CN116502915A - 一种无人作战车辆火力分配方法及系统 - Google Patents
一种无人作战车辆火力分配方法及系统 Download PDFInfo
- Publication number
- CN116502915A CN116502915A CN202310485790.6A CN202310485790A CN116502915A CN 116502915 A CN116502915 A CN 116502915A CN 202310485790 A CN202310485790 A CN 202310485790A CN 116502915 A CN116502915 A CN 116502915A
- Authority
- CN
- China
- Prior art keywords
- unmanned
- enemy
- target
- vehicle
- hit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000010606 normalization Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000013135 deep learning Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 206010061619 Deformity Diseases 0.000 claims description 7
- 230000001066 destructive effect Effects 0.000 claims description 7
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 230000035899 viability Effects 0.000 claims description 6
- 238000012913 prioritisation Methods 0.000 claims description 5
- 230000036962 time dependent Effects 0.000 claims description 5
- 238000005094 computer simulation Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Road Paving Structures (AREA)
Abstract
本发公开了无人作战车辆路径规划方法、装置及计算机存储介质,属于计算机仿真领域。该无人作战车辆路径规划方法,包括:步骤S1,依据车辆创建第一数字孪生体,依据现实环境创建第一环境模型;步骤S2,记录车辆偏离主干道后正常行驶的第一可行驶路段的运行状态信息及第一可行驶路段的路径坐标,所述运行状态信息用于再现车辆沿第一可行驶路段中的运行状态;最终模仿第一次预先行驶的过程,平稳可靠的行驶完第一可行驶路段。应用本发明的无人驾驶系统,特别善于在一些复杂路段行驶,如悬崖路段,陡坡路段,保障无人作战车辆稳定到达目标地点。
Description
技术领域
本发明属于人工智能技术领域,尤其涉及一种无人作战车辆火力分配方法及系统。
背景技术
火力分配问题是在面对敌方一定数量的威胁目标,己方一定数量的武器平台应该如何对敌方目标进行分配,来达到高效的武器利用率、最高的武器使用性价比或者最高的毁伤概率等目标或准则这样的问题。由于无人作战车辆体积较小、价格较低等,无人作战车辆运用时,往往会以多辆无人作战车辆编配为小的集群,协同遂行抵近侦察、打击等作战任务。此时,每辆无人作战车辆的打击范围内可能存在多个敌方的人员、装备,而敌方的每个人员、装备可能同时在多个无人作战车辆的火力打击范围内。在这种情况下,寻求火力分配问题在面向地面无人作战车辆作战背景下的快速合理解具有很高的现实意义。
发明内容
为克服现有技术的缺点,本发明的发明目的是提供一种无人作战车辆火力分配方法及系统,其能最优地发挥无人作战车辆的作战性能,高效地利用无人作战车辆的作战能力,不会造成火力的浪费;能够提高无人作战车辆打击敌方目标的准确性。
为实现所述发明目的,本发明提供一种无人作战车辆火力分配方法,其包括:
步骤1:N个尚未分配打击目标的无人作战车辆中的每个无人作战车辆Un通过深度学习神经网络依次计估算对已被侦察发现的且未被分配充足火力的M个敌方目标中的每个敌方目标Tm的打击优先级vnm,并根据打击优先级从高到底排序,根据从高到底排序的顺序将敌方目标Tm存储于打击列表Xn中,n=1,2,……,N,N为无人作战车辆总数;m=1,2,……,M为战场中所有被侦察发现的、且未被分配充足火力敌方目标总数;
