基于兵棋推演的联合作战方案评估框架研究

doi:10.16182/j.issn1004731x.joss.201811009

系统仿真学报 ›› 2018, Vol. 30 ›› Issue (11): 4115-4123.doi: 10.16182/j.issn1004731x.joss.201811009

基于兵棋推演的联合作战方案评估框架研究

刘海洋^1,2, 唐宇波¹, 胡晓峰¹, 乔广鹏¹

1.国防大学联合作战学院,北京 100091;
2.航天工程大学航天指挥学院,北京 101416

收稿日期:2018-05-25 修回日期:2018-07-09 发布日期:2019-01-04
作者简介:刘海洋(1983-),男,山东曲阜,博士生,讲师,研究方向为计算机战争模拟;唐宇波(1974-),男,四川南充,博士,高工,研究方向为兵棋推演与作战模拟;胡晓峰(1957-),男,山东栖霞,硕士,教授,博导,研究方向为计算机战争模拟。
基金资助:
国家自然科学基金(61403401, 61703412)

Research on Evaluation Framework of COA Based on Wargaming

Liu Haiyang^1,2, Tang Yubo¹, Hu Xiaofeng¹, Qiao Guangpeng¹

1. College of Joint Operation, National Defense University, Beijing 100091, China;
2. College of Space Command, Space Engineering University, Beijing 101416, China

Received:2018-05-25 Revised:2018-07-09 Published:2019-01-04

摘要/Abstract

摘要： 针对联合作战中战役方案级指标评估问题,提出一种基于兵棋推演的作战方案评估框架。通过对兵棋推演数据进行多维分析,利用数据立方体模型快速生成基础特征项,结合基于复杂网络的体系特征项构建评估特征空间;采用兵棋推演实验的方法产生小批量方案级指标度量结果,通过数据拟合获取与评估特征空间数据对应的结果标签;利用两阶段的相关性分析对高维评估特征进行降维,并构建基于深度学习的评估模型,利用数据样本对评估模型进行训练。对于作战方案评估框架中存在的部分问题,给出了相应的解决办法。

关键词: 兵棋推演, 作战方案评估, 复杂网络, 深度学习

Abstract: Aiming at the evaluation problem of COA (course of action) level indicators in joint operation, an evaluation framework of COA based on wargaming was proposed. By multidimensional analysis of wargaming data, an evaluation feature space was constructed from basic features generated by data cube models and SoS (system of systems) features based on complex network. Wargaming experiments were used to generate small batch metrics results of COA level indicators, and the corresponding result labels of evaluation feature space data were generated by data fitting method. Two-phase correlation analysis was used for dimensionality reduction of high dimensional evaluation features. Evaluation model was constructed based on deep learning, and was trained by data samples. Corresponding solutions were given to solve some problems of evaluation framework of COA.

Key words: wargaming, evaluation of COA, complex network, deep learning

中图分类号:

N949

刘海洋, 唐宇波, 胡晓峰, 乔广鹏. 基于兵棋推演的联合作战方案评估框架研究[J]. 系统仿真学报, 2018, 30(11): 4115-4123.

Liu Haiyang, Tang Yubo, Hu Xiaofeng, Qiao Guangpeng. Research on Evaluation Framework of COA Based on Wargaming[J]. Journal of System Simulation, 2018, 30(11): 4115-4123.

参考文献

[1] Surdu J R.The Deep Green Concept[C]// Processing of the 2008 Spring Simulation Multiconference. SpringSim 2008, Ottawa, Canada, 2008: 623-631.
[2] 周云, 黄教民, 黄柯棣. 深绿计划关键技术研究综述[J]. 系统仿真学报, 2013, 25(7): 1633-1638.
Zhou Yun, Huang Jiaomin, Huang Kedi.Review on Key Technology in Deep Green[J]. Journal of System Simulation, 2013, 25(7): 1633-1638.
[3] 胡晓峰, 荣明. 作战决策辅助向何处去—“深绿”计划的启示与思考[J]. 指挥与控制学报, 2016, 2(1): 22-25.
Hu Xiaofeng, Rong Ming.Where Do Operation Decision Support System Go: Inspiration and Thought on Deep Green Plan[J]. Journal of Command and Control, 2016, 2(1): 22-25.
[4] 刘洋. 基于兵棋演习仿真数据的作战体系分析方法研究[D]. 北京: 国防大学, 2013.
Liu Yang.Research on Analysis Method of Operation SoS Based on Simulation Data of Wargaming[D]. Beijing: National Defense University, 2013.
[5] 冷芳玲. 支持高效查询的数据立方构建技术研究[D]. 沈阳: 东北大学, 2008.
Leng Fangling.Study on the Construction of Data Cubes Supporting Efficient Queries[D]. Shenyang: North Eastern University, 2008.
[6] 高翔, 吴琳, 刘洋, 等. 基于加权超网模型的武器装备体系效能分析[J]. 指挥与控制学报, 2015, 1(2): 175-180.
Gao Xiang, Wu Lin, Liu Yang, et al.Weapon System of Systems Effectiveness Analysis Based on Weighted Network of Networks Model[J]. Journal of Command and Control, 2015, 1(2): 175-180.
(上接第4122页)
[7] 伍文峰. 网络化体系能力评估方法研究[D]. 北京: 国防大学, 2016.
Wu Wenfeng.Research on Networked SoS Capabilities Evaluation Method[D]. Beijing: National Defense University, 2016.
[8] 杨雪生, 刘云杰, 李梦汶. 联合作战仿真实验的设计与开发[J]. 系统仿真学报, 2011, 23(7): 1522-1526.
Yang Xuesheng, Liu Yunjie, Li Mengwen.Design and Development of Simulation Experimentation for Joint Warfare[J]. Journal of System Simulation, 2011, 23(7): 1522-1526.
[9] 孙广路, 宋智超, 刘金来, 等. 基于最大信息系数和马尔科夫毯的特征选择方法[J]. 自动化学报, 2017, 43(5): 795-805.
Sun Guanglu, Song Zhichao, Liu Jinlai, et al.Feature Selection Method Based on Maximum Information Coefficient and Approximate Markov Blanket[J]. ACTA AUTOMATIC SINICA, 2017, 43(5): 795-805.
[10] Yu L, Liu H.Efficient feature selection via analysis of relevance and redundancy[J]. Journal of Machine Learning Research (S1532-4435), 2004(5): 1205-1224.
[11] 朱丰, 胡晓峰. 基于深度学习的战场态势评估综述与研究展望[J]. 军事运筹与系统工程, 2016, 30(3): 22-27.
Zhu Feng, Hu Xiaofeng.Survey and Research Prospect of Combat Field Situation evaluation Based on Deep Learning[J]. Military Operation Research and Systems Engineering, 2016, 30(3): 22-27.

[1]	康旭, 张晓峰. 基于生成对抗神经网络的雷达遥感数据增广方法[J]. 系统仿真学报, 2022, 34(4): 920-927.
[2]	吴琳, 胡晓峰, 陶九阳, 贺筱媛. 面向智能成长的兵棋推演生态系统[J]. 系统仿真学报, 2021, 33(9): 2048-2058.
[3]	林硕, 安磊, 高治军, 单丹, 尚文利. 结合栈式自编码及长短时记忆的入侵检测研究[J]. 系统仿真学报, 2021, 33(6): 1288-1296.
[4]	程文聪, 史小康, 王志刚. 基于生成对抗网络的仿真卫星云图生成方法[J]. 系统仿真学报, 2021, 33(6): 1297-1306.
[5]	李锋, 魏莹. 复杂网络对羊群效应现象影响的仿真研究[J]. 系统仿真学报, 2021, 33(3): 539-553.
[6]	游鸽, 郭昊, 刘向. 基于专利引文网络的技术演化网络模型与仿真分析[J]. 系统仿真学报, 2021, 33(3): 591-603.
[7]	董书琴, 张斌. 面向不平衡数据的网络流量异常检测方法[J]. 系统仿真学报, 2021, 33(3): 679-689.
[8]	高昂, 董志明, 张国辉, 梁涛, 郭齐胜. LVC训练系统中计算机生成兵力生成技术研究[J]. 系统仿真学报, 2021, 33(3): 745-752.
[9]	王霄汉, 张霖, 任磊, 谢堃钰, 王昆玉, 叶飞, 陈真. 基于强化学习的车间调度问题研究简述[J]. 系统仿真学报, 2021, 33(12): 2782-2791.
[10]	王步维, 王敏, 范谦, 王雅男, 章涵文, 乐云亮. 基于深度学习的晶体性质预测研究[J]. 系统仿真学报, 2021, 33(12): 2854-2863.
[11]	冯晓, 张辉, 周蕊, 乔璐, 魏东, 李丹丹, 张玉尧, 郑国清. 基于深度学习和籽粒双面特征的玉米品种识别[J]. 系统仿真学报, 2021, 33(12): 2983-2991.
[12]	杜金莲, 李淑飞, 金雪云. 三维烟雾流场超分辨率数据生成网络模型的研究[J]. 系统仿真学报, 2021, 33(10): 2381-2389.
[13]	刘瑞军, 王向上, 张晨, 章博华. 基于深度学习的视觉SLAM综述[J]. 系统仿真学报, 2020, 32(7): 1244-1256.
[14]	邵晨曦, 陈小齐, 王行甫, 苗付友. 基于数据场的复杂网络节点影响力建模与仿真[J]. 系统仿真学报, 2020, 32(7): 1257-1266.
[15]	阴敬方, 朱登明, 石敏, 王兆其. 基于引导对抗网络的人体深度图像修补方法[J]. 系统仿真学报, 2020, 32(7): 1312-1321.

基于兵棋推演的联合作战方案评估框架研究

Research on Evaluation Framework of COA Based on Wargaming

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价