一种基于兵棋推演的作战目标体系关键节点识别方法

doi:10.16182/j.issn1004731x.joss.23-0947

摘要/Abstract

摘要：

作战目标体系关键节点识别是作战指挥决策的重要依据。针对当前作战目标体系关键节点识别缺乏战役级动态对抗环境下的实验验证，借助大型计算机兵棋系统推演所得的数据，以一体化防空网为例，构建具备大规模实体和复杂交互关系的作战目标体系复杂网络模型；结合兵棋数据特点，综合作战目标价值特性和网络结构特性，体现体系贡献率，提出作战目标价值指标体系，采用深度强化学习框架——FINDER框架识别作战目标体系复杂网络模型的关键节点。通过兵棋推演对抗的方式，观察将FINDER框架识别的关键节点移除后体系效能的变化，并与人工推演的体系效能变化对比，结果验证了所提方法的有效性。

关键词: 作战目标体系, 关键节点识别, 复杂网络, 兵棋, 深度强化学习

Abstract:

The identification of key nodes in an operational target system is an important basis for combat command decision-making. Due to the lack of experimental verification of key node identification in the current operational target system in a campaign-level dynamic confrontation environment, a complex network model of operational target system with large-scale entities and complex interaction relationship was constructed by taking integrated air defense network as an example, with the help of the data derived from the large joint war gaming; the characteristics of wargame data were considered, and the value characteristics of combat targets and network structure characteristics were integrated, embodying the contribution rate of the system. The value index system of operational targets was proposed, and the deep reinforcement learning framework-FINDER framework was adopted to identify the key nodes of the complex network model of the operational target system. By means of war gaming, the change in system effectiveness after removing the key nodes identified by the FINDER framework was observed and compared with the change in system effectiveness deduced manually. The results verified the effectiveness of the proposed method.

Key words: operational target system, key node identification, complex network, war gaming, deep reinforcement learning

中图分类号:

TP391

张永夫,刘洋,袁禾 . 一种基于兵棋推演的作战目标体系关键节点识别方法[J]. 系统仿真学报, 2024, 36(11): 2654-2661.

Zhang Yongfu,Liu Yang,Yuan He . A Method for Key Node Identification in Operational Target System Based on War Gaming[J]. Journal of System Simulation, 2024, 36(11): 2654-2661.

图/表 3

图1

图2

表1

关键节点识别实验结果

序号	T₀			T₀+1 h			T₀+2 h				T₀+3 h
序号	移除节点ID	节点类型	移除后体系效能	移除节点ID	节点类型	移除后体系效能	移除节点ID	节点类型	移除后体系效能		移除节点ID	节点类型	移除后体系效能
0			1			0.975 5			0.943 7				0.913 0
1	7835153	大型舰艇	0.994 9	6763291	大型舰艇	0.970 7	7884767	大型舰艇	0.938 4		6983509	大型舰艇	0.906 6
2	6395671	大型舰艇	0.987 8	6719396	大型舰艇	0.963 8	6589206	大型舰艇	0.933 5		7038114	大型舰艇	0.900 7
3	6825137	大型舰艇	0.984 4	6033900	大型舰艇	0.959 9	6395671	大型舰艇	0.925 9		7793808	大型舰艇	0.897 5
4	6424048	大型舰艇	0.979 8	6424048	大型舰艇	0.955 2	6545385	小型舰艇	0.923 3		6316878	大型舰艇	0.889 3
5	6472241	大型舰艇	0.975 3	6557952	小型舰艇	0.952 6	6647743	小型舰艇	0.920 6		6647743	小型舰艇	0.886 6
6	7876498	大型舰艇	0.970 3	6509833	小型舰艇	0.950 0	6829836	大型舰艇	0.917 5		6651932	大型舰艇	0.878 9
7	6541196	小型舰艇	0.967 8	6994838	大型舰艇	0.942 7	15859131	防空分队	0.914 0		6431807	大型舰艇	0.875 3
8	6416289	大型舰艇	0.963 2	6395671	大型舰艇	0.935 5	6557952	小型舰艇	0.911 4		9721866	小型舰艇	0.873 0
9	7071700	大型舰艇	0.958 7	6340046	大型舰艇	0.928 3	6740014	大型舰艇	0.906 5		9639437	小型舰艇	0.870 8
10	6530778	大型舰艇	0.954 1	14078146	雷达分队	0.926 1	9703253	小型舰艇	0.904 3		9977130	小型舰艇	0.868 5
序号	T₀+4 h			T₀+5 h			T₀+6 h					T₀+7 h
序号	移除节点ID	节点类型	移除后体系效能	移除节点ID	节点类型	移除后体系效能	移除节点ID	节点类型	移除后体系效能	移除节点ID		节点类型	移除后体系效能
0			0.884 0			0.859 2			0.825 2				0.783 8
1	6439566	大型舰艇	0.879 3	6576748	大型舰艇	0.855 3	6763291	大型舰艇	0.821 1		6576748	大型舰艇	0.778 6
2	7843422	大型舰艇	0.875 5	10006379	小型舰艇	0.852 8	7843422	大型舰艇	0.817 1		6570519	大型舰艇	0.774 4
3	6384852	大型舰艇	0.869 4	9998402	小型舰艇	0.850 4	6582977	大型舰艇	0.813 0		7063941	大型舰艇	0.769 7
4	6589206	大型舰艇	0.864 7	6395671	大型舰艇	0.843 6	7835153	大型舰艇	0.809 5		6439566	大型舰艇	0.765 6
5	6663771	大型舰艇	0.858 1	10324965	小型舰艇	0.841 1	6697758	大型舰艇	0.804 0		7038114	大型舰艇	0.761 4
6	6771050	大型舰艇	0.855 3	6729705	大型舰艇	0.836 8	6557952	小型舰艇	0.801 0		6447325	大型舰艇	0.756 8
7	6518211	小型舰艇	0.852 5	7016986	大型舰艇	0.830 5	10163089	小型舰艇	0.798 4		7868229	大型舰艇	0.753 2
8	6896124	大型舰艇	0.849 7	6829836	大型舰艇	0.827 6	9886724	小型舰艇	0.795 9		6994838	大型舰艇	0.749 1
9	6643554	小型舰艇	0.847 0	9527759	小型舰艇	0.825 2	15660147	雷达分队	0.793 5		6972180	大型舰艇	0.742 9
10	7006167	大型舰艇	0.840 5	15126974	火力单元	0.822 8	15298618	指挥所	0.746 3		0	指挥所	0.736 3

表1

参考文献 15

1	彭浩然, 龙际梦, 蔡中祥, 等. 基于价值的目标排序模型研究[J]. 弹箭与制导学报, 2018, 38(3): 147-151.
	Peng Haoran, Long Jimeng, Cai Zhongxiang, et al. Research on Target Sequencing Model Based on Value[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2018, 38(3): 147-151.
2	董文洪, 高宇, 王宗波, 等. 近距空中支援打击目标选择研究[J]. 兵器装备工程学报, 2021, 42(4): 128-131.
	Dong Wenhong, Gao Yu, Wang Zongbo, et al. Close Air Support Target Selection Study[J]. Journal of Ordnance Equipment Engineering, 2021, 42(4): 128-131.
3	Albert Réka, Jeong H, Barabási Albert-László. Diameter of the World-wide Web[J]. Nature, 1999, 401(6749): 130-131.
4	Chen Duanbing, Gao Hui, Linyuan Lü, et al. Identifying Influential Nodes in Large-Scale Directed Networks: The Role of Clustering[J]. PLoS One, 2013, 8(10): e77455.
5	Freeman L C. A Set of Measures of Centrality Based on Betweenness[J]. Sociometry, 1977, 40(1): 35-41.
6	张鑫伟, 李亚雄, 赵久奋, 等. 基于复杂网络理论的熵值法军事目标价值评估[J]. 指挥控制与仿真, 2021, 43(6): 53-57.
	Zhang Xinwei, Li Yaxiong, Zhao Jiufen, et al. Evaluation Method of Military Target Based on Complex Network Theory and Entropy Method[J]. Command Control & Simulation, 2021, 43(6): 53-57.
7	刘争, 祝利, 安永旺. 多属性决策分析在地域通信网络关键节点识别中的应用[J]. 兵工自动化, 2020, 39(5): 28-31, 36.
	Liu Zheng, Zhu Li, An Yongwang. Application of Multi-attribute Decision Analysis in Key Nodes Identification of Regional Communication Networks[J]. Ordnance Industry Automation, 2020, 39(5): 28-31, 36.
8	罗金亮, 金家才, 王雷. 基于功能贡献度的网络化防空节点重要性评价方法[J]. 计算机科学, 2018, 45(2): 175-180, 202.
	Luo Jinliang, Jin Jiacai, Wang Lei. Evaluation Method for Node Importance in Air Defense Networks Based on Functional Contribution Degree[J]. Computer Science, 2018, 45(2): 175-180, 202.
9	刘鹏, 赵丹玲, 谭跃进, 等. 面向多任务的武器装备体系贡献度评估方法[J]. 系统工程与电子技术, 2019, 41(8): 1763-1770.
	Liu Peng, Zhao Danling, Tan Yuejin, et al. Multi‐task Oriented Contribution Evaluation Method of Weapon Equipment System of Systems[J]. Systems Engineering and Electronics, 2019, 41(8): 1763-1770.
10	汪黎明. 基于深度强化学习的复杂网络关键节点识别[D]. 蚌埠: 安徽财经大学, 2020.
	Wang Liming. Identification of Vital Nodes in Complex Networks Based on Deep Reinforcement Learning[D]. Bengbu: Anhui University of Finance & Economics, 2020.
11	Fan Changjun, Zeng Li, Sun Yizhou, et al. Finding Key Players in Complex Networks Through Deep Reinforcement Learning[J]. Nature Machine Intelligence, 2020, 2(6): 317-324.
12	陈娜. 基于图神经网络的复杂网络关键节点检测算法[J]. 无线电工程, 2023, 53(1): 64-72.
	Chen Na. Algorithm for Detection of Crucial Nodes in Complex Networks Based on Graph Neural Network[J]. Radio Engineering, 2023, 53(1): 64-72.
13	饶佳人, 栾伟, 曹郁. 基于机器学习的空袭重点目标挖掘[J]. 指挥信息系统与技术, 2021, 12(1): 22-26, 33.
	Rao Jiaren, Luan Wei, Cao Yu. Air Attack Target Mining Based on Machine Learning[J]. Command Information System and Technology, 2021, 12(1): 22-26, 33.
14	胡晓峰, 贺筱媛, 饶德虎, 等. 基于复杂网络的体系作战指挥与协同机理分析方法研究[J]. 指挥与控制学报, 2015, 1(1): 5-13.
	Hu Xiaofeng, He Xiaoyuan, Rao Dehu, et al. Research on Mechanism of Command and Coordination for System of Systems Operation Based on Complex Network Theory[J]. Journal of Command and Control, 2015, 1(1): 5-13.
15	姚晓毅, 郭圣明, 胡晓峰, 等. 基于RF-GLR组合机器学习算法的防空体系能力指标挖掘方法研究[J]. 指挥与控制学报, 2015, 1(3): 269-277.
	Yao Xiaoyi, Guo Shengming, Hu Xiaofeng, et al. Designing Evaluation Indices for Air Defense Systems Based on RF-GLR Integrated Machine Learning Algorithms[J]. Journal of Command and Control, 2015, 1(3): 269-277.

[1]	李超, 李贾宝, 丁才昌, 叶志伟, 左方威. 基于DRL的边缘监控任务卸载与资源分配算法[J]. 系统仿真学报, 2024, 36(9): 2113-2126.
[2]	孙怡峰, 李智, 吴疆, 王玉宾. 作战方案驱动的可学习兵棋推演智能体研究[J]. 系统仿真学报, 2024, 36(7): 1525-1535.
[3]	王红军, 林俊强, 邹湘军, 张坡, 周铭轩, 邹伟锐, 唐昀超, 罗陆锋. 基于数字孪生的果园虚拟交互系统构建[J]. 系统仿真学报, 2024, 36(6): 1493-1508.
[4]	王远, 徐琳, 宫小泽, 张永亮, 王永利. 基于梯度的深度强化学习解释方法[J]. 系统仿真学报, 2024, 36(5): 1130-1140.
[5]	张大永, 杨镜宇, 马骏, 宋晨烨. 面向兵棋推演复盘分析的机器学习数据集构建[J]. 系统仿真学报, 2024, 36(3): 608-624.
[6]	秦保新, 张羽霄, 吴思锐, 曹卫冲, 李湛. 基于改进D3QN的煤炭码头卸车排产智能优化方法[J]. 系统仿真学报, 2024, 36(3): 770-781.
[7]	赵莹莹, 董普森, 朱天晨, 李凡, 苏运, 邰振赢, 孙庆赟, 凡航. 面向电网拓扑调度仿真的采样效率优化方法研究[J]. 系统仿真学报, 2024, 36(2): 283-295.
[8]	王鑫鹏, 傅汇乔, 邓归洲, 唐开强, 陈春林, 留沧海. 基于DRL和自由步态的六足机器人运动规划研究[J]. 系统仿真学报, 2024, 36(2): 373-384.
[9]	潘海南, 陈柏良, 黄开宏, 任君凯, 程创, 卢惠民, 张辉. 基于深度强化学习的履带机器人摆臂控制方法[J]. 系统仿真学报, 2024, 36(2): 405-414.
[10]	安靖, 司光亚, 张雷. 基于深度强化学习的立体投送策略优化方法研究[J]. 系统仿真学报, 2024, 36(1): 39-49.
[11]	罗俊仁, 张万鹏, 项凤涛, 蒋超远, 陈璟. 智能推演综述：博弈论视角下的战术战役兵棋与战略博弈[J]. 系统仿真学报, 2023, 35(9): 1871-1894.
[12]	殷来祥, 李志强, 付琼莹. 基于NL2SQL的兵棋数据智能统计分析方法研究[J]. 系统仿真学报, 2023, 35(9): 2000-2010.
[13]	林俊强, 王红军, 邹湘军, 张坡, 李承恩, 周益鹏, 姚书杰. 基于DPPO的移动采摘机器人避障路径规划及仿真[J]. 系统仿真学报, 2023, 35(8): 1692-1704.
[14]	刘家义, 王刚, 付强, 郭相科, 王思远. 基于分配策略优化算法的智能防空任务分配[J]. 系统仿真学报, 2023, 35(8): 1705-1716.
[15]	杨来义, 毕敬, 苑海涛. 基于SAC算法的移动机器人智能路径规划[J]. 系统仿真学报, 2023, 35(8): 1726-1736.