步骤2:每辆尚未分配打击目标的无人作战车辆向指挥中心请求打击其打击列表中的打击优先级最高的敌方目标的申请,指挥中心将向敌方目标Tm发起打击申请的无人作战车辆Uj记录到申请列表Y中,j=1,2,……,J,J≤N,当前已分配打击敌方目标Tm的无人作战车辆所构成的集合为Qm,集合Qm中的中无人作战车辆Ul的毁伤/杀伤能力为Al,集合Qm中所有无人作战车辆对该敌方目标Tm的毁伤/杀伤能力值为:
步骤3:指挥中心分析申请列表Y中的无人作战车辆的毁伤/杀伤能力,并根据毁伤/杀伤能力分别计算其毁伤/杀伤能力优先级qjm,申请列表Y中记录的无人作战车辆Uj按照毁伤/杀伤能力优先级qjm从高到低排序;
步骤4:K←1;
步骤5:判断申请列表Y是否为空,若申请列表Y不为空,执行步骤6;若申请列表Y为空,执行步骤9;
步骤6:从高到低依次将申请列表Y中的1个无人作战车辆Uk存入火力分配列表Z中,并将加入到火力分配列表Z中的无人作战车辆从申请列表Y中删除;
步骤7:根据下式计算火力分配列表Z中无人作战车辆集合对该敌方目标Tm的毁伤/杀伤能力值:
式中,Ak为火力分配列表Z中无人作战车辆集合的无人作战车辆Uk的杀伤能力;
步骤8:判断,若则认为打击敌方目标Tm的无人作战车辆火力不足以毁伤/杀伤敌方目标Tm,使K←K+1,而后返回到步骤5;若则认为打击敌方目标Tm的无人作战车辆集合火力足以毁伤/杀伤敌方目标Tm,而后执行步骤9,式中,Lm为敌方目标Tm的生存能力;
步骤9:输出火力分配列表Z中的无人作战车辆集合及该集合对应打击的敌方目标Tm。
为实现所述发明目的,本发明还提供一种无人作战车辆火力分配系统,其包括:
打击优先级排序模块,其被配置为N个尚未分配打击目标的无人作战车辆中的每个无人作战车辆Un通过深度学习神经网络依次计估算对已被侦察发现的且未被分配充足火力的M个敌方目标中的每个敌方目标Tm的打击优先级vnm,并根据打击优先级从高到底排序,根据从高到底排序的顺序将敌方目标Tm存储于打击列表Xn中,n=1,2,……,N,N为无人作战车辆总数;m=1,2,……,M为战场中所有被侦察发现的、且未被分配充足火力敌方目标总数;
申请列表记录模块,其被配置为每辆尚未分配打击目标的无人作战车辆向指挥中心请求打击其打击列表中的打击优先级最高的敌方目标的申请,指挥中心将向敌方目标Tm发起打击申请的无人作战车辆Uj记录到申请列表Y中,j=1,2,……,J,J≤N,当前已分配打击敌方目标Tm的无人作战车辆所构成的集合为Qm,集合Qm中的中无人作战车辆Ul的毁伤/杀伤能力为Al,集合Qm中所有无人作战车辆对该敌方目标Tm的毁伤/杀伤能力值为:
毁伤/杀伤能力优先级排序模块,其被配置为指挥中心分析申请列表Y中的无人作战车辆的毁伤/杀伤能力,并根据毁伤/杀伤能力分别计算其毁伤/杀伤能力优先级qjm,申请列表Y中记录的无人作战车辆Uj按照毁伤/杀伤能力优先级qjm从高到低排序,以及
火力分配模块,其被配置为实施如下步骤:
步骤4:K←1;
步骤5:判断申请列表Y是否为空,若申请列表Y不为空,执行步骤6;若申请列表Y为空,执行步骤9;
步骤6:从高到低依次将申请列表Yj中的1个无人作战车辆Uk存入火力分配列表Z中,并将加入到火力分配列表Z中的无人作战车辆从申请列表Y中删除;
步骤7:根据下式计算火力分配列表Z中无人作战车辆集合对该敌方目标Tm的毁伤/杀伤能力值:
式中,Ak为火力分配列表Z中无人作战车辆集合的无人作战车辆Uk的杀伤能力;
步骤8:判断,若则认为打击敌方目标Tm的无人作战车辆火力不足以毁伤/杀伤敌方目标Tm,使K←K+1,而后返回到步骤5;若则认为打击敌方目标Tm的无人作战车辆集合火力足以毁伤/杀伤敌方目标Tm,而后执行步骤9,式中,Lm为敌方目标Tm的生存能力;
步骤9:输出火力分配列表Z中的无人作战车辆集合及该集合对应打击的敌方目标Tm。
优选地,深度学习神经网络为变形的PNN神经网络,变形的PNN神经网络包括输入层、隐含层、求和层和竞争层,其中,输入层包括初级输入层、变形层和归一化层,所述初级输入层输入无人作战车辆Un打击敌方目标Tm第一影响因素随时间变化的序列数据X1=[x11x21 … xA1]T,无人作战车辆Un打击敌方目标Tm第二影响因素随时间变化的序列数据X2=[x12 x22 … xA2]T,…,无人作战车辆Un打击敌方目标Tm第B影响因素随时间变化的序列数据XB=[x1B x2B … xAB]T,初级输入层的输入矩阵用下式表示:
所述变形层用于对输入矩阵进行变形,变形矩阵用下式表示:
式中,Δxab=xab―x(a―1)b指无人作战车辆Un打击敌方目标Tm第b影响因素当前a数据和前次a-1数据的差,a=1,2,…A,b=1,2,…,B;
所述归一化层被配置为利用归一化系数矩阵对变形矩阵进行归一化处理,得到归一化矩阵,归一化系数矩阵如下式:
归一化矩阵如下式:
Znm=Ynm·δ
归一化层将归一化矩阵输入到PNN概率神经网络的隐含层,隐含层中利用标准差σ=0.1的高斯函数将神经元激活,得到初始概率矩阵如下式:
式中,zaq为归一化矩阵Z中第q个样本量的第a个值,Cq为高斯函数的中心值,C=2B;
求和层通过下式求出无人作战车辆Un对敌方目标Tm打击优先等级,最后由竞争层输出优先等级:
式中ωq为隐含层神经元与求和层神经元之间的互相关系数,由训练数据反复训练确定。
优选地,采用下式计算申请列表Y中无人作战车辆对敌方目标Tm的毁伤/杀伤优先级qjm:
其中,Smax是列表Y中无人车辆持续作战能力的最大值,即Smax=max{SU|U∈Y};Sj是无人作战车辆Uj当前的持续作战能力,Cjm是无人作战车辆Uj对敌方目标Tm实施打击所需付出的代价。
优选地,毁伤/杀伤qjm的取值范围为[0,1]。
有益效果:
本发明提供的无人作战车辆火力分配方法及系统中,无人作战车辆通过深度学习神经网络获取对敌方目标打击的优先级,综合考虑了无人作战车辆打击敌方目标多种因素的影响,且考虑了每种因素当前次和前次的数据差,判断打击敌方目标优先级更加科学、准备;
指挥中心通过火力分配模块分配打击敌方目标的无人作战车辆,高效地利用无人作战车辆作战能力,不会造成火力的浪费。
附图说明
图1是本发明提供的无人作战车辆火力分配方法的流程图;
图2是本发明提供深度学习神经网络的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
第一实施例
图1是本发明提供的无人作战车辆火力分配方法的流程图,如图1所示,本发明提供的一种无人作战车辆火力分配方法,包括:
步骤1:N个尚未分配打击目标的无人作战车辆中的每个无人作战车辆Un通过深度学习神经网络依次计估算对已被侦察发现的且未被分配充足火力的M个敌方目标中的每个敌方目标Tm的打击优先级vnm,并根据打击优先级从高到底排序,根据从高到底排序的顺序将敌方目标Tm存储于打击列表Xn中,n=1,2,……,N,N为无人作战车辆总数;m=1,2,……,M为战场中所有被侦察发现的、且未被分配充足火力敌方目标总数;
步骤2:每辆尚未分配打击目标的无人作战车辆向指挥中心请求打击其打击列表中的打击优先级最高的敌方目标的申请,指挥中心将向敌方目标Tm发起打击申请的无人作战车辆Uj记录到申请列表Y中,j=1,2,……,J,J≤N,当前已分配打击敌方目标Tm的无人作战车辆所构成的集合为Qm,集合Qm中的中无人作战车辆Ul的毁伤/杀伤能力为Al,集合Qm中所有无人作战车辆对该敌方目标Tm的毁伤/杀伤能力值为:若还没有对乱方目标分配火力,则,/>为零。
步骤3:指挥中心分析申请列表Y中的无人作战车辆的毁伤/杀伤能力,并根据毁伤/杀伤能力分别计算其毁伤/杀伤能力优先级qjm,申请列表Yj中记录的无人作战车辆Uj按照毁伤/杀伤能力优先级qjm从高到低排序;
步骤4:K←1;
步骤5:判断申请列表Y是否为空,若申请列表Y不为空,执行步骤6;若申请列表Y为空,执行步骤9;
步骤6:从高到低依次将申请列表Yj中的1个无人作战车辆Uk存入火力分配列表Z中,并将加入到火力分配列表Z中的无人作战车辆从申请列表Y中删除;
步骤7:根据下式计算火力分配列表Z中无人作战车辆集合对该敌方目标Tm的毁伤/杀伤能力值:
式中,Ak为火力分配列表Z中无人作战车辆集合的无人作战车辆Uk的杀伤能力;
步骤8:判断,若则认为打击敌方目标Tm的无人作战车辆火力不足以毁伤/杀伤敌方目标Tm,使K←K+1,而后返回到步骤5;若则认为打击敌方目标Tm的无人作战车辆集合火力足以毁伤/杀伤敌方目标Tm,而后执行步骤9,式中,Lm为敌方目标Tm的生存能力,Qm为当前已分配打击敌方目标Tm的无人作战车辆所构成的集合;Al为Qm中无人作战车辆Ul的毁伤/杀伤能力;
步骤9:输出火力分配列表Z中的无人作战车辆集合及该集合对应打击的敌方目标Tm。可选地,也可同时输出集合Qm中的无作作战车辆,分配列表Z中的无人作战车辆及对应打击的敌方目标Tm。
重复上述过程,可以对其它敌方目标进行火力分配。
本发明通过上述方法,无人作战车辆Un将优先向那些更有可能被击毁/杀伤的敌方目标发起申请;同时,指挥中心又不会为某个敌方目标分配过多火力,从而不能造成火力浪费。通过上述方法,将优先选择持续作战能力更强的无人作战车辆(如剩余弹药和油料更多等)用于打击敌方目标Tm,保证战场上所有无人作战车辆的持续作战能力较为均衡,有利于提升无人作战车辆整体的持续作战能力。
本发明中,无人作战车辆对敌方目标Tm的打击优先级vnm通过图2所示的深度学习神经网络进行确定。
