CN111881622A - 作战方案人在回路推演式评估方法 - Google Patents
作战方案人在回路推演式评估方法 Download PDFInfo
- Publication number
- CN111881622A CN111881622A CN202010734300.8A CN202010734300A CN111881622A CN 111881622 A CN111881622 A CN 111881622A CN 202010734300 A CN202010734300 A CN 202010734300A CN 111881622 A CN111881622 A CN 111881622A
- Authority
- CN
- China
- Prior art keywords
- simulation
- event
- evaluation
- scheme
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 238000004088 simulation Methods 0.000 claims abstract description 136
- 238000013210 evaluation model Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000000725 suspension Substances 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000003068 static effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
Abstract
本发明揭示了一种作战方案人在回路推演式评估方法，包括以下内容：基于离散事件仿真运行控制系统和多分支平行推演运行控制系统构建智能仿真推演引擎；设计人在回路的仿真推演干预系统，以实现对作战方案中的实体和任务计划进行修改、补充与完善；基于深度学习神经网络构建作战方案评估模型。本发明提供的作战方案人在回路推演式评估方法，解决了现有作战方案评估结论偏静态、难以反映作战方案评估的动态性和统计规律性的问题，以及解决了现有作战方案评估技术难以实现作战方案的智能化对抗模拟、难以体现人在作战方案评估中的特有的、高级的价值评判的问题。
Description
技术领域
本发明属于作战方案评估技术领域，具体涉及一种作战方案人在回路推演式评估方法。
背景技术
作战方案评估是对拟制的作战方案的作战效益、风险度、适应性等进行的价值判断，目的是择优排序，为正确的作战决策提供依据。作战方案评估通常综合采用定性和定量相结合的方法。科学的作战方案评估是信息化战争时代精确化作战决策的前提和基础。
目前，关于作战方案评估，国内的主要做法有：(1)基于层次分析法和BP神经网络的作战方案评估；(2)基于知识库和推理机构建作战方案评估专家系统评估；(3)基于模糊数学变权法的多因素模糊的行动方案评估；(4)基于矢量TOPSIS法的作战方案评估；(5)基于可拓理论关联函数的作战方案评估；(6)基于多目标模糊决策模型的作战方案评估。
国外以美军为代表，其主要做法是：依托其已有的“行动方案分析与兵棋推演”系统，以作战实验的方法，通过作战方案与选定假想敌作战方案的模拟对抗推演，评估并分析作战方案的强点、弱点、风险度、适应性。
现有的作战方案评估方法存在以下问题：
(1)作战方案评估必须是动态的、基于大样本的统计评估，而层次分析法和BP神经网络、知识库和推理机、模糊变权法、矢量TOPSIS法、可拓关联函数、多目标模糊决策等方法的评估结论偏静态、难以反映作战方案评估的动态性和统计规律性；
(2)作战方案评估要求数据统计的客观性和价值评判的主观性，受人工智能技术和作战仿真技术发展的局限，单纯的人不在回路的作战仿真实验，难以实现作战方案的智能化对抗模拟，难以体现人在作战方案评估中的特有的、高级的价值评判。
因此，针对上述技术问题，有必要提供一种新的作战方案评估方法。
发明内容
本发明的目的在于提供一种能够反映作战方案评估的动态性、以及能够体现人在作战方案评估中的特有的、高级的价值评判的作战方案人在回路推演式评估方法，以解决现有技术中的问题。
为了实现上述目的，本发明提供的技术方案如下：
一种作战方案人在回路推演式评估方法，包括以下内容：
基于离散事件仿真运行控制系统和多分支平行推演运行控制系统构建智能仿真推演引擎；
设计人在回路的仿真推演干预系统，以实现对作战方案中的实体和任务计划进行修改、补充与完善；
基于深度学习神经网络构建作战方案评估模型。
进一步地，所述离散事件仿真运行控制系统包括仿真模型、时间管理器和若干事件管理器。
进一步地，所述离散事件仿真运行控制系统的运行过程，包括以下内容：
仿真初始化时，仿真模型根据作战方案，映射出仿真实体的初始状态，生成初始事件存入事件表，事件管理器按照事件的时间戳和优先级对事件进行排序；
