CN118504675B - 基于图计算的无人机与无人车协同态势构建系统及方法 - Google Patents

Abstract

一种基于图计算的无人机与无人车协同态势构建系统及方法，属于电数据处理技术领域。系统包括动态知识图谱构建模块和协同态势构建模块，动态知识图谱构建模块根据参战的所有无人机、无人车、进攻的目标及障碍物建设动态知识图谱；协同态势构建模块从所构建的态动知识图谱选择一个进攻的目标、N个无人机、M个无人车和P个障碍物，在P个障碍物的拦截下，根据N个无人机和M个无人车对该打击目标的毁伤能力推演出t时刻输出的作战任务指标向量。本发明提供的系统及方法能够展现动态变化的战场态势，且推演作战任务指标向量的速度快。

Description

基于图计算的无人机与无人车协同态势构建系统及方法

技术领域

本发明涉及一种基于图计算的无人机与无人车协同态势构建系统及方法，属于电数据处理技术领域。

背景技术

公开号为CN114065832A的中国发明专利申请公开了一种基于无人机与无人车的空地协同态势融合方法及系统，该方法包括：所述方法包括以下步骤：步骤1：通过目标特征描述结构将无人机集群和无人车集群协同侦察到的N个目标进行特征结构统一描述，生成N个目标特征向量，N为正整数；步骤2：针对某一目标特征向量，通过特征快速检索在目标特征向量数据库中检索出已被侦察入库且与该目标特征向量近似的相似特征向量，该目标特征向量及其相似特征向量共同组成目标特征向量集；步骤3：基于多特征频率权重以及多目标簇集质量聚类准则进行目标特征聚类，对该目标特征向量集进行聚类，实现空地协同态势融合。

但是，未见利用图计算对无人机与无人车空地协同态势进行战术推演，从而快速地获得战场态势的报导。

发明内容

本发明要解决的技术问题在于，提出了一种基于图计算的无人机与无人车协同态势构建系统及方法,能够展现动态变化的战场态势，且推演作战指标项的速度快，效率高。

为实现所述发明目的，本发明提供一种基于图计算的无人机与无人车协同态势构 建系统，其包括动态知识图谱构建模块和协同态势构建模块，其中，协同态势构建模块包括 控制策略网络、第一图计算模型层、第二图计算模型层和深度强化学习模块，其中，控制策 略网络在t时刻根据作战任务需要攻击的目标从动态知识图谱中选择该目标、N个无人机、M 个无人车以及P个障碍物,N个无人机和M个无人车组成一个空地协同作战的智能体群；将N 个无人机t时刻打目标的特征向量、M个无人车t时刻打目标的特征向量、P个障碍物拦截N个 无人机和M个无人车的特征向量以及N个无人机、M个无人车和P个障碍物彼此之间的边向量 输入到第一图计算模型层和第二图计算模块层的每个图计算模型中；第一图计算模型层包 括N个图计算模型，第n个图计算模型在t时刻输出对目标的毁伤向量,从而第一图计算 模型层输出向量为=[,…,,…,]；第二图计算模型层包括M个图计算模型，第 m个图计算模型在t时刻输出对目标的毁伤向量,从而第二图计算模型层输出向量为=[,…,,…,]; 深度强化学习模块根据计算出作战任务指标 向量，n=1,2,…,N, m=1,2,…,M, N、M和P为大于或等于1的正整数。