图2是本发明提供深度学习神经网络的结构示意图,如图2所示,本发明提供的深度学习神经网络为变形的PNN神经网络,变形的PNN神经网络包括输入层、隐含层、求和层和竞争层,其中,输入层包括初级输入层、变形层和归一化层,所述初级输入层输入无人作战车辆Un打击敌方目标Tm第一影响因素随时间变化的序列数据X1=[x11 x21 … xA1]T,无人作战车辆Un打击敌方目标Tm第二影响因素随时间变化的序列数据X2=[x12 x22 … xA2]T,…,无人作战车辆Un打击敌方目标Tm第B影响因素随时间变化的序列数据XB=[x1B x2B … xAB]T,第一影响因素例如为无作作战车辆Un与打击敌方目标Tm的距离,第二影响因素例如为无作作战车辆Un的剩余弹药,第二影响因素例如为无作作战车辆Un的剩余油量;
初级输入层的输入矩阵用下式表示:
所述变形层用于对输入矩阵进行变形,变形矩阵用下式表示:
式中,Δxab=xab―x(a―1)b指无人作战车辆Un打击敌方目标Tm第b影响因素当前a数据和前次a-1数据的差,a=1,2,…,A,b=1,2,…,B;
归一化层被配置为利用归一化系数矩阵对变形矩阵进行归一化处理,得到归一化矩阵,归一化系数矩阵如下式:
归一化矩阵如下式:
Znm=Ynm·δ
归一化层将归一化矩阵输入到PNN概率神经网络的隐含层,隐含层中利用标准差σ=0.1的高斯函数将神经元激活,得到初始概率矩阵如下式:
式中,zaq为归一化矩阵Z中第q个样本的第a个值,Cq为高斯函数的中心值,C=2B,q=1,2…,C;
求和层通过下式求出无人作战车辆Un对敌方目标Tm打击优先等级,最后由竞争层输出优先等级vnm:
式中,ωq为隐含层神经元与求和层神经元之间的互相关系数,由训练数据反复训练确定。
需要注意的是,本发明的打击优先级vnm的值与无人作战车辆的杀伤能力和敌方目标的生存能力相关。而实际上,vnm的计算是可扩展的,可以根据作战需求考虑更多的因素,不仅无人作战车辆和敌方目标的距离、剩余弹药,剩余油量,还可以考虑预计命中率,作战人员的疲劳度,无作作战辆的能信能力等。
本发明中,申请列表无人作战车辆对敌方目标Tm的毁伤/杀伤优先级qjm与Sj―Cjm的值成正比,Sj是无人作战车辆Uj当前的持续作战能力,Cjm是无人作战车辆Uj对敌方目标Tm实施打击所需付出的代价,优选地通过下式计算对敌方目标Tm的毁伤/杀伤优先级qjm:
其中Smax是列表Y中无人车辆持续作战能力的最大值,即Smax=max{SU|U∈Y};如此,qjm的取值范围为[0,1]。
需要注意的是,本发明中的打击优先级qjm的值与无人作战车辆的持续作战能力和打击敌方目标所付出的代价相关;实际上,qjm的计算是可扩展的,可以根据作战需求考虑更多的因素,如敌方目标对无人车辆的威胁情况等,并采用加权和、加权积等方法将上述因素加入到qjm的计算过程中。
第二实施例
本发明还提供一种系统,其包括存储介质和一个或者多相处理器,所述存储介质用于存储利用计算机语言将第一实施例所述的方法编成的计算机程序;一个或者多相处理器调用存储介质中的计算机程序以实现第一实施所述的方法。
第三实施例
为实现所述发明目的,本明还提供相应于第一实施例的无人作战车辆火力分配方法的系统,其包括:打击优先级排序模块、申请列表记录模块、毁伤/杀伤能力优先级排序模块以及火力分配模块,其中,
打击优先级排序模块被配置为N个尚未分配打击目标的无人作战车辆中的每个无人作战车辆Un通过深度学习神经网络依次计估算对已被侦察发现的且未被分配充足火力的M个敌方目标中的每个敌方目标Tm的打击优先级vnm,并根据打击优先级从高到底排序,根据从高到底排序的顺序将敌方目标Tm存储于打击列表Xn中,n=1,2,……,N,N为无人作战车辆总数;m=1,2,……,M为战场中所有被侦察发现的、且未被分配充足火力敌方目标总数;
申请列表记录模块被配置为每辆尚未分配打击目标的无人作战车辆向指挥中心请求打击其打击列表中的打击优先级最高的敌方目标的申请,指挥中心将向敌方目标Tm发起打击申请的无人作战车辆Uj记录到申请列表Y中,j=1,2,……,J,J≤N,当前已分配打击敌方目标Tm的无人作战车辆所构成的集合为Qm,集合Qm中的中无人作战车辆Ul的毁伤/杀伤能力为Al,集合Qm中所有无人作战车辆对该敌方目标Tm的毁伤/杀伤能力值为:
毁伤/杀伤能力优先级排序模块被配置为指挥中心分析申请列表Y中的无人作战车辆的毁伤/杀伤能力,并根据毁伤/杀伤能力分别计算其毁伤/杀伤能力优先级qjm,申请列表Y中记录的无人作战车辆Uj按照毁伤/杀伤能力优先级qjm从高到低排序,以及
火力分配模块,其被配置为实施如下步骤:
步骤4:K←1;
步骤5:判断申请列表Y是否为空,若申请列表Y不为空,执行步骤6;若申请列表Y为空,执行步骤9;
步骤6:从高到低依次将申请列表Y中的1个无人作战车辆Uk存入火力分配列表Z中,并将加入到火力分配列表Z中的无人作战车辆从申请列表Y中删除;
步骤7:根据下式计算火力分配列表Z中无人作战车辆集合对该敌方目标Tm的毁伤/杀伤能力值:
式中,Ak为火力分配列表Z中无人作战车辆集合的无人作战车辆Uk的杀伤能力;
步骤8:判断,若则认为打击敌方目标Tm的无人作战车辆火力不足以毁伤/杀伤敌方目标Tm,使K←K+1,而后返回到步骤5;若则认为打击敌方目标Tm的无人作战车辆集合火力足以毁伤/杀伤敌方目标Tm,而后执行步骤9,式中,Lm为敌方目标Tm的生存能力;
步骤9:输出火力分配列表Z中的无人作战车辆集合及该集合对应打击的敌方目标Tm。重复上述过程,可以对其它敌方目标进行火力分配。
第三实施例中的深度学习神经网络与第一实施例中的深度学习神经网络的组成相同,这里不再重复描述,毁伤/杀伤能力优先级qjm的确定及取值范围也与第一实施例毁伤/杀伤能力优先级qjm的确定及取值范围相同,这里也不再生复描述。
本发明通过上述方法和系统能最优地发挥无人作战车辆的作战性能,高效地利用无人作战车辆作战能力,不会造成火力的浪费。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种无人作战车辆火力分配方法,其特征在于,包括:
步骤1:N个尚未分配打击目标的无人作战车辆中的每个无人作战车辆Un通过深度学习神经网络依次估算对已被侦察发现的且未被分配充足火力的M个敌方目标中的每个敌方目标Tm的打击优先级vnm,并根据打击优先级从高到底排序,根据从高到底排序的顺序将敌方目标Tm存储于打击列表Xn中,n=1,2,……,N,N为无人作战车辆总数;m=1,2,……,M为战场中所有被侦察发现的、且未被分配充足火力敌方目标总数;
步骤2:每辆尚未分配打击目标的无人作战车辆向指挥中心请求打击其打击列表中的打击优先级最高的敌方目标的申请,指挥中心将向敌方目标Tm发起打击申请的无人作战车辆Uj记录到申请列表Y中,j=1,2,……,J,J≤N,当前已分配打击敌方目标Tm的无人作战车辆所构成的集合为Qm,集合Qm中的中无人作战车辆Ul的毁伤/杀伤能力为Al,集合Qm中所有无人作战车辆对该敌方目标Tm的毁伤/杀伤能力值为:
步骤3:指挥中心分析申请列表Y中的无人作战车辆的毁伤/杀伤能力,并根据毁伤/杀伤能力分别计算无人作战车辆的毁伤/杀伤能力优先级qjm,申请列表Y中记录的无人作战车辆Uj按照毁伤/杀伤能力优先级qjm从高到低排序;
步骤4:K←1;
步骤5:判断申请列表Y是否为空,若申请列表Y不为空,执行步骤6;若申请列表Y为空,执行步骤9
步骤6:从高到低依次将申请列表Y中的1个无人作战车辆Uk存入火力分配列表Z中,并将加入到火力分配列表Z中的无人作战车辆从申请列表Y中删除;
步骤7:根据下式计算火力分配列表Z中无人作战车辆集合对该敌方目标Tm的毁伤/杀伤能力值:
式中,Ak为火力分配列表Z中无人作战车辆Uk的杀伤能力;
步骤8:判断,若则认为打击敌方目标Tm的无人作战车辆火力不足以毁伤/杀伤敌方目标Tm,使K←K+1,而后返回到步骤5;若/>则认为打击敌方目标Tm的无人作战车辆集合火力足以毁伤/杀伤敌方目标Tm,而后执行步骤9,式中,Lm为敌方目标Tm的生存能力;
步骤9:输出火力分配列表Z中的无人作战车辆集合及该集合对应打击的敌方目标Tm。
2.根据权利要求1所述的无人作战车辆火力分配方法,其特征在于,深度学习神经网络为变形的PNN神经网络,变形的PNN神经网络包括输入层、隐含层、求和层和竞争层,其中,输入层包括初级输入层、变形层和归一化层,所述初级输入层输入无人作战车辆Un打击敌方目标Tm第一影响因素随时间变化的序列数据X1=[x11 x21 … xA1]T,无人作战车辆Un打击敌方目标Tm第二影响因素随时间变化的序列数据X2=[x12 x22 … xA2]T,…,无人作战车辆Un打击敌方目标Tm第B影响因素随时间变化的序列数据XB=[x1B x2B … xAB]T,
初级输入层的输入矩阵用下式表示:
所述变形层用于对输入矩阵进行变形,变形矩阵用下式表示:
式中,Δxab=xab―x(a―1)b指无人作战车辆Un打击敌方目标Tm第b影响因素当前a数据和前次a-1数据的差,a=1,2,…,A,b=1,2,…,B;
所述归一化层被配置为利用归一化系数矩阵对变形矩阵进行归一化处理,得到归一化矩阵,归一化系数矩阵如下式:
归一化矩阵如下式:
Znm=Ynm·δ
所述归一化层将归一化矩阵输入到PNN概率神经网络的隐含层,隐含层中利用标准差σ=0.1的高斯函数将神经元激活,得到初始概率矩阵如下式:
式中,zaq为归一化矩阵Z中第q个样本的第a个值,Cq为高斯函数的中心值,C=2B;
求和层通过下式求出无人作战车辆Un对敌方目标Tm打击优先等级,最后由竞争层输出优先等级vnm:
式中,ωq为隐含层神经元与求和层神经元之间的互相关系数,由训练数据反复训练确定。
3.根据权利要求1所述的无人作战车辆火力分配方法,其特征在于,采用下式计算申请列表Y中无人作战车辆Uj对敌方目标Tm的毁伤/杀伤优先级qjm:
其中,Smax是列表Y中无人车辆持续作战能力的最大值,即
Smax=max{SU|U∈Y};Sj是无人作战车辆Uj当前的持续作战能力,Cjm是无人作战车辆Uj对敌方目标Tm实施打击所需付出的代价。
4.根据权利要求3所述的无人作战车辆火力分配方法,其特征在于,毁伤/杀伤qjm的取值范围为[0,1]。
5.一种无人作战车辆火力分配系统,其特征在于,包括:
打击优先级排序模块,其被配置为N个尚未分配打击目标的无人作战车辆中的每个无人作战车辆Un通过深度学习神经网络依次计估算对已被侦察发现的且未被分配充足火力的M个敌方目标中的每个敌方目标Tm的打击优先级vnm,并根据打击优先级从高到底排序,根据从高到底排序的顺序将敌方目标Tm存储于打击列表Xn中,n=1,2,……,N,N为无人作战车辆总数;m=1,2,……,M为战场中所有被侦察发现的、且未被分配充足火力敌方目标总数;
申请列表记录模块,其被配置为每辆尚未分配打击目标的无人作战车辆向指挥中心请求打击其打击列表中的打击优先级最高的敌方目标的申请,指挥中心将向敌方目标Tm发起打击申请的无人作战车辆Uj记录到申请列表Y中,j=1,2,……,J,J≤N,当前已分配打击敌方目标Tm的无人作战车辆所构成的集合为Qm,集合Qm中的中无人作战车辆Ul的毁伤/杀伤能力为Al,集合Qm中所有无人作战车辆对该敌方目标Tm的毁伤/杀伤能力值为:
毁伤/杀伤能力优先级排序模块,其被配置为指挥中心分析申请列表Y中的无人作战车辆的毁伤/杀伤能力,并根据毁伤/杀伤能力分别计算其毁伤/杀伤能力优先级qjm,申请列表Y中记录的无人作战车辆Uj按照毁伤/杀伤能力优先级qjm从高到低排序,以及
火力分配模块,其被配置为实施如下步骤:
步骤4:K←1;
步骤5:判断申请列表Y是否为空,若申请列表Y不为空,执行步骤6;若申请列表Y为空,执行步骤9;
步骤6:从高到低依次将申请列表Yj中的1个无人作战车辆Uk存入火力分配列表Z中,并将加入到火力分配列表Z中的无人作战车辆从申请列表Y中删除;
步骤7:根据下式计算火力分配列表Z中无人作战车辆集合对该敌方目标Tm的毁伤/杀伤能力值:
式中,Ak为火力分配列表Z中无人作战车辆集合的无人作战车辆Uk的杀伤能力;
步骤8:判断,若则认为打击敌方目标Tm的无人作战车辆火力不足以毁伤/杀伤敌方目标Tm,使K←K+1,而后返回到步骤5;若/>则认为打击敌方目标Tm的无人作战车辆集合火力足以毁伤/杀伤敌方目标Tm,而后执行步骤9,式中,Lm为敌方目标Tm的生存能力;
步骤9:输出火力分配列表Z中的无人作战车辆集合及该集合对应打击的敌方目标Tm。
6.根据权利要求5所述的无人作战车辆火力分配系统,其特征在于,深度学习神经网络为变形的PNN神经网络,变形的PNN神经网络包括输入层、隐含层、求和层和竞争层,其中,输入层包括初级输入层、变形层和归一化层,所述初级输入层输入无人作战车辆Un打击敌方目标Tm第一影响因素随时间变化的序列数据X1=[x11 x21 … xA1]T,无人作战车辆Un打击敌方目标Tm第二影响因素随时间变化的序列数据X2=[x12 x22 … xA2]T,…,无人作战车辆Un打击敌方目标Tm第B影响因素随时间变化的序列数据XB=[x1B x2B … xAB]T,初级输入层的输入矩阵用下式表示:
所述变形层用于对输入矩阵进行变形,变形矩阵用下式表示:
式中,Δxab=xab―x(a―1)b指无人作战车辆Un打击敌方目标Tm第b影响因素当前a数据和前次a-1数据差,a=1,2,…,A,b=1,2,…,B;
所述归一化层被配置为利用归一化系数矩阵对变形矩阵进行归一化处理,得到归一化矩阵,归一化系数矩阵如下式:
归一化矩阵如下式:
Znm=Ynm·δ
归一化层将归一化矩阵输入到PNN概率神经网络的隐含层,隐含层中利用标准差σ=0.1的高斯函数将神经元激活,得到初始概率矩阵如下式:
式中,zaq为归一化矩阵Z中第q个样本的第a个值,Cq为高斯函数的中心值,C=2B;
求和层通过下式求出无人作战车辆Un对敌方目标Tm打击优先等级,最后由竞争层输出优先等级:
式中ωq为隐含层神经元与求和层神经元之间的互相关系数,由训练数据反复训练确定。
7.根据权利要求6所述的无人作战车辆火力分配方法,其特征在于,采用下式计算申请列表Y中无人作战车辆Uj对敌方目标Tm的毁伤/杀伤优先级qjm:
其中,Smax是列表Y中无人车辆持续作战能力的最大值,即Smax=max{SU|U∈Y};Sj是无人作战车辆Uj当前的持续作战能力,Cjm是无人作战车辆Uj对敌方目标Tm实施打击所需付出的代价。
8.根据权利要求7所述的无人作战车辆火力分配系统,其特征在于,毁伤/杀伤qjm的取值范围为[0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310485790.6A CN116502915B (zh) | 2023-04-30 | 2023-04-30 | 一种无人作战车辆火力分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310485790.6A CN116502915B (zh) | 2023-04-30 | 2023-04-30 | 一种无人作战车辆火力分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502915A true CN116502915A (zh) | 2023-07-28 |
CN116502915B CN116502915B (zh) | 2023-09-22 |
Family
ID=87329934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310485790.6A Active CN116502915B (zh) | 2023-04-30 | 2023-04-30 | 一种无人作战车辆火力分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502915B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217100A (zh) * | 2023-11-08 | 2023-12-12 | 中国人民解放军63963部队 | 一种基于强化学习的某分队数智化建模方法及仿真系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083971A (zh) * | 2019-05-08 | 2019-08-02 | 南京航空航天大学 | 一种基于作战推演的自爆式无人机集群作战兵力分配方法 |
US10551147B1 (en) * | 2017-03-23 | 2020-02-04 | Combat Weapons Development Llc | Multi-barrel mortar launcher and method |
CN112364972A (zh) * | 2020-07-23 | 2021-02-12 | 北方自动控制技术研究所 | 基于深度强化学习的无人战车分队火力分配方法 |
CN115204524A (zh) * | 2022-09-13 | 2022-10-18 | 中国电子科技集团公司第十五研究所 | 指挥决策突击方案的生成方法及电子设备 |
-
2023
- 2023-04-30 CN CN202310485790.6A patent/CN116502915B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10551147B1 (en) * | 2017-03-23 | 2020-02-04 | Combat Weapons Development Llc | Multi-barrel mortar launcher and method |
CN110083971A (zh) * | 2019-05-08 | 2019-08-02 | 南京航空航天大学 | 一种基于作战推演的自爆式无人机集群作战兵力分配方法 |
CN112364972A (zh) * | 2020-07-23 | 2021-02-12 | 北方自动控制技术研究所 | 基于深度强化学习的无人战车分队火力分配方法 |
CN115204524A (zh) * | 2022-09-13 | 2022-10-18 | 中国电子科技集团公司第十五研究所 | 指挥决策突击方案的生成方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
王春艳等: "智能陆战场有人/无人坦克协同决策研究", 第十六届全国信号和智能信息处理与应用学术会议论文集 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217100A (zh) * | 2023-11-08 | 2023-12-12 | 中国人民解放军63963部队 | 一种基于强化学习的某分队数智化建模方法及仿真系统 |
CN117217100B (zh) * | 2023-11-08 | 2024-01-30 | 中国人民解放军63963部队 | 一种基于强化学习的某分队数智化建模方法及仿真系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116502915B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xin et al. | Efficient decision makings for dynamic weapon-target assignment by virtual permutation and tabu search heuristics | |
Virtanen et al. | Modeling air combat by a moving horizon influence diagram game | |
CN111582469A (zh) | 多智能体协作信息处理方法、系统、存储介质、智能终端 | |
Hu et al. | Improved Ant Colony Optimization for Weapon‐Target Assignment | |
CN116502915A (zh) | 一种无人作战车辆火力分配方法及系统 | |
CN107590623A (zh) | 一种考虑地域物流服务能力的云制造服务组合优选方法 | |
Ramirez-Cano et al. | Player classification using a meta-clustering approach | |
CN112070418B (zh) | 一种多目标鲸鱼优化算法的武器目标分配方法 | |
CN112364972A (zh) | 基于深度强化学习的无人战车分队火力分配方法 | |
Yigit et al. | Using the metaheuristic methods for real-time optimisation of dynamic school bus routing problem and an application | |
CN115494873A (zh) | 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法 | |
CN114186665A (zh) | 一种基于gpu的脉冲神经网络仿真方法 | |
Wu et al. | Dynamic multitarget assignment based on deep reinforcement learning | |
CN116088586A (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN113919425B (zh) | 一种空中目标自主分配方法及系统 | |
CN114662655B (zh) | 一种基于注意力机制的兵棋推演ai分层决策方法及装置 | |
Lin et al. | A recurrent neural fuzzy controller based on self‐organizing improved particle swarm optimization for a magnetic levitation system | |
Chau | Predicting construction litigation outcome using particle swarm optimization | |
Xiang et al. | Cooperation target assignment of missiles based on multi-agent technique and improved contract net protocol | |
Kusuma et al. | Cone Search: A Simple Metaheuristic Optimization Algorithm | |
CN113128698A (zh) | 多无人机协同对抗决策的强化学习方法 | |
Shopov et al. | A study of the impact of evolutionary strategies on performance of reinforcement learning autonomous agents | |
CN106910148B (zh) | 基于协同过滤的指挥要素自适应推送方法 | |
Mohammadzadeh et al. | Eel and grouper optimizer: a nature-inspired optimization algorithm | |
Meng et al. | An improved predator-prey particle swarm optimization algorithm for Nash equilibrium solution |
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 |