CN117633563A - 一种基于optics算法的多目标自顶向下式层次化分群方法 - Google Patents

Abstract

本发明公开了一种基于OPTICS算法的多目标自顶向下式层次化分群方法，步骤包括：设计能够表征实体目标属性和状态的元素集合；给定两个目标u和v，计算相似度；计算目标u和v间的距离dist(u,v)；使用OPTICS算法对战场目标进行自顶向下式的层次化分群操作，最终将战场中的所有实体目标依次划分为若干敌/我/中立方群、相互作用群、功能群、空间群。本发明提供更加丰富的战场态势信息，有效解决实际战场中目标战术队形灵活多变的问题，具有更强的战场适应性，降低了目标距离指标的计算复杂性，降低了本发明的计算复杂性和逻辑复杂性，更适合于具有海量目标的大规模作战场景。

Description

一种基于OPTICS算法的多目标自顶向下式层次化分群方法

技术领域

本发明涉及战场多目标分群领域，特别是一种基于OPTICS算法的多目标自顶向下式层次化分群方法。

背景技术

实际作战场景中，面对海量的位置时刻发生变化的战场目标，指挥员难以快速、准确、高效地分析战场态势，导致无法快速制定出合理、有效的作战方案。为解决该问题，需根据目标的属性、位置、运动状态等信息对目标进行分群处理，将其划分成若干具有一定物理结构及实际意义的群体，从而简化战场态势信息，降低指挥员的认知压力，使指挥员可以在更高的战略层次上理解当前战争态势、提升决策的制定效率和有效性。

已有的目标分群方法通常使用K-means算法、ISODATA算法、模糊C均值算法等聚类技术对目标进行分群处理。这类方法通常先以目标的物理位置、运动速度、航向等信息为基础，设计能够衡量两个目标之间的距离或相似性的指标，然后借助一定的迭代策略，最终将距离小于某预设阈值或相似性大于某预设阈值的目标划分到同一群体中，从而实现目标分群的目的。上述方法虽然易于实现、便于理解，但其在设计距离度量指标或相似性度量指标时并未考虑不同类型目标在距离和相似性方面的固有差异，因此很难在目标类型多样的实际战场环境中取得优良性能。此外，所设计的距离阈值及相似性阈值的灵活度较低，无法适应战场环境的动态变化。此外，上述研究通常仅将多个目标简单地划分成若干类型、位置及运动状态相近的空间群，但很少考虑不同空间群之间的关联关系，如功能协同关系、隶属关系、敌我对立关系等，导致所能挖掘出的战场态势信息十分有限，无法从多个层次全面地审视战场空间中敌我双方的兵力部署、战术策略及行动企图等。

近年来，有研究者利用Louvain算法对战场目标进行层次化分群处理，可得到多个层次下的分群结果。然而，该方法采用自底向上式的层次化分群策略，在每次执行分群操作时，需要重复考虑之前分群操作过程中已考虑过的目标属性信息，需要为由多个目标组成的“子群”更新其目标属性（以此作为分群操作的输入信息），而且还需要专门设计用来度量分群质量的指标，且在分群过程中需反复计算该指标的值，这大大增加了方法的计算复杂性和逻辑复杂性。不仅如此，Louvain算法是基于距离的聚类算法，很难准确检测出队形复杂的目标群。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

针对现有技术中存在的问题，本发明提供了一种提供更加丰富的战场态势信息，有效解决实际战场中目标战术队形灵活多变的问题，具有更强的战场适应性，降低了目标距离指标的计算复杂性，降低了本发明的计算复杂性和逻辑复杂性，更适合于具有海量目标的大规模作战场景的基于OPTICS算法的多目标自顶向下式层次化分群方法。

本发明的目的通过以下技术方案实现。

一种基于OPTICS算法的多目标自顶向下式层次化分群方法，步骤包括：

步骤1：设计能够表征实体目标属性和状态的元素集合；

步骤2：给定两个目标u和v，首先计算它们在位置、速度、航向、空间属性、敌我属性、攻防属性、战术类型的相似度；

步骤3：基于步骤2中所计算的战场中目标u和v之间的属性相似度信息，计算目标u和v间的距离dist(u,v)；

步骤4：基于目标的属性和状态、目标间属性相似度以及各个层次下目标间距离dist(u,v)信息，使用OPTICS算法对战场目标进行自顶向下式的层次化分群操作，最终将战场中的所有实体目标依次划分为若干敌/我/中立方群、相互作用群、功能群、空间群。

