CN117592385B - 基于影响因子的体系设计优化方法、服务器及存储介质 - Google Patents
基于影响因子的体系设计优化方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN117592385B CN117592385B CN202410078815.5A CN202410078815A CN117592385B CN 117592385 B CN117592385 B CN 117592385B CN 202410078815 A CN202410078815 A CN 202410078815A CN 117592385 B CN117592385 B CN 117592385B
- Authority
- CN
- China
- Prior art keywords
- factor
- design
- model
- influence
- 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.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 132
- 238000005457 optimization Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004088 simulation Methods 0.000 claims abstract description 81
- 238000011156 evaluation Methods 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000007704 transition Effects 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000002829 reductive effect Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000003121 nonmonotonic effect Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002147 killing effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于影响因子的体系设计优化方法、服务器及存储介质，属于体系设计领域，包括如下步骤：根据作战目的设计支撑仿真推演运行的体系设计模型，同时生成相应的设计影响因子；根据体系设计模型生成仿真推演想定，并生成仿真推演样本，并生成相应的推演影响因子；将仿真推演样本输入至仿真推演系统中开展仿真推演，生成综合评估结果；判断综合评估结果是否达到预期结果，如果是则结束流程，否则继续进行下一步骤：将设计影响因子以及推演影响因子组成n维影响因子，将n维影响因子映射到k维主成分因子后生成综合分析结果；根据综合分析结果修改体系设计模型，调整设计影响因子，重新进行步骤1。采用本方法能够提升体系设计的准确性。
Description
技术领域
本申请属于体系设计领域，特别涉及一种基于影响因子的体系设计优化方法、服务器及存储介质。
背景技术
现代战争是双方作战体系的对抗，作战体系作为对抗双方的焦点所在，直接决定着战争的胜负。现代军事作战中，对抗双方的军事实力较量不再是单一武器装备之间的对抗，而是由一系列火力武器装备、通信设备、后勤保障等联合作战能力的较量。各作战力量编成以及各作战力量间的相互指挥协同，组成作战体系。作战体系有着维度广、作战能力元素之间相互影响等特点。对作战体系的研究已成为军事科学领域研究的前沿及热点问题，作战体系的根本目标是实现体系优化，如何在满足作战需求和经费约束等条件下，实现体系的优化配置，最大限度的发挥作战体系效能，已经成为作战体系论证的核心问题之一。
实兵演习是部队军事训练的重要手段，适用于战技训练、装备作战性能试验、战备状态测验等项目的演练。但是，因为在人员、经费、油料、弹药、器材、装备等方面所费不赀；再则仅能使用现有编制和装备，不适合未来战争课题的训练。对战争的全过程进行仿真、模拟与推演，并按照兵棋规则研究和分析战争局势，具备省时、省钱、训练范围广、训练课题全、不受场地约束、对抗性强、效率高等优点。因此，基于计算机仿真推演的作战验证技术在近些年来越来越广泛地被军事研究领域所使用。
