法律状态公告日
法律状态信息
法律状态
2022-07-01
公开
发明专利申请公布
技术领域
本发明涉及智能作战指挥控制的技术领域，尤其涉及一种基于模拟和技术发展水平的指挥控制效能提升量化方法。
背景技术
随着作战环境和形态愈加复杂、作战领域日益融合，各国积极推动人工智能、自主系统等新兴技术应用于指挥控制领域，算法模型基于战场实时产生的数据信息的输入，在一定程度和某些方面，相比人基于战场情况做出的判断，人工智能可以更加有效、准确的掌握战场的全局数据，经过精确计算和统筹安排后，可以做出更加妥善的指挥控制指令，明显提高整体作战能力。
在已知人工智能对于作战的指挥控制有提升的情况，现有技术中，没有明确的技术方案可以计算和量化提升的程度，也就难以客观评价人工智能的优势，同时也没有技术方案可以评价在技术发展下，人工智能对于作战的指挥控制提升的程度。
发明内容
发明目的：本发明旨在提供一种基于模拟和技术发展水平的指挥控制效能提升量化方法。
技术方案：本发明提供一种基于模拟和技术发展水平的指挥控制效能提升量化方法，包括：
建立战场框架模型，于所述战场框架模型中划分多个作战区域和基地区域，对所述作战区域进行地形和场地设置，将所述基地区域进行我方和敌方的划分；
设定我方作战单位和敌方作战单位的作战属性，将我方作战单位和敌方作战单位分别分配至对应的基地区域；
运行战场框架模型，识别作战区域的作战单位，基于指挥控制模型的指令指挥控制我方作战单位进行作战；
量化计算步骤：
实时获取作战数据，包括：实时获取我方作战单位的受损数据；实时获取敌方作战单位的受损数据；实时获取敌方作战单位的行动轨迹和分布；
使用实时获取的作战数据对指挥控制模型进行实时训练，继续指挥控制我方作战单位进行作战和应对，并计算我方的打击精准度和回避成功率；
在我方或对方的有效作战单位的数量降低至最低作战数量时，停止战场框架模型的运行；
计算我方的打击精准度和回避成功率的变化幅度，获取我方基地区域的防御程度，加权融合后作为第一量化结果；
基于技术发展水平，调整我方作战单位或/和敌方作战单位的作战属性，重复执行量化计算步骤，计算得到第二量化结果。
具体的，作战单位的作战属性包括：最大携带武器数量和重量、打击范围、移动能力、承受打击能力和躲避打击能力。
具体的，识别作战单位的数量、种类和分布位置，基于作战单位的种类获取相应的作战属性，指挥控制模型根据敌方作战单位的数量、作战属性和分布位置做出指令。
具体的，基于获取我方作战单位的受损数据，判断对我作战单位造成打击的敌方作战单位种类的打击能力，结合我方作战单位移动能力、承受打击能力和躲避打击能力，训练在不同位置关系下各种类作战单位在各武器类型打击下的击中概率和受损程度；所述受损数据包括受损位置、受损程度和打击武器类型；所述打击能力包括打击的武器类型、打击发起的位置和打击威力。
具体的，基于获取敌方作战单位的受损数据，和我方作战单位打击的打击能力和打击次数，计算在指挥控制下我方作战单位的打击精准度，结合敌方作战单位的作战属性，训练提升我方作战单位的打击精准度。
具体的，基于获取敌方作战单位的行动轨迹和分布，判断敌方对于基地区域的打击位置，训练指挥控制我方作战单位对于打击位置进行防御。
具体的，回避成功指作战单位的受损程度处于可恢复状态。
具体的，有效作战单位指在所处地形和场地下具有移动能力或发起打击能力。
具体的，选取时间点在作战时间的20％至30％和70％至80％的打击精准度和回避成功率，计算打击精准度和回避成功率的变化幅度。
具体的，计算第一量化结果和第二量化结果之间的变化幅度，作为技术发展水平对于指挥控制提升的量化值。
有益效果：与现有技术相比，本发明具有如下显著优点：通过建立战场框架模型和敌我双方的作战单位，通过打击精准度、回避成功率的变化幅度和基地区域防御程度三个指标，可以有效的量化在算法模型的指挥控制下，对于作战的提升程度。
附图说明
图1为本发明提供的指挥控制效能提升量化方法的步骤示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参阅图1，其为本发明实施例提供一种基于模拟和技术发展水平的指挥控制效能提升量化方法。
步骤1，建立战场框架模型，于所述战场框架模型中划分多个作战区域和基地区域，对所述作战区域进行地形和场地设置，将所述基地区域进行我方和敌方的划分。
在具体实施中，基地区域是作战单位的初始地点，也是作战单位的攻击目标，作战区域是作战单位进行战斗的区域，地形和场地影响作战单位在战斗中的打击精准度和移动能力等。
步骤2，设定我方作战单位和敌方作战单位的作战属性，将我方作战单位和敌方作战单位分别分配至对应的基地区域。