为实现所述发明目的，本发明还提供一种基于图计算的无人机与无人车协同态势构建方法，其特征在于，包括如下步骤：

步骤1：通过控制策略网络在t时刻根据作战任务需要攻击的目标从动态知识图谱 中选择该目标、N个无人机、M个无人车以及P个障碍物,N个无人机和M个无人车组成一个空 地协同作战的智能体群；将N个无人机t时刻打目标的特征向量、M个无人车t时刻打目标的 特征向量、P个障碍物拦截N个无人机和M个无人车的特征向量以及N个无人机、M个无人车和 P个障碍物彼此之间的边向量输入到第一图计算模型层和第二图计算模块层的每个图计算 模型中；第一图计算模型层包括N个图计算模型，第n个图计算模型在t时刻输出对目标的毁 伤向量,从而第一图计算模型层输出向量为=[,…,,…,]；第二图计算模 型层包括M个图计算模型，第m个图计算模型在t时刻输出对目标的毁伤向量,从而第二 图计算模型层输出向量为=[,…,,…,]， n=1,2,…,N, m=1,2,…,M, N、M和 P为大于或等于1的正整数;

步骤2：通过深度强化学习模块根据计算出作战任务指标向量。

有益效果

与现有技术相比，本发明提供基于图计算的无人机与无人车协同态势构建系统及方法具有如下有益效果：

本发明通过构建构参战的动态知识图谱而达到能够展现动态变化的战场态势；本发明通过构建协同态势构建模块而达到推演作战指标项的速度快、效率高的有益效果。

附图说明

图1是本发明第一实施例提供的基于图计算的无人机与无人车协同态势构建系统的组成框图。

图2是本发明第一实施例提供的动态知识图谱构建模块的组成框图。

图3是本发明第一实施例提供的协同态势构建模块的组成框图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

第一实施例

如图1所示，本发明第一实施例提供的基于图计算的无人机与无人车协同态势构建系统包括动态知识图谱构建模块和态势构建模块。通过动态知识图谱构建模块构建包括多个实体的动态知识图谱，所述实体包括参战的目标、无人机、无人车以障碍物，所述障碍物包括拦截装备；通过态势构建模块从所构建的动态图动态知识图谱中选择1个目标及N个无人机、M个无人车和P个障碍物，N、M和P均为大于或者等于1的正整数；将N个无人机和M个无人车组成一个空地协同作战的智能体群；将N个无人机t时刻打目标的特征向量、M个无人车t时刻打目标的特征向量、P个障碍物拦截N个无人机和M个无人车的特征向量以及N个无人机、M个无人车和P个障碍物彼此之间的边向量计算出作战任务指标向量，从而为指挥人员提供决策的依据。每个无人机、无人车对攻击目标的毁伤能力由无人机的本体性能、装备的性能、操作人员的技能、与攻击目标的距离及所处环境决定，无人机、无人车对攻击目标的毁能力还与无人机、无人车之间的通信能力、协作能力等因素相关。所处环境包括地理环境、气候环境、电磁环境等。

如图2所示，本发明动态知识图谱生成模块所述动态知识图谱生成模块包括感测模块、计算模块和生成模块，其中，

感测模块实时获取参战所有实体信息，并向计算模块发送所获取的实体集合T_i(t)及该实体集合T_i(t)中所有与实体的相关数据,所述实体包括参战的所有无人机、无人机需要攻击的目标以及无人机与需要攻击的目标之间的障碍物；

计算模块根据计算感测模块发送来实体集合T_i(t)中的任一实体a_x与已有动态知 识图谱中的任一智能体实体a_i之间的引力，若引力小于或者等于阈值，则认为实体a_x与实体 a_i相关联，生成与实体a_x相关联的实体序列T_x(t)=[a₁,…,a_s,…,a_S]，s=1,2,…,S, S为大于 或等于1的正整数；所述引力为：，式中，为尺度因 子，表示实体a_x到实体a_i的欧式距离，若引力大于阈值，则认为实体a_x与实体a_i不 相关联，不用边相连；

生成模块确定a_x与T_x(t)=[a₁,…,a_s,…,a_S]中的每个实体相连接的边的属性关系及其权重e_xs=[e_xs1,…,e_xsa,…,e_xsA]生成以实体a_x为中心点的动态知识图谱,a=1,2,…,A,A为大于或者等于1的正整数；