所述步骤1具体为：

设计能够表征实体目标属性和状态的元素集合，即如下所示的11元组：

(1)

其中，T为目标的战术类型；S为目标的空间属性；A为目标的敌我属性特征；C为目标的攻防属性；D为目标在XY平面上的航向，以正北方向为0度，角度顺时针逐渐增大；x、y、z分别为目标的三维空间位置坐标；分别为目标在X、Y、Z三维方向上的运动速度。

所述步骤2具体为：

位置相似度：

即两目标空间位置之间的欧式距离；

速度相似度：

即两目标速度的欧式距离；

航向相似度：

即两目标航向的夹角；

战术类型相似度：

即两目标战术类型相同时，战术类型相似度为1，否则为正无穷大；

空间属性相似度：

即两目标同属地面/空中/海上目标时，空间属性相似度为1，否则为正无穷大；

敌我属性相似度：

即两目标同属敌方/我方/中立方时，敌我属性相似度为1，否则为正无穷大；

攻防属性相似度：

即两目标同属攻击型或防御型目标时，攻防属性相似度为1，否则为正无穷大。

其中，分别为目标u在三维空间坐标系X轴、Y轴、Z轴上的位置坐标，分别为目标u的战术类型、空间属性、敌我属性特征、攻防属性及在XY平面上的航向，/>分别为目标u在三维空间坐标系X轴、Y轴、Z轴方向上的运动速度；类似地，/>分别为目标v在三维空间坐标系X轴、Y轴、Z轴上的位置坐标，/>分别为目标v的战术类型、空间属性、敌我属性特征、攻防属性及在XY平面上的航向，/>分别为目标v在三维空间坐标系X轴、Y轴、Z轴方向上的运动速度。

所述步骤3具体为：

敌/我/中立方群层次：

相互作用群层次：

功能群层次：

空间群层次：

其中，F、H及K分别代表实体目标在位置、速度及航向方面的权重因子，F=H=K=1/3。

所述步骤4具体为：

步骤4-1：对于战场中所有目标组成的数据集D，创建有序队列O和结果队列R，然后初始化OPTICS算法的超参，即邻域半径eps和邻域内最小样本数min_samples；本实施例中，将邻域半径和邻域内最小样本数分别被初始化为eps=+∞，min_samples=1。

步骤4-2：当D为空或D中不存在核心点时，则跳转至步骤4-6；当D不为空且D中存在核心点时，从D中选择一个核心对象p，将p放入R中，并从D中删除p；在本实施例中，若D中某个目标的邻域半径eps范围内具有不小于min_samples个其他目标时，则该目标被称为核心对象。

步骤4-3：从D中找出p的所有的密度直达目标x，并计算x到p的可达距离，并将x及对应的可达距离放入队列O中；在本实施例中，基于对邻域半径eps和邻域内最小样本数min_samples的初始化结果，x到p的可达距离就是dist(x,p)。若最新计算的x到p的可达距离比队列O中已存储的x的可达距离更小，则用x的最新的可达距离替代原有的可达距离。然后再将队列O中的样本点按照可达距离从小到大重新排序。

步骤4-4：若队列O为空，则跳转至步骤4-2；若队列O不为空，则将队列O中可达距离最小的样本点y放入队列R中，并从队列D和队列R中删除y；

步骤4-5: 若y不是核心对象，则跳转至步骤4-4；若y是核心对象，则从队列D中找出y的所有密度直达样本点，并计算其到y的可达距离；并将y的密度直达样本点及其最小可达距离更新至队列O中，跳转至步骤4-2。

步骤4-6: 将结果队列R中所有样本点的可达距离按顺序绘制成折线图，并从折线图的每个波峰处将所有样本点进行分割，位于同一个波谷内的样本点被分到同一个群内，当前层次的分群操作结束；

