МЕТОДИКА ВИЗНАЧЕННЯ ОПТИМАЛЬНОГО СКЛАДУ РОЗВІДУВАЛЬНО-УДАРНИХ КОМПЛЕКСІВ НА ОСНОВІ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ

Анотація

У статті запропоновано методику визначення оптимального складу розвідувально-ударних комплексів, сформованих на основі безпілотних літальних апаратів, з урахуванням особливостей бойових завдань, оперативної обстановки та технічних характеристик систем.

Актуальність дослідження зумовлена стрімким зростанням ролі безпілотних літальних апаратів у сучасних збройних конфліктах, необхідністю підвищення ефективності їх бойового застосування та мінімізації втрат техніки та особового складу.

Методика базується на комплексному підході, що включає класифікацію безпілотних літальних апаратів за функціональним призначенням, формалізацію параметрів завдань, використання математичних моделей взаємодії у складі рою та оптимізаційних алгоритмів.

У роботі враховано результати сучасних досліджень у сфері автономного управління, планування траєкторій, розподілу ресурсів та дій в умовах протидії з боку противника. Особливу увагу приділено використанню технологій штучного інтелекту, алгоритмів адаптивного прийняття рішень на основі edge AI, а також безпечній взаємодії елементів рою за допомогою блокчейн-архітектур.

Запропонований підхід дозволяє формувати збалансовані розвідувально-ударні комплекси залежно від конкретної бойової ситуації, що забезпечує підвищення ефективності завдань розвідки, ураження та підтримки. Він спрямований на досягнення балансу між бойовою ефективністю, вартістю комплексу та його стійкістю до вогневого і радіоелектронного впливу. Практична реалізація методики показала ефективність при моделюванні удару по об’єктах протиповітряної оборони умовного противника. Результати можуть бути використані при плануванні операцій та розробці автоматизованих систем управління безпілотних літальних апаратів.

Ключові слова: розвідувально-ударний комплекс; безпілотний літальний апарат; математична модель; оптимізація; цільова функція; вихідні параметри; ефективність.

ПОВНИЙ ТЕКСТ СТАТТІ

Список бібліографічних посилань

1.    Fedorovich O., Kosenko V., Kharchenko A., Fesenko A. Modeling waves of a strike drones swarm for a massive attack on enemy targets. Radioelectronic and Computer Systems. 2024. № 2. P. 203–212. DOI: https://doi.org/10.32620/reks.2024.2.16.

2.    Zieliński T. Factors determining a drone swarm employment in military operations. Safety & Defense. 2021. Vol. 7, № 1. P. 1–12. DOI: https://doi.org/10.37105/sd.112.

3.    Wang L., Wang K., Pan C., Xu W., Aslam N., Hanzo L. Multi-agent deep reinforcement learning based trajectory planning for multi-UAV assisted mobile edge computing. arXiv preprint. 2020. arXiv:2009.11277. URL: https://arxiv.org/abs/2009.11277 (date of access: 11.07.2025).

4.    Sun S., Zhang G., Mei H., Wang K., Yang K. Optimizing multi-UAV deployment in 3D space to minimize task completion time in UAV-enabled mobile edge computing systems. arXiv preprint. 2020. arXiv:2010.12894. URL: https://arxiv.org/abs/2010.12894 (date of access: 11.07.2025).

5.    Li M., Cheng N., Gao J., Wang Y., Zhao L., Shen X. Energy-efficient UAV-assisted mobile edge computing: Resource allocation and trajectory optimization. arXiv preprint. 2020. arXiv:2007.15105. URL: https://arxiv.org/abs/2007.15105 (date of access: 11.07.2025).

6.    Kim J., Gadsden S. A., Wilkerson S. A. A comprehensive survey of control strategies for autonomous quadrotors. arXiv preprint. 2020. arXiv:2005.09858. URL: https://arxiv.org/abs/2005.09858 (date of access: 11.07.2025).

7.    Enhancing UAV swarm tactics with edge AI: Adaptive decision making in changing environments. Drones. 2024. Vol. 8, № 10. Article 582. DOI: https://doi.org/10.3390/drones8100582.

8.    Advanced drone swarm security by using blockchain governance game. Mathematics. 2022. Vol. 10, № 18. Article 3338. DOI: https://doi.org/10.3390/math10183338.

9.    Johnson J. Artificial intelligence, drone swarming and escalation risks in future warfare. The RUSI Journal. 2020. Vol. 165, № 2. P. 26–36. DOI: https://doi.org/10.1080/03071847.2020.1752026.

10. Swarm-based counter UAV defense system. Discover Internet of Things. 2021. Vol. 1, № 1. Article 2. P. 1–12. DOI: https://doi.org/10.1007/s43926-021-00002-x.

11. Головченко О. В., Стецюк Р. М., Лісогор Б. В. Аналіз здобутих уроків ведення бойових дій розвідувально-вогневими комплексами під час відсічі та стримування широкомасштабної збройної агресії російської федерації проти України. Міжнародний науковий журнал «Грааль науки». 2024. № 37. С. 114–121.

12. Стешенко П. М., Богославець С. О., Дужий Р. В., Лужбіна О. Б. Масштаби бойового застосування та перспективи розвитку ударних безпілотних авіаційних комплексів сил оборони України. Збірник наукових праць ДНДІА. 2024. Вип. 20 (27). С. 134–139.

REFERENCES

1.    Fedorovich, O., Kosenko, V., Kharchenko, A., & Fesenko, A. (2024). Modeling waves of a strike drones swarm for a massive attack on enemy targets. Radioelectronic and Computer Systems, (2), 203–212. https://doi.org/10.32620/reks.2024.2.16

2.    Zieliński, T. (2021). Factors determining a drone swarm employment in military operations. Safety & Defense, 7(1), 1–12. https://doi.org/10.37105/sd.112

3.    Wang, L., Wang, K., Pan, C., Xu, W., Aslam, N., & Hanzo, L. (2020). Multi-agent deep reinforcement learning based trajectory planning for multi-UAV assisted mobile edge computing. arXiv. https://arxiv.org/abs/2009.11277

4.    Sun, S., Zhang, G., Mei, H., Wang, K., & Yang, K. (2020). Optimizing multi-UAV deployment in 3D space to minimize task completion time in UAV-enabled mobile edge computing systems. arXiv. https://arxiv.org/abs/2010.12894

5.    Li, M., Cheng, N., Gao, J., Wang, Y., Zhao, L., & Shen, X. (2020). Energy-efficient UAV-assisted mobile edge computing: Resource allocation and trajectory optimization. arXiv. https://arxiv.org/abs/2007.15105

6.    Kim, J., Gadsden, S. A., & Wilkerson, S. A. (2020). A comprehensive survey of control strategies for autonomous quadrotors. arXiv. https://arxiv.org/abs/2005.09858

7.    Enhancing UAV swarm tactics with edge AI: Adaptive decision making in changing environments. (2024). Drones, 8(10), Article 582. https://doi.org/10.3390/drones8100582

8.    Advanced drone swarm security by using blockchain governance game. (2022). Mathematics, 10(18), Article 3338. https://doi.org/10.3390/math10183338

9.    Johnson, J. (2020). Artificial intelligence, drone swarming and escalation risks in future warfare. The RUSI Journal, 165(2), 26–36. https://doi.org/10.1080/03071847.2020.1752026

10. Swarm-based counter UAV defense system. (2021). Discover Internet of Things, 1(1), Article 2, 1–12. https://doi.org/10.1007/s43926-021-00002-x

11. Holovchenko, O. V., Stetsiuk, R. M., & Lisohor, B. V. (2024). Analiz zdobutykh urokiv vedennia boiovykh dii rozviduvalno-vohnevymy kompleksamy pid chas vidsichi ta strymuvannia shyrokomasshtabnoi zbroinoi ahresii rosiiskoi federatsii proty Ukrainy [Analysis of the lessons learned from combat operations with reconnaissance-strike complexes during the repulsion and deterrence of large-scale armed aggression of the Russian Federation against Ukraine]. Mizhnarodnyi naukovyi zhurnal «Hraal nauky», (37), 114–121. [in Ukrainian]

12. Steshenko, P. M., Bohoslavets, S. O., Duzhyi, R. V., & Luzhbina, O. B. (2024). Masshtaby boiovoho zastosuvannia ta perspektyvy rozvytku udarnykh bezpilotnykh aviatsiinykh kompleksiv syl oborony Ukrainy [Scale of combat use and prospects for the development of strike unmanned aerial complexes of the Defense Forces of Ukraine]. Zbirnyk naukovykh prats DNDIA, 20(27), 134–139. [in Ukrainian]

Стаття надійшла до редакції 04.11.2025
©О. М. Семененко, М. О. Слюсаренко, Н. О. Коркіна, Ю. Б. Добровольський, М. О. Ярмольчик

Creative Commons Attribution 4.0 International License (CC BY 4.0)