现有技术中王鹏等人提出一种新的基于测地距离和特征向量中心度的模糊C-Medoid聚类算法，然后提出使用一种基于模糊传递闭包的比较方法来对得到的聚类中心进行比较分析，从而得到所有簇的优劣等级的定性划分；石崇林针对计算机兵棋推演数据的特点，提出了一种基于密度的QDBSCAN算法，按区域对数据进行分组，缩小聚类的规模。在邻近度度量上提出了最短可行路径的概念，并给出了计算算法，对计算机兵棋系统中训练指导、事后讲评等方面有较大的应用价值；钱晓超等人提出一种基于元模型的武器装备体系(SoS)快速优化设计方法。该方法在结合基于仿真的武器装备评估技术和多属性决策理论的基础上，构建了基于武器装备体系效能评估的武器装备体系优化设计模型，实现了武器装备体系设计的多目标优化求解。
但是复杂体系效能仿真优化问题具有多目标、非线性、连续离散混合、运行开销大等特点，现有方法在优化精度和效率等方面有待提高。同时，复杂作战体系下，仿真推演影响因子与体系设计影响因子数量大，维度多。通过分析影响因子与评估结果之间的关系，对体系设计和仿真推演进行反馈优化指导，面临着学习代价高，运行开销大，效率低下等问题。同时，若从多维度影响因子给出反馈优化指导，会出现优化过程慢的问题。
同时，目前的体系设计-仿真推演-综合评估-反馈优化的过程，基本都是从定量的角度，获得最优的参数组合取值。但是对体系设计和仿真推演过程的优化，除了对参数组合取值的优化，对体系设计和仿真推演的整体结构上进行优化也是十分重要的一环，例如，从体系设计层面对杀伤链作战流程、武器装备的分配等进行优化。目前的相关研究对这方面的工作还稍有欠缺。
因此，亟需研究一种合理、高效的效能仿真评估与优化方法，能够解决上述问题。
发明内容
为了解决所述现有技术的不足，本申请提供了一种基于影响因子的体系设计优化方法，针对体系设计和仿真推演的整体结构优化问题，提出基于经验数据的作战流程推荐以及作战装备推荐技术。根据综合评估结果，分析作战过程中可以提升的作战活动或作战活动阶段，并基于目前已有经验数据（如历史的体系设计模型），推荐可选作战流程开展优化工作。最终实现从体系设计和仿真推演效果的优化。
本申请所要达到的技术效果通过以下方案实现：
根据本申请的第一方面，提供一种基于影响因子的体系设计优化方法，包括如下步骤：
步骤1：根据作战目的设计支撑仿真推演运行的体系设计模型，同时生成相应的体系架构设计的设计影响因子；
步骤2：根据所述体系设计模型生成仿真推演想定，并调整仿真推演想定下的推演参数，生成仿真推演样本，并生成相应的推演影响因子；
步骤3：将所述仿真推演样本输入至仿真推演系统中开展仿真推演，对获得的推演结果进行效果评估，生成综合评估结果；
步骤4：判断所述综合评估结果是否达到预期结果，如果是则结束流程，否则继续进行下一步骤：
步骤5：将所述设计影响因子以及所述推演影响因子组合成n维影响因子，并开展PCA降维，将所述n维影响因子映射到k维主成分因子，将所述主成分因子和所述综合评估结果作为输入开展综合分析，生成综合分析结果；
步骤6：根据所述综合分析结果进行体系架构设计和仿真推演系统的优化，修改所述体系设计模型，调整所述设计影响因子，重新进行步骤1。
优选地，在步骤1中，所述体系设计模型包括编成编组模型、状态转移模型和作战活动模型，根据所述编成编组模型、状态转移模型和作战活动模型生成仿真推演的想定。
优选地，所述编成编组模型根据OV-4元模型设计而成，包括节点元模型和节点关系元模型，其中：
所述节点元模型用于描述作战节点的类别、节点名称以及节点客户端标识；
所述节点关系元模型用于描述作战节点之间的关联关系。
优选地，将想定文件输入所述编成编组模型自动生成所述仿真推演想定，所述想定文件包括装备的整体信息以及装备的属性信息；根据所述节点元模型的节点名称创建相应的仿真推演装备，通过节点关系元模型的源节点key和目的节点key确定所述仿真推演装备之间的层级关系。
优选地，所述状态转移模型根据OV-6b元模型设计而成，包括状态元模型和状态转移元模型，其中：
所述状态元模型用于描述状态的类型、状态名称以及状态客户端标识；
所述状态转移元模型用于描述状态与状态之间的转移关系；
通过所述状态元模型的状态名称，创建相应的仿真推演行为状态，通过状态转移元模型的源状态key和目的状态key，确定仿真推演行为状态的转移关系。
优选地，在步骤5中，将所述设计影响因子以及所属推演影响因子组合成n维影响因子，并开展PCA降维，映射到k维主成分因子的具体方法为：
构建影响因子矩阵X：
；
其中，p为设计影响因子的维度数，q为推演影响因子的维度数，n = m*l为不同设计成果下样本的总数，m为体系设计成果的个数，l为体系设计成果生成想定下的样本数，x11为第1个影响因子在第1个样本下的取值，以此类推；