步骤4-7: 若此时未到达最低的分群层次，即空间群层次，则跳转至步骤4-1，开始进行下一层次的分群操作；下一层次分群操作时的数据集D，就是上一层次获得的每个群；若此时已达到最低的分群层次，则将每层的分群结果综合起来，即为最终的自顶向下式的层次化分群结果。

相比于现有技术，本发明的优点在于：本发明提出的一种基于OPTICS（OrderingPoints To Identify the Clustering Structure）算法的战场多目标自顶向下式层次化分群方法，可将目标依次划分为敌/我/中立方群、相互作用群、功能群、空间群等多个层次，从而为指挥员提供更加丰富的战场态势信息。在执行每层分群操作时，本发明根据目标的实际属性和运动状态采用不同的距离度量标准，解决了固定距离度量方式导致的灵活性差问题，可使分群过程更加符合战场实际逻辑。相比于其他的多目标层次化分群方法，本发明在整个分群过程中，既不需要预先指定分群结果中群的个数，也不依赖任何人工设定的阈值，具有更强的适应战场环境动态变化的能力。此外，本发明采用自顶向下的分层方式使当前分群操作的输入数据中天然地保留了上一层分群操作中已考虑过的目标属性或状态信息，使得在执行当前分群操作时无需重复考虑上层分群操作已考虑过的信息，且不需要在每一层分群操作后为所得的每一个目标“子群”计算或更新任何目标参数，大大降低了分群方法的逻辑复杂度以及计算复杂度。不仅如此，本发明采用的基于OPTICS算法的分群方法充分考虑了战场目标之间的密度信息，能更有效地适应战场目标间复杂多变的战略战术关系，使得分群结果可更准确地检测出各种各样的目标队形。

附图说明

图1为本发明所述目标层次化分群方法的示意图。

图2为本发明所述目标层次化分群方法的实施流程图。

图3为使用OPTICS算法实现多目标层次化分群的流程图。

图4为本发明实施例中仿真场景示意图。

图5为发明实施例中敌/我/中立方群分析结果。

图6为本发明实施例中相互作用群分析结果。

图7为本发明实施例中功能群分析结果。

图8为本发明实施例中空间群分析结果。

具体实施方式

下面结合说明书附图和具体的实施例，对本发明作详细描述。

如图1所示，本发明所述的自顶向下式层次化分群方法，首先是将战场中的实体目标划分为敌/我/中立方群，然后再将敌方群、我方群、中立方群分别划分为若干相互作用群，然后将每个相互作用群划分为若干功能群，最后将每个功能群划分为若干空间群。具体来说，空间群是根据目标的空间位置划分而成的群，同一空间群中的目标的空间位置相近、行为相似。功能群由实施类似功能且具有相似类型的空间群所聚合形成的群，可反映空间群之间的相互协作关系，如护卫舰与航母有护航协作关系，通常将成员类型相似、航向角差异较小、空间距离相近的空间群聚合成一个功能群。相互作用群是将具有类似作战目的（如攻击或防御同一目标）的功能群聚合而形成的群，相互作用群不受目标类别的限制，可由多个分属于陆地、空中、水面或水下的功能群组成，只需这些功能群具有相同的作战目的即可。敌/我/中立方群是由敌、我、中立方各自所拥有的所有相互作用群聚合而成的群，这种划分方式有利于从宏观层次上对各方的作战力量进行直观展示与对比，从而把握和预测战场态势的发展。

如图2所示，在执行分群操作之前设计能够表征实体目标属性和状态的元素集合，即如下所示的11元组：

(1)

其中，T为目标的战术类型；S为目标的空间属性；A为目标的敌我属性特征；C为目标的攻防属性；D为目标在XY平面上的航向，以正北方向为0度，角度顺时针逐渐增大；x、y、z分别为目标的三维空间位置坐标；分别为目标在X、Y、Z三维方向上的运动速度。

