此基础上，本文提出了一种基于深度强化学习的多机协同空战决策方法，并详细描述了该方法的实现过程。
通过仿真实验验证了该方法的有效性和优越性。
本文的研究成果不仅为多机协同空战提供了一种新的决策方法，也为深度强化学习在军事领域的应用提供了有益的参考。
本文的研究方法和思路也可以为其他领域的复杂系统决策问题提供借鉴和启示。
二、深度强化学习理论基础深度强化学习（Deep Reinforcement Learning，DRL）是近年来领域的一个热门研究方向，它结合了深度学习和强化学习的优势，旨在解决具有大规模状态空间和动作空间的复杂决策问题。
深度强化学习通过将深度学习的感知能力与强化学习的决策能力相结合，使得智能体可以在未知环境中通过试错的方式学习最优策略。
深度强化学习的基础理论主要包括深度学习、强化学习和马尔可夫决策过程（Markov Decision Process，MDP）。
深度学习是一种通过构建深度神经网络模型来模拟人脑神经网络结构的机器学习技术，它可以处理大规模高维数据，并提取出有效的特征表示。
摘要：针对多机空战的情况，提出了一种评估目标威胁和分配目标的算法。
首先根据单个目标的单对单空战能力、作战态势，计算得出各项威胁指数。
利用相对重要性模糊标度值确定各项威胁指数权重系数，并加权得出目标威胁综合指数。
算得所有目标，包括敌友双方的威胁指数，建立威胁矩阵，根据威胁矩阵分配打击目标。
最后通过算例的计算结果表明该算法具有很好实用性，且计算量较小。
关键词：多机空战，威胁排序，目标分配中图分类号：V271.4文献标识码：A多机空战目标威胁排序及打击分配张基晗，王玉文，孟凡计（电子科技大学航空航天学院，成都611731）Target Threat Sequencing and Allocationfor Multi-Aircraft Air CombatZHANG Ji-han ，WANG Yu-wen ，MENG Fan-ji（School of Aeronautics and Astronautics ，University of Electronic Science and Technology ，Chengdu 611731，China ）Abstract ：For multi -aircraft air combat ，an arithmetic about target threat assessment and targetallocation is proposed.Considered the one-on-one capability of targets and air combat situation ，threat indexes of target have been calculated out.Then the weights of each threat indexes is determined by fuzzy values of relative important degrees ，weighting and get the threat index.After getting all the threat indexes of targets ，including the enemies and friends.Create the threat matrix ，based on which allocates attacktion.At last ，an application example is used to reveal the effectivene of this arithmetic.Key words ：multi-aircraft air combat ，threat sequencing ，target allocation 文章编号：1002-0640（2013）12-0096-04Vol.38，No.12Dec ，2013火力与指挥控制Fire Control &Command Control 第38卷第12期2013年12月引言随着航空技术的发展，军事斗争规模中的空战模式早已不是一对一格斗，多机对多机的战斗模式已成为空战发展的必然趋势。