采用如下公式对影响因子矩阵X转换：
；
其中：为第j个影响因子的样本均值；Sj为第j个影响因子的样本标准差；
Xij为第j个影响因子在第i个样本下的取值；
形成标准化影响因子矩阵：
；
根据以下公式：
；
计算标准化影响因子矩阵的相关系数矩阵R，，其中rij为相关系数：
；
对于标准化影响因子矩阵的相关系数矩阵R，若数/>和(p+q)×(p+q)维非0列向量满足下述公式：
；则数/>称为相关系数矩阵R的特征值，μ称为相关系数矩阵R的特征向量。根据以上计算得到影响因子特征值/>，并对特征值/>进行排序：
；根据以上计算得到相应的特征向量μ，其中：
；
由特征向量μ组成m个新的影响因子特征向量，其中y1是第1主成分因子，y2是第2主成分因子，直至y(p+q)是第(p+q)主成分因子：
；
最后，根据以下公式计算每个特征值的信息贡献率bj和累计贡献率/>
；
其中信息贡献率bj为特征j累计提取原始信息的比率，累计贡献率为主成分y1,y2,..., yi的累计贡献率，取累计贡献率相加小于1的最多的前k个影响因子y1, y2,..., yi作为主成分因子。
优选地，将主成分因子作为拟合函数的自变量输入，综合评估结果作为拟合函数的因变量输入，目标函数为：
；
其中，使用SVN支持向量机法，对数据集进行拟合得到拟合函数。
优选地，在步骤6中，根据所述综合分析结果进行体系架构设计和仿真推演系统的优化，修改所述体系设计模型，调整所述设计影响因子的具体方法为：
定义影响因子yi的允许范围S为该因子的真实或理论取值范围；
对于影响因子yi，求解上述拟合函数在影响因子xi方向上的偏导函数/>，根据/>的以下不同情况，分别给出关于影响因子xi的优化建议：
若,/>，则说明影响因子yi在允许范围S内单调递增，则影响因子为收益型因子，优化建议为：将影响因子yi取值放大；
若,/>，则说明影响因子yi在允许范围S内单调递减，则影响因子为成本型因子，优化建议为：将影响因子yi取值缩小；
若,/>，则说明影响因子yi在允许范围S内无变化，该影响因子不对评估结果造成影响，优化建议为：不调整影响因子yi取值；
若存在且/>不恒等于0，/>，则说明影响因子yi在允许范围S内为非单调函数且存在极值点，优化建议为：将影响因子yi取值向/>，/>，取值方向调整，即影响因子在允许范围内关于拟合函数/>在影响因子yi方向上极值点方向调整。
根据本申请的第二方面，提供一种服务器，包括：存储器和至少一个处理器；
所述存储器存储计算机程序，所述至少一个处理器执行所述存储器存储的计算机程序，以实现上述基于影响因子的体系设计优化方法。
根据本申请的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述基于影响因子的体系设计优化方法。
根据本申请的一个实施例，采用本方法的有益效果在于，能够为体系设计人员和仿真试验设计人员提供基于综合评估结果反馈指导的体系设计优化方案和仿真试验优化方案，为体系设计和仿真试验的优化提供指导方向，使体系设计更能满足合理性要求，提升仿真试验的效果。
附图说明
为了更清楚地说明本申请实施例或现有的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例中一种基于影响因子的体系设计优化方法的流程图；
图2为本申请一实施例中一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
基于影响因子的体系设计优化方法，包括如下步骤：
步骤1：根据作战目的设计支撑仿真推演运行的体系设计模型，同时生成相应的体系架构设计的设计影响因子，设计影响因子为在体系设计过程中对体系设计成果产生影响的因素，可量化的例如模型元素的度量值等；可枚举的例如度量条件等；
在该步骤中，体系设计模型至少包括编成编组模型（OV-4）、状态转移模型（OV-6b）和作战活动模型（OV-5a）。
步骤2：根据体系设计模型生成仿真推演想定，并调整仿真推演想定下的推演参数，生成仿真推演样本，并生成相应的推演影响因子。推演影响因子为在推演过程中能够对推演结果产生影响的因素，可量化的例如XXX装备速度、XXX装备油箱容量、XXX装备侦察范围等；可枚举的例如天气等；
在该步骤中，根据编成编组模型、状态转移模型和作战活动模型生成仿真推演的想定。
该实施例中的编成编组模型的设计，设计成果依据OV-4元模型设计规范设计而成，以json格式输出。包括节点元模型和节点关系元模型，其中：
OV-4元模型由节点元模型和节点关系元模型组成。其中节点元模型描述作战节点的类别（例如组织单元或作战节点等）、节点名称和节点客户端标识等信息；节点关系元模型描述作战节点之间的关联关系，例如夺控清剿队节点是中型察打一体无人车的父节点（即组成关系）。