计算模块和生成模块遍历实体集合T_i(t)中的每个实体生成动态知识图谱。

本发明通过上述动态知识图谱生成模块可以快速地生成运态知识图谱，并而达到能够展现动态变化的战场态势。

如图3所示，本发明第一实施例提供的态势构建模块包括协同态势构建模块包括 控制策略网络、第一图计算模型层、第二图计算模型层和深度强化学习模块，其中，控制策 略网络在t时刻根据作战任务需要攻击的目标从动态知识图谱中选择该目标、N个无人机、M 个无人车以及P个障碍物,N个无人机和M个无人车组成一个空地协同作战的智能体群；将N 个无人机t时刻打目标的特征向量、M个无人车t时刻打目标的特征向量、P个障碍物拦截N个 无人机和M个无人车的特征向量以及N个无人机、M个无人车和P个障碍物彼此之间的边向量 输入到第一图计算模型层和第二图计算模块层的每个图计算模型中；第一图计算模型层包 括N个图计算模型，第n个图计算模型在t时刻输出对目标的毁伤向量,从而第一图计算 模型层输出向量为=[,…,,…,]；第二图计算模型层包括M个图计算模型，第 m个图计算模型在t时刻输出对目标的毁伤向量,从而第二图计算模型层输出向量为=[,…,,…,]; 深度强化学习模块根据计算出作战任务指标 向量，n=1,2,…,N, m=1,2,…,M, N、M和P为大于或等于1的正整数。

第一实施例中，深度强化学习模块包括BP神经网络 、目标BP神 经网络BP、价值网络和目标价值网络，式 中，为t时刻BP神经网络输出的作战任务指标向量；为BP神经网络的参数； 为目标BP神经网络的参数；为价值网络的参数，为目标价值网络的参数； 对深 度强化学习模块的训练包括如下步骤：

S03-1:让价值网络作预测：;

S03-2:让目标BP神经网络作预测：，

式中，为下一时间t+1目标BP神经网络预测的输入向量，为下一时间t+ 1BP神经网络预估的作战任务指标向量；

S03-3:让目标价值网络作预测：

,

式中，为t时刻的奖励，为调整系数；并计算误码，利用误差更新价 值网络的参数为：

，

式中，α是调整系数，为θ的梯度函数；

更新目标价值网络的参数为：

;

S03-4:让BP神经网络做预测：；

通过下式更新BP神经网络的参数为：

，

式中，为的梯度函数；为的梯度函数,为调整系数；

利用更新目标BP神经网络BP的参数为：

。

本发明通过构建协同态势构建模块而达到推演作战指标项的速度快、效率高的有益效果。

控制策略网络包括硬注意机制模型，硬注意机制模型根据对攻击目标攻击概率从动态知识图谱中选择无人机、无人车。依次从动态知识图谱中选择攻击概率较高的无人机、无人车。

无人机的特征向量包括无人机性能的量化值、装备于无人机的武器性能的量化值、操控无人机的人员的技能的量化值、操控武器的人员的技能的量化值、用于武器的弹药的量化值、距离目标的距离值、人员状态的量化值等，即h_n=[a¹,a²,…,a^N]。

无人车的特征向量包括无人车性能的量化值、装备于无人车的武器性能的量化值、操控无人车的人员的技能的量化值、操控武器的人员的技能的量化值、用于武器的弹药的量化值、距离目标的距离值、人员状态的量化值等，即h_k=[a¹,a²,…,a^K]。

攻击目标的毁伤向量包括：命中目标能力的量化值、毁伤目标的能力的量化值、弹 药消耗量的量化值、毁伤目标完成时间的量化值等作战务指示向量包括第一作战指标、第 二作战指标、第三作战指标、第四作战指标及突击任务完成时间等,表示为]。

第一实施例中，

式中为N个无人机中的第j个 无人机攻击目标的特征向量h_j对第n个无人机攻击目标的特征向量h_n的协作度;e_nj表示第j 个无人机和第n个无人机相连接的边的特征向量；

