基于GMQN的协同作战控制方法、系统、设备及介质技术方案

本发明专利技术公开了一种基于GMQN的协同作战控制方法、系统、设备及介质，属于优化调度领域，方法包括：获取当前态势信息数据，构建TSDI作战网络并进行态势评估，得到相应的特征数据；将特征数据输入GMQN，使得GMQN利用特征数据中的节点传播能力、作战任务参与度、节点鲁棒性和节点重要性构成影响输入的可学习特征，利用特征数据中的节点间依赖程度、OODA环时延和OODA环可靠性对注意力机制进行偏置，以利用GMQN计算TSDI作战网络中各影响节点的动作值Q，动作值Q包括I

【技术实现步骤摘要】
基于GMQN的协同作战控制方法、系统、设备及介质


[0001]本专利技术属于优化调度领域，更具体地，涉及一种基于GMQN的协同作战控制方法、系统、设备及介质。

技术介绍

[0002]现代战争呈现作战体系网络化的特点，即基于网络信息体系将各种作战资源、武器装备、探测装备、指挥系统等融合集成，各种作战要素通过网络连为一体形成一体化联合作战体系。分布于战场空间的各类作战实体单元及其作战关系，构成了联合作战体系的作战网络。因此，未来能否取得战争胜利不再取决于单个作战要素的性能，而是整个作战体系的战斗能力。
[0003]传统的武器
‑
目标分配方案通常是人为设计目标函数，利用传统优化算法如遗传算法进行求解，比如最大化目标的毁伤，这极有可能对某些目标造成武器浪费，甚至可能在将来遭遇敌军时无法反击。另一类方案是对目标的特征进行威胁性评估，再选择合适的武器进行打击，该类方法极大地损失了本方作战体系的全局特征。这些方法都没有全面地考虑全局作战信息的问题。