仿真推演想定文件依据相应的设计规范，以XML格式作为仿真推演的输入，将想定文件输入编成编组模型自动生成仿真推演想定，想定文件的<Equipment>标签描述装备的整体信息，标签下的<FEquipmentAttributeStruct>描述了装备的属性信息，包括编成编组以及之下的作战装备。
根据节点元模型的节点名称创建相应的仿真推演装备，通过节点关系元模型的源节点key和目的节点key确定仿真推演装备之间的层级关系。
体系设计阶段对仿真推演的行为状态转移进行设计，状态转移模型的设计成果依据OV-6b元模型设计规范设计而成，以json格式输出，OV-6b元模型由状态元模型和状态转移元模型组成。其中状态元模型描述状态的类型、状态名称和状态客户端标识等信息；状态转移元模型描述状态与状态之间的转移关系，例如：从“按航线前进”到“改变速度为0并朝最近的敌方目标开火”状态的转移关系。
仿真推演行为状态元模型依据相应的设计规范，以json格式作为行为状态机的输入，其中的“data”字段下的type字段表示状态类别，“attrs”字段下的“text”字段下的“text”字段表示状态名称，“id”字段表示状态客户端标志；“source”字段表示状态转移中上一个状态的客户端标识；“target”字段表示状态转移中下一个状态的客户端标识；“id”字段表示状态转移标识。
通过状态元模型的状态名称，创建相应的仿真推演行为状态，通过状态转移元模型的源状态key和目的状态key，确定仿真推演行为状态的转移关系。
步骤3：将仿真推演样本输入至仿真推演系统中开展仿真推演，对获得的推演结果进行效果评估，生成综合评估结果；
评估过程如下：根据评估对象和评估目的，设计评估指标体系。评估指标体系由评估指标以及评估指标之间的层级关系组成，通常由树形结构表示，根节点为最终的评估结果。根据仿真推演得到的原始推演数据，进行计算得到相应评估指标的值，选择评估方法（常见的评估方法有AHP层次分析法、ADC法和TOPSIS法等）对评估指标计算结果进行计算（以AHP方法为例，对每个评估指标的计算结果进行加权求和，从子节点依次向上汇聚）得到评估指标体系根节点的值，即最终的评估结果。
步骤4：判断综合评估结果是否达到预期结果，判断方式为根据评估结果取值与预期结果取值进行对比，如果评估结果取值达到或者超过预期结果取值，则判定为“达到预期效果”，结束流程；否则判定为“未达到预期效果”，继续进行下一步骤：
步骤5：将设计影响因子以及推演影响因子组成n维影响因子，并开展PCA降维将n维影响因子映射到k维主成分因子，将主成分因子作为拟合函数的自变量输入，综合评估结果作为拟合函数的因变量输入，开展综合分析，生成综合分析结果。该分析结果将以拟合好的函数进行呈现，为后续的优化步骤提供支撑；
在该步骤中，将设计影响因子以及推演影响因子组成n维影响因子，开展PCA降维将n维影响因子映射到k维主成分因子的具体方法为：
构建影响因子矩阵X：
；
其中，p为设计影响因子的维度数，q为推演影响因子的维度数，n = m*l为不同设计成果下样本的总数，m为体系设计成果的个数，l为体系设计成果生成想定下的样本数，x11为第1个影响因子在第1个样本下的取值，以此类推；
采用如下公式对影响因子矩阵X转换：
；
其中：为第j个影响因子的样本均值；Sj为第j个影响因子的样本标准差；Xij为第j个影响因子在第i个样本下的取值；
形成标准化影响因子矩阵：
；
根据以下公式：
；
计算标准化影响因子矩阵的相关系数矩阵R，其中rij为相关系数：：
；
对于标准化影响因子矩阵的相关系数矩阵R，若数/>和(p+q)×(p+q)维非0列向量满足下述公式：
；
则数称为相关系数矩阵R的特征值，μ称为相关系数矩阵R的特征向量。根据以上计算得到影响因子特征值/>，并对特征值/>进行排序：
；
根据以上计算得到相应的特征向量μ，其中：
；
由特征向量μ组成m个新的影响因子特征向量，其中y1是第1主成分因子，y2是第2主成分因子，直至y(p+q)是第(p+q)主成分因子：
；
最后，根据以下公式计算每个特征值的信息贡献率bj和累计贡献率/>
；
其中信息贡献率bj为特征j累计提取原始信息的比率，信息贡献率越大，表示提取原始信息的比率越大，特征j在表现原始数据信息方面越重要，同时也是计算累计贡献率的基础。
为主成分y1, y2,..., yi的累计贡献率，当/>接近于1时，则选择前i个影响因子y1, y2,..., yi作为主成分因子，实现将(p+q)维体系设计和仿真推演影响因子降维映射到k维主成分因子。
