CN112632744A - 基于超网络模型的作战体系架构建模方法及空间探索算法 - Google Patents
基于超网络模型的作战体系架构建模方法及空间探索算法 Download PDFInfo
- Publication number
- CN112632744A CN112632744A CN202011267527.2A CN202011267527A CN112632744A CN 112632744 A CN112632744 A CN 112632744A CN 202011267527 A CN202011267527 A CN 202011267527A CN 112632744 A CN112632744 A CN 112632744A
- Authority
- CN
- China
- Prior art keywords
- network
- architecture
- combat
- node
- task
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于超网络模型的作战体系架构建模方法及空间探索算法,涉及作战系统技术领域,其技术方案要点是:具体包括以下步骤:S1、将作战体系使命分解为可由装备系统执行的任务网络;S2、根据任务网络和任务节点与系统节点之间的对应关系构建系统网络;S3、建立指控网络,结合任务网络、系统网络构建成作战体系架构模型;S4、构建作战体系架构的空间探索问题模型;S5、将作战体系搜索问题模型中的决策者问题转换为一种形式化的动态规划问题。该建模方法能构建出具多架构方案选取的作战体系架构模型,便于决策者做出最佳选择;该算法为多项式时间的,其回报值明显优于其他基准算法,其在作战体系架构方案空间独立情况的假设下是最优的。
Description
技术领域
本发明涉及作战系统技术领域,更具体地说,它涉及基于超网络 模型的作战体系架构建模方法及空间探索算法。
背景技术
随着武器系统信息化和智能化的发展,武器之间的相互联系变得 越来越多样化。特别是无人系统的广泛使用使得现代战争的作战方式 发生了重大变化。从联合作战角度研究战争是一个富有挑战性的问 题。体系是有限数量的组分系统的集成,这些系统是独立且可运行的, 并且在一段时间内相互连接以实现某个更高的目标。作战体系是体系 在战争领域的一个表现形式。由于作战体系十分复杂,如何研究作战 体系是当前研究者迫切需要解决的问题。幸运的是,体系架构为解决 该问题提供了一种行之有效的思路。体系架构反映了体系中组件的配 置以及组件与外部环境之间的交互。体系架构关注物理实体、信息结 构和体系功能,是体系的核心框架。体系架构贯穿设计、需求演示、 原型开发、应用程序测试和外场试验全过程。因此,通过体系架构研 究作战体系,定义一种合理的形式化作战体系架构,是实现作战体系 核心要素的最佳配置。
OSoSA是由指控网络连接的装备集合,这些装备具有某些功能以 支持特定任务的完成。OSoSA用于指导特定作战体系的构建。针对作 战体系架构潜在能力不确定问题,构建架构模型、架构方案空间探索 问题模型及求解算法。架构建模与选取中有如下问题需要解决:首先, 架构潜在能力具有不确定性。在以往的研究中,作战体系能力在架构 建立之后就确定了。事实上,架构潜在能力的不确定性一方面体现在 任务不确定和资源组合多样性;另一方面次要因素的影响,因为在设 计架构时往往只考虑影响体系能力的主要因素。其次,如果选择继续 开发架构,决策者有多种策略来获得架构潜在能力。因而决策者应该评估这些策略的期望回报值,以便做出最佳选择。第三,从多个架构 方案空间中选择若干个最优架构,以往研究往往只选择一个架构方 案,缺乏对多架构方案选取的研究。鉴于此,亟需构建一种新颖的架 构模型和作战体系架构方案空间探索问题,并提出了一种架构方案空 间动态探索算法,以解决上述问题。
发明内容
本发明的目的是提供基于超网络模型的作战体系架构建模方法 及空间探索算法,该建模方法能够构建出具多架构方案选取的作战体 系架构模型,便于决策者做出最佳选择;该算法为基于决策指标的并 行搜索算法,且该算法为多项式时间的,其回报值明显优于其他基准 算法,其在作战体系架构方案空间独立情况的假设下是最优的。