ＤＯＩ：１０．１６１８５／ｊ．ｊｘａｔｕ．ｅｄｕ．ｃｎ．２０２０．０１．００６ｈｔｔｐ：／／ｘｂ．ｘａｔｕ．ｅｄｕ．ｃｎ无人机协同作战效能评估指标体系设计与分析黄吉传，周德云（西北工业大学电子信息学院，西安７１００７２）摘 要： 为设计出一套全面易扩展的无人机协同作战效能评估体系，面向未来无人机协同作战发展趋势以及无人机载荷特点，基于无人机协同作战观察判断?决策?行动（ＯＯＤＡ）决策链，分析无人机协同作战各阶段中的效能影响因素，综合考虑无人机协同感知能力、协同通信能力、协同策划能力、协同组队能力以及协同打击能力，建立了无人机协同作战效能评估指标体系与模型。
通过无人机协同作战实例，采用该指标体系对多架无人机协同作战进行了效能评估。
结果表明：文中所提出的无人机协同作战指标体系能够有效体现无人机协同作战的协同感知能力和协同攻击能力，能够为指挥决策人员提供合理的无人机协同作战方案配置。
关键词： 无人机协同；效能评估；决策链；指标体系中图号： Ｅ８４３ 文献标志码： Ａ文章编号： １６７３ ９９６５（２０２０）０１ ００３８ ０７犇犲狊犻犵狀犪狀犱犃狀犪犾狔狊犻狊狅犳犪狀犈狏犪犾狌犪狋犻狅狀犐狀犱犲狓犛狔狊狋犲犿犳狅狉犝犃犞犆狅狅狆犲狉犪狋犻狏犲犆狅犿犫犪狋犈犳犳犲犮狋犻狏犲狀犲狊狊犎犝犃犖犌犑犻犮犺狌犪狀，犣犎犗犝犇犲狔狌狀（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００７２，Ｃｈｉｎａ）犃犫狊狋狉犪犮狋： ＡｃｃｏｒｄｉｎｇｔｏｔｈｅｄｅｖｅｌｏｐｉｎｇｔｒｅｎｄｏｆＵＡＶｃｏｏｐｅｒａｔｉｖｅｏｐｅｒａｔｉｏｎｓａｎｄｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＵＡＶｐａｙｌｏａｄ，ａｃｏｍｐｒｅｈｅｎｓｉｖｅａｎｄｅｘｔｅｎｓｉｂｌｅｅｖａｌｕａｔｉｏｎｓｙｓｔｅｍａｎｄｍｏｄｅｌｆｏｒＵＡＶｃｏｏｐｅｒａｔｉｖｅｃｏｍｂａｔｅｆｆｅｃｔｉｖｅｎｅｓｓｉｓｄｅｖｉｓｅｄｂａｓｅｄｏｎｔｈｅｏｂｓｅｒｖａｔｉｏｎｊｕｄｇｍｅｎｔ?ｄｅｃｉｓｉｏｎ?ｍａｋｉｎｇ?ａｃｔｉｏｎ（ＯＯＤＡ）ｄｅｃｉｓｉｏｎｃｈａｉｎａｎｄｔｈｅａｎａｌｙｓｉｓｏｆｔｈｅｆａｃｔｏｒｓｉｎｆｌｕｅｎｃｉｎｇｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆＵＡＶｃｏｏｐｅｒａｔｉｖｅｏｐｅｒａｔｉｏｎｉｎｅａｃｈｓｔａｇｅ，ｗｉｔｈｔｈｅｃｏｏｐｅｒａｔｉｖｅｐｅｒｃｅｐｔｉｏｎａｂｉｌｉｔｙ，ｃｏｏｐｅｒａｔｉｖｅｃｏｍｍｕｎｉｃａｔｉｏｎａｂｉｌｉｔｙ，ｃｏｏｐｅｒａｔｉｖｅｐｌａｎｎｉｎｇａｂｉｌｉｔｙ，ｃｏｏｐｅｒａｔｉｖｅｆｏｒｍａｔｉｏｎａｂｉｌｉｔｙａｎｄｃｏｏｐｅｒａｔｉｖｅｆｉｇｈｔｉｎｇａｂｉｌｉｔｙｏｆＵＡＶｉｎｖｏｌｖｅｄ．ＴｈｉｓｉｎｄｅｘｓｙｓｔｅｍｉｓｐｒａｃｔｉｃａｌｌｙａｐｐｌｉｅｄｔｏｅｖａｌｕａｔｅｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆＵＡＶｃｏｏｐｅｒａｔｉｖｅｏｐｅｒａｔｉｏｎ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｎｄｅｘｓｙｓｔｅｍｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒｃａｎｅｆｆｅｃｔｉｖｅｌｙｒｅｆｌｅｃｔｔｈｅｃｏｏｐｅｒａｔｉｖｅｐｅｒｃｅｐｔｉｏｎａｂｉｌｉｔｙａｎｄｃｏｏｐｅｒａｔｉｖｅａｔｔａｃｋａｂｉｌｉｔｙｏｆＵＡＶｃｏｏｐｅｒａｔｉｖｅｏｐｅｒａｔｉｏｎｓ，ｐｒｏｖｉｄｉｎｇａｒｅａｓｏｎａｂｌｅｃｏｎｆｉｇｕｒａｔｉｏｎｓｃｈｅｍｅｏｆＵＡＶｃｏｏｐｅｒａｔｉｖｅｏｐｅｒａｔｉｏｎｆｏｒｃｏｍｍａｎｄｅｒｓａｎｄｄｅｃｉｓｉｏｎ?ｍａｋｅｒｓ．第４０卷第１期２０２０年２月 西 安 工 业 大 学 学 报ＪｏｕｒｎａｌｏｆＸｉ’ａｎＴｅｃｈｎｏｌｏｇｉｃａｌＵｎｉｖｅｒｓｉｔｙ Ｖｏｌ．４０Ｎｏ．１Ｆｅｂ．２０２０ 收稿日期：２０１９ ０３ １２第一作者简介：黄吉传（１９８０－），男，西北工业大学博士研究生。