仿真过程中，事件管理器循环提取事件列表中第1个事件，并向时间管理器发出执行请求，时间管理器接受所有的事件管理器提交的事件执行请求，并根据事件的时间和优先级进行裁决，以确定哪些事件执行以及哪些事件挂起，然后通知符合执行条件的事件管理器执行其请求的事件；
事件管理器接到时间管理器的事件执行通知后，将该事件从事件列表中移除，并调用仿真模型处理该事件，仿真模型在处理该事件时，更新相关实体状态，同时将可能产生的新事件提交给事件管理器并插入事件列表。
进一步地，所述多分支平行推演运行控制系统的运行过程，包括以下内容：
接受作战方案；
推演引擎对作战方案进行初始化，并调度仿真模型，产生仿真对象实体，初始化仿真事件流；
仿真推演开始，依据系统决策概率或人工干预来确定分支点，产生新的仿真推演事件流；
用先验估计评估每个分支的可能性，多个事件流并行仿真，并持续仿真到每个分支直至到达终点；
输出每一个预测态势及其发生概率。
进一步地，所述仿真推演干预系统包括在线干预模块、暂停干预模块和回退干预模块；
所述在线干预模块用于推演人员在仿真模型运行不中断的情况下发出方案调整命令，以驱动仿真模型执行新的方案内容；
所述暂停干预模块用于推演人员暂停仿真模型的运行并发出方案调整命令，以驱动仿真模型在暂停点以新的方案内容运行；
所述回退干预模块用于推演人员回退仿真模型并发出方案调整命令，以驱动仿真模型在回退点以新的方案内容运行。
进一步地，所述作战方案评估模型的构建，包括以下内容：
获取评估特征空间数据，经数据预处理后获得标准样本集，以标准样本集作为无监督训练样本；
为标准样本集中的样本建立对应的标签，以带标签的样本作为有监督训练样本；
评估模型的验证。
进一步地，所述评估模型的验证，包括以下内容：
在评估模型训练过程中，将标准样本集采用n-fold方法分成多份训练集和测试集，训练集完成训练后用测试集对评估模型进行交叉验证，获取所述作战评估模型在测试集上的准确率；和/或
将所述作战评估模型用于新一轮的仿真推演实验，将实时抽取的评估特征项数据进行数据预处理后输入评估模型，由所述作战评估模型直接给出评估结果，并与指挥员认知结果进行一致性对比。
本发明有益效果：
与现有技术相比，本发明提供的作战方案人在回路推演式评估方法，具有以下优点：
(1)通过构建智能仿真推演引擎实现了作战方案的多轮迭代仿真实验，解决了现有作战方案评估结论偏静态、难以反映作战方案评估的动态性和统计规律性的问题；
(2)通过设计引入人在回路的仿真推演机制和构建作战方案深度学习神经网络评估模型，解决了现有作战方案评估技术难以实现作战方案的智能化对抗模拟、难以体现人在作战方案评估中的特有的、高级的价值评判的问题。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一种实施方式中离散事件仿真运行控制系统的运行机理示意图；
图2是本申请一种实施方式中的多分支平行推演运行控制系统的运行机理示意图；
图3是本申请一种实施方式中的在线干预模块的仿真运行示意图；
图4是本申请一种实施方式中的暂停干预模块的仿真运行示意图；
图5是本申请一种实施方式中的回退干预模块的仿真运行示意图；
图6是本申请一种实施方式中的基于深度学习神经网络的作战方案评估模型构建与验证的总体框架图。
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述。但该等实施方式并不限制本发明，本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明提供的作战方案人在回路推演式评估方法，包括以下内容：
基于离散事件仿真运行控制系统和多分支平行推演运行控制系统构建智能仿真推演引擎；
设计人在回路的仿真推演干预系统，以实现对作战方案中的实体和任务计划进行修改、补充与完善；
基于深度学习神经网络构建作战方案评估模型。
其中，所述离散事件仿真运行控制系统包括仿真模型、时间管理器和若干事件管理器。
请参照图1所示，所述离散事件仿真运行控制系统采取事件驱动结合时间驱动的形式，其运行过程包括以下内容：
仿真初始化时，仿真模型根据作战方案，映射出仿真实体的初始状态，生成初始事件存入事件表，事件管理器按照事件的时间戳和优先级对事件进行排序。仿真过程中，事件管理器循环提取事件列表中第1个事件，并向时间管理器发出执行请求，时间管理器接受所有的事件管理器提交的事件执行请求，并根据事件的时间和优先级进行裁决(比较事件时间与当前仿真时间)，以确定哪些事件执行以及哪些事件挂起，然后通知符合执行条件的事件管理器执行其请求的事件。事件管理器接到时间管理器的事件执行通知后，将该事件从事件列表中移除，并调用仿真模型处理该事件，仿真模型在处理该事件时，更新相关实体状态，同时将可能产生的新事件提交给事件管理器并插入事件列表。随着仿真事件的不断执行以及新事件产生，推动仿真时间的前进，不断更新仿真模型的状态和战场态势，直至仿真结束。