给定两个目标u和v，首先计算它们在位置、速度、航向、空间属性、敌我属性、攻防属性、战术类型的相似度；

位置相似度：

即两目标空间位置之间的欧式距离；

速度相似度：

即两目标速度的欧式距离；

航向相似度：

即两目标航向的夹角；

战术类型相似度：

即两目标战术类型相同时，战术类型相似度为1，否则为正无穷大；

空间属性相似度：

即两目标同属地面/空中/海上目标时，空间属性相似度为1，否则为正无穷大；

敌我属性相似度：

即两目标同属敌方/我方/中立方时，敌我属性相似度为1，否则为正无穷大；

攻防属性相似度：

即两目标同属攻击型或防御型目标时，攻防属性相似度为1，否则为正无穷大。

其中，分别为目标u在三维空间坐标系X轴、Y轴、Z轴上的位置坐标，/>分别为目标u的战术类型、空间属性、敌我属性特征、攻防属性及在XY平面上的航向，/>分别为目标u在三维空间坐标系X轴、Y轴、Z轴方向上的运动速度；类似地，/>分别为目标v在三维空间坐标系X轴、Y轴、Z轴上的位置坐标，/>分别为目标v的战术类型、空间属性、敌我属性特征、攻防属性及在XY平面上的航向，/>分别为目标v在三维空间坐标系X轴、Y轴、Z轴方向上的运动速度。

基于步骤2中所计算的战场中目标u和v之间的属性相似度信息，计算目标u和v间的距离dist(u,v)；需要注意的是，本发明在对目标进行不同层次的分群操作时，将采用不同的方法来度量两个目标之间的距离。

敌/我/中立方群层次：

相互作用群层次：

功能群层次：

空间群层次：

其中，F、H及K分别代表实体目标在位置、速度及航向方面的权重因子，F=H=K=1/3。

如图3所示，使用OPTICS算法对战场目标进行层次化分群操作是一个循环迭代的过程，其具体流程如下：

步骤4-1：对于战场中所有目标组成的数据集D，创建有序队列O和结果队列R，然后初始化OPTICS算法的超参，即邻域半径eps和邻域内最小样本数min_samples；本实施例中，将邻域半径和邻域内最小样本数分别被初始化为eps=+∞，min_samples=1。

步骤4-2：当D为空或D中不存在核心点时，则跳转至步骤4-6；当D不为空且D中存在核心点时，从D中选择一个核心对象p，将p放入R中，并从D中删除p；在本实施例中，若D中某个目标的邻域半径eps范围内具有不小于min_samples个其他目标时，则该目标被称为核心对象。

步骤4-3：从D中找出p的所有的密度直达目标x，并计算x到p的可达距离，并将x及对应的可达距离放入队列O中；在本实施例中，基于对邻域半径eps和邻域内最小样本数min_samples的初始化结果，x到p的可达距离就是dist(x,p)。若最新计算的x到p的可达距离比队列O中已存储的x的可达距离更小，则用x的最新的可达距离替代原有的可达距离。然后再将队列O中的样本点按照可达距离从小到大重新排序。

步骤4-4：若队列O为空，则跳转至步骤4-2；若队列O不为空，则将队列O中可达距离最小的样本点y放入队列R中，并从队列D和队列R中删除y；

步骤4-5: 若y不是核心对象，则跳转至步骤4-4；若y是核心对象，则从队列D中找出y的所有密度直达样本点，并计算其到y的可达距离；并将y的密度直达样本点及其最小可达距离更新至队列O中，跳转至步骤4-2。

步骤4-6: 将结果队列R中所有样本点的可达距离按顺序绘制成折线图，并从折线图的每个波峰处将所有样本点进行分割，位于同一个波谷内的样本点被分到同一个群内，当前层次的分群操作结束；

步骤4-7: 若此时未到达最低的分群层次，即空间群层次，则跳转至步骤4-1，开始进行下一层次的分群操作；下一层次分群操作时的数据集D，就是上一层次获得的每个群；若此时已达到最低的分群层次，则将每层的分群结果综合起来，即为最终的自顶向下式的层次化分群结果。