将主成分因子作为拟合函数的自变量输入，综合评估结果作为拟合函数的因变量输入，开展综合分析，生成综合分析结果具体为：
将主成分因子作为拟合函数的自变量输入，综合评估结果作为拟合函数的因变量输入，目标函数为：
；
其中，使用SVN支持向量机法，对数据集进行拟合得到拟合函数，为后续的优化步骤提供支撑。
步骤6：根据综合分析结果进行体系架构设计和仿真推演系统的优化，修改体系设计模型，调整设计影响因子，重新进行步骤1。
在该步骤中，根据所述综合分析结果进行体系架构设计和仿真推演系统的优化，修改所述体系设计模型，调整所述设计影响因子的具体方法为：
定义影响因子y1的允许范围S为该因子的真实或理论取值范围；
对于影响因子yi，求解上述拟合函数在影响因子xi方向上的偏导函数/>，根据/>的以下不同情况，分别给出关于影响因子xi的优化建议：
若,/>，则说明影响因子yi在允许范围S内单调递增，则影响因子为收益型因子，优化建议为：将影响因子yi取值放大；
若,/>，则说明影响因子yi在允许范围S内单调递减，则影响因子为成本型因子，优化建议为：将影响因子yi取值缩小；
若,/>，则说明影响因子yi在允许范围S内无变化，该影响因子不对评估结果造成影响，优化建议为：不调整影响因子yi取值；
若存在且/>不恒等于0，/>，则说明影响因子yi在允许范围S内为非单调函数且存在极值点，优化建议为：将影响因子yi取值向/>，/>，取值方向调整，即影响因子在允许范围内关于拟合函数/>在影响因子yi方向上极值点方向调整。
针对体系设计的优化，基于历史体系架构设计资源，根据需要优化的体系设计模型模块，推荐相应的模型模块，例如推荐相应的编成编组模型、状态转移模型或作战活动模型等，辅助设计人员开展体系设计的优化。
本申请一个实施例中的服务器，包括：存储器201和至少一个处理器202；
存储器201存储计算机程序，至少一个处理器202执行存储器201存储的计算机程序，以实现上述基于影响因子的体系设计优化方法。
本申请一个实施例中的计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被执行时实现上述基于影响因子的体系设计优化方法。
本申请提出了一种基于评估结果与影响因子综合分析的体系设计和仿真试验设计优化技术。体系设计阶段设计对多视角下的多模型进行设计，设计成果受体系设计因子所影响。体系设计成果以模型的形式作为输出，通过映射规则，自动生成仿真推演想定。
仿真推演想定下可以设置仿真推演的相关参数，生成多个样本，每个样本有相应的推演影响因子。仿真推演系统根据想定下的样本进行仿真推演，获得推演结果数据。
在综合评估阶段，通过推演结果数据对仿真推演效果开展评估。若推演效果达到预期，则结束优化流程；若未达到预期，则开展评估分析优化工作。
在评估分析优化阶段，首先将p维的体系设计影响因子和q维的仿真推演影响因子组合成n维矩阵，经过基于PCA的影响因子降维处理后，将维影响因子降维映射到k维主成分因子。
最后，通过综合分析，得到评估结果随影响因子变化而变化的拟合函数。根据拟合函数对主成分影响因子的取值提出优化建议；同时，对体系设计中的薄弱环节提出模型优化推荐建议。对正向设计的流程开展迭代优化工作。
根据本申请的一个实施例，采用本方法的有益效果在于，能够为体系设计人员和仿真试验设计人员提供基于综合评估结果反馈指导的体系设计优化方案和仿真试验优化方案，为体系设计和仿真试验的优化提供指导方向，使体系设计更能满足合理性要求，提升仿真试验的效果。
应该指出，上述详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语均具有与本申请所属技术领域的普通技术人员的通常理解所相同的含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位，如旋转90度或处于其他方位，并且对这里所使用的空间相对描述作出相应解释。
在上面详细的说明中，参考了附图，附图形成本文的一部分。在附图中，类似的符号典型地确定类似的部件，除非上下文以其他方式指明。在详细的说明书、附图及权利要求书中所描述的图示说明的实施方案不意味是限制性的。在不脱离本文所呈现的主题的精神或范围下，其他实施方案可以被使用，并且可以作其他改变。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。
Claims (7)
1.基于影响因子的体系设计优化方法，其特征在于，包括如下步骤：
步骤1：根据作战目的设计支撑仿真推演运行的体系设计模型，同时生成相应的体系架构设计的设计影响因子；