本发明实施例中，作战单位的作战属性包括：最大携带武器数量和重量、打击范围、移动能力、承受打击能力和躲避打击能力。
在具体实施中，将作战单位分配至对应的基地区域后，对于我方和敌方还可以设定相应的作战目标，例如敌方的作战目标是对我方基地区域的某个位置进行打击，我方的作战目标可以是进行相应的防御等。
在具体实施中，在完成步骤1和2之后，初步的模型已经建立完毕，可以进行运行。
步骤3，运行战场框架模型，识别作战区域的作战单位，基于指挥控制模型的指令指挥控制我方作战单位进行作战。
本发明实施例中，识别作战单位的数量、种类和分布位置，基于作战单位的种类获取相应的作战属性，指挥控制模型根据敌方作战单位的数量、作战属性和分布位置做出指令。
在具体实施中，指挥控制模型可以是基于人工神经网络算法构建的。在初步开始运行战场框架模型时，由于指挥控制模型没有收集太多的战场情况和数据，因此此时主要是根据作战目标和作战单位的数量、种类、战斗属性和分布位置进行指挥控制。
量化计算步骤包括步骤4至7。
步骤4，实时获取作战数据，包括：实时获取我方作战单位的受损数据；实时获取敌方作战单位的受损数据；实时获取敌方作战单位的行动轨迹和分布；
本发明实施例中，基于获取我方作战单位的受损数据，判断对我作战单位造成打击的敌方作战单位种类的打击能力，结合我方作战单位移动能力、承受打击能力和躲避打击能力，训练在不同位置关系下各种类作战单位在各武器类型打击下的击中概率和受损程度；所述受损数据包括受损位置、受损程度和打击武器类型；所述打击能力包括打击的武器类型、打击发起的位置和打击威力。
在具体实施中，通过获取我方作战单位的受损数据，可以确定对我方发起打击的敌方作战单位的相关能力，由此可以通过算法模型的训练学习，在指挥控制下，寻找回避可能性最高的方案，或者即使在承受打击时，仍然是有效作战单位的方案，由此可以最大程度的减少我方的损失。
本发明实施例中，基于获取敌方作战单位的受损数据，和我方作战单位打击的打击能力和打击次数，计算在指挥控制下我方作战单位的打击精准度，结合敌方作战单位的作战属性，训练提升我方作战单位的打击精准度。
在具体实施中，指定我方回避方案的同时，相应的，也需要提高我方作战单位的打击精准度，由此加强我方的作战能力。
本发明实施例中，基于获取敌方作战单位的行动轨迹和分布，判断敌方对于基地区域的打击位置，训练指挥控制我方作战单位对于打击位置进行防御。
在具体实施中，由于设定的敌方的作战目标是对我方的基地区域发起打击，可以通过敌方的行动轨迹和分布来判断敌方的实际打击目标是在哪里。由于作战目标是作战中极其重要的部分，因此需要达成我方作战目标或者打击敌方作战目标是作战指挥控制的原则，在该原则下控制我方作战单位进行防御，也即对打击我方基地区域的敌方作战单位进行集中打击，以打击到敌方作战单位丧失对我方基地区域进行打击的能力为目标。
步骤5，使用实时获取的作战数据对指挥控制模型进行实时训练，继续指挥控制我方作战单位进行作战和应对，并计算我方的打击精准度和回避成功率。
本发明实施例中，回避成功指作战单位的受损程度处于可恢复状态。
在具体实施中，指挥控制模型可以实时收集战场数据，并依此进行训练学习，在完成作战目标的前提下，优化我方的打击精准度和回避成功率。
步骤6，在我方或对方的有效作战单位的数量降低至最低作战数量时，停止战场框架模型的运行。
本发明实施例中，有效作战单位指在所处地形和场地下具有移动能力或发起打击能力。
在具体实施中，移动能力指移动超过一定距离范围。当一方的有效作战单位的数量降低至最低作战数量时，表明该方已经基本失去作战能力，此时可以计算得到模拟作战的总时长，也就是作战时间。
步骤7，计算我方的打击精准度和回避成功率的变化幅度，获取我方基地区域的防御程度，加权融合后作为第一量化结果。
在具体实施中，权重可以根据实际情况进行相应的设定，可以设置为三者均为三分之一。
本发明实施例中，选取时间点在作战时间的20％至30％和70％至80％的打击精准度和回避成功率，计算打击精准度和回避成功率的变化幅度。
在具体实施中，由于在作战中期的作战最为激烈，在该时间段收集的战场数据最多，对于模型的提升最高，而在作战的最初阶段，收集的数据较少，在作战的最后阶段，作战局面基本已经决定，指挥控制的提升已经不具备过多的作用，因此选择作战时间的20％至30％和70％至80％两个时间段中时间点，最为有参考价值。
步骤8，基于技术发展水平，调整我方作战单位或/和敌方作战单位的作战属性，重复执行量化计算步骤，计算得到第二量化结果。
在具体实施中，可以仅调整我方作战单位或同时调整双方作战单位的战斗属性，由此可以确定在技术水平发展后，对于作战单位的战斗属性在提升之后，相比提升之前，对于指挥控制的提升的影响。