接下来利用仿真数据对本发明提出的基于OPTICS算法的自顶向下式多目标层次化分群方法的实现过程及分群效果进行进一步说明。

假定海战场态势图中，敌方、我方及中立方共计有34批目标，其分布及大致航向如图4所示。其中，位于西北部的敌方歼击机编队在敌方预警机的战术辅助下发射了4枚导弹，意图攻击位于南部的我方航母编队；位于东北部的2架敌方歼击机正与4架我方歼击机开展攻防对抗，位于东部的5架我方舰载歼击机准备包抄至敌方歼击机后方，位于北部的3架敌方歼击机准备加入敌我双方的攻防对抗；分别位于中部和东南部的2架中立方巡逻机正在执行日常巡逻任务。

根据图3所示的计算流程，对场景中的实体目标进行自顶向下式的层次化分群处理，依次得到敌/我/中立方群、相互作用群、功能群及空间群，对应的分群结果如图5-8所示。由图5可知，分属敌方、我方及中立方的各类目标可分别被聚合成敌方群、我方群及中立方群。由图6可知，我方驱逐舰、我方护卫舰及我方航母作为海上编组，可分别实现远程警戒探测和打击、近程防护和综合指挥功能，之间存在明显的依赖关系，因而同属一个相互作用群。类似地，我方航母编队作为我方歼击机群的载体，可为其提供人员及物资的补给，而我方歼击机群可有效增加我方航母编队的作战半径，并增强其防御打击能力，之间存在明显的依赖关系，因而属于同一个相互作用群。类似地，西北方向四枚敌方导弹可作为敌方飞机编队的火力掩护屏障，而后者可使用机载电子战武器等设备干扰我方，从而降低前者被我方拦截的概率，因而也同属一个相互作用群。由图7可知，西北部的敌方预警机与临近的敌方歼击机、北部的两批次敌方歼击机、东部两批次我方歼击机、我方航母与驱逐舰群和护卫舰之间在进攻、防御等方面存在功能上的协同关系，故被划分在同一个功能群中。由图8可知，北部的5架敌方歼击机分别执行不同的任务，故属于两个空间群；东部的9架我方歼击机分别执行不同的任务，故分属于两个空间群；南部的3艘我方护卫舰与我方航母分别执行不同的任务，故分属两个空间群。

总体来看，本发明提出的多目标层次化分群方法，可对多批目标进行层次化分群，且其结果符合战场逻辑，对准确理解战场态势具有较好的辅助作用。本发明在进行层次化分群操作时，上层分群操作的结果作为下层分群操作的输入，使得下层分群操作不需要重复考虑上层分群操作时已考虑过的目标属性信息，大大降低了分群操作的计算复杂度和逻辑复杂度。不仅如此，相比于其他分群算法，基于OPTICS算法的分群操作不需要设计专门的度量分群质量的评价指标，也不需要对分群结果进行额外的处理，这进一步简化了分群操作的流程。此外，由于所使用的OPTICS算法是基于数据密度信息的聚类算法，而非普通的基于中心点位置的聚类算法，所以OPTICS算法可更好地适应实际场景中的各种目标战术队形。例如，在图8中，位于东部的9架我方歼击机中，第19号歼击机明显更靠近第15号、第16号、第17号及第18歼击机的几何中心，但OPTICS算法可根据第19号歼击机所处位置的密度信息，准确判定其应与第20号至第23号歼击机为同一个空间群。此外，基于数据密度信息的OPTICS算法可准确识别位于东部的4枚呈“√”形状的导弹编队。上述仿真实验说明本研究提出，使得只有距离、速度及航向相近且属性相同的目标才能被划分到同一个空间群，保证了复杂情况下目标分群的正确性。

Claims (5)

1.一种基于OPTICS算法的多目标自顶向下式层次化分群方法，其特征在于步骤包括：

步骤1：设计能够表征实体目标属性和状态的元素集合；

步骤2：给定两个目标u和v，首先计算它们在位置、速度、航向、空间属性、敌我属性、攻防属性、战术类型的相似度；

步骤3：基于步骤2中所计算的战场中目标u和v之间的属性相似度信息，计算目标u和v间的距离dist(u,v)；

步骤4：基于目标的属性和状态、目标间属性相似度以及各个层次下目标间距离dist(u,v)信息，使用OPTICS算法对战场目标进行自顶向下式的层次化分群操作，最终将战场中的所有实体目标依次划分为若干敌/我/中立方群、相互作用群、功能群、空间群。