多分支平行推演运行控制系统的运行过程，包括以下内容：
接受作战方案；推演引擎对作战方案进行初始化，并调度仿真模型，产生仿真对象实体，初始化仿真事件流；仿真推演开始，依据系统决策概率或人工干预来确定分支点，产生新的仿真推演事件流；用先验估计评估每个分支的可能性，多个事件流并行仿真，并持续仿真到每个分支直至到达终点；输出每一个预测态势及其发生概率。
请参照图2所示，为本发明一种实施方式中的多分支平行推演运行控制系统的运行机理示意图。其中，横向为每一个线程设置一个对应的事件管理列表，并设置独立的事件流执行处理模块，在执行事件过程中请求模型处理算法，产生新事件，并插入到相应的事件列表中，依次执行。纵向将作战仿真推演的不同模块均匀的分配到各线程中，彼此之间通过统一的时间管理器，实现时间同步，设置时间标尺处理模块，管理统一的仿真事件，只有当前事件时刻小于等于时间标尺时，事件才会被执行。为避免实体在调度过程中的互斥问题，采用层次调度机制，引入实体容器模块，引擎调动实体容器。
仿真推演干预系统包括在线干预模块、暂停干预模块和回退干预模块。其中，所述在线干预模块用于推演人员在仿真模型运行不中断的情况下发出方案调整命令，以驱动仿真模型执行新的方案内容；所述暂停干预模块用于推演人员暂停仿真模型的运行并发出方案调整命令，以驱动仿真模型在暂停点以新的方案内容运行；所述回退干预模块用于推演人员回退仿真模型并发出方案调整命令，以驱动仿真模型在回退点以新的方案内容运行。
作战方案推演中，仿真推演干预系统的主要作用是对作战方案中的实体和任务计划进行修改、补充与完善，主要包括调整部署、力量、编组、装备、任务(目标)、作战环境因素(天气、地理目标)、时间步骤和取消某项新的任务或赋予某项新的任务等。调整或赋予的任务要插入到原方案作战行动序列中，推演人员可通过方案编辑器适时调整作战方案中的后续任务和行动，并以方案调整命令的形式，驱动仿真模型执行新的方案内容的实验控制活动。
请参照图3所示，为在线干预模块实施过程中的仿真运行示意图。其中，Simulation Time是仿真时间，即表示仿真推演的仿真世界中合同战斗的时间。WallclockTime是墙上时钟时间，在这里表示仿真运行时真实世界中的自然时间。在仿真推演过程中，无论是采取超实时还是欠实时的仿真，仿真时间都与自然时间成线性比例关系。仿真推演开始后，推演引擎创建联邦。联邦中的联邦成员F1模拟一个作战实体按照统一的时间步长进行仿真运行。仿真时间轴上的各节点是每个时间步长的起始点。在时间步长Δt内，F1完成所模拟实体在此时间段内任务的执行，并在每个步长结束点保存本联邦成员的仿真运行信息。在仿真运行到t3时刻，F1接收到在线干预模块发送来的指令，受到在线干预。使F1中仿真模型执行的任务或动作与方案调整命令中的内容相融合，当原任务中的内容与调整后的任务内容相冲突时，作战实体将执行新的任务。
请参照图4所示，为暂停干预模块实施过程中的仿真运行示意图。其中，联邦在仿真时间t1+时刻接收到“暂停”的指令。此时，联邦成员F1的仿真运行并未停止，F1将继续完成本步长时间内的仿真运行。直到本步长结束点t2，联邦暂停运行，F1对当前的状态进行保存。在联邦暂停期间，F1根据方案调整命令更新自己的模型运行内容。当在自然时间T2接到“开始”的指令时，联邦将对各联邦成员进行状态的恢复。此时F1的状态信息已经结合了暂停过程中新的方案调整内容。F1将以新的状态F1'继续进行下步的仿真运行。推演的仿真时间起点依然是上次的结束点t2。进行暂停干预时，仿真模型的仿真运行在仿真时间中保持了连续性。但在自然时间里，整个仿真推演暂停了ΔT的时间。
请参照图5所示，为回退干预模块实施过程中的仿真运行示意图。其中，当联邦运行在t3+时刻接收到“回退”的控制指令时，联邦成员F1继续完成本步长的仿真运行，直至本步长结束点t4。随后，实验人员将仿真运行回退到t2时的状态，以调整后的方案重新进行仿真推演，t2也称为回退点。当联邦的仿真运行在t4结束时，联邦成员F1退出联邦，推演引擎删除联邦。将仿真时间重新回滚到回退点t2。推演引擎在回退点t2重建联邦。联邦根据调整后的作战方案数据和前阶段仿真推演在t2点存储的联邦仿真运行信息进行仿真运行的初始化。仿真运行在回退点t2重新开始后，F1状态调整为F1'，实体对象开始执行调整后的作战方案。
作战方案评估模型的构建，包括以下内容：
获取评估特征空间数据，经数据预处理后获得标准样本集，以标准样本集作为无监督训练样本；为标准样本集中的样本建立对应的标签，以带标签的样本作为有监督训练样本；评估模型的验证。
作战方案评估模型基于深度学习神经网络进行构建。深度学习神经网络模型本质上是模拟人脑分析学习的过程，通过综合运用多重组合、底层信息学习、寻找关联关系、逐层压缩等方式完成对大量样本的学习，从而发现数据本质特征的表述，更利于形成对复杂事物特征的提取和分类。深度学习神经网络主要由层内无连接而层间全连接的多层神经网络组合生成，上一层的输出作为下一层的输入，每一层单独进行优化，通过对原始评估特征作逐层的提取，最终得到隐含在输入数据内部的深层关系，获得输入数据的高层抽象特征。基于深度学习神经网络实施作战方案评估，是通过对当前大量态势特征的理解以达到对方案级评估指标进行度量的目的。