本发明的上述技术目的是通过以下技术方案得以实现的:基于超 网络模型的作战体系架构建模方法,根据能力生成机理,将任务、装 备系统和指控结构作为作战体系架构的核心要素,所述作战体系架构 由任务网络、系统网络和指控网络三种异构网络组成,具体包括以下 步骤:
S1、将作战体系使命分解为可由装备系统执行的任务网络;
S2、给出任务节点与系统节点之间的对应关系,并根据任务网络 和任务节点与系统节点之间的对应关系构建系统网络,其中,系统节 点为具有特定功能并能够独立完成特定任务的装备,记为SY;任务 节点为可由装备系统执行的活动过程,记为TA;
S3、给出系统节点和指控节点之间的对应关系,并根据该关系建 立指控网络,并结合任务网络、系统网络构建成作战体系架构模型; 其中,指控节点为用于处理信息、管理组织、决策规划和控制反馈的 逻辑节点,表示为C2,指控网络为通过指令关系连接所有指控节点 的组织网络,记为GC2=<VC2,EC2>,系统节点与指控节点之间的对应 关系定义为二分图,记为GSC=<VSY,VC2,ESC>,其中ESC表示节点VSY和 节点VC2之间的边集合;
S4、根据作战体系架构模型和决策者n,构建作战体系架构的空 间探索问题模型,其中,决策者n∈N,N={1,2,...,|N|},第n个决策者 记为Agentn;
S5、根据作战体系架构搜索问题模型,将作战体系搜索问题模型 中的决策者问题转换为一种形式化的动态规划问题。
进一步地,所述任务网络可抽象为有向图,记为GTA=<VTA,ETA>, 其中,VTA表示任务节点集合,ETA表示节点之间的边集合;每个所述 任务网络均具有起始任务节点、结束任务节点和中间节点;所述任务 网络包括因果关系和并列关系两类逻辑关系。
进一步地,所述系统网络表示系统节点之间的功能关系,记为 GSY=<VSY,ESY>,其中VSY表示系统节点集合,ESY表示系统节点之间的 边集合;所述任务节点和系统节点之间的对应关系定义为二分图,记 为GTS=<VTA,VSY,ETS>,其中ETS表示节点VTA和节点VSY之间的边集合。
进一步地,所述指控网络为通过指令关系连接所有指控节点的组 织网络,记为GC2=<VC2,EC2>;所述系统节点和指控节点之间的对应 关系定义为二分图,记为GSC=<VSY,VC2,ESC>,其中ESC表示节点VSY和 节点VC2之间的边集合。
进一步地,所述作战体系架构的拓扑模型由三类节点与五类关系 构成的异构网络GA,记为GA=<VTA,VSY,VC2,ETA,ESY,EC2,ETS,ESC>;所述 作战体系架构的开发花费代价定义为c,且c∈C,所述作战体系架构 的潜在能力定义为w,作战体系架构具有一定完成使命的能力w∈W; 所述作战体系架构模型由作战体系架构的拓扑模型、开发代价和能力 组成,记为<GA,C,W>。
本发明还提供一种作战体系架构方案空间探索算法,所述搜索算 法基于作战体系架构空间的动态规划,且该算法通过判断定义的指标 来进行动作选择,具备包括以下步骤:
1)、判定指标,基于经典潘多拉规则,定义每个决策者执行不同 行动的决策指标:
2)、搜索算法,根据步骤1)中的搜索规则,将最优方案的计算 简化为指标的判断,所述搜索算法包括单个决策者搜索算法和多个决 策者之间的合作算法;
3)、将单决策者搜索算法分为指标排序、指标判断、方案选择三 个阶段,并在Sorting程序,根据公式计算所有 架构中所有动作的指标,然后对改指标进行排序,并将排序结果保存 至向量,然后调用Developing程序求得最优架构方案。
进一步地,步骤2)中每个所述指标的计算均是独立的,且所述 指标不受其他作战体系架构回报值概率分布的影响。
综上所述,本发明具有以下有益效果:本发明的基于超网络模型 的作战体系架构建模方法,基于体系架构能力生成要素,根据作战体 系架构的形式化定义、多Agent动态规划问题以及作战体系架构方案 空间探索问题框架,能够构建出具多架构方案选取的作战体系架构模 型,便于决策者做出最佳选择;该作战体系架构方案空间探索算法, 为基于决策指标的并行搜索算法,该算法为多项式时间的,其回报值 明显优于其他基准算法,其在作战体系架构方案空间独立情况的假设 下是最优的。
附图说明
图1是本发明实施例中任务网络示意图;
图2是本发明实施例中系统网络示意图;
图3是本发明实施例中指控网络示意图;
图4是本发明实施例中三类网络映射关系示意图,图4a为“任 务-系统”二分图,图4b为“系统-指控”二分图;