步骤2：根据所述体系设计模型生成仿真推演想定，并调整仿真推演想定下的推演参数，生成仿真推演样本，并生成相应的推演影响因子；
步骤3：将所述仿真推演样本输入至仿真推演系统中开展仿真推演，对获得的推演结果进行效果评估，生成综合评估结果；
步骤4：判断所述综合评估结果是否达到预期结果，如果是则结束流程，否则继续进行下一步骤：
步骤5：将所述设计影响因子以及所述推演影响因子组合成n维影响因子，并开展PCA降维，映射到k维主成分因子，将主成分因子作为拟合函数的自变量输入，综合评估结果作为拟合函数的因变量输入，开展综合分析生成综合分析结果；将所述设计影响因子以及所述推演影响因子组合成n维影响因子，并开展PCA降维，映射到k维主成分因子的具体方法为：
构建影响因子矩阵X：
；
其中，p为设计影响因子的维度数，q为推演影响因子的维度数，n = m*l为不同设计成果下样本的总数，m为体系设计成果的个数，l为体系设计成果生成想定下的样本数，x11为第1个影响因子在第1个样本下的取值；
采用如下公式对影响因子矩阵X转换：
其中：为第j个影响因子的样本均值；sj为第j个影响因子的样本标准差；Xij为第j个影响因子在第i个样本下的取值；
形成标准化影响因子矩阵：
；
根据以下公式：
；
计算标准化影响因子矩阵的相关系数矩阵R，其中rij为相关系数：
;
对于标准化影响因子矩阵的相关系数矩阵R，若数/>和(p+q)×(p+q)维非0列向量满足下述公式：
;
则数称为相关系数矩阵R的特征值，/>称为相关系数矩阵R的特征向量；
根据以上计算得到影响因子特征值，并对特征值/>进行排序：
；
根据以上计算得到相应的特征向量，其中：
；
由特征向量至/>组成n个新的影响因子特征向量，其中y1是第1主成分因子，y2是第2主成分因子，直至y(p+q)是第(p+q)主成分因子：
;
最后，根据以下公式计算每个特征值的信息贡献率/>和累计贡献率/>；
;
其中信息贡献率为特征j累计提取原始信息的比率，累计贡献率/>为主成分y1, y2,..., yi的累计贡献率，取累计贡献率相加小于1的最多的前k个影响因子y1, y2 ,..., yi作为主成分因子；
将主成分因子作为拟合函数的自变量输入，综合评估结果作为拟合函数的因变量输入，目标函数为：
；
其中，/>为i个主成分因子的累计贡献率，/>为i个主成分因子的信息贡献率，使用SVM支持向量机法，对数据集进行拟合得到拟合函数；
步骤6：根据所述综合分析结果进行体系架构设计和仿真推演系统的优化，修改所述体系设计模型，调整所述设计影响因子，重新进行步骤1；根据所述综合分析结果进行体系架构设计和仿真推演系统的优化，修改所述体系设计模型，调整所述设计影响因子的具体方法为：
定义影响因子yi的允许范围S为该因子的真实或理论取值范围；
对于影响因子yi，求解上述拟合函数在影响因子xi方向上的偏导函数/>，根据/>的以下不同情况，分别给出关于影响因子xi的优化建议：
若,则说明影响因子yi在允许范围S内单调递增，则影响因子为收益型因子，优化建议为：将影响因子yi取值放大；
若,则说明影响因子yi在允许范围S内单调递减，则影响因子为成本型因子，优化建议为：将影响因子yi取值缩小；
若,则说明影响因子yi在允许范围S内无变化，该影响因子不对评估结果造成影响，优化建议为：不调整影响因子yi取值；
若存在且/>不恒等于0，/>, 则说明影响因子yi在允许范围S内为非单调函数且存在极值点，优化建议为：将影响因子yi取值向/>取值方向调整，即影响因子在允许范围内关于拟合函数/>在影响因子yi方向上极值点方向调整。
2.根据权利要求1所述的基于影响因子的体系设计优化方法，其特征在于，在步骤1中，所述体系设计模型包括编成编组模型、状态转移模型和作战活动模型，根据所述编成编组模型、状态转移模型和作战活动模型生成仿真推演的想定。
3.根据权利要求2所述的基于影响因子的体系设计优化方法，其特征在于，所述编成编组模型根据OV-4元模型设计而成，包括节点元模型和节点关系元模型，其中：
所述节点元模型用于描述作战节点的类别、节点名称以及节点客户端标识；
所述节点关系元模型用于描述作战节点之间的关联关系。
4.根据权利要求3所述的基于影响因子的体系设计优化方法，其特征在于，将想定文件输入所述编成编组模型自动生成所述仿真推演想定，所述想定文件包括装备的整体信息以及装备的属性信息；根据所述节点元模型的节点名称创建相应的仿真推演装备，通过节点关系元模型的源节点key和目的节点key确定所述仿真推演装备之间的层级关系。
5.根据权利要求2所述的基于影响因子的体系设计优化方法，其特征在于，所述状态转移模型根据OV-6b元模型设计而成，包括状态元模型和状态转移元模型，其中：