联合作战中的体系对抗目标选择方法
尚雅薇;施卫峰;吴浩;孙鹏耀;黄炎焱
【期刊名称】《指挥信息系统与技术》
【年(卷),期】2024(15)1
【摘要】针对联合作战背景下的体系对抗目标选择问题,在考虑目标在敌方作战体系的重要性以及打击目标的难易程度等因素基础上,提出了一种基于作战循环搜索的超网络模型。
基于超网络模型,给出了目标体系支撑重要程度、打击节点杀伤能力、目标节点突防能力和目标综合体系对抗价值的计算模型,并确定了目标打击优先度的计算方法。
案例分析结果表明,基于作战循环搜索的体系对抗目标选择方法可行且有效。
【总页数】5页(P59-63)
【作者】尚雅薇;施卫峰;吴浩;孙鹏耀;黄炎焱
【作者单位】南京理工大学自动化学院;中国电子科技集团公司第二十八研究所【正文语种】中文
【中图分类】TP319
【相关文献】
1.联合作战通信对抗战斗目标判定刍议
2.联合作战通信对抗战斗目标判定刍议
3.空中力量体系对抗中目标选择方法
4.联合作战体系对抗效能评估探索性分析框架
5.基于模糊遗传的联合作战目标组合选择方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于态势指数的多目标协同攻击决策研究第二炮兵工程大学刘华（陕西西安 710025）摘要：本论文以我方多个战斗单元（等）协同攻击敌方海上移动目标为例，具体研究我方战斗群如何科学评估战场态势，定量计算态势指数和态势矩阵；在态势有利或攻击可行的情况下，如何对敌方目标群进行合理决策科学分配，从而使我方战斗群以最低的打击成本和最大的成功概率对敌方目标群造成最高的整体毁伤效果，尽可能提高我方的作战效能。
全文详细进行了原理分析，并以实际数据验证了该方法的可行性，这对于当今的协同作战战法具有极高的利用价值。
关键词：态势评估；态势指数；目标分配中图分类号：V249.12 文献标志码:AStudy On Determining Multi-target Coordinated Attack Based On Situation IndexLIU hua(the Second Artillery engineering university, Xi’an, 710025, China)Abstract：This thesis takes that our many battle element (such as missile group, air fleet, naval ships and boats group etc.) cooperate and attack enemy moving target formation as example, concretely study our battle group how to scientifically assess the battlefield situation, to quantification ally calculate situation index and situation matrix; In the favorable situation or feasible attack, study how to rationally decide and scenically distribute enemy target groups. So that our battle group can make maximal holistic damage effect with lowest striking cost and maximal success probability, can increase our campaign efficiency as soon as possible. The full text provides detailed principle analysis and validates the method’s feasibility. This method has skyscraping value in use of today’s joint operations.Keywords：situation valuation; situation index; target distributing.1 引言基于现代高技术条件下的协同作战越来越成为重要的作战模式。
