[发明专利]一种基于功能的装备决策行为仿真建模方法及系统

说明书

本发明公开了一种基于功能的装备决策行为仿真建模方法及系统。方法包括：S1、构建功能决策树，功能决策树内包括元模型根节点，元模型根节点包括树节点和边，树节点包括态势分析节点、决策节点和动作节点，边包括用于传输数据的数据边和用于决策控制的决策边，态势分析节点、决策节点、动作节点之间通过数据边和决策边关联；S2、执行仿真，判断节点类型，若是决策节点则执行相应决策并返回下一个决策节点，若下一个决策节点不为空则迭代，若是动作节点则直接执行相应动作，若是态势分析节点则先对所有节点进行拓扑排序再循环执行排序中每个态势分析节点得到最终输出值。本发明能有效缓解由输入变量过多带来的状态空间组合爆炸问题。

技术领域

本发明涉及决策技术领域，更具体地说，特别涉及一种基于功能的装备决策行为仿真建模方法及系统。

背景技术

作战效能评估是支持战斗机装备论证、研制与使用等全寿命周期工作的重要内容，随着仿真技术的成熟和效能评估要求的提高，作战仿真已经成为战斗机作战效能评估的主要技术。战斗机作战效能仿真评估离不开高效可信的战斗机作战仿真系统的支持，飞行员的决策建模则属于战斗机作战仿真系统建设的关键一环。现有关于战斗机作战效能评估的作战仿真系统普遍缺乏有效的空战决策建模方法，大多采用反应式规则来进行脚本化建模，模拟出的空战决策行为与实际作战差别较大，可预测性强，缺乏慎思性，影响作战仿真效果的可信度，制约了作战仿真在战斗机效能评估领域作用的发挥。

2016年，由美国辛辛那提大学与美国空军联合研发的空战人工智能系统阿尔法(Alpha AI)在模拟空战中击败了美国空军退役上校，此次事件引发了国内外广泛关注。阿尔法采用基于遗传模糊树的空战决策仿真建模方法，将决策空间的多个输入、输出变量进行模糊化或分类，基于遗传算法生成空战决策模糊推理规则，并将这些规则进行树形结构级联式连接，能有效模拟人脑实施规则型推理以贯彻上层决策意图，产生可信的行为。但是，对于某些具有明确二值含义的数据，或者具有明确语义的离散值，不便于使用隶属度函数进行模糊化。对于这种情形，很朴素的一种做法就是对模糊推理输出设计一个简单分类器，将连续值作离散化处理，分别对应原有的离散输出。不难看出，这往往就会带来较强的主观性，模型可解释性反而大打折扣。

当前国内外典型的空战决策行为建模方法概括起来主要有三种类型：知识工程、模糊逻辑和机器学习，其中，模糊逻辑常与启发式智能优化算法结合使用。下面主要以状态图和遗传模糊树为例对前两者进行分析。

空战中战斗机状态一般经历起飞、巡航、探测、接敌、交战、结束任务、返回基地几个基本阶段。战斗机接到作战命令后，起飞并以一定巡航速度沿预定航线飞行，同时开启机载雷达搜索目标。当发现来袭目标并识别后，进入接敌阶段，根据目标的位置和速度机动并占位。当达到武器发射条件后，发射武器进入交战阶段，若发现敌方来袭导弹，战斗机迅速摆脱。任务结束或者油量耗尽，飞机返回基地。

根据上述空战特点及状态图建模规范，战斗机作战过程可抽象为一系列状态以及这些状态之间复杂的状态转换关系。实践表明，基于状态图的空战决策行为建模，在描述空战决策行为时，具有一定的局限性，不能真正反应实际中空战作战过程，主要表现在：一是状态转移关系复杂，不易维护。未来空战为联合一体化跨域作战，所包含的武器装备众多，战术战法复杂，采用状态图对其进行描述必将导致大量的状态以及这些状态之间复杂的转移关系，不易于维护，且扩展性不好，增加一个状态往往会引起整张状态图的变动，导致大量的调试工作。二是表达能力有限，不能描述不确定性专家知识。状态图只能对确定性的专家知识进行描述，无法描述不确定性专家经验。随着战场维度的叠加，武器装备与战术战法的革新，必然会产生更加复杂和大量不确定性的战场信息，必须对战场的不确定性信息进行描述，以真实反应实际作战过程。三是非模块化建模方法，建模难度大。状态图采用了非模块化的建模方法，条理不够清晰，增加了建模难度，且无法将建模成果有效保留，不便于模型之间进行交流和兼容，新的建模人员无法快速参与到建模工作中，导致大量不必要的工作量，降低了行为建模的效率。