所述状态元模型用于描述状态的类型、状态名称以及状态客户端标识；
所述状态转移元模型用于描述状态与状态之间的转移关系；
通过所述状态元模型的状态名称，创建相应的仿真推演行为状态，通过状态转移元模型的源状态key和目的状态key，确定仿真推演行为状态的转移关系。
6.一种服务器，其特征在于，包括：存储器和至少一个处理器；
所述存储器存储计算机程序，所述至少一个处理器执行所述存储器存储的计算机程序，以实现权利要求1至5中任一项所述的基于影响因子的体系设计优化方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1至5中任一项所述的基于影响因子的体系设计优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410078815.5A CN117592385B (zh) | 2024-01-19 | 2024-01-19 | 基于影响因子的体系设计优化方法、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410078815.5A CN117592385B (zh) | 2024-01-19 | 2024-01-19 | 基于影响因子的体系设计优化方法、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117592385A CN117592385A (zh) | 2024-02-23 |
| CN117592385B true CN117592385B (zh) | 2024-04-05 |
Family
ID=89917023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410078815.5A Active CN117592385B (zh) | 2024-01-19 | 2024-01-19 | 基于影响因子的体系设计优化方法、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117592385B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052608A (zh) * | 2020-10-16 | 2020-12-08 | 中国直升机设计研究所 | 一种作战推演仿真与效能评估一体化集成方法 |
| WO2023093397A1 (zh) * | 2021-11-24 | 2023-06-01 | 中国运载火箭技术研究院 | 一种基于海量对抗仿真推演数据建模与分析的效能评估方法 |
-
2024
- 2024-01-19 CN CN202410078815.5A patent/CN117592385B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052608A (zh) * | 2020-10-16 | 2020-12-08 | 中国直升机设计研究所 | 一种作战推演仿真与效能评估一体化集成方法 |
| WO2023093397A1 (zh) * | 2021-11-24 | 2023-06-01 | 中国运载火箭技术研究院 | 一种基于海量对抗仿真推演数据建模与分析的效能评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于PCA-SVM的信息安全风险评估模型;胡莲;王颖颖;;信息技术;20160225(第02期);全文 * |
| 基于主成分分析的装备保障演练综合评价;赵武奎;张成;王一波;;计算机仿真;20131015(第10期);全文 * |
| 基于体系仿真大数据的效能评估方法;胡鑫武;罗鹏程;张笑楠;王骏;;火力与指挥控制;20200115(第01期);全文 * |
| 基于堆栈自编码降维的武器装备体系效能预测;任俊;李宁;;军事运筹与系统工程;20170330(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117592385A (zh) | 2024-02-23 |
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 | |
| Bankes et al. | Making computational social science effective: Epistemology, methodology, and technology | |