协同作战的宗旨就是要把多件作战平台融合为整个的有机系统，并通过各平台之间的合理配合与协同，尽可能地发挥出全系统的最大作战效能。
因而构建系统内各元素之间，即各作战平台之间具体的协同配合准则和方法，是协同作战的关键。
随着现代数学理论、控制理论、计算机技术和信息技术的不断发展，有效解决这种协同准则和方法正越来越成为可能，从而使协同作战从传统的靠人决策转为快速、高效的自动化决策，推动协同作战向质的方向转变。
这种目标决策技术若进入了实用阶段，将对今后的各种集群作战产生重大的影响。
本文正是基于这种背景和趋势，对目标决策的两个重要环节，即态势评估和目标分配的原理方法进行研究。
本文以导弹群攻击敌方海上移动目标为例，假定已经获取了敌方完整、准确的数据，在这些数据基础之上研究态势评估和目标分配的原理和算法。
2 态势评估态势评估，就是要准确全面评估敌方目标群对我方产生的综合威胁态势，并以此为依据确定如何分配目标和打击目标。
敌方每艘舰艇都会对我方每个战斗单元产生威胁态势，威胁程度大小可用威胁态势指数来量化表示，它也体现了我方战斗单元攻击敌方舰艇的可行性大小。
设敌方第 j 艘舰艇对我方第 i 个战斗单元产生的威胁态势指数为ij s ，则该指数应当由双方相对运动威胁指数a 、舰艇的防空威胁指数b 、舰艇的战役价值指数c 综合确定。
[1]相对运动威胁指数a 与双方相对方位角指数1a 、距离指数2a 、高度指数3a 相关，可表示为123a a a a =⨯⨯[1]防空威胁指数b 与舰载战斗机、防空导弹、密集阵近防系统等综合防空火力参数1b ∑、各种探测设备的探测能力指数2b∑、舰艇机动性参数3b 、操纵效能系数1ε、生存力系数2ε、电子对抗系数3ε相关，可表示为123123[ln(1)ln()ln ]b b b b εεε=+++∑∑[1]战役价值指数c 的值越大则攻击可行性越高，考虑到威胁指数越小则攻击可行性越高，为使二者表达上趋于一致，可对战役价值指数c 取其倒数1/c 。
则综合威胁态势指数()/ij s k a b c =+式中，k 为权系数，通常取0.5k =。
取得敌方每个目标对我方每个战斗单元产生的综合威胁态势指数ij s 后，我们可以得到敌方目标群对我方战斗群的威胁态势矩阵S1111n ij m mn s s S s s s ⎛⎫ ⎪ ⎪ ⎪= ⎪ ⎪ ⎪⎝⎭式中，ij s 为敌方第 j 艘舰艇对我方第 i 个战斗单元产生的威胁态势指数，m 为我方战斗单元的数目，n 为敌方舰艇的数目。
3 目标分配目标分配的任务就是要将敌方各目标分别分配给我方各战斗单元作为攻击对象。
为使我方战斗群的整体作战效能发挥到最大，给敌方目标群造成的毁伤效果达到最大，目标分配应遵循以下原则：（1）我方每个战斗单元都应当尽可能选择对自己威胁指数最小的舰艇实施攻击；（2）每个战斗单元都要分配一个目标，即没有战斗单元闲置；（3）在我方战斗单元数目小于敌方舰艇数目时，每个目标都不能被重复分配。
根据以上原则，基于态势矩阵S 的目标分配方法可按照以下步骤和算法进行：第1步，在态势矩阵S 的第一行元素中选择最小值1j s ，它表示敌方第j 艘舰艇对我方第1个战斗单元威胁最小，打击可行性最高，因此可将其作为我方第1个战斗单元的攻击目标；第2步，同理在态势矩阵S 的下一行元素中选择最小值2k s ，若k j ≠，则可将敌方第k 艘舰艇作为我方第2个战斗单元的攻击目标，并继续循环执行第2步；若k j =，说明敌方第j 艘舰艇被重复分配，此时应对态势矩阵S 中出现相同列序数的所在行进行重新选择，转到第3步；第3步，在态势矩阵S 中出现k j =的两行，分别去掉两行中第j 列元素，在剩下的元素中各自选取最小值，将两行中新的最小值与第j 列元素比较差值，选择差值较大者所在行，则可将敌方第j 艘舰艇确定为该行战斗单元的攻击目标；第4步，转到第2步执行；第5步，若所有行都按上述方法确定了一列，说明目标分配过程结束。