技术实现思路

[0004]针对现有技术的缺陷和改进需求，本专利技术提供了一种基于GMQN的协同作战控制方法、系统、设备及介质，其目的在于解决传统武器
‑
目标分配方案难以全面地考虑全局作战信息的问题。
[0005]为实现上述目的，按照本专利技术的一个方面，提供了一种基于GMQN的协同作战控制方法，包括：S1，获取当前态势信息数据并构建TSDI作战网络，搜索所述TSDI作战网络中的OODA环，基于所述当前态势信息数据对所述TSDI作战网络进行态势评估，得到相应的特征数据；S2，将所述特征数据输入GMQN，使得GMQN利用所述特征数据中的节点传播能力、作战任务参与度、节点鲁棒性和节点重要性构成影响输入的可学习特征，利用所述特征数据中的节点间依赖程度、OODA环时延和OODA环可靠性对注意力机制进行偏置，以利用GMQN计算所述TSDI作战网络中各影响节点的动作值Q，所述动作值Q包括影响节点
‑
被打击的目标节点对以及影响节点
‑
当前不打击的目标节点对；S3，利用KM算法对所述动作值Q进行全局优化，得到全局最优Q值组合并生成相应的作战目标分配策略，根据所述作战目标分配策略控制各所述影响节点。
[0006]更进一步地，所述构建TSDI作战网络包括：根据所述当前态势信息数据中装备的类型，将装备映射为目标节点T、传感节点S、决策节点D和影响节点I；根据映射后各节点之间的交互关系对各节点进行连边，得到所述TSDI网络，连边类型包括探测关系、协同关系、指控关系和行动关系。
[0007]更进一步地，所述搜索所述TSDI作战网络中的OODA环包括：利用邻接矩阵正向连乘获取设定结构的环路数量，再利用逆向广度优先搜索在所述TSDI作战网络中搜索具有所
述设定结构的OODA环。
[0008]更进一步地，所述特征数据中的作战任务参与度为：
[0009][0010]其中，lbt
i
为节点v
i
的作战任务参与度，分别为通过节点v
i
、节点v
j
的OODA环的环数，nv为TSDI作战网络中所有节点的数量。
[0011]更进一步地，所述特征数据中的节点鲁棒性为：
[0012][0013]其中，nrb
i
为节点v
i
的节点鲁棒性，为通过节点v
i
的OODA环的环数，为通过节点v
i
的OODA环l
m
包含的边数，t
k
为OODA环l
m
中边e
k
的时延，p
k
为OODA环l
m
中边e
k
构成的概率。
[0014]更进一步地，所述特征数据中的节点重要性为：
[0015][0016]其中，nimp
i
为节点v
i
的节点重要性，nrb
i
为节点v
i
的节点鲁棒性，nv为TSDI作战网络中所有节点的数量，lbt
i
、lbt
j
分别为节点v
i
、节点v
j
的作战任务参与度，dis
ij
为节点v
i
与节点v
j
之间的最短距离。
[0017]更进一步地，所述利用KM算法对所述动作值Q进行全局优化包括：将影响节点I和action分别作为第一类节点和第二类节点，将GMQN计算得到的动作值Q作为影响节点I和action连边的权重，action为节点执行的动作；扩充nv
T
个虚拟影响节点作为第一类节点，将所有不存在动作值Q的影响节点I和action连边赋予虚拟权重v，nv
T
为目标节点T的数量；利用KM算法对所有权重进行全局优化，得到二分图最大权匹配，删除虚拟节点对应的匹配后，得到所有影响节点I的全局最优Q值组合。
[0018]按照本专利技术的另一个方面，提供了一种基于GMQN的协同作战控制系统，包括：获取及评估模块，用于获取当前态势信息数据并构建TSDI作战网络，搜索所述TSDI作战网络中的OODA环，基于所述当前态势信息数据对所述TSDI作战网络进行态势评估，得到相应的特征数据；输入计算模块，用于将所述特征数据输入GMQN，使得GMQN利用所述特征数据中的节点传播能力、作战任务参与度、节点鲁棒性和节点重要性构成影响输入的可学习特征，利用所述特征数据中的节点间依赖程度、OODA环时延和OODA环可靠性对注意力机制进行偏置，以利用GMQN计算所述TSDI作战网络中各影响节点的动作值Q，所述动作值Q包括影响节点
‑
被打击的目标节点对以及影响节点
‑
当前不打击的目标节点对；优化控制模块，用于利用KM算法对所述动作值Q进行全局优化，得到全局最优Q值组合并生成相应的作战目标分配策略，根据所述作战目标分配策略控制各所述影响节点。
[0019]按照本专利技术的另一个方面，提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如上所述的基
于GMQN的协同作战控制方法。
[0020]按照本专利技术的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的基于GMQN的协同作战控制方法。
[0021]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
[0022](1)利用TSDI网络描述作战场景，搜索出可能的OODA环描述作战行动，利用改进的图神经网络的强大表达能力表达作战态势，极大程度地保留了作战态势的全局信息和局部信息，不仅包括双方各个装备的属性信息，也包括作战中信息流、能量流等交互关系的拓扑结构信息；将对作战能力有重大意义的OODA环信息和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GMQN的协同作战控制方法，其特征在于，包括：S1，获取当前态势信息数据并构建TSDI作战网络，搜索所述TSDI作战网络中的OODA环，基于所述当前态势信息数据对所述TSDI作战网络进行态势评估，得到相应的特征数据；S2，将所述特征数据输入GMQN，使得GMQN利用所述特征数据中的节点传播能力、作战任务参与度、节点鲁棒性和节点重要性构成影响输入的可学习特征，利用所述特征数据中的节点间依赖程度、OODA环时延和OODA环可靠性对注意力机制进行偏置，以利用GMQN计算所述TSDI作战网络中各影响节点的动作值Q，所述动作值Q包括影响节点
‑
被打击的目标节点对以及影响节点
‑
当前不打击的目标节点对；S3，利用KM算法对所述动作值Q进行全局优化，得到全局最优Q值组合并生成相应的作战目标分配策略，根据所述作战目标分配策略控制各所述影响节点。2.如权利要求1所述的基于GMQN的协同作战控制方法，其特征在于，所述构建TSDI作战网络包括：根据所述当前态势信息数据中装备的类型，将装备映射为目标节点T、传感节点S、决策节点D和影响节点I；根据映射后各节点之间的交互关系对各节点进行连边，得到所述TSDI网络，连边类型包括探测关系、协同关系、指控关系和行动关系。3.如权利要求1所述的基于GMQN的协同作战控制方法，其特征在于，所述搜索所述TSDI作战网络中的OODA环包括：利用邻接矩阵正向连乘获取设定结构的环路数量，再利用逆向广度优先搜索在所述TSDI作战网络中搜索具有所述设定结构的OODA环。4.如权利要求1
‑
3任一项所述的基于GMQN的协同作战控制方法，其特征在于，所述特征数据中的作战任务参与度为：其中，lbt
i
为节点v
i
的作战任务参与度，分别为通过节点v
i
、节点v
j
的OODA环的环数，nv为TSDI作战网络中所有节点的数量。5.如权利要求1
‑
3任一项所述的基于GMQN的协同作战控制方法，其特征在于，所述特征数据中的节点鲁棒性为：其中，nrb
i
为节点v
i
的节点鲁棒性，为通过节点v
i
的OODA环的环数，为通过节点v
i
的OODA环l
m
包含的边数，t
k
为OODA环l
m
中边e
k
的时延，p
k
为OODA环l
m
中边e
k
构成的概率。6.如权利要求1
‑
3任一项所述的基于GM...

【专利技术属性】
技术研发人员：曾伟，徐彬，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：