,为M个无人车中的第k个无 人车攻击目标的特征向量h_k对第n个无人机攻击目标的特征向量h_n的协作度;e_nk表示第k个 无人车和第n个无人机相连接的边的特征向量;

为P个障碍中的第p个障碍拦 截无人机的特征向量h_P对第n个无人机攻击目标的特征向量h_n的损耗度；e_np为第p个障碍和 第n个无人机相连接的边的特征向量。

；

为N个无人机中的第j个无 人机攻击目标的特征向量h_j对第m个无人车攻击目标的特征向量h_n的协作度；e_mj表示第j个 无人机和第m个无人车相连接的边的特征向量；

,为M个无人车中的第k个无 人车攻击目标的特征向量h_k对第m个无人车攻击目标的特征向量h_m的协作度；e_mk表示第k个 无人车和第m个无人车相连接的边的特征向量;

为P障碍中的第p个障碍拦截 无人车的特征向量h_p对第m个无人车攻击目标的特征向量h_m的损耗度；e_mp为第p个障碍物和 第m个无人车相连接的边的特征向量；

σ为第一激活函数；LeakyReLU为第二激活函数；ρ为图计算模型的输入层到隐含层的参数；W₁、W₂、W_o、W₁₁、W₁₂、W_1o、W₂₁、W₂₂、W_2o表示参数矩阵；||表示拼接起来。

本发明通过上述技术方案推演作战指标项时，不仅考虑了无人机之间的协同，还考虑了无人机和无人车之间的协同，无人车和无人车之间的协同，同时考虑了障碍物对完成攻击目标的损耗，使得推演作战指标项时更加科学。

第一实施例中，神经网络包括输入层、隐含层和输出层，所述输入层包括第一输入子层和第二输入子层，第一输入子层的第n个神经元t时刻输入的向量为：

b_t ⁿ=wⁿc¹ⁿ _t

式中，wⁿ为第1n个毁伤向量c¹ⁿ _t的加权矩阵;

第二输入子层的第m个神经元t时刻输入的向量为：

b_t ^m=w^mc^2m _t

式中，w^m为第2m个毁伤向量c^2m _t的加权矩阵;

隐含层包括变形层、比较层，其中，变形层包括I个神经元，第i个神经元t时刻的输出为:

，，

式中,w¹ⁿⁱ为输入层第1n个神经元与变形层的第i个神经元之间的权重；w^2mi为输入层第2m个神经元与变形层的第i个神经元之间的权重；exp为第三激活函数；

,更新时，

,

比较层包括I个神经元，第i个神经元的输出为：

式中，β₁和β₂为常数；

输出层包括K个神经元，每个神经元输出一个作战指标项，第k个神经元的输出为:

式中，w^ki为比较层第i个神经元和输出层第k个神经元之间的权重。

本发明第一实施例通过构建构参战的动态知识图谱而达到能够展现强对抗、动态变化的战场态势；本发明第一实施例通过构建协同态势构建模块而达到推演作战指标项的效率高的有益效果。

第二实施例

第二实施例仅描述与第一实施例不同的内容，相同的内容不再重复描述。

本发明第二实施例提供基于图计算的无人机与无人车协同态势构建方法，其包括如下步骤：

步骤1：通过控制策略网络在t时刻根据作战任务需要攻击的目标从动态知识图谱 中选择该目标、N个无人机、M个无人车以及P个障碍物,N个无人机和M个无人车组成一个空 地协同作战的智能体群；将N个无人机t时刻打目标的特征向量、M个无人车t时刻打目标的 特征向量、P个障碍物拦截N个无人机和M个无人车的特征向量以及N个无人机、M个无人车和 P个障碍物彼此之间的边向量输入到第一图计算模型层和第二图计算模块层的每个图计算 模型中；第一图计算模型层包括N个图计算模型，第n个图计算模型在t时刻输出对目标的毁 伤向量,从而第一图计算模型层输出向量为=[,…,,…,]；第二图计算模 型层包括M个图计算模型，第m个图计算模型在t时刻输出对目标的毁伤向量,从而第二 图计算模型层输出向量为=[,…,,…,]， n=1,2,…,N, m=1,2,…,M, N、M和 P为大于或等于1的正整数;