图5是本发明实施例中架构效果的可能状态之间的转移关系示 意图;
图6是本发明实施例中基于决策指标的顺次搜索算法的程序算 法流程图;
图7为本发明实施例中对基于决策指标的顺次搜索算法进行分 析实验的实验数据分析图。
具体实施方式
以下结合附图1-7对本发明作进一步详细说明。
实施例1:基于超网络模型的作战体系架构建模方法,根据能力 生成机理,将任务、装备系统和指控结构作为作战体系架构的核心要 素,作战体系架构由任务网络、系统网络和指控网络三种异构网络组 成,具体包括以下步骤:
S1、将作战体系使命分解为可由装备系统执行的任务网络。
S2、给出任务节点与系统节点之间的对应关系,并根据任务网络 和任务节点与系统节点之间的对应关系构建系统网络,其中,系统节 点为具有特定功能并能够独立完成特定任务的装备,记为SY。任务 节点为可由装备系统执行的活动过程,记为TA。
S3、给出系统节点和指控节点之间的对应关系,并根据该关系建 立指控网络,并结合任务网络、系统网络构建成作战体系架构模型。 其中,指控节点为用于处理信息、管理组织、决策规划和控制反馈的 逻辑节点,表示为C2,指控网络为通过指令关系连接所有指控节点 的组织网络,记为GC2=<VC2,EC2>,系统节点与指控节点之间的对应 关系定义为二分图,记为GSC=<VSY,VC2,ESC>,其中ESC表示节点VSY和 节点VC2之间的边集合。
S4、根据作战体系架构模型和决策者n,构建作战体系架构的空 间探索问题模型,其中,决策者n∈N,N={1,2,...,|N|},第n个决策者 记为Agentn。
S5、根据作战体系架构搜索问题模型,将作战体系搜索问题模型 中的决策者问题转换为一种形式化的动态规划问题。
在本实施例中,作战体系架构潜在能力为根据作战体系架构开发 的作战体系所具备的完成特定使命的能力,记为W。
在数学上,架构潜在能力的不确定性可以用概率分布表示,即W 服从某种概率分布。此外,本文认为超网络是连接多种类型节点的异 构网络。基于超网络的作战体系架构是由任务网络、系统网络和指控 网络三种异构网络组成的。为了完成作战体系使命,将使命分解为一 系列可执行的任务,称为任务网络,如图1所示,为一个任务网络的 示例。在作战体系架构中,具有特定功能的装备系统用于完成特定任 务,因而系统节点(例如无人机、坦克和舰艇)之间的关系受任务节点 的影响,如图2所示,其为一个系统网络的例子,表示了系统功能之 间的逻辑关系。如图4a所示,表示任务网络与系统网络的对应关系。
指控节点用于处理上级和下级的指令信息。例如,从上级指控节 点接收任务信息,经过本节点处理后将子任务信息传递给下级指控节 点。另一方面,保持与同级指控节点之间的信息交互。因此,指控网 络是指通过指令关系连接所有指控节点的组织网络,如图3所示,其 为指控网络的一个例子。
在本实施例中,根据作战体系架构的拓扑模型定性可以得到,若 节点越多、连接关系越复杂,作战体系架构开发的代价将会越大,而 架构潜在能力可能越大。
本实施例中的作战系统能力由回报值度量,是对作战体系架构开 发代价与集群执行侦察策略所得收益的综合度量。每个方案的回报值 x服从概率分布W(x),不同方案的回报值相互独立。其中 kn∈Kn,Kn={1,2,…,|Kn|},Kn为Agent n的方案空间中的方案数量。另 外,有些Agent的方案空间存在交集,此时也有可 能不存在交集,此时每个架构的回报值事先是不确定的, 但可以通过不同行动获得。对于同一种方案k,Agentn可以采用行动 进行开发。不断探索未开发方案空间中的方案, 最后在所有已开发的方案空间中选择一个方案作为最终选项。Agent 的目标是选择一个具有最高预期回报值和最少累积搜索成本的架构。
在本实施例中,作战体系架构状态为作战体系架构在开发过程中 的形态,包括未开发状态和已开发状。如图5所示,其表示一个作战 体系架构状态转移关系。其中,未知状态表明该方案尚未开发,其回 报值是未知的;已知状态表明该方案已经被开发,并且其回报值是已 知的。基于此,基于作战体系架构空间探索问题模型的形式化描述, 具体地,定义两类二元决策变量的集合:mn∈M,a∈A,dk∈D,当 Agentn采用行动a开发架构k时开发代价为否则 n∈N,mk∈Mk,knk∈Knk,当Agentn最终采用行动m开发架构k为最终 架构方案时否则作战体系架构空间探索问题模型的形式化描述如下:
CSoSAS:
S.t.