请参照图6所示，为本发明一种实施方式中的基于深度学习神经网络的作战方案评估模型构建与验证的总体框架图。评估模型的构建采用特定的深度学习神经网络算法，如栈式自编码(SAE)、长短时记忆(LSTM)、卷积神经网络(CNN)等，将经数据预处理的标准样本集作为训练样本，对应的样本标签为方案级评估指标的度量结果，将无监督的特征提取与有监督的网络训练相结合，使评估模型既能自主捕捉态势演变的深层特征，又能较好地对战场情况进行自主判断。
对评估模型的验证主要包括两个方面：一是在评估模型训练过程中，将标准样本集采用n-fold方法分成多份训练集和测试集，训练集完成训练后用测试集对评估模型进行交叉验证，获取评估模型在测试集上的准确率；二是将评估模型用于新一轮的仿真推演实验，将实时抽取的评估特征项数据进行数据预处理后输入评估模型，由评估模型直接给出评估结果，并与指挥员认知结果进行一致性对比。
本发明提供的作战方案人在回路推演式评估方法，具有以下优点：
(1)通过构建智能仿真推演引擎实现了作战方案的多轮迭代仿真实验，解决了现有作战方案评估结论偏静态、难以反映作战方案评估的动态性和统计规律性的问题；
(2)通过设计引入人在回路的仿真推演机制和构建作战方案深度学习神经网络评估模型，解决了现有作战方案评估技术难以实现作战方案的智能化对抗模拟、难以体现人在作战方案评估中的特有的、高级的价值评判的问题。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施例加以描述，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种作战方案人在回路推演式评估方法，其特征在于，包括以下内容：
基于离散事件仿真运行控制系统和多分支平行推演运行控制系统构建智能仿真推演引擎；
设计人在回路的仿真推演干预系统，以实现对作战方案中的实体和任务计划进行修改、补充与完善；
基于深度学习神经网络构建作战方案评估模型。
2.根据权利要求1所述的作战方案人在回路推演式评估方法，其特征在于，所述离散事件仿真运行控制系统包括仿真模型、时间管理器和若干事件管理器。
3.根据权利要求2所述的作战方案人在回路推演式评估方法，其特征在于，所述离散事件仿真运行控制系统的运行过程，包括以下内容：
仿真初始化时，仿真模型根据作战方案，映射出仿真实体的初始状态，生成初始事件存入事件表，事件管理器按照事件的时间戳和优先级对事件进行排序；
仿真过程中，事件管理器循环提取事件列表中第1个事件，并向时间管理器发出执行请求，时间管理器接受所有的事件管理器提交的事件执行请求，并根据事件的时间和优先级进行裁决，以确定哪些事件执行以及哪些事件挂起，然后通知符合执行条件的事件管理器执行其请求的事件；
事件管理器接到时间管理器的事件执行通知后，将该事件从事件列表中移除，并调用仿真模型处理该事件，仿真模型在处理该事件时，更新相关实体状态，同时将可能产生的新事件提交给事件管理器并插入事件列表。
4.根据权利要求1所述的作战方案人在回路推演式评估方法，其特征在于，所述多分支平行推演运行控制系统的运行过程，包括以下内容：
接受作战方案；
推演引擎对作战方案进行初始化，并调度仿真模型，产生仿真对象实体，初始化仿真事件流；
仿真推演开始，依据系统决策概率或人工干预来确定分支点，产生新的仿真推演事件流；
用先验估计评估每个分支的可能性，多个事件流并行仿真，并持续仿真到每个分支直至到达终点；
输出每一个预测态势及其发生概率。
5.根据权利要求1所述的作战方案人在回路推演式评估方法，其特征在于，所述仿真推演干预系统包括在线干预模块、暂停干预模块和回退干预模块；
所述在线干预模块用于推演人员在仿真模型运行不中断的情况下发出方案调整命令，以驱动仿真模型执行新的方案内容；
所述暂停干预模块用于推演人员暂停仿真模型的运行并发出方案调整命令，以驱动仿真模型在暂停点以新的方案内容运行；
所述回退干预模块用于推演人员回退仿真模型并发出方案调整命令，以驱动仿真模型在回退点以新的方案内容运行。
6.根据权利要求1所述的作战方案人在回路推演式评估方法，其特征在于，所述作战方案评估模型的构建，包括以下内容：
获取评估特征空间数据，经数据预处理后获得标准样本集，以标准样本集作为无监督训练样本；
为标准样本集中的样本建立对应的标签，以带标签的样本作为有监督训练样本；
评估模型的验证。
7.根据权利要求6所述的作战方案人在回路推演式评估方法，其特征在于，所述评估模型的验证，包括以下内容：
在评估模型训练过程中，将标准样本集采用n-fold方法分成多份训练集和测试集，训练集完成训练后用测试集对评估模型进行交叉验证，获取所述作战评估模型在测试集上的准确率；和/或