| WO2021057329A1 (zh) | 一种作战体系架构建模与最优搜索方法 | |
| CN101615265A (zh) | 一种基于多Agent技术的智能决策仿真实验系统 | |
| Wang et al. | Investigation on works and military applications of artificial intelligence | |
| Gautam et al. | TOPSIS for multi criteria decision making in intuitionistic fuzzy environment | |
| CN109933669A (zh) | 一种战场态势数据标签的匹配方法 | |
| Škraba et al. | Determination of recruitment and transition strategies | |
| Ramirez-Atencia et al. | New artificial intelligence approaches for future UAV ground control stations | |
| Kedia et al. | Portfolio generation for Indian stock markets using unsupervised machine learning | |
| Tian et al. | Decision models to find a promising start-up firm with QUALIFLEX under probabilistic linguistic circumstance | |
| CN117592385B (zh) | 基于影响因子的体系设计优化方法、服务器及存储介质 | |
| Zuo et al. | Domain selection of transfer learning in fuzzy prediction models | |
| Wang et al. | Dynamic resource scheduling for C2 organizations based on multi-objective optimization | |
| Jimbo Santana et al. | Analysis of methods for generating classification rules applicable to credit risk | |
| Mateou et al. | Tree-structured multi-layer fuzzy cognitive maps for modelling large scale, complex problems | |
| CN115358477A (zh) | 一种作战想定随机生成系统及其应用 | |
| CN115577745A (zh) | 基于模型检测的多角色强化学习系统可达性验证方法 | |
| Groth | A framework for using SACADA to enhance the qualitative and quantitative basis of HRA | |
| Słoń | The use of fuzzy numbers in the process of designing relational fuzzy cognitive maps | |
| Tinkir et al. | Human resource selection process by using various fuzzy logic techniques | |
| CN117235477B (zh) | 基于深度神经网络的用户群组评估方法和系统 | |
| Pappala | Application of PSO for optimization of power systems under uncertainty | |
| CN115620807B (zh) | 靶点蛋白分子与药物分子之间相互作用强度的预测方法 | |
| Schütze et al. | EVOLVE-A Bridge Between Probability, Set Oriented Numerics, and Evolutionary Computation II |
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 |