目标函数为最大化已开发架构的回报值与最小化累积搜索成本 的加和。具体而言,约束(a)确保对于任意Agent的方案空间,方案要 么已经开发,要么未开发。约束(b)表示如果Agent最终选择了一个方 案,那么必须已经开发了该方案。约束(c)表示每个Agent最终只选择 一个方案。约束(d)表示两类决策变量的值空间。约束(e)表示对于每个 方案,每个Agent执行不同动作的成本。
在本实施例中,根据作战体系架构搜索问题,将该问题转换为一 种形式化的动态规划问题。以Agent n为例进行说明,在动态规划中, 首先将其方案空间Kkn划分为两个互斥的集合:一个是不断增长的已 开发架构集合Dkn∈Kkn;另一个是一组递减的未开发架构作战体系架构方案空间是预先获知的,是 决策者面向特定使命特定领域得到的,其重点是寻找使目标函数最大 化的方案。对于每次决策,Agent n可以选择是否从集合中选择和开 发未知方案,或者停止搜索并从集合Dkn中选择一个最终方案。如果 Agent选择继续搜索,那么它有Mk种类型的行动开发架构k。如果Agent n停止搜索,则在已开发方案空间中选择具有最高回报值的方案:
在任意时刻,Agentn的状态被定义为统计所有Agent未开 发架构空间定义为所有Agent的已开发方案空间的 最高回报值为y={y1,y2,…,yN},那么系统的状态被定义为此外, 定义状态评估函数为当最大已知回报值为y且未开发架构集 合为时,从该时刻按照最优策略能够获得的期望折扣值。对于每个子集和最大已知回报值y,状态评估函数需要满足基本的迭 代关系。
OSoSAS:
where
变量表示在状态下执行行动m后的状态评估函数,cm,k表示所有Agent执行行动mk开发架构kn的代价,进一步,Agent需要比较不同动作产生的期望值,选择和执行具有最大 期望回报值的动作。以行动m为例,如果回报值xk≤y,那么当前最 高回报值将不改变,期望状态评估值为如果xk>y,那么当前的最高回报值将更新为x,期望状态评估值为
任务网络可抽象为有向图,记为GTA=<VTA,ETA>,其中,VTA表示 任务节点集合,ETA表示节点之间的边集合。每个任务网络均具有起始 任务节点、结束任务节点和中间节点。任务网络包括因果关系和并列 关系两类逻辑关系。
系统网络表示系统节点之间的功能关系,记为GSY=<VSY,ESY>, 其中VSY表示系统节点集合,ESY表示系统节点之间的边集合。任务节 点和系统节点之间的对应关系定义为二分图,记为GTS=<VTA,VSY,ETS >,其中ETS表示节点VTA和节点VSY之间的边集合。
指控网络为通过指令关系连接所有指控节点的组织网络,记为 GC2=<VC2,EC2>。系统节点和指控节点之间的对应关系定义为二分图, 记为GSC=<VSY,VC2,ESC>,其中ESC表示节点VSY和节点VC2之间的边集合。
作战体系架构的拓扑模型由三类节点与五类关系构成的异构网 络GA,记为GA=<VTA,VSY,VC2,ETA,ESY,EC2,ETS,ESC>。作战体系架构的开 发花费代价定义为c,且c∈C,作战体系架构的潜在能力定义为w, 作战体系架构具有一定完成使命的能力w∈W。作战体系架构模型由 作战体系架构的拓扑模型、开发代价和能力组成,记为<GA,C,W>。
实施例2:本发明还提供一种作战体系架构方案空间探索算法, 搜索算法基于作战体系架构空间的动态规划,且该算法通过判断定义 的指标来进行动作选择,具备包括以下步骤:
1)、判定指标,基于经典潘多拉规则,定义每个决策者执行不同 行动的决策指标:
2)、搜索算法,根据步骤1)中的搜索规则,将最优方案的计算 简化为指标的判断,搜索算法包括单个决策者搜索算法和多个决策者 之间的合作算法。
3)、将单决策者搜索算法分为指标排序、指标判断、方案选择三 个阶段,并在Sorting程序,根据公式计算所有 架构中所有动作的指标,然后对改指标进行排序,并将排序结果保存 至向量,然后调用Developing程序求得最优架构方案。
步骤2)中每个指标的计算均是独立的,且指标不受其他作战体 系架构回报值概率分布的影响。
如图6所示,在SequenceSearching程序中,最多经过K次迭代 就可以计算得到最优架构方案。根据设定的规则,每轮迭代中将当前 最大采样值与最大指标进行对比。如果最大采样值不小于最大指标, 则停止搜索,并将具有当前最大采样回报值的架构m作为选择的架 构。反之,则根据对应的架构索引i和动作a,执行程序继续搜索。 如果获得了架构i的采样回报值,则更新变量,其中表示去除集合中 的架构i。
在Executing程序中,如果采取的动作是咨询,则判断是否能够 通过相关机构获得架构i的回报值,即判断是否为true。其中“~” 表示采样,表示对概率分布进行采样。
在本实施例中,基于决策指标的顺次搜索算法是一种多项式时间 算法。该算法的时间复杂度取决于排序算法的时间复杂度。在算法中, Agent是基于架构指标值的大小顺序执行相应动作,而这个顺序的在 整个搜索过程中是不会发生改变的。因此,论文提出的算法复杂度等 于排序算法的复杂度,故该算法是一种多项式时间算法成立。
基于决策指标的顺次搜索算法选取的每个方案都是条件最优的, 且该算法具有局部最优性。在作战体系架构问题中每个方案的选取能 够映射至经典的潘多拉问题,在潘多拉问题中,每个项目的回报值都 服从一个概率分布,在运行项目之前是不知道项目的实际回报值的, 需要通过采样得到实际回报值。在作战体系中,每个已经架构可以看 成是一个项目k,该项目具有采样回报值rk。一旦获得了方案k的采 样回报值,这三个项目就被移入已探索的集合D。作战体系架构搜索 问题模型使用基于指标的搜索策略,即如果Agent要探索新方案,则 选择指标最高的未探索方案,否则选择具有最大采样回报值的已探索 方案。则证明这种搜索策略可以有效地解决潘多拉问题并得到最好的 期望回报值。