步骤2：通过深度强化学习模块根据计算出作战任务指标向量

本发明第二实施例的有益效果与第一实施例相同，这里不再重复描述。

第三实施例

本发明第三实施例还提供一种程序产品，其包计算机程序代码，所述计算机程序代码能够调处理器调用以执行第二实施例所述的方法。

第三实施提供的方法的有益效果与第二实施例相同，这里不再重复描述。

第四实施例

本发明第四实施例提供多个存储系统，其是数据集整体被同步复制的多个存储系统，每个存储系统包括计算机存储器和计算机处理器；其中存储系统中的每一个中的计算机存储器存储有计算机程序指令，计算机程序指令被处理器调用并执行时以实施第一和或第二实施例的方法、存储系统中的一个或多个包括：当由特定存储系统的计算机处理器执行时：在特定的存储系统中，检测与其他存储系统的1个以上的数据通信的中断的步骤；多个存储系统还包括如下计算机程序指令，计算机程序指令用于执行以下步骤：确定特定存储系统是否应该保留在盒中，响应于确定特定存储系统应该保留在盒中，使特定存储系统上的数据集对于管理操作和数据集操作是可访问的，以及响应于确定特定存储系统不应该保留在盒中，使特定存储系统上的数据集对于管理操作和数据集操作是不可访问的；计算机程序指令在由特定存储系统的计算机处理器执行时使特定存储系统检测到与其他存储系统中的一个或多个的数据通信中断已经修复，并且使特定存储系统上的数据集可访问以用于管理操作和数据集操作；存储系统中的两个或更多个包括：在由各存储系统的计算机处理器执行时，在每个存储系统中，识别用于异步接收数据集的目标存储系统，包括：其中目标存储系统包括：数据集不是其整体被同步复制的多个存储系统之一。计算机程序指令使目标存储系统执行以下操作：识别数据集的未被其他存储系统中的任一个异步复制到目标存储系统的部分，以及异步复制数据集的未被其他存储系统中的任一个异步复制到目标存储系统的部分，其中两个或更多个存储系统使目标存储系统共同复制整个数据集。存储系统中的至少一个被实现为云存储。

第四实施提供的计算机存储介质的有益效果与第二实施例相同，这里不再重复描述。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。“若干”的含义是一个或一个以上，除非另有明确具体的限定。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于图计算的无人机与无人车协同态势构建系统，其特征在于，包括动态知识图谱构建模块和协同态势构建模块，其中，协同态势构建模块包括控制策略网络、第一图计算模型层、第二图计算模型层和深度强化学习模块，其中，控制策略网络在t时刻根据作战任务需要攻击的目标从动态知识图谱中选择该目标、N个无人机、M个无人车以及P个障碍物,N个无人机和M个无人车组成一个空地协同作战的智能体群；将N个无人机t时刻打目标的特征向量、M个无人车t时刻打目标的特征向量、P个障碍物拦截N个无人机和M个无人车的特征向量以及N个无人机、M个无人车和P个障碍物彼此之间的边向量输入到第一图计算模型层和第二图计算模块层的每个图计算模型中；第一图计算模型层包括N个图计算模型，第n个图计算模型在t时刻输出对目标的毁伤向量,从而第一图计算模型层输出向量为=[,…,,…,]；第二图计算模型层包括M个图计算模型，第m个图计算模型在t时刻输出对目标的毁伤向量,从而第二图计算模型层输出向量为=[,…,,…,]; 深度强化学习模块根据计算出作战任务指标向量，n=1,2,…,N, m=1,2,…,M, N、M和P为大于或等于1的正整数；

