CN117272835A - 数字孪生兵棋推演气象数据仿真及智能决策方法和系统 - Google Patents
数字孪生兵棋推演气象数据仿真及智能决策方法和系统 Download PDFInfo
- Publication number
- CN117272835A CN117272835A CN202311436752.8A CN202311436752A CN117272835A CN 117272835 A CN117272835 A CN 117272835A CN 202311436752 A CN202311436752 A CN 202311436752A CN 117272835 A CN117272835 A CN 117272835A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- chess
- action
- deduction
- 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 65
- 238000004088 simulation Methods 0.000 title claims abstract description 40
- 230000009471 action Effects 0.000 claims abstract description 113
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000003915 air pollution Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000006378 damage Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000001419 dependent effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了数字孪生兵棋推演气象数据仿真及智能决策方法和系统，属于军事行动推演决策领域，可以精准地进行兵棋推演中的气象数据仿真及智能决策。其技术要点在于：通过结合数字孪生技术和气象数据仿真，实现了对兵棋推演过程中的气象情况进行精准模拟，并应用智能决策算法进行决策支持。具体包括任务目标约束子模型、海洋战场地理信息分析子模型、兵力装备部署子模型、敌情数据分析子模型、气象综合预测子模型和行动博弈子模型的构建。通过将实际气象数据与该模型相结合，可以在推演过程中模拟不同气象情况下的影响，为军事决策提供可靠的参考依据。
Description
技术领域
本发明属于气象数据仿真及智能决策领域，更具体地，涉及数字孪生兵棋推演气象数据仿真及智能决策方法和系统。
背景技术
兵棋作为一种用于研究战争的工具，有着近300年的发展历史，兵棋推演是基于兵棋并使用一定的规则对行动形势进行推算的过程。兵棋推演这种推算形式的出现是因为在实际战场上，各种决策方针都会对小规模战斗，甚至大规模战争的结果起到关键性的作用。这种作用无法直观体现，只有通过推理演算的方式才能探究出其效果。电子兵棋推演是一种基于电子兵棋平台的演算机制，研究者可充分使用博弈论、图论、最优化等数学方法在电子平台上对战争全过程进行模拟与推演，可以在实际战争中起到优化战争方案、评估战争效能等作用。如今的兵棋推演可以分为战术及战役两个层面，战术层面往往涉及一两个排或连，在微缩场景上进行战争模拟。战役层面一般涉及较多兵力且推演时间较长，属于复杂决策场景。此外，现代兵棋推演逐渐摒弃了以往的回合制模式，向即时策略游戏靠拢，推演过程中基于态势的反应与决策往往融合在一起，同时环境中也引入了战争迷雾与随机结算等环境特点，更接近现实中的真实战争。
随着人工智能的发展，各大领域逐渐开始使用人工智能技术完成特定任务，通过模拟人类的思维方式进行智能决策。而在兵棋推演中，人工智能的潜力更多在于利用规则式编码进行决策，或使用深度学习网络组织并创建新的战役、战术和指挥关系概念。兵棋推演通过对有限样本数据不断使用有监督的深度学习方法或使用无监督的强化学习方法，可以实现识别态势、评估态势、自主决策、监控行动、调整任务等功能，使军事应用人员可以更加聚焦于对抗推演本身，令推演中的行动决策更为高效与智能。