以下为基于仿真实验对基于决策指标的顺次搜索算法进行分析 的实验:
实验设置:假设为了完成某一使命,如边境巡逻、持续侦察、电 磁干扰,需要派遣一个无人机集群前往目标区域执行任务。对于这样 的新使命,如何建设无人机集群,如何规划集群任务序列,是指挥人 员需要解决的问题。面向使命能力的技术方案一般是自顶向下的思 路,最后转为基于多Agent系统的求解方法:首先将使命分解为任务 网络;其次具有某些功能的无人机能够完成特定任务,从而构建任务 域无人机之间的映射关系;再者无人机之间是具有指控关系的,从而 构建指控网络;最后建立多Agent系统模型,每个Agent具有任务列 表、特定功能、指控关系,这样的多Agent系统就是一种装备体系架 构方案。为使体系作战效能达到最高,需要选择最优的架构方案。
为了评估GSDP算法的性能,定义如下统计指标:(1)平均效能 Reward,即公式:
CSoSAS:
S.t.
描述的目标函数,其中一次仿真的效能为架构的回报值与累积代价值 之差;(2)已知架构次数Number,已开发架构的平均次数;(3)运 行时间Time,记录程序运行的时间。其中,平均效能用于评估算法 的性能,咨询次数和已知架构次数用于分析搜索过程。
为了对比GSDP算法的性能,设计在CSoSAS问题框架下的四种基 准算法。(1)随机算法,即Agent在每个时刻随机选择一个动作。具 体地,先在集合K中随机选择一个架构k。如果k∈D,即架构已被开 发,则结束搜索,并获得该架构的回报值;如果即架构k的未开发且回报值未知,随机选择一个行动,之后返回并继续执行随机 动作,直至搜索结束。(2)遍历开发算法(Traversal Development Algorithm, TDA),即Agent将开发所有的架构,获得每个架构的采样回报值。对 于一个未开发的架构k,Agent选择代价最小的动作进行开发, 当Agent完成了所有架构的开发,选择所有 已开发架构中回报值最高的架构作为最终方案。(3)期望值开发算法 (Expected ValueDevelopment Algorithm,EVDA),类似于论文提出的采用指标 判断的算法。局部探索算法的评判指标是最高期望值与开发代价之 差,即当已开发架构中的最高回报值已经 超过该指标,则停止搜索并选择具有最高回报值的架构。
实验结果:
设计四个场景用以评估架构空间的可扩展性,架构方案数量分别 为K={20,100,1000,10000},开发每个架构有3种行动,每种行动的代价 分别服从三种均匀分布U1(1,3),U2(0.5,4),U3(1.5,2.5),每种架构的回报值 服从概率分布Wk(wk)~U(ak,bk),其中,ak~U(50,60),bk~U(90,100)。 考察Agent的数量,选择的方案数NoS,为1到10时,各个算法的性能指标。
场景A1:在包含K=20个架构的方案空间中探索,选择最优架构,如 下表p1所示。
表p1
场景A2:在包含K=104个架构的方案空间中探索,选择最优架构, 如下表p2所示。
表p2
场景A3:在包含K=106个架构的方案空间中探索,选择最优架构, 如下表p3所示。
表p3
在本实施例中,本发明提供的基于超网络模型的作战体系架构建 模方法,基于体系架构能力生成要素,根据作战体系架构的形式化定 义、多Agent动态规划问题以及作战体系架构方案空间探索问题框 架,能够构建出具多架构方案选取的作战体系架构模型,便于决策者 做出最佳选择;该作战体系架构方案空间探索算法,为基于决策指标 的并行搜索算法,该算法为多项式时间的,其回报值明显优于其他基 准算法,其在作战体系架构方案空间独立情况的假设下是最优的。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限 制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做 出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到 专利法的保护。
Claims (7)
1.基于超网络模型的作战体系架构建模方法,根据能力生成机理,将任务、装备系统和指控结构作为作战体系架构的核心要素,所述作战体系架构由任务网络、系统网络和指控网络三种异构网络组成,其特征是:具体包括以下步骤:
S1、将作战体系使命分解为可由装备系统执行的任务网络;
S2、给出任务节点与系统节点之间的对应关系,并根据任务网络和任务节点与系统节点之间的对应关系构建系统网络,其中,系统节点为具有特定功能并能够独立完成特定任务的装备,记为SY;任务节点为可由装备系统执行的活动过程,记为TA;
S3、给出系统节点和指控节点之间的对应关系,并根据该关系建立指控网络,并结合任务网络、系统网络构建成作战体系架构模型;其中,指控节点为用于处理信息、管理组织、决策规划和控制反馈的逻辑节点,表示为C2,指控网络为通过指令关系连接所有指控节点的组织网络,记为GC2=<VC2,EC2>,系统节点与指控节点之间的对应关系定义为二分图,记为GSC=<VSY,VC2,ESC>,其中ESC表示节点VSY和节点VC2之间的边集合;
S4、根据作战体系架构模型和决策者n,构建作战体系架构的空间探索问题模型,其中,决策者n∈N,N={1,2,...,|N|},第n个决策者记为Agent n;
S5、根据作战体系架构搜索问题模型,将作战体系搜索问题模型中的决策者问题转换为一种形式化的动态规划问题。