深度强化学习模块包括BP神经网络 、目标BP神经网络BP、价值网络和目标价值网络，式中，为t时刻BP神经网络输出的作战任务指标向量；为BP神经网络的参数；为目标BP神经网络的参数；为价值网络的参数，为目标价值网络的参数； 对深度强化学习模块的训练包括如下步骤：

S03-1:让价值网络作预测：;

S03-2:让目标BP神经网络作预测：，

式中，为下一时间t+1目标BP神经网络预测的输入向量，为下一时间t+1BP神经网络预估的作战任务指标向量；

S03-3:让目标价值网络作预测：

,

式中，为t时刻的奖励，为调整系数；并计算误差，利用误差更新价值网络的参数为：

，

式中，α是调整系数，为θ的梯度函数；

更新目标价值网络的参数为：

;

S03-4:让BP神经网络做预测：，

通过下式更新BP神经网络的参数为：

，

式中，为的梯度函数；为的梯度函数,为调整系数；

利用更新目标BP神经网络BP的参数为：

；

其中，

，

式中为N个无人机中的第j个无人机攻击目标的特征向量h_j对第n个无人机攻击目标的特征向量h_n的协作度;e_nj表示第j个无人机和第n个无人机相连接的边的特征向量；

,为M个无人车中的第k个无人车攻击目标的特征向量h_k对第n个无人机攻击目标的特征向量h_n的协作度;e_nk表示第k个无人车和第n个无人机相连接的边的特征向量;

为P个障碍中的第p个障碍拦截无人机的特征向量h_P对第n个无人机攻击目标的特征向量h_n的损耗度；e_np为第p个障碍和第n个无人机相连接的边的特征向量；

，

为N个无人机中的第j个无人机攻击目标的特征向量h_j对第m个无人车攻击目标的特征向量h_n的协作度；e_mj表示第j个无人机和第m个无人车相连接的边的特征向量；

,为M个无人车中的第k个无人车攻击目标的特征向量h_k对第m个无人车攻击目标的特征向量h_m的协作度；e_mk表示第k个无人车和第m个无人车相连接的边的特征向量;

为P障碍中的第p个障碍拦截无人车的特征向量h_p对第m个无人车攻击目标的特征向量h_m的损耗度；e_mp为第p个障碍物和第m个无人车相连接的边的特征向量；

σ为第一激活函数；LeakyReLU为第二激活函数；ρ为图计算模型的输入层到隐含层的参数；W₁、W₂、W_o、W₁₁、W₁₂、W_1o、W₂₁、W₂₂、W_2o表示参数矩阵；||表示拼接起来。

2.根据权利要求1所述的基于图计算的无人机与无人车协同态势构建系统，其特征在于，BP神经网络包括输入层、隐含层和输出层，所述输入层包括第一输入子层和第二输入子层，第一输入子层的第n个神经元t时刻输入的向量为：

b_t ⁿ=wⁿc¹ⁿ _t

式中，wⁿ为第1n个毁伤向量c¹ⁿ _t的加权矩阵;

第二输入子层的第m个神经元t时刻输入的向量为：

b_t ^m=w^mc^2m _t

式中，w^m为第2m个毁伤向量c^2m _t的加权矩阵;

隐含层包括变形层、比较层，其中，变形层包括I个神经元，第i个神经元t时刻的输出为:

，

式中,w¹ⁿⁱ为输入层第1n个神经元与变形层的第i个神经元之间的权重；w^2mi为输入层第2m个神经元与变形层的第i个神经元之间的权重；exp为第三激活函数;

；

比较层包括I个神经元，第i个神经元的输出为：

，

式中，和为常数；

输出层包括K个神经元，第k个神经元的输出为:

，

式中，w^ki为比较层第i个神经元和输出层第k个神经元之间的权重。

3.根据权利要求1所述的基于图计算的无人机与无人车协同态势构建系统，其特征在于，所述动态知识图谱生成模块包括感测模块、计算模块和生成模块，其中，

感测模块实时获取参战的所有实体信息，并向计算模块发送所获取的实体集合T_i(t)及该实体集合T_i(t)中所有与实体的相关数据,所述实体包括参战的所有无人机、无人车、需要攻击的目标以及障碍物；

计算模块计算感测模块发送来实体集合T_i(t)中的任一实体a_x与已有动态知识图谱中的任一智能体实体a_i之间的引力，若引力小于或者等于阈值，则认为实体a_x与实体a_i相关联，生成与实体a_x相关联的实体序列T_x(t)=[a₁,…,a_s,…,a_S]，s=1,2,…,S, S为大于或等于1的正整数；所述引力为：，式中，为尺度因子，表示实体a_x到实体a_i的欧式距离，若引力大于阈值，则认为实体a_x与实体a_i不相关联，不用边相连；

生成模块确定a_x与T_x(t)=[a₁,…,a_s,…,a_S]中的每个实体相连接的边的属性关系及其权重e_xs=[e_xs1,…,e_xsa,…,e_xsA]生成以实体a_x为中心点的动态知识图谱,a=1,2,…,A,A为大于或者等于1的正整数；

计算模块和生成模块遍历实体集合T_i(t)中的每个实体生成动态知识图谱。

4.一种基于图计算的无人机与无人车协同态势构建方法，其特征在于，包括如下步骤：

步骤1：通过控制策略网络在t时刻根据作战任务需要攻击的目标从动态知识图谱中选择该目标、N个无人机、M个无人车以及P个障碍物,N个无人机和M个无人车组成一个空地协同作战的智能体群；将N个无人机t时刻打目标的特征向量、M个无人车t时刻打目标的特征向量、P个障碍物拦截N个无人机和M个无人车的特征向量以及N个无人机、M个无人车和P个障碍物彼此之间的边向量输入到第一图计算模型层和第二图计算模块层的每个图计算模型中；第一图计算模型层包括N个图计算模型，第n个图计算模型在t时刻输出对目标的毁伤向量,从而第一图计算模型层输出向量为=[,…,,…,]；第二图计算模型层包括M个图计算模型，第m个图计算模型在t时刻输出对目标的毁伤向量,从而第二图计算模型层输出向量为=[,…,,…,]， n=1,2,…,N, m=1,2,…,M, N、M和P为大于或等于1的正整数;

步骤2：通过深度强化学习模块根据计算出作战任务指标向量；

深度强化学习模块包括BP神经网络 、目标BP神经网络BP、价值网络和目标价值网络，式中，为t时刻BP神经网络输出的作战任务指标向量；为BP神经网络的参数；为目标BP神经网络的参数；为价值网络的参数，为目标价值网络的参数； 对深度强化学习模块的训练包括如下步骤：

S03-1:让价值网络作预测：;

S03-2:让目标BP神经网络作预测：，

式中，为下一时间t+1目标BP神经网络预测的输入向量，为下一时间t+1BP神经网络预估的作战任务指标向量；

S03-3:让目标价值网络作预测：

,

式中，为t时刻的奖励，为调整系数；并计算误差，利用误差更新价值网络的参数为：

，

式中，α是调整系数，为θ的梯度函数；

更新目标价值网络的参数为：

;

S03-4:让BP神经网络做预测：，

通过下式更新BP神经网络的参数为：

，

式中，为的梯度函数；为的梯度函数,为调整系数；

利用更新目标BP神经网络BP的参数为：

；

其中，

，

式中为N个无人机中的第j个无人机攻击目标的特征向量h_j对第n个无人机攻击目标的特征向量h_n的协作度;e_nj表示第j个无人机和第n个无人机相连接的边的特征向量；