当前兵棋推演AI领域的研究类型大致分为三类。第一类着重于战场的态势识别模块，由于兵棋推演环境中给出的是原始的战场态势信息，且智能体仅能获取附近的有限态势，能够正确地获取、预处理并分析态势是达到优秀决策的前提。刘长亮等人将可拓数据挖掘运用于兵棋推演中，可以针对于特定目标实现动态的数据挖掘，以探索态势信息中的潜在规律。第二类研究着重于兵棋推演中的态势评估与预测模块，刘海洋等人将兵棋推演中的联合行动综合评估指标在空间和时间两个维度上进行分解，以评估态势图与任务探针的方法进行兵棋推演中的态势评估；欧微等人利用深度学习中堆栈自编码器模型，通过模仿人类行动决策的思维模式，深入挖掘兵棋推演数据中隐含的关联与规律，进行综合性智能评估；秦园丽等人结合了模糊综合评判法、探索性分析法等常用态势评估方法进行决策方案的评估；张大永等人利用深度学习中的集成学习方法进行空中任务的评估与预测。第三类兵棋推演领域的研究着重于兵棋推演中最重要的一个模块——人工智能自主决策，此为本文重点研究的方面。兵棋推演中的决策方向十分广泛，主要分为宏观决策与微观决策。宏观决策是与玩家想法相关的所有动作的统称，例如战略部署、进攻策略、经济分配等，人工智能通常使用行为树或有限状态机等算法制定宏观决策。董倩等人提出了基于空中行动的行为树建模与仿真方法，构建出能够自主决策的空中行动模型。微观决策与推演的细节有关，例如智能体当前行进路线、打击目标、技能使用等。李宗明验证了蚁群算法、遗传算法等智能算法用于兵棋推演中智能体路径规划的合理性。张韬等人利用A-Star算法进行海战兵棋推演下的智能体路径规划。Shang等人将模糊佩特里网论中的知识表示与推理方法应用于兵棋推演中，利用佩特里网序列映射为每一个智能体进行微观决策。然而这些非深度学习算法缺乏记忆性和对态势的评估与预测能力，所以其无法适用于不同的地图和对手，缺乏一定的通用性。深度强化学习算法的出现为兵棋推演的自主智能决策开启了新的篇章。
发明内容
针对现有技术中存在的技术问题，本发明提供了数字孪生兵棋推演气象数据仿真及智能决策方法和系统，可以精准地进行兵棋推演中的气象数据仿真及智能决策。
根据本发明的第一方面，提供了数字孪生兵棋推演气象数据仿真及智能决策方法，包括以下步骤：
步骤1，获取实际气象信息，构建多维环境角色；所述实际气象信息包括第一气象信息和第二气象信息；
步骤2，基于多维环境角色构建数字孪生兵棋推演模型；模型包括任务目标约束子模型、海洋战场地理信息分析子模型、兵力装备部署子模型、敌情数据分析子模型、气象综合预测子模型和行动博弈子模型；
步骤3，将数字孪生兵棋推演模型的输出传递给智能决策算法，基于智能决策算法分析不同情况下的行动结果，提供决策支持；
步骤4，应用仿真数据进行模拟行动过程，将智能决策应用于兵棋推演中。
在上述技术方案的基础上，本发明还可以作出如下改进。
优选的，步骤1中，所述第一气象信息包括天气现象，所述第二气象信息包括具有数值或数值范围的温度值、水位、降水、风力、湿度、空气污染指数中的一个或多个；所述构建多维环境角色包括以下步骤：
1.1).对于第一种气象信息，将不同天气现象进行分类，为每种天气现象分配一个唯一的标签；对于第二种气象信息，根据数值或数值范围将温度、水位、降水、风力、湿度、空气污染指数进行分段，并为每个分段分配一个标签；
1.2).将第一种气象信息和第二种气象信息的标签组合在一起，形成多维的环境角色特征表示；此外，将天气现象和温度值等标签进行组合，形成"晴天-高温"、"雨天-低温"等多维标签；
1.3).根据不同的特征表示，构建多维环境角色；例如，"晴天-高温"被视为一个类型，"雨天-低温"被视为另一个类型，以此类推；通过将不同的特征组合映射到不同的环境角色类型，进行多维环境角色的构建。
优选的，所述步骤2中，构建任务目标约束子模型包括以下步骤：
a.首先，明确定义兵棋推演中的任务目标，包括行动任务、目标击毁，以及任务目标的具体要求和约束条件；
b.收集与任务目标相关的数据，包括地理环境数据、敌友情报数据、行动部队信息；对这些数据进行预处理，确保数据的准确性和一致性；
c.根据任务目标，构建合适的数据集，其中包括输入数据和对应的任务目标标签，确保数据集的多样性和代表性，以提高子模型的泛化能力。
优选的，所述步骤2中，构建海洋战场地理信息分析子模型包括以下步骤：
a.收集与海洋战场地理环境相关的数据，包括地图数据、海洋地形数据、水深数据、海流数据，确保数据的准确性和完整性；
b.对收集到的地理信息数据进行预处理，以确保数据的质量和一致性；
c.从地理信息数据中提取与海洋战场特征相关的信息，如海域分布、地形起伏、水深变化特征；
d.采用基于可微分的单应性变换的成本体积用于多视图深度估计模型架构，将地理信息数据重建为可视化成的三维地理场景。
优选的，所述步骤2中，构建兵力装备部署子模型包括以下步骤：
a.收集与兵力装备相关的数据，包括部队编制、兵种分布、装备情况、行动能力信息，确保数据的准确性和完整性；
b.对收集到的兵力装备数据进行预处理，以确保数据的质量和一致性；
c.从兵力装备数据中提取与部队编制、装备分布特征相关的信息，如部队数量、装备类型、行动能力特征；
d.根据装备数据，建立多元线性回归的预测模型；
e.使用经过预处理和特征提取的兵力装备数据，对子模型进行训练，使子模型学习兵力装备与行动能力之间的关系。
优选的，所述步骤2中，构建敌情数据分析子模型包括以下步骤：
a.收集与敌情相关的数据，包括敌军编制、兵力分布、部队布置、战术意图信息，确保数据的可靠性和完整性；
b.对收集到的敌情数据进行预处理，包括数据清洗、去噪、标准化；
c.通过对敌情数据的分析，推断敌军的编组、兵力部署和可能的行动意图，包括对敌军行动模式、兵力规模、装备类型的推测；