2.根据权利要求1所述的基于超网络模型的作战体系架构建模方法,其特征是:所述任务网络可抽象为有向图,记为GTA=<VTA,ETA>,其中,VTA表示任务节点集合,ETA表示节点之间的边集合;每个所述任务网络均具有起始任务节点、结束任务节点和中间节点;所述任务网络包括因果关系和并列关系两类逻辑关系。
3.根据权利要求1所述的基于超网络模型的作战体系架构建模方法,其特征是:所述系统网络表示系统节点之间的功能关系,记为GSY=<VSY,ESY>,其中VSY表示系统节点集合,ESY表示系统节点之间的边集合;所述任务节点和系统节点之间的对应关系定义为二分图,记为GTS=<VTA,VSY,ETS>,其中ETS表示节点VTA和节点VSY之间的边集合。
4.根据权利要求1所述的基于超网络模型的作战体系架构建模方法,其特征是:所述指控网络为通过指令关系连接所有指控节点的组织网络,记为GC2=<VC2,EC2>;所述系统节点和指控节点之间的对应关系定义为二分图,记为GSC=<VSY,VC2,ESC>,其中ESC表示节点VSY和节点VC2之间的边集合。
5.根据权利要求1所述的基于超网络模型的作战体系架构建模方法,其特征是:所述作战体系架构的拓扑模型由三类节点与五类关系构成的异构网络GA,记为GA=<VTA,VSY,VC2,ETA,ESY,EC2,ETS,ESC>;所述作战体系架构的开发花费代价定义为c,且c∈C,所述作战体系架构的潜在能力定义为w,作战体系架构具有一定完成使命的能力w∈W;所述作战体系架构模型由作战体系架构的拓扑模型、开发代价和能力组成,记为<GA,C,W>。
6.一种作战体系架构方案空间探索算法,基于权利要求1至5 任意一项所述的基于超网络模型的作战体系架构建模方法,其特征是:所述搜索算法基于作战体系架构空间的动态规划,且该算法通过判断定义的指标来进行动作选择,具备包括以下步骤:
1)、判定指标,基于经典潘多拉规则,定义每个决策者执行不同行动的决策指标:
2)、搜索算法,根据步骤1)中的搜索规则,将最优方案的计算简化为指标的判断,所述搜索算法包括单个决策者搜索算法和多个决策者之间的合作算法;
7.根据权利要求6所述的一种作战体系架构方案空间探索算法,其特征是:步骤2)中每个所述指标的计算均是独立的,且所述指标不受其他作战体系架构回报值概率分布的影响。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011267527.2A CN112632744B (zh) | 2020-11-13 | 2020-11-13 | 基于超网络模型的作战体系架构建模方法及空间探索方法 |
GB2200021.0A GB2618302A (en) | 2020-11-13 | 2021-01-07 | Hypernetwork model-based organization architecture modeling method and space exploration algorithm |
PCT/CN2021/070648 WO2022099915A1 (zh) | 2020-11-13 | 2021-01-07 | 基于超网络模型的组织架构建模方法及空间探索算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011267527.2A CN112632744B (zh) | 2020-11-13 | 2020-11-13 | 基于超网络模型的作战体系架构建模方法及空间探索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632744A true CN112632744A (zh) | 2021-04-09 |
CN112632744B CN112632744B (zh) | 2023-05-16 |
Family
ID=75303252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011267527.2A Active CN112632744B (zh) | 2020-11-13 | 2020-11-13 | 基于超网络模型的作战体系架构建模方法及空间探索方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112632744B (zh) |
WO (1) | WO2022099915A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111440A (zh) * | 2021-04-26 | 2021-07-13 | 河北交通职业技术学院 | 基于逻辑关系的集群无人机任务模型构建方法 |
CN113566831A (zh) * | 2021-09-26 | 2021-10-29 | 中国人民解放军国防科技大学 | 基于人机交互的无人机集群导航方法、装置和设备 |
CN113742998A (zh) * | 2021-08-03 | 2021-12-03 | 中国人民解放军国防科技大学 | 一种基于超网络模型的作战体系架构建模方法 |
CN116489193A (zh) * | 2023-05-04 | 2023-07-25 | 中国人民解放军陆军工程大学 | 一种作战网络自适应组合方法、装置、设备及介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108613B (zh) * | 2022-11-07 | 2023-12-01 | 中山大学 | 一种可解释的装备组合快速构建方法、系统、设备及介质 |