,为M个无人车中的第k个无人车攻击目标的特征向量h_k对第n个无人机攻击目标的特征向量h_n的协作度;e_nk表示第k个无人车和第n个无人机相连接的边的特征向量;

为P个障碍中的第p个障碍拦截无人机的特征向量h_P对第n个无人机攻击目标的特征向量h_n的损耗度；e_np为第p个障碍和第n个无人机相连接的边的特征向量；

，

为N个无人机中的第j个无人机攻击目标的特征向量h_j对第m个无人车攻击目标的特征向量h_n的协作度；e_mj表示第j个无人机和第m个无人车相连接的边的特征向量；

,为M个无人车中的第k个无人车攻击目标的特征向量h_k对第m个无人车攻击目标的特征向量h_m的协作度；e_mk表示第k个无人车和第m个无人车相连接的边的特征向量;

为P障碍中的第p个障碍拦截无人车的特征向量h_p对第m个无人车攻击目标的特征向量h_m的损耗度；e_mp为第p个障碍物和第m个无人车相连接的边的特征向量；

σ为第一激活函数；LeakyReLU为第二激活函数；ρ为图计算模型的输入层到隐含层的参数；W₁、W₂、W_o、W₁₁、W₁₂、W_1o、W₂₁、W₂₂、W_2o表示参数矩阵；||表示拼接起来。

5.根据权利要求4所述的基于图计算的无人机与无人车协同态势构建方法，其特征在于，BP神经网络包括输入层、隐含层和输出层，所述输入层包括第一输入子层和第二输入子层，第一输入子层的第n个神经元t时刻输入的向量为：

b_t ⁿ=wⁿc¹ⁿ _t

式中，wⁿ为第1n个毁伤向量c¹ⁿ _t的加权矩阵;

第二输入子层的第m个神经元t时刻输入的向量为：

b_t ^m=w^mc^2m _t

式中，w^m为第2m个毁伤向量c^2m _t的加权矩阵;

隐含层包括变形层、比较层，其中，变形层包括I个神经元，第i个神经元t时刻的输出为:

，

式中,w¹ⁿⁱ为输入层第1n个神经元与变形层的第i个神经元之间的权重；w^2mi为输入层第2m个神经元与变形层的第i个神经元之间的权重；exp为第三激活函数;

；

比较层包括I个神经元，第i个神经元的输出为：

，

式中，β₁和β₂为常数；

输出层包括K个神经元，第k个神经元的输出为:

，

式中，w^ki为比较层第i个神经元和输出层第k个神经元之间的权重。

6.根据权利要求4所述的基于图计算的无人机与无人车协同态势构建方法，其特征在于，所述动态知识图谱生成模块包括感测模块、计算模块和生成模块，其中，

感测模块实时获取参战的所有实体信息，并向计算模块发送所获取的实体集合T_i(t)及该实体集合T_i(t)中所有与实体的相关数据,所述实体包括参战的所有无人机、无人车、需要攻击的目标以及障碍物；

计算模块计算感测模块发送来实体集合T_i(t)中的任一实体a_x与已有动态知识图谱中的任一智能体实体a_i之间的引力，若引力小于或者等于阈值，则认为实体a_x与实体a_i相关联，生成与实体a_x相关联的实体序列T_x(t)=[a₁,…,a_s,…,a_S]，s=1,2,…,S, S为大于或等于1的正整数；所述引力为：，式中，为尺度因子，表示实体a_x到实体a_i的欧式距离，若引力大于阈值，则认为实体a_x与实体a_i不相关联，不用边相连；

生成模块确定a_x与T_x(t)=[a₁,…,a_s,…,a_S]中的每个实体相连接的边的属性关系及其权重e_xs=[e_xs1,…,e_xsa,…,e_xsA]生成以实体a_x为中心点的动态知识图谱,a=1,2,…,A,A为大于或者等于1的正整数；

计算模块和生成模块遍历实体集合T_i(t)中的每个实体生成动态知识图谱。