2.根据权利要求1所述的一种基于OPTICS算法的多目标自顶向下式层次化分群方法，其特征在于所述步骤1具体为：

设计能够表征实体目标属性和状态的元素集合，即如下所示的11元组：

(1)

其中，T为目标的战术类型；S为目标的空间属性；A为目标的敌我属性特征；C为目标的攻防属性；D为目标在XY平面上的航向，以正北方向为0度，角度顺时针逐渐增大；x、y、z分别为目标的三维空间位置坐标；分别为目标在X、Y、Z三维方向上的运动速度。

3.根据权利要求2所述的一种基于OPTICS算法的多目标自顶向下式层次化分群方法，其特征在于所述步骤2具体为：

位置相似度：

，即两目标空间位置之间的欧式距离；

速度相似度：

，即两目标速度的欧式距离；

航向相似度：

，即两目标航向的夹角；

战术类型相似度：

，即两目标战术类型相同时，战术类型相似度为1，否则为正无穷大；

空间属性相似度：

，即两目标同属地面/空中/海上目标时，空间属性相似度为1，否则为正无穷大；

敌我属性相似度：

，即两目标同属敌方/我方/中立方时，敌我属性相似度为1，否则为正无穷大；

攻防属性相似度：

，即两目标同属攻击型或防御型目标时，攻防属性相似度为1，否则为正无穷大；

其中，分别为目标u在三维空间坐标系X轴、Y轴、Z轴上的位置坐标，分别为目标u的战术类型、空间属性、敌我属性特征、攻防属性及在XY平面上的航向，/>分别为目标u在三维空间坐标系X轴、Y轴、Z轴方向上的运动速度；类似地，/>分别为目标v在三维空间坐标系X轴、Y轴、Z轴上的位置坐标，/>分别为目标v的战术类型、空间属性、敌我属性特征、攻防属性及在XY平面上的航向，/>分别为目标v在三维空间坐标系X轴、Y轴、Z轴方向上的运动速度。

4.根据权利要求1所述的一种基于OPTICS算法的多目标自顶向下式层次化分群方法，其特征在于所述步骤3具体为：

敌/我/中立方群层次：

；

相互作用群层次：

；

功能群层次：

；

空间群层次：

；其中，F、H及K分别代表实体目标在位置、速度及航向方面的权重因子，F=H=K=1/3。

5.根据权利要求1所述的一种基于OPTICS算法的多目标自顶向下式层次化分群方法，其特征在于所述步骤4具体为：

步骤4-1：对于战场中所有目标组成的数据集D，创建有序队列O和结果队列R，然后初始化OPTICS算法的超参，即邻域半径eps和邻域内最小样本数min_samples；

步骤4-2：当D为空或D中不存在核心点时，则跳转至步骤4-6；当D不为空且D中存在核心点时，从D中选择一个核心对象p，将p放入R中，并从D中删除p；

步骤4-3：从D中找出p的所有的密度直达目标x，并计算x到p的可达距离，并将x及对应的可达距离放入队列O中；

步骤4-4：若队列O为空，则跳转至步骤4-2；若队列O不为空，则将队列O中可达距离最小的样本点y放入队列R中，并从队列D和队列R中删除y；

步骤4-5: 若y不是核心对象，则跳转至步骤4-4；若y是核心对象，则从队列D中找出y的所有密度直达样本点，并计算其到y的可达距离；并将y的密度直达样本点及其最小可达距离更新至队列O中，跳转至步骤4-2；

步骤4-6: 将结果队列R中所有样本点的可达距离按顺序绘制成折线图，并从折线图的每个波峰处将所有样本点进行分割，位于同一个波谷内的样本点被分到同一个群内，当前层次的分群操作结束；

步骤4-7: 若此时未到达最低的分群层次，即空间群层次，则跳转至步骤4-1，开始进行下一层次的分群操作；下一层次分群操作时的数据集D，就是上一层次获得的每个群；若此时已达到最低的分群层次，则将每层的分群结果综合起来，即为最终的自顶向下式的层次化分群结果。