上述分配目标的过程，可编制程序自动执行，程序的算法流程如图1。
值得指出的是，上述算法结合了贪婪算法的思想，在此基础之上做了进一步的改进。
改进后的算法始终体现了下列优势：（1）总是尽可能选择态势矩阵S 的每行的最小值，即每个战斗单元都选择对自己威胁性最小、攻击可行性最高的舰艇作为目标。
这符合发挥系统的最大效能的原则；图1 目标分配的算法流程图（2）算法流程中若出现某两行的最小元素所在的列序数相同时，能及时有效地修正选择。
因此严格按照上述算法进行目标分配，不会出现多个战斗单元攻击同一目标而个别目标被遗漏的情况；（3）矩阵S的每一行都选择了应有值后，则我方每个战斗单元都分配了一个目标，即没有战斗单元闲置；（4）如果我方战斗单元多于敌方舰艇，即m>n 时，可将多出的单元再组建态势矩阵，并按同样的算法分配目标。
此时会有多个战斗单元攻击同一目标的情况，但仍然符合系统效能最大的原则。
上述优势正好验证了该算法流程的科学性和严谨性。
4 实例验证设有敌方某海上移动目标[2]，其各类舰艇总数为9n=，我方发射导弹群对该编队实施密集攻击，导弹数目为12m=。
经信息获取和处理得到海上移动目标相对于导弹群的态势矩阵0.7 1.40.6 1.40.8 1.0 1.30.90.80.7 1.20.8 1.20.4 1.0 1.0 1.4 1.11.10.70.70.90.7 1.50.90.80.61.00.9 1.1 1.2 1.2 1.1 1.20.8 1.51.4 1.40.8 1.30.7 1.3 1.0 1.4 1.11.3 1.40.70.5 1.0 1.20.9 1.20.91.00.90.5 1.2 1.00.4 1.20.6 1.00.6 1.4 1.2S=0.9 1.20.80.5 1.10.81.30.60.9 1.30.90.8 1.3 1.40.90.90.9 1.4 1.0 1.4 1.0 1.50.70.81.1 1.30.8 1.2 1.3 1.2 1.0 1.0 1.11.30.50.90.9 1.10.8 1.4 1.2 1.3⎛⎫⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎝⎭目标分配算法步骤如下：第一步，选取矩阵S第一行的最小值0.6，其所在列序数为3，于是可将敌方第3艘舰艇作为我方第1枚导弹的攻击目标，记为W1 D3；第二步，同理选取第二行，可得W2 D5；第三步，由第三行可得W3 D9；第四步，由第四行可得W4 D8；第五步，经对比可知，以上所有行的最小值所在列序数互不相同，即没有目标被重复分配；第六步，第五行最小值为0.7，其所在列序数为第五列，与第二行选出的列序数相同，W5 D5，即敌方第五艘舰艇被重复分配，因此需要将我方第二枚和第五枚导弹的目标作调整；第七步，第二行的次最小值为0.7，与最小值差为0.3，而第五行的次最小值为0.8，与最小值差为0.1，选取差值较大者，则第二枚导弹的目标不需调整，仍为W2 D5；而第五枚导弹的目标应调整为0.8所在列，即W5 D3；第八步，第五枚导弹的目标调整后，又同第一枚的目标重叠，因此需要再将第一枚和第五枚导弹的目标作调整；第九步，第一行的次最小值为0.7，与最小值差为0.1，而第五行的下一个最小值为1.0，与0.8相差为0.2，选取差值较大者，则第五枚导弹的目标不需调整，仍为W5 D3；而第一枚导弹的目标应调整为0.7所在列，即W1 D1；第十步，以后步骤中若遇类似情况，按同样算法处理；第十一步，继续往下计算第六行，可得到结果W6 D4；第十二步，由第七行可得W7 D6；第十三步，由第八行可得W8 D7；第十四步，由第九行可得W9 D2；至此，前九枚导弹与九艘敌舰进行了一一配对，后三枚导弹只需按照威胁指数最小的原则选择攻击目标即可；第十五步，由第十行可得W10 D8；第十六步，由第十一行可得W11 D3；第十七步，由第十二行可得W12 D2。