CN115906673B (zh) * | 2023-01-10 | 2023-11-03 | 中国人民解放军陆军工程大学 | 作战实体行为模型一体化建模方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190032940A1 (en) * | 2017-07-25 | 2019-01-31 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Generating a Controller for Multi-Zone Heating, Ventilation, and Air Conditioning System |
CN110580404A (zh) * | 2019-07-26 | 2019-12-17 | 东南大学 | 一种基于城市多模式交通网络的网络运能确定方法 |
CN110688754A (zh) * | 2019-09-25 | 2020-01-14 | 中国人民解放军国防科技大学 | 一种作战体系架构建模与最优搜索方法 |
CN110929394A (zh) * | 2019-11-14 | 2020-03-27 | 北京华如科技股份有限公司 | 基于超网络理论的联合作战体系建模方法以及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7930196B2 (en) * | 2001-04-11 | 2011-04-19 | Fair Isaac Corporation | Model-based and data-driven analytic support for strategy development |
CN110401564B (zh) * | 2019-07-04 | 2021-12-28 | 大连交通大学 | 基于相对混合择优的指挥控制超网络模型构建方法 |
CN111783291B (zh) * | 2020-06-22 | 2021-06-11 | 中国人民解放军军事科学院国防科技创新研究院 | 基于ooda环理论的作战体系超网络建模方法 |
CN111784135B (zh) * | 2020-06-22 | 2021-06-11 | 中国人民解放军军事科学院国防科技创新研究院 | 基于超网络和ooda环理论的体系作战能力量化分析方法 |
-
2020
- 2020-11-13 CN CN202011267527.2A patent/CN112632744B/zh active Active
-
2021
- 2021-01-07 WO PCT/CN2021/070648 patent/WO2022099915A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190032940A1 (en) * | 2017-07-25 | 2019-01-31 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Generating a Controller for Multi-Zone Heating, Ventilation, and Air Conditioning System |
CN110580404A (zh) * | 2019-07-26 | 2019-12-17 | 东南大学 | 一种基于城市多模式交通网络的网络运能确定方法 |
CN110688754A (zh) * | 2019-09-25 | 2020-01-14 | 中国人民解放军国防科技大学 | 一种作战体系架构建模与最优搜索方法 |
CN110929394A (zh) * | 2019-11-14 | 2020-03-27 | 北京华如科技股份有限公司 | 基于超网络理论的联合作战体系建模方法以及存储介质 |
Non-Patent Citations (1)
Title |
---|
XIN ZHOU等: "An Optimal Approach for Combat System-of-Systems Architecture Search Under Uncertainty", 《IEEE ACCESS》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111440A (zh) * | 2021-04-26 | 2021-07-13 | 河北交通职业技术学院 | 基于逻辑关系的集群无人机任务模型构建方法 |
CN113111440B (zh) * | 2021-04-26 | 2023-02-03 | 河北交通职业技术学院 | 基于逻辑关系的集群无人机任务模型构建方法 |
CN113742998A (zh) * | 2021-08-03 | 2021-12-03 | 中国人民解放军国防科技大学 | 一种基于超网络模型的作战体系架构建模方法 |
CN113566831A (zh) * | 2021-09-26 | 2021-10-29 | 中国人民解放军国防科技大学 | 基于人机交互的无人机集群导航方法、装置和设备 |
CN116489193A (zh) * | 2023-05-04 | 2023-07-25 | 中国人民解放军陆军工程大学 | 一种作战网络自适应组合方法、装置、设备及介质 |
CN116489193B (zh) * | 2023-05-04 | 2024-01-23 | 中国人民解放军陆军工程大学 | 一种作战网络自适应组合方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022099915A1 (zh) | 2022-05-19 |