d.采用基于深度学习的网络数据分析模型分析敌情数据，进而从敌情数据中提取关键信息。
优选的，所述步骤2中，构建气象综合预测子模型包括以下步骤：
a.收集实际气象数据，包括天气现象、温度、湿度、风速多个气象要素的数值或范围数据，对收集到的气象数据进行整理和预处理，确保数据的准确性和完整性；
b.从收集到的气象数据中提取关键特征，用于构建气象预测模型；包括对不同气象要素之间的关系进行分析，提取出影响气象变化的重要因素；
c.选择适合的预测模型，使用机器学习、深度学习方法，根据提取的特征和历史气象数据，训练气象预测模型，使其能够预测不同气象要素在未来时间段的变化趋势。
优选的，所述步骤3中，所述基于智能决策算法分析不同情况下的行动结果，提供决策支持包括以下步骤：
3.1).收集和整理兵棋推演中所需的各种数据，包括地理环境、气象数据、行动部队信息；确保数据的准确性和完整性，为后续智能决策提供可靠的基础；
3.2).选择适合的智能决策算法，如强化学习、深度学习、优化算法，用于分析不同情况下的行动结果，根据决策变量和目标函数，设计算法的输入和输出；
3.3).将决策变量和智能决策算法结合起来，建立行动结果与决策变量之间的关系模型；
3.4).利用建立的关系模型，分析不同决策变量对行动结果的影响，通过智能决策算法，预测不同情况下的行动结果，包括可能的胜负、损失、优势的情况；
3.5).将分析和预测的结果可视化，以便决策者更直观地理解行动情况；同时，解释模型的输出，让决策者了解智能决策算法的依据和逻辑。
优选的，所述步骤4中，应用仿真数据进行模拟行动过程，将智能决策应用于兵棋推演中包括以下步骤：
4.1).确定兵棋推演的场景和行动情境，包括地理环境、行动部队、任务目标要素，将这些要素作为兵棋推演的基础数据；
4.2).设定初始的兵力部署、装备配置和任务分配，为兵棋推演提供起始情况，将这些初始状态作为推演的初始条件；
4.3).根据行动目标和战术要求，制定行动计划和指令，确定每个行动单位的行动轨迹、任务执行和协同行动策略；
4.4).利用兵棋推演平台进行战斗模拟，模拟行动部队的实际行动、交战过程和战术结果；模拟过程需考虑地理环境、气象数据因素；
4.5).分析兵棋推演的仿真结果，包括行动单位的损失、战斗胜负、任务完成情况，评估行动计划的合理性和效果。
根据本发明的第二方面，提供数字孪生兵棋推演气象数据仿真及智能决策系统，包括：
气象信息获取模块，用于获取实际气象信息，构建多维环境角色；所述实际气象信息包括第一气象信息和第二气象信息；
兵棋推演模型构建模块，用于基于多维环境角色构建数字孪生兵棋推演模型；模型包括任务目标约束子模型、海洋战场地理信息分析子模型、兵力装备部署子模型、敌情数据分析子模型、气象综合预测子模型和行动博弈子模型；
智能决策模块，用于将数字孪生兵棋推演模型的输出传递给智能决策算法，基于智能决策算法分析不同情况下的行动结果，提供决策支持；
决策应用模块，用于应用仿真数据进行模拟行动过程，将智能决策应用于兵棋推演中。
本发明的技术效果和优点：
本发明提供了数字孪生兵棋推演气象数据仿真及智能决策方法和系统，该技术的突出效果和优点在于其综合性和高度仿真性。通过结合实际气象信息、多维环境角色的构建、数字孪生兵棋推演模型和智能决策算法，该系统实现了准确的气象数据仿真，并能够为不同气象条件下的兵棋推演场景提供高度逼真的仿真环境。
数字孪生技术的运用使系统能够模拟各种气象情况，包括极端情况，从而帮助用户更好地理解气象对决策制定的影响。同时，智能决策算法的支持使系统能够分析不同情况下的行动结果，为用户提供决策制定的有力支持。这有助于提高战术规划和决策的准确性和效率。系统还考虑了多维环境因素，包括任务目标、地理信息、兵力装备、敌情数据和行动博弈，综合考虑这些因素有助于更全面地理解复杂的战场环境。此外，该系统的实时性和实用性使用户能够根据不断变化的气象条件灵活调整决策，增强了兵棋推演的实用性。通过提前模拟极端气象情况，系统还有助于用户提前评估潜在风险和挑战，采取相应的措施。
最终，这一基于数字孪生的兵棋推演气象数据仿真及智能决策方法和系统旨在提高决策制定的质量和效率，为军事领域提供强大的分析和决策工具，有望提高军事行动的效能，减少损失。
附图说明
图1是本发明实施例提供的数字孪生兵棋推演气象数据仿真和智能决策方法的流程示意图；
图2是本发明实施例提供的一种构建任务目标约束子模型的流程示意图；
图3是本发明实施例提供的一种构建海洋战场地理信息分析子模型的流程示意图；
图4是本发明实施例提供的一种构建兵力装备部署子模型的流程示意图；
图5是本发明实施例提供的一种构建敌情数据分析子模型的内容示意图；
图6是本发明实施例提供的一种构建气象综合预测子模型的流程示意图；
图7是本发明实施例提供的一种构建行动博弈子模型的流程示意图；
图8是本发明实施例提供的一种智能决策算法分析不同情况下的行动结果并提供决策支持的流程示意图；
图9是本发明实施例提供的一种兵棋推演的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了数字孪生兵棋推演气象数据仿真和智能决策方法，具体如图1所示，所述方法具体包含以下步骤：
步骤1，获取实际气象信息，构建多维环境角色；
在本实施例中，实际气象信息包括第一气象信息和第二气象信息，所述第一气象信息包括天气现象，所述第二气象信息包括具有数值或数值范围的温度值、水位、降水、风力、湿度、空气污染指数中的一个或多个。
对于第一种气象信息，将不同天气现象进行分类，如晴天、雨天、阴天等，为每种天气现象分配一个唯一的标签。对于第二种气象信息，根据数值或数值范围将温度、水位、降水、风力、湿度、空气污染指数等进行分段，并为每个分段分配一个标签；将第一和第二种气象信息的标签组合在一起，形成多维的环境角色特征表示。将天气现象和温度值等标签进行组合，形成如"晴天-高温"、"雨天-低温"等多维标签；根据不同的特征表示，构建多维环境角色。"晴天-高温"可以被视为一个类型，"雨天-低温"可以被视为另一个类型。通过将不同的特征组合映射到不同的环境角色类型，实现了多维环境角色的构建。
步骤2，基于多维环境角色构建数字孪生兵棋推演模型；模型包括任务目标约束子模型、海洋战场地理信息分析子模型、兵力装备部署子模型、敌情数据分析子模型、气象综合预测子模型和行动博弈子模型；
如图2所示，构建任务目标约束子模型包括以下步骤：明确定义兵棋推演中的任务目标，例如行动任务、目标击毁等，以及任务目标的具体要求和约束条件；收集与任务目标相关的数据，包括地理环境数据、敌友情报数据、行动部队信息等。对这些数据进行预处理，确保数据的准确性和一致性；根据任务目标，构建合适的数据集，其中包括输入数据和对应的任务目标标签。确保数据集的多样性和代表性，以提高子模型的泛化能力，具体包括以下步骤：
a.确定兵棋推演的任务目标。包括摧毁地方目标、占领特定区域、保护重要措施、斩首行动等；
b.对战场环境进行分析，包括地理地形、气候条件、敌方部署等因素；
c.根据任务目标的性质和战场环境，确定需要设置的约束类型为每个约束类型制定具体的规则和条件；
d.考虑引入不同类型的约束，以增加推演的多样性和挑战性。将不同类型的约束综合起来，确保约束之间不会相互冲突；
e.根据推演结果和评估，对约束条件进行优化和调整。将推演的经验总结和记录下来，用于指导未来的推演活动。
如图3所示，构建海洋战场地理信息分析子模型包括以下步骤：收集与海洋战场地理环境相关的数据，包括地图数据、海洋地形数据、水深数据、海流数据等，确保数据的准确性和完整性；对收集到的地理信息数据进行预处理，包括数据清洗、去噪、插值等，以确保数据的质量和一致性；从地理信息数据中提取与海洋战场特征相关的信息，如海域分布、地形起伏、水深变化等特征；采用基于可微分的单应性变换的成本体积用于多视图深度估计模型架构，将地理信息数据重建为可视化成的三维地理场景；其中，采用的基于可微分的单应性变换的成本体积用于多视图深度估计模型架构包括以下步骤：
a.输入一张参考图像(为主)和几张源图像(辅助)；
b.分别用网络提取出下采样四分之一的32通道的特征图；
c.采用立体匹配(即双目深度估计)里提出的成本体积的概念，将几张源图像的特征利用单应性变换转换到参考图像，在转换的过程中，类似极线搜索，引入深度信息。
对某一组样本，参考数据只有一个，而源数据会有2或4个。将各个源数据的特征Fi通过单应矩阵变化到参考数据的坐标系下，即Fi→1。而具体的实现则是首先得到从参考图像到源图像的坐标映射关系idx1→i，然后通过idx1→i逆向得到Fi→1(通过聚集等操作)。
c.利用三维卷积操作成本体积，先输出每个深度的概率，然后求深度的加权平均得到预测的深度信息，用L1或smoothL1回归深度信息，是一个回归模型；
d.利用多张图片之间的重建约束选择预测正确的深度信息，重建成三维点云。
如图4所示，构建兵力装备部署子模型包括以下步骤：收集与兵力装备相关的数据，包括部队编制、兵种分布、装备情况、行动能力等信息，确保数据的准确性和完整性；对收集到的兵力装备数据进行预处理，包括数据清洗、去噪、标准化等，以确保数据的质量和一致性；从兵力装备数据中提取与部队编制、装备分布等特征相关的信息，如部队数量、装备类型、行动能力等特征；根据装备数据，建立多元线性回归的预测模型。其中，多元线性回归的预测模型的建立包括以下内容：
a.通过对装备数据进行可视化和统计分析，探索装备之间的关系以及行动情况之间的关系。有助于理解装备的数据分布和异常情况；
b.选择和创建合适的自变量特征并将准备好的自变量和因变量数据用于训练多元线性回归模型；
c.使用合适的评价指标(如均方误差、决定系数)评估模型的性能，解释回归模型中的系数，确定自变量对因变量的影响程度；
d.使用训练好的模型进行装备性能的预测。
如图5所示，构建敌情数据分析子模型包括以下步骤：收集与敌情相关的数据，包括敌军编制、兵力分布、部队布置、战术意图等信息。确保数据的可靠性和完整性；对收集到的敌情数据进行预处理，包括数据清洗、去噪、标准化等，以确保数据的准确性和一致性；通过对敌情数据的分析，推断敌军的编组、兵力部署和可能的行动意图。这可以包括对敌军行动模式、兵力规模、装备类型等的推测；采用基于深度学习的网络数据分析模型分析敌情数据，进而从敌情数据中提取关键信息。其中，基于深度学习的网络数据分析模型构建包括以下内容：
引入约束和惩罚机制量化网络数据。量化后的网络数据表示为约束函数下的结果，在数据正则化阶段，将数据转化为经验风险值范围内的稀疏矩阵，降低深度学习过程中神经元稀疏特性阶段的特征选择误差。实现流程包括：
a.使用带有正则化标记的样本数据进行深度学习训练，标记存在关联的数据特征；
b.利用上述特征信息，识别待分析数据样本的特征；
c.对于识别结果为空的信息进行独立标注，作为下一次数据分析的新增特征；
d.基于深度学习的特征信息，对数据进行分类。使得深度学习模型能更可靠地进行数据分析，减少欠拟合风险。
如图6所示，构建气象综合预测子模型包括以下步骤：收集实际气象数据，包括天气现象、温度、湿度、风速等多个气象要素的数值或范围数据。对收集到的气象数据进行整理和预处理，确保数据的准确性和完整性；从收集到的气象数据中提取关键特征，用于构建气象预测模型。这可以包括对不同气象要素之间的关系进行分析，提取影响气象变化的重要因素；构建元线性回归的气象预测模型。其中，多元线性回归的预测模型的建立包括以下内容：
a.通过对数据进行可视化和统计分析，探索自变量之间的关系以及因变量之间的关系；
b.选择和创建合适的自变量特征并将准备好的自变量和因变量数据用于训练多元线性回归模型；
c.使用合适的评价指标(如均方误差、决定系数)来评估模型的性能，解释回归模型中的系数，确定哪些自变量对因变量的影响最大，哪些自变量对因变量没有显著影响；
d.使用训练好的模型进行装备性能的预测。
如图7所示，构建行动博弈子模型包括以下步骤：根据兵棋推演的实际情况，选择适合的博弈模型，如零和博弈、非零和博弈等，以及对应的解决方法；确定参与行动博弈的各个参与者，例如敌方、友方、中立方等。为每个参与者定义相关的策略和行动；为每个参与者定义其可选的策略空间，即其可能的行动或决策。策略空间的定义需要考虑各个参与者的能力、目标和约束等因素；根据所选的博弈类型，构建基于深度学习的网络数据分析模型。考虑到数字孪生的特性，可以将地理环境、气象数据、行动部队等要素纳入模型中，以实现真实情况的模拟；为每个参与者确定相应的收益函数，用于衡量其在不同策略下的效益或损失。收益函数需要考虑多种因素，如行动结果、资源消耗等；利用博弈论的方法，对构建的行动博弈模型进行求解。其中，基于深度学习的网络数据分析模型构建包括以下内容：
假定参与对象有多个(国家、军队、组织等)他们在冲突环境或者行动环境中做出抉择。这些抉择可能涉及战略选择、资源分配、军事行动等，目标是优化自身的利益或者影响对手的活动。模型的具体流程如下：
a.设定参与者，明确每个参与者的角色身份，如国家、军队、组织等；
b.设定目标与动机，了解每个参与者的目标、利益与动机；
c.为每个参与者提供可选的策略空间，包括不同的军事行动，如进攻、防守、撤退等；
d.设置收益函数，为每个参与者构建适当的收益函数，将不同的策略的结果转化为数值；
e.确定模型中的参数，如决策者的理性程度、不确定性水平等。
步骤3，将数字孪生兵棋推演模型的输出传递给智能决策算法，基于智能决策算法分析不同情况下的行动结果，提供决策支持；
在本实施例中，如图8所示，利用智能决策算法分析不同情况下的行动结果并提供决策支持包括以下步骤：收集和整理兵棋推演中所需的各种数据，包括地理环境、气象数据、行动部队信息等。确保数据的准确性和完整性，为后续智能决策提供可靠的基础；选择适合的智能决策算法，如强化学习、深度学习、优化算法等，用于分析不同情况下的行动结果；将决策变量和智能决策算法结合起来，建立行动结果与决策变量之间的关系模型；利用建立的决策模型，分析不同决策变量对行动结果的影响。通过智能决策算法，预测不同情况下的行动结果，包括可能的胜负、损失、优势等情况；将分析和预测的结果可视化，以便决策者更直观地理解行动情况。
步骤4，应用仿真数据进行模拟行动过程，将智能决策应用于兵棋推演中。
在本实施例中，如图9所示，兵棋推演包括以下步骤：确定兵棋推演的场景和行动情境，包括地理环境、行动部队、任务目标等要素。这些要素将作为兵棋推演的基础数据；设定初始的兵力部署、装备配置和任务分配等，为兵棋推演提供起始情况。这些初始状态将作为推演的初始条件；根据行动目标和战术要求，制定行动计划和指令。确定每个行动单位的行动轨迹、任务执行和协同行动策略；利用兵棋推演平台进行战斗模拟，模拟行动部队的实际行动、交战过程和战术结果。模拟过程考虑地理环境、气象数据等因素；分析兵棋推演的仿真结果，包括行动单位的损失、战斗胜负、任务完成情况等。评估行动计划的合理性和效果。
基于上述技术方案，本发明实施例提供了数字孪生兵棋推演气象数据仿真及智能决策方法，通过结合实际气象信息、多维环境角色的构建、数字孪生兵棋推演模型和智能决策算法，实现了准确的气象数据仿真，并能够为不同气象条件下的兵棋推演场景提供高度逼真的仿真环境。
数字孪生技术的运用使系统能够模拟各种气象情况，包括极端情况，从而帮助用户更好地理解气象对决策制定的影响。同时，智能决策算法的支持使系统能够分析不同情况下的行动结果，为用户提供决策制定的有力支持。这有助于提高战术规划和决策的准确性和效率。系统还考虑了多维环境因素，包括任务目标、地理信息、兵力装备、敌情数据和行动博弈，综合考虑这些因素有助于更全面地理解复杂的战场环境。此外，该系统的实时性和实用性使用户能够根据不断变化的气象条件灵活调整决策，增强了兵棋推演的实用性。通过提前模拟极端气象情况，系统还有助于用户提前评估潜在风险和挑战，采取相应的措施。
另外地，本发明实施例还提供数字孪生兵棋推演气象数据仿真及智能决策系统，包括：
气象信息获取模块，用于获取实际气象信息，构建多维环境角色；所述实际气象信息包括第一气象信息和第二气象信息；
兵棋推演模型构建模块，用于基于多维环境角色构建数字孪生兵棋推演模型；模型包括任务目标约束子模型、海洋战场地理信息分析子模型、兵力装备部署子模型、敌情数据分析子模型、气象综合预测子模型和行动博弈子模型；
智能决策模块，用于将数字孪生兵棋推演模型的输出传递给智能决策算法，基于智能决策算法分析不同情况下的行动结果，提供决策支持；
决策应用模块，用于应用仿真数据进行模拟行动过程，将智能决策应用于兵棋推演中。
需要进行说明的是，本发明实施例所描述的数字孪生兵棋推演气象数据仿真及智能决策系统与上文描述的数字孪生兵棋推演气象数据仿真及智能决策方法可相互对应参照，数字孪生兵棋推演气象数据仿真及智能决策系统的相关技术特征可参考数字孪生兵棋推演气象数据仿真及智能决策方法的相关技术特征，在此不再赘述。
最综，本发明实施例所述的基于数字孪生的兵棋推演气象数据仿真及智能决策方法和系统旨在提高决策制定的质量和效率，为军事领域提供强大的分析和决策工具，有望提高军事行动的效能，减少损失。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而以，并不以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.数字孪生兵棋推演气象数据仿真及智能决策方法，其特征在于：包括以下步骤：
步骤1，获取实际气象信息，构建多维环境角色；所述实际气象信息包括第一气象信息和第二气象信息；
步骤2，基于多维环境角色构建数字孪生兵棋推演模型；模型包括任务目标约束子模型、海洋战场地理信息分析子模型、兵力装备部署子模型、敌情数据分析子模型、气象综合预测子模型和行动博弈子模型；
步骤3，将数字孪生兵棋推演模型的输出传递给智能决策算法，基于智能决策算法分析不同情况下的行动结果，提供决策支持；
步骤4，应用仿真数据进行模拟行动过程，将智能决策应用于兵棋推演中。
2.根据权利要求1所述的数字孪生兵棋推演气象数据仿真及智能决策方法，其特征在于，步骤1中，所述第一气象信息包括天气现象，所述第二气象信息包括具有数值或数值范围的温度值、水位、降水、风力、湿度、空气污染指数中的一个或多个；所述构建多维环境角色包括以下步骤：
1.1).对于第一种气象信息，将不同天气现象进行分类，为每种天气现象分配一个唯一的标签；对于第二种气象信息，根据数值或数值范围将温度、水位、降水、风力、湿度、空气污染指数进行分段，并为每个分段分配一个标签；
1.2).将第一种气象信息和第二种气象信息的标签组合在一起，形成多维的环境角色特征表示；此外，将天气现象和温度值等标签进行组合，形成"晴天-高温"、"雨天-低温"等多维标签；
1.3).根据不同的特征表示，构建多维环境角色；例如，"晴天-高温"被视为一个类型，"雨天-低温"被视为另一个类型，以此类推；通过将不同的特征组合映射到不同的环境角色类型，进行多维环境角色的构建。
3.根据权利要求1所述的数字孪生兵棋推演气象数据仿真及智能决策方法，其特征在于，所述步骤2中，构建任务目标约束子模型包括以下步骤：
a.首先，明确定义兵棋推演中的任务目标，包括行动任务、目标击毁，以及任务目标的具体要求和约束条件；
b.收集与任务目标相关的数据，包括地理环境数据、敌友情报数据、行动部队信息；对这些数据进行预处理，确保数据的准确性和一致性；
c.根据任务目标，构建合适的数据集，其中包括输入数据和对应的任务目标标签，确保数据集的多样性和代表性，以提高子模型的泛化能力。
4.根据权利要求1所述的数字孪生的兵棋推演气象数据仿真及智能决策方法，其特征在于，所述步骤2中，构建海洋战场地理信息分析子模型包括以下步骤：
a.收集与海洋战场地理环境相关的数据，包括地图数据、海洋地形数据、水深数据、海流数据，确保数据的准确性和完整性；
b.对收集到的地理信息数据进行预处理，以确保数据的质量和一致性；
c.从地理信息数据中提取与海洋战场特征相关的信息，如海域分布、地形起伏、水深变化特征；
d.采用基于可微分的单应性变换的成本体积用于多视图深度估计模型架构，将地理信息数据重建为可视化成的三维地理场景。
5.根据权利要求1所述的数字孪生兵棋推演气象数据仿真及智能决策方法，其特征在于，所述步骤2中，构建兵力装备部署子模型包括以下步骤：
a.收集与兵力装备相关的数据，包括部队编制、兵种分布、装备情况、行动能力信息，确保数据的准确性和完整性；
b.对收集到的兵力装备数据进行预处理，以确保数据的质量和一致性；
c.从兵力装备数据中提取与部队编制、装备分布特征相关的信息，如部队数量、装备类型、行动能力特征；
d.根据装备数据，建立多元线性回归的预测模型；
e.使用经过预处理和特征提取的兵力装备数据，对子模型进行训练，使子模型学习兵力装备与行动能力之间的关系。
6.根据权利要求1所述的数字孪生兵棋推演气象数据仿真及智能决策方法，其特征在于，所述步骤2中，构建敌情数据分析子模型包括以下步骤：
a.收集与敌情相关的数据，包括敌军编制、兵力分布、部队布置、战术意图信息，确保数据的可靠性和完整性；
b.对收集到的敌情数据进行预处理，包括数据清洗、去噪、标准化；
c.通过对敌情数据的分析，推断敌军的编组、兵力部署和可能的行动意图，包括对敌军行动模式、兵力规模、装备类型的推测；
d.采用基于深度学习的网络数据分析模型分析敌情数据，进而从敌情数据中提取关键信息。
7.根据权利要求1所述的数字孪生兵棋推演气象数据仿真及智能决策方法，其特征在于，所述步骤2中，构建气象综合预测子模型包括以下步骤：
a.收集实际气象数据，包括天气现象、温度、湿度、风速多个气象要素的数值或范围数据，对收集到的气象数据进行整理和预处理，确保数据的准确性和完整性；
b.从收集到的气象数据中提取关键特征，用于构建气象预测模型；包括对不同气象要素之间的关系进行分析，提取出影响气象变化的重要因素；
c.选择适合的预测模型，使用机器学习、深度学习方法，根据提取的特征和历史气象数据，训练气象预测模型，使其能够预测不同气象要素在未来时间段的变化趋势。
8.根据权利要求1所述的数字孪生兵棋推演气象数据仿真及智能决策方法，其特征在于，所述步骤3中，所述基于智能决策算法分析不同情况下的行动结果，提供决策支持包括以下步骤：
3.1).收集和整理兵棋推演中所需的各种数据，包括地理环境、气象数据、行动部队信息；确保数据的准确性和完整性，为后续智能决策提供可靠的基础；
3.2).选择适合的智能决策算法，如强化学习、深度学习、优化算法，用于分析不同情况下的行动结果，根据决策变量和目标函数，设计算法的输入和输出；
3.3).将决策变量和智能决策算法结合起来，建立行动结果与决策变量之间的关系模型；
3.4).利用建立的关系模型，分析不同决策变量对行动结果的影响，通过智能决策算法，预测不同情况下的行动结果，包括可能的胜负、损失、优势的情况；
3.5).将分析和预测的结果可视化，以便决策者更直观地理解行动情况；同时，解释模型的输出，让决策者了解智能决策算法的依据和逻辑。
9.根据权利要求1所述的数字孪生兵棋推演气象数据仿真及智能决策方法，其特征在于，所述步骤4中，应用仿真数据进行模拟行动过程，将智能决策应用于兵棋推演中包括以下步骤：
4.1).确定兵棋推演的场景和行动情境，包括地理环境、行动部队、任务目标要素，将这些要素作为兵棋推演的基础数据；
4.2).设定初始的兵力部署、装备配置和任务分配，为兵棋推演提供起始情况，将这些初始状态作为推演的初始条件；
4.3).根据行动目标和战术要求，制定行动计划和指令，确定每个行动单位的行动轨迹、任务执行和协同行动策略；
4.4).利用兵棋推演平台进行战斗模拟，模拟行动部队的实际行动、交战过程和战术结果；模拟过程需考虑地理环境、气象数据因素；
4.5).分析兵棋推演的仿真结果，包括行动单位的损失、战斗胜负、任务完成情况，评估行动计划的合理性和效果。
10.数字孪生兵棋推演气象数据仿真及智能决策系统，其特征在于：包括：
气象信息获取模块，用于获取实际气象信息，构建多维环境角色；所述实际气象信息包括第一气象信息和第二气象信息；
兵棋推演模型构建模块，用于基于多维环境角色构建数字孪生兵棋推演模型；模型包括任务目标约束子模型、海洋战场地理信息分析子模型、兵力装备部署子模型、敌情数据分析子模型、气象综合预测子模型和行动博弈子模型；
智能决策模块，用于将数字孪生兵棋推演模型的输出传递给智能决策算法，基于智能决策算法分析不同情况下的行动结果，提供决策支持；
决策应用模块，用于应用仿真数据进行模拟行动过程，将智能决策应用于兵棋推演中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311436752.8A CN117272835A (zh) | 2023-10-31 | 2023-10-31 | 数字孪生兵棋推演气象数据仿真及智能决策方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311436752.8A CN117272835A (zh) | 2023-10-31 | 2023-10-31 | 数字孪生兵棋推演气象数据仿真及智能决策方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117272835A true CN117272835A (zh) | 2023-12-22 |
Family
ID=89221699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311436752.8A Pending CN117272835A (zh) | 2023-10-31 | 2023-10-31 | 数字孪生兵棋推演气象数据仿真及智能决策方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272835A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117670001A (zh) * | 2024-02-02 | 2024-03-08 | 中国人民解放军战略支援部队航天工程大学 | 一种基于计算机兵棋的对地观测任务模拟系统 |
-
2023
- 2023-10-31 CN CN202311436752.8A patent/CN117272835A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117670001A (zh) * | 2024-02-02 | 2024-03-08 | 中国人民解放军战略支援部队航天工程大学 | 一种基于计算机兵棋的对地观测任务模拟系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112329348B (zh) | 一种面向非完全信息条件下军事对抗博弈的智能决策方法 | |
| CN105637540A (zh) | 用于强化学习的方法和设备 | |
| CN112232478A (zh) | 一种基于分层注意力机制的多智能体强化学习方法及系统 | |
| Kewley et al. | Computational military tactical planning system | |
| CN117272835A (zh) | 数字孪生兵棋推演气象数据仿真及智能决策方法和系统 | |
| CN105678030B (zh) | 基于专家系统和战术战法分形化的空战战术团队仿真方法 | |
| CN113298260B (zh) | 一种基于深度强化学习的对抗仿真推演方法 | |
| CN113627596A (zh) | 基于动态图神经网络的多智能体对抗方法及系统 | |
| CN116360503B (zh) | 一种无人机博弈对抗策略生成方法、系统及电子设备 | |
| CN115293022A (zh) | 基于OptiGAN和时空注意力的航空兵智能体对抗行为建模方法 | |
| CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
| CN116560406A (zh) | 一种无人机集群协同规划与自主调度方法 | |
| CN109597839A (zh) | 一种基于航电作战态势的数据挖掘方法 | |
| CN113283110B (zh) | 一种用于智能化对抗仿真推演的态势感知方法 | |
| CN114240169A (zh) | 一种基于杀伤链的智能战术决策方法 | |
| CN110782039B (zh) | 一种基于分层结构、多模块的人工智能即时作战引导平台 | |
| CN117453841A (zh) | 一种三维地理信息大模型辅助的兵棋推演系统及方法 | |
| CN116757249A (zh) | 一种基于分布式强化学习的无人机集群策略意图识别方法 | |
| CN115909027B (zh) | 一种态势估计方法及装置 | |
| CN115185294A (zh) | 基于qmix的航空兵多编队协同自主行为决策建模方法 | |
| CN113934966A (zh) | 一种群体感知中利用图卷积强化学习最小化信息年龄方法 | |
| Gonsalves et al. | Architecture for genetic algorithm-based threat assessment | |
| Conroy et al. | Approximating value equivalence in interactive dynamic influence diagrams using behavioral coverage | |
| Cheng et al. | A novel decision-making method based on reinforcement learning for underwater robots | |
| Virtanen | Optimal pilot decisions and flight trajectories in air combat |
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 |