将所述作战评估模型用于新一轮的仿真推演实验，将实时抽取的评估特征项数据进行数据预处理后输入评估模型，由所述作战评估模型直接给出评估结果，并与指挥员认知结果进行一致性对比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010734300.8A CN111881622A (zh) | 2020-07-27 | 2020-07-27 | 作战方案人在回路推演式评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010734300.8A CN111881622A (zh) | 2020-07-27 | 2020-07-27 | 作战方案人在回路推演式评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111881622A true CN111881622A (zh) | 2020-11-03 |
Family
ID=73201275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010734300.8A Pending CN111881622A (zh) | 2020-07-27 | 2020-07-27 | 作战方案人在回路推演式评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881622A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113282759A (zh) * | 2021-04-23 | 2021-08-20 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于威胁情报的网络安全知识图谱生成方法 |
| CN114722585A (zh) * | 2022-03-21 | 2022-07-08 | 北京华如科技股份有限公司 | 一种用于方案推演分析的数据处理方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130066609A1 (en) * | 2011-09-14 | 2013-03-14 | C4I Consultants Inc. | System and method for dynamic simulation of emergency response plans |
| CN110210115A (zh) * | 2019-05-30 | 2019-09-06 | 北京华如科技股份有限公司 | 基于决策点和分支仿真的作战仿真方案设计及运行方法 |
-
2020
- 2020-07-27 CN CN202010734300.8A patent/CN111881622A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130066609A1 (en) * | 2011-09-14 | 2013-03-14 | C4I Consultants Inc. | System and method for dynamic simulation of emergency response plans |
| CN110210115A (zh) * | 2019-05-30 | 2019-09-06 | 北京华如科技股份有限公司 | 基于决策点和分支仿真的作战仿真方案设计及运行方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘海洋等: "基于兵棋推演的联合作战方案评估框架研究", 系统仿真学报, vol. 30, no. 11, pages 4115 - 4122 * |
| 窦林涛等: "平行仿真技术在指控系统中的应用构想", 指挥控制与仿真, vol. 39, no. 1, pages 62 - 69 * |
| 胡红云等: "联合作战方案仿真推演控制研究", 军事运筹与系统工程, vol. 30, no. 1, pages 76 - 80 * |
| 邓克波等: "面向作战方案分析的计算机兵棋推演系统", 指挥信息系统与技术, vol. 7, no. 5, pages 73 - 77 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113282759A (zh) * | 2021-04-23 | 2021-08-20 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于威胁情报的网络安全知识图谱生成方法 |
| CN113282759B (zh) * | 2021-04-23 | 2024-02-20 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于威胁情报的网络安全知识图谱生成方法 |
| CN114722585A (zh) * | 2022-03-21 | 2022-07-08 | 北京华如科技股份有限公司 | 一种用于方案推演分析的数据处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11775850B2 (en) | Artificial intelligence engine having various algorithms to build different concepts contained within a same AI model | |
| US11120365B2 (en) | For hierarchical decomposition deep reinforcement learning for an artificial intelligence model | |
| CN105956021B (zh) | 一种适用于分布式机器学习的自动化任务并行的方法及其系统 | |
| CN111461338A (zh) | 基于数字孪生的智能系统更新方法、装置 | |
| US20150161539A1 (en) | Decision support system for project managers and associated method | |
| CN111881622A (zh) | 作战方案人在回路推演式评估方法 | |
| CN113836754A (zh) | 面向多智能体仿真建模的仿真方法、装置、设备和介质 | |
| CN112287521B (zh) | 一种智能作战装备决策平台 | |
| Xu et al. | Living with artificial intelligence: A paradigm shift toward future network traffic control | |
| JPH04227544A (ja) | 複雑な情報交換システムを通じるデータ流れの分析方法及び装置 | |
| Praynlin et al. | Performance analysis of software effort estimation models using neural networks | |
| Kinneer et al. | Building reusable repertoires for stochastic self-* planners | |
| Toffetti et al. | Engineering autonomic controllers for virtualized web applications | |
| CN115222773A (zh) | 单点运动学习方法及装置 | |
| CN113919179A (zh) | 一种装备动用管理模型体系的仿真评估方法 | |
| CN114528973A (zh) | 业务处理模型的生成方法、业务处理方法和装置 | |
| Lebiere et al. | Integrating modeling and simulation into a general-purpose tool | |
| CN115330319B (zh) | 基于大数据的物流信息处理方法及人工智能服务器 | |
| Piera et al. | A socio-technical holistic agent based model to assess cockpit supporting tools performance variability | |
| Rodionov | Cognisant Simulation: New Age | |
| CN114297816A (zh) | 基于数据驱动的复杂系统组件化建模方法及相关产品 | |
| CN113535510B (zh) | 一种大规模数据中心数据采集的自适应抽样模型优化方法 | |
| Ragosta | A multi-modelS based approach for the modelling and the analysis of usable and resilient partly autonomous interactive systems | |
| CN113312769A (zh) | 一种系统动力学与离散事件仿真混合仿真建模方法 | |
| Sun et al. | Evaluation of Intelligent Level of Multi-Agent Game Theory Deduction Models Based on Game Neural Networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |