一种作战想定随机生成系统及其应用的制作方法

1.本发明涉及一种系统，尤其是涉及一种作战想定随机生成系统及其应用。


背景技术：

2.本发明所属领域为作战仿真领域，作战想定编写为当前作战仿真过程中必不可少的关键环节，针对不同分辨率的仿真（如战略级仿真、战役级仿真、战术级仿真），所需编写的作战想定也随之不同，当前军事想定呈现要素多元化、描述精细化的发展趋势，往往需要非常具有军事教学经验的人员进行编写，且均为文档格式的文本文件，仿真推演开发人员需要花费大量时间来对作战想定进行转换，使其成为计算机仿真系统可识别的仿真想定；同时，当前大多数作战仿真所设计的作战想定为固定脚本，缺少随机性，致使仿真过程固化，参杂的人为主观因素过大，无法反应各个作战要素变量对仿真数据的真正作用，相关军事院校和军工集团也逐步认识到了这一点，正积极地研究如何通过想定生成流程、提高想定转换效率。
3.目前在进行作战想定开发及转换时，均为人工手动编写文本格式想定文档，再由仿真推演开发人员转化为仿真推演脚本。
4.曾光迅、龚光红在《基于语义匹配的作战体系仿真想定生成方法》论文中提出了一种基于语义匹配理论的仿真想定生成技术，这种方法依赖于事前大量的语义建模工作，且难以实现深度神经网络的非线性拟合能力；高慧栋等人在《基于xml的作战仿真想定方案生成设计软件》论文中所阐述的方法具有一定的工程实践性，但其生成方式依赖于作战想定的主观意图，随机性弱；袁华等人在《基于要素参量化的作战仿真想定空间生成方法》中所提出的作战仿真想定空间具有了一定的随机性思维，但没有给出具体的实际方案，且比较侧重于装备模型构建，难以满足体系级仿真推演的需求。
5.此外，现有技术，如中国专利，公开号：cn108647414a公开一种基于仿真实验的作战计划适应性分析方法及其存储介质，所述方法包括，根据外部提供的军事想定、交战双方作战方案以及战场事件，形成仿真系统识别的仿真基础想定，获取仿真想定要素,在仿真想定要素中提取实验因子，对于每个实验因子提取实验点，运行仿真想定空间，分析并挖掘仿真实验。
6.cn113705102a公开了一种海空集群对抗的推演仿真系统及方法、设备、存储介质，所述推演仿真系统通过将深度强化学习系统部署在一台服务器上，将仿真系统分别部署在多台计算节点上，多台计算节点与服务器通过网络连接，每台计算节点的仿真系统中运行多个仿真系统实例，从而构建了一个并行分布式的网络架构，实现了分布式并行和加速，并具有良好的扩展性。
7.cn110597998a公开一种结合句法分析的军事想定实体关系抽取方法及装置，所述方法包括以下步骤：1、预定义军事想定实体关系抽取任务的目标关系类型；2、构建实体关系抽取模型的训练数据集和测试数据集；3、对语料逐条进行句法解析，滤除对实体关系抽取无贡献的句子成分；4、利用预训练的词嵌入矩阵将句法解析后保留的句子成分转换为向
量化的词嵌入；5、使用向量化的训练数据对实体关系抽取模型进行训练；6、对待处理的军事想定文本进行实体关系抽取。
8.cn113255916a涉及基于知识工程的作战知识系统的使用方法、作战决策辅助方法，包括步骤：使用数据挖掘引擎从战场实验数据中挖掘出新的规则；通过规则引擎对新的规则和已有的规则进行对象和属性的提取，以构建作战规则库；通过规则引擎利用rete算法对作战规则库进行规则推理调用，以生成推理结果；通过知识引擎将获取的战场实验数据以实体、关系、属性的三元素形成知识本体库；使用知识引擎根据所述知识本体库和所述规则引擎生成的推理结果，对多方信息进行知识检索和知识推荐，以产生作战决策支持。
9.cn113779810a公开了陆军合同战斗方案仿真实验决策控制系统及仿真控制方法，涉及陆军训练模拟技术领域，为决策点及仿真模型的开发提供统一框架。该系统能够驱动经过预先规划的决策点，代理指挥员进行态势判断、指令生成和下达，完成对方案的自动仿真；提供了支持决策点和其它仿真模型一体化开发和运行的仿真基础环境，具有任务解析、指令发布、模型调度、态势监控、仿真控制等功能；构成了指挥决策、行动仿真、态势生成、态势判断的往复循环，具有复杂对抗场景的仿真支持能力，为战斗方案仿真实验决策控制提供了新的支撑手段。
10.cn113781856a涉及一种联合作战武器装备运用训练仿真系统及其实现方法，该系统包括基础设施层、仿真资源层、仿真平台层和仿真应用层。仿真资源层包括数据库、模型库、规则库、想定库和作业信息库，仿真平台层包括仿真运行引擎、仿真可视化引擎、想定作业引擎及仿真资源访问接口，仿真应用层包括仿真动态推演工具、交互式作业工具、运用方案评价工具、想定编辑工具、态势显示工具、资源管理工具和用户管理工具。
11.cn103279587a公开了一种基于想定描述的作战仿真系统，属于计算机生成兵力领域。利用此想定描述及编辑方法生成用于作战仿真系统的想定描述文件，想定描述的内容主要包括初始态势描述及作战计划描述两大部分。利用与态势图相结合的方法实现想定的可视化编辑，使得想定编辑人员在完全不了解想定描述方法时也能方便的进行想定编辑，所有的操作在界面上完成，大大的提高想定编辑的可操作性。同时，仿真引擎对应于想定的描述方法分为“物理引擎”和“行为引擎”，分别去解析想定描述文件中的初始态势和作战任务部分。
12.cn112507565a一种基于主题数据的想定描述方法及存储介质，所述方法为：确定仿真目标，框定仿真主题；分析仿真问题，进行信息收集，抽取各类要素信息，按基本信息、属方/演练分组信息、资源信息和实体信息进行分类；将想定要素通过主题进行描述，主题包含主题名称和主题数据两部分，对在对各类要素的实例利用主题数据进行描述后，以xml节点的形式对主题数据进行存储。
13.cn105138724a公开了一种通用可扩展的开放式仿真想定编辑方法及装置，不需要用户过多地关注想定大纲，而是通过图形化界面完成想定内容、导出方案、态势显示内容的定制，能够按照用户设置快速方便地导出各式想定xml文件以适用于各类仿真系统。本方法解决了从想定制作的角度和仿真系统的角度关注同一问题，另外能够便捷地控制所部署的想定元素显隐方案，解决了部署实体军标叠加一起的现象。
14.此外，诸如现有技术：cn110598203a，cn112295229a，cn110263373a，cn108520664a，cn110694256a，cn112132713a，cn112861431a，cn112988147a，
cn112988147a，cn112820164a，cn112820164a等，虽然其与本发明技术领域相近，但是，上述现有技术都没有利用自然语言处理算法，自动进行阶段及行动划分，提炼得到相应阶段中的装备、人员、行动模型，并关联模型数据库中的相应模型实体进行自动映射，也没有通过随机数算法，按照用户指定的划分阶段，自动生成系统可识别的仿真想定，从而导致耗费人力过多，效率极低且想定固化，无法体现仿真评估的灵活性、高效性的本质。


技术实现要素：

15.本发明解决传统人工编写想定效率低下，且所编写的想定剧本化，本身并不具有随机性，无法充分体现计算机仿真的灵活性、高效性优势，手动转化想定脚本浪费了大量人力，严重降低了仿真应用开发的效费比，其技术方案如下：作战想定随机生成系统，包括如下功能模块：（1）想定参数设置模块想定参数设置模块主要完成生成目标想定参数的设置功能，具体包括作战编成编组设置、作战力量配置、作战阶段划分、战场环境设置。
16.（2）自然语言理解模块自然语言理解模块通过在程序内部预制已经完成参数训练优化的深度递归神经网络模型，按照用户输入的想定参数信息构建相应的输入向量，并通过深度递归网络计算输出结果，按照计算结果从想定库中读取相应的想定内容，传输至想定随机生成模块。
17.（3）想定随机生成模块想定随机生成模块在系统依据作战想定参数、神经网络的计算结果，利用随机数生成算法，按照用户指定的行动阶段随机抽取方案，并将随机抽取方案结果传输至最佳方案生成模块。
18.（4）仿真想定转换模块仿真想定转换模块基于随机抽取的方案结果，以及在自然语言处理模块中提取的要素信息，利用程序生成仿真系统可识别的xml格式仿真想定，主要包含红蓝方编制编成、战场环境和作战行动信息。
19.（5）仿真想定生成模块仿真想定生成模块基于仿真想定转换模块的计算结果，将结果以多种文件格式（xml，word，txt），存储至用户指定的文件路径。
20.有益效果作战想定随机生成系统，通过读取想定数据库中的历史作战想定文件，按照用户输入的想定生成参数及任务类型，利用自然语言处理算法，自动进行阶段及行动划分，并提炼得到相应阶段中的装备、人员、行动模型，关联模型数据库中的相应模型实体进行自动映射，通过随机数算法，按照用户指定的划分阶段，自动生成系统可识别的仿真想定。
附图说明
21.图1为海军陆战登陆规划软件功能模块图。
22.图2为attention机制原理示意图。
具体实施方式
23.作战想定随机生成系统，通过读取想定数据库中的历史作战想定文件，按照用户输入的想定生成参数及任务类型，利用自然语言处理算法，自动进行阶段及行动划分，并提炼得到相应阶段中的装备、人员、行动模型，关联模型数据库中的相应模型实体进行自动映射，通过随机数算法，按照用户指定的划分阶段，自动生成系统可识别的仿真想定。
24.步骤1：想定参数设置模块想定参数设置模块主要完成生成目标想定参数的设置功能，具体包括作战编成编组设置、作战力量配置、作战阶段划分、战场环境设置。
25.1）作战编成编组设置作战编成编组设置模块基于数据库中的真实装备体系的编制数据，依据作战想定从中选择所需作战实体单位进行战斗编成编组。主要包括提取作战单位、编辑单位属性、修改单位装备、设定单位对应军标号。编成编组属性包括编成标号，编成编组名称，父编成编组标号、对应编制中的武器装备标号、武器装备数量、人员实体标号、人员实体数量、军队标号等。
26.2）作战力量配置作战力量配置模块主要满足试验人员根据作战任务，针对作战编组力量进行作战实体位置的配置和调整，为试验人员进行作战任务的规划和调整奠定基础，主要功能包括作战实体位置配置、配置管理、配置方向设置、工事障碍配置。
27.3）作战阶段划分作战阶段划分功能模块为试验人员提供作战阶段管理的功能，该功能将输入本次仿真推演所要完成作战阶段数量，也可输入每个作战阶段的具体行动数量及名称，系统提供图形化界面实现作战阶段的创建、修改、删除等功能。
28.4）战场环境设置战场环境设置为试验人员提供地理环境、战场电磁环境以及战场气象环境等功能等参数的设置。
29.步骤2：自然语言理解模块自然语言理解模块通过在程序内部预制已经完成参数训练优化的深度递归神经网络模型，按照用户输入的想定参数信息构建相应的输入向量，并通过深度递归网络计算输出结果，按照计算结果从想定库中读取相应的想定内容，传输至想定随机生成模块，具体方法如下：1）数据预处理由于在作战想定文本中有许多符号和军事用语以及一些专有名词的缩写，这些都会导致想定文本的不规范、统一，如果不加以处理，则会导致一些特殊符号、军事用语及缩写无法被转换为词向量，因此数据预处理的第一步 就是对这些符号和通用的军事语言和缩写形式进行处理,具体实施的步骤为：先构建一个词典，其键为符号、军事语言及缩写，值为符号、军事语言所对应的含义及缩写的展开形式；接着进行想定内容的遍历，利用python的split 方法将想定内容按空格分割生成一个数组,该数组的元素依次为想定中的每个词汇，若该词汇存在于所构建的词典的键中，则将原词汇替换为词典中所对应的值，再将该词汇与之前所处理的单词连接起来组成字符串，当一条评论中所有的单词都进行了上述操作
后，就完成了对一则想定的预处理，生成了一条新的想定字符串变量；通过这种方法对训练数据库中的想定内容和测试数据中的想定内容均进行处理,得到处理过的训练数据和测试数据。
30.数据预处理的另一个步骤是利用正则表达式将单词中的非中文的符号去掉，并统一将缺失值用'na，进行填充，保证了数据的统一性、规范性。
31.2）特征提取（a）n-gram 模型本专利实现的第一个技术方案是先利用词袋模型提取特征，再利用传统的机器学习分类算法进行分类。项目中使用sklearn.feature_extraction.text中的 tfidfvectorizer 作为特征提取器，countvectorizer 与 tfidfvectorizer,这两个类都 是特征数值计算的常见方法。对于每一个训练文本，countvectorizer只考虑每种 词汇在该训练文本中出现的频率，而tfidfvectorizer除了考量某一词汇在当前训 练文本中出现的频率之外，同时关注包含这个词汇的其它训练文本数目的倒数。 相比之下，训练文本的数量越多，tfidfvectorizer这种特征量化方式就更有优势, 其中tf为谋个训练文本中，某个词的出现次数，即词频(term frequency); idf为 逆文档频率(inverse document frequency),对于词频的权重调整系数，其中： （b）深度学习中的词向量模型在深度学习模型的构建中，采用了由北京师范大学所提供的开源中文词向量库（chinese word vectors）提供的预训练的词向量模型，词向量的使用方法如下所述：先通过keras中的tokenizer分词器对训练文本和测试文本一起拟合，这样会使训练文本和测试文本的word index保持一致,接着通过tokenizer获取 word_index字典变量，该字典的键为单词，值为单词所对应的序号；读取词向量 文件后，将其中的单词和所对应的词向量也构建成一个字典；对word_index进行遍历，将相应单词的词向量按wordjndex的序号构成一个矩阵，这样就完成了深度学习模型中对文本特征量化的转换。
32.深度学习模型的搭建本发明搭建 了 lstm cnn、gru attention、lstm gru pool、 lstm gru attention、gru pool共五个深度学习模型，其中为了使预测 结果的差异性增大以便于模型融合，分别采用了 fasttext和glove两种词向量训 练了其中的三个模型，下面介绍一下模型中所用的attention机制。
33.attention机制最早是在视觉图像领域提出来的，接着类似的基于attention 机
制的rnn模型扩展开始应用到各种nlp任务中。本项目使用的attention层代 码参考于kernel,其原理来自于论文feed-forward networks with attention can solve some long-term memory problems,下面简 述attention机制的原理参见附图2所示。
34.attention机制为状态序列h按照加权平均的方法计算内容向量c
t
:其中t为序列的长度，a
tj
为在时刻t对每一个单元计算的权值，计算公式如下：e
tj
为根据前一状态s和当前输入经过学习函数a得到的重要性数值,再通过概率转换的方法转换为每一个状态的介于0和1之间的重要性数值。
35.本发明中使用的学习函数a为tan学习函数，在使用时将attention层置于循 环神经网络层之后即可。
36.通过深度神经网络的拟合，可将数据库中的想定文件生成对应的作战阶段及行动划分内容及相关的想定信息，存储在数据库中。
37.步骤3：想定随机生成模块想定随机生成模块在系统依据作战想定参数、神经网络的计算结果，利用随机数生成算法，按照用户指定的行动阶段随机抽取方案，并将随机抽取方案结果传输至最佳方案生成模块。
38.基于所输入的待生成想定的阶段及行动数量、红蓝方编制编成信息，匹配到训练后的样本库中的想定文本，得到候选阶段及每个阶段的候选行动类型，通过qt的qtimer库获取当前时间作为随机数种子，基于该种子，首先随机生成候选阶段数量范围内的随机编号，再基于该随机编号作为随机数种子，生成该阶段下行动数量的随机编号，将每个阶段所生成的编号对应的想定文本进行字符串拼接，完成作战想定文本的随机生成。
39.步骤4：仿真想定转换模块仿真想定转换模块基于随机抽取的方案结果，以及在自然语言处理模块中提取的要素信息，利用程序生成仿真系统可识别的xml格式仿真想定，主要包含红蓝方编制编成、战场环境和作战行动信息。
40.仿真想定的转化主要依据所生成的作战想定文本，对其所包含的红蓝方编成编组信息、战场环境信息、作战行动信息，基于预设的正则表达式进行提取，生成仿真系统可识别的xml格式仿真想定文件。
41.步骤5：仿真想定生成模块仿真想定生成模块基于仿真想定转换模块的生成结果，将结果以多种文件格式（xml，word，txt），存储至用户指定的文件路径。
42.该模块基于模块4所生成的xml格式仿真想定文件，通过qfile对话框指定文件存储位置及格式字符串，通过qfile：：write方法将xml格式内容按照用户所指定格式生成至该位置，便于后续仿真推演使用。
43.综上所述，本发明提供了一种作战想定随机生成系统，包括：想定参数设置模块、
自然语言理解模块、想定随机生成模块、仿真想定转换模块、仿真想定生成模块；本发明通过读取想定数据库中的历史作战想定文件，按照用户输入的想定生成参数及任务类型，利用自然语言处理算法，自动进行阶段及行动划分，并提炼得到相应阶段中的装备、人员、行动模型，关联模型数据库中的相应模型实体进行自动映射，通过随机数算法，按照用户指定的划分阶段，自动生成系统可识别的仿真想定。
44.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述 的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各 种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。