CN112632744B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632744B (zh) | 基于超网络模型的作战体系架构建模方法及空间探索方法 | |
Nair et al. | Role allocation and reallocation in multiagent teams: Towards a practical analysis | |
WO2021057329A1 (zh) | 一种作战体系架构建模与最优搜索方法 | |
CN113312172B (zh) | 基于适变网络的多无人机集群动态任务调度模型 | |
Le et al. | ER-DCOPs: A framework for distributed constraint optimization with uncertainty in constraint utilities | |
CN111475899A (zh) | 基于超网络理论的数据链网络可靠性指标体系构建方法 | |
CN110874413B (zh) | 一种基于关联规则挖掘的防空多武器系统效能评估指标体系建立方法 | |
Calimeri et al. | ASP-based Multi-shot Reasoning via DLV2 with Incremental Grounding | |
CN110119399A (zh) | 基于机器学习的业务流程优化方法 | |
El-Ghamrawy et al. | An agent decision support module based on granular rough model | |
Pereira et al. | Multi‐objective sunflower optimization: A new hypercubic meta‐heuristic for constrained engineering problems | |
Babu et al. | Selection of architecture styles using analytic network process for the optimization of software architecture | |
Andreadakis et al. | Synthesis of distributed command and control for the outer air battle | |
Miloradovic et al. | A genetic planner for mission planning of cooperative agents in an underwater environment | |
Siryani et al. | Framework using Bayesian belief networks for utility effective management and operations | |
Zhu et al. | Autonomous and Adaptive Role Selection for Multi-robot Collaborative Area Search Based on Deep Reinforcement Learning | |
Navarro et al. | Towards real-time agreements | |
Guo et al. | Predictive safety network for resource-constrained multi-agent systems | |
Omondi et al. | Probabilistic Reasoning and Markov Chains as Means to Improve Performance of Tuning Decisions under Uncertainty | |
Warshawsky et al. | Choosing aggregation functions for modeling system of systems performance | |
Tamouk et al. | A multimetric and multideme multiagent system for multiobjective optimization | |
CN117217392B (zh) | 一种通用装备保障需求的确定方法及装置 | |
Yin | Test suite generation for software reliability testing based on hybrid Musa and Markov method | |
Wang et al. | An Optimal Searching Algorithm for the Equipment System-of-Systems Architecture Space With Uncertain Capabilities | |
Louvieris et al. | Smart decision support system using parsimonious information fusion |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |