空战目标分配与火力分配对于提高作战效能极为重要,因此,在空战仿真中,有必要对目标分配和火力分配方法进行描述和分析。当前研究目标分配问题的主流思路是基于智能优化算法求解,如遗传算法、粒子群算法等,但均难以保证同时满足求解速度快、结果稳定且脱离局部最优陷阱。另一方面,传统的火力分配求解方法也难以真正凑效,近年来一些智能优化算法用于解决空战火力分配,并取得了一定的效果,但对于局部最优、“早熟”现象和收敛速度过慢等问题依旧难以较好解决。因而,在空战仿真研究中,提出能够快速得到稳定且利于缓解局部最优问题的结果的目标分配与火力分配方法,具有重要的理论和实践意义。针对智能优化算法求解空战目标分配时存在的问题,本文提出了基于Q-learning算法的目标分配方法,此部分主要贡献如下:1)利用强化学习算法的全局探索学习能力,定义一定的回报函数,保证了探索目标分配方案时追求全局最优的导向,相比以往方法,降低了目标分配求解时陷入局部最优解的可能;2)引入e-贪心算法,使其在求解速度与脱离局部最优两个方面得到较好权衡,并将e-贪心算法中的相关参数用单调函数代替以加快收敛速度,大幅度提高了求解效率。针对智能优化算法求解空战火力分配时存在的问题,本文在空战威胁度评估的基础上,建立了火力分配决策模型,进而提出基于智能优化算法求解空战火力分配的方法流程,此部分主要贡献如下:1)通过对空战火力分配影响因素的分析,研究了角度威胁函数、距离威胁函数、速度威胁函数和能力威胁函数,用于评估敌机对我机威胁程度,继而构造火力分配决策模型,为得到最优火力分配方案提供了模型基础;2)分别提出蚁群算法和遗传算法求解火力分配的方法流程,并从求解火力分配的效果和效率两个角度对两种算法进行对比分析,说明了蚁群算法能更好地避免局部最优,且收敛速度较快。