一种大规模导弹集群攻防对抗仿真加速方法及系统技术方案

一种大规模导弹集群攻防对抗仿真加速方法及系统，涉及导弹集群攻防对抗仿真技术领域，用以解决传统的线性代理模型无法在保证模拟精度的同时有效加速大规模导弹集群攻防对抗仿真过程的问题。本发明专利技术的技术要点包括：建立进攻弹与拦截弹各自的动力学与制导模型，搭建导弹集群对抗仿真模拟器，以获取高维导弹集群对抗飞行数据；采用主成分分析法对高维数据进行压缩，获得低维数据；之后建立初始线性模型对低维导弹集群对抗飞行数据进行粗略拟合，并训练神经网络来拟合初始线性模型的残差，最终得到导弹集群对抗的代理模型。本发明专利技术通过使用主成分分析法和建立代理模型提高了仿真速度，可应用于大规模导弹集群攻防对抗的仿真加速过程中。速过程中。速过程中。

【技术实现步骤摘要】
一种大规模导弹集群攻防对抗仿真加速方法及系统


[0001]本专利技术涉及导弹集群攻防对抗仿真
，具体涉及一种大规模导弹集群攻防对抗仿真加速方法及系统。

技术介绍

[0002]由于多弹协同作战能够提高导弹智能化水平和整体作战效能，弥补了现有单枚导弹作战模式的缺点，因此逐步成为军事领域关注的热点。导弹攻防对抗仿真是评估导弹作战效能的重要技术手段之一。因此，有必要对导弹集群的攻防对抗进行仿真模拟。大规模导弹集群数量庞大，任务复杂性高，如果在仿真中针对每一个体都采用真实模型进行模拟，则会产生巨大的计算开支。所以在大规模导弹集群攻防对抗仿真中可以使用代理模型技术来近似拟合真实模型。
[0003]代理模型技术是数据驱动的。待模拟对象的内部精确过程常常是未知的，代理模型技术通过选取待模拟过程的有限组输入输出，使用预先选取的代理模型对待模拟过程进行拟合，这样得到的代理模型是一种黑箱模型，着重对模拟对象的输入输出特性进行模拟。常使用的代理模型有多项式响应曲面法，克里金法，梯度增强克里金法(GEK)，支持向量机，空间映射，和人工神经网络等。但在导弹大规模集群对抗的场景中，导弹规模庞大，代理模型的输入变量的维数很大，需要提供大量的样本数据，并且求解代理模型的过程和用代理模型生成近似数据的过程中都需要大量计算，客观上会降低大规模集群对抗的仿真速度。

技术实现思路

[0004]鉴于以上问题，本专利技术提出一种大规模导弹集群攻防对抗仿真加速方法及系统，用以解决传统的线性代理模型无法在保证模拟精度的同时有效加速大规模导弹集群攻防对抗仿真过程的问题。
[0005]根据本专利技术的一方面，提供一种大规模导弹集群攻防对抗仿真加速方法，该方法包括以下步骤：
[0006]步骤一、建立进攻弹与拦截弹各自的动力学与制导模型，搭建导弹集群对抗仿真模拟器，以获取高维导弹集群对抗飞行数据；
[0007]步骤二、对所述高维导弹集群对抗飞行数据进行降维处理，获取低维导弹集群对抗飞行数据；
[0008]步骤三、将所述低维导弹集群对抗飞行数据输入线性代理模型进行训练，获得训练好的线性代理模型；
[0009]步骤四、训练基于神经网络的误差拟合模型，以修正线性代理模型的预测误差；
[0010]步骤五、将待预测的导弹攻防对抗集群的初始高维飞行数据经过降维处理后，输入训练好的线性代理模型中，并利用训练好的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测的导弹攻防对抗集群的飞行预测结果。
[0011]进一步地，步骤一的具体步骤包括：
[0012]利用目标分配算法对进攻弹和拦截弹进行目标分配，使得每个进攻弹至少被分配到一个拦截弹；
[0013]根据进攻弹和拦截弹的初始位置，根据动力学与制导模型求解数值积分，获得进攻弹和拦截弹每一时刻的位置和速度；
[0014]基于所述目标分配算法和动力学与制导模型构建导弹集群对抗仿真模拟器，所述导弹集群对抗仿真模拟器输出每一时刻的飞行数据，所述飞行数据包括多个进攻弹和拦截弹的位置速度矢量。
[0015]进一步地，步骤一中利用目标分配算法对进攻弹和拦截弹进行目标分配，使得每个进攻弹至少被分配到一个拦截弹的具体过程包括：计算M个拦截弹与N个进攻弹之间的距离，获得距离矩阵D
mn
；
[0016]1)当M＝N时：在距离矩阵D
mn
中求取最小项，最小项所对应的行数和列数即为分配的一组拦截弹和进攻弹编号；将最小项在距离矩阵D
mn
中删除，获得新的距离矩阵；重复上述步骤，直至所有拦截弹和进攻弹一一对应分配为止；
[0017]2)当M大于N时：将所有进攻弹距地表高度按从低到高排序，将排序中前一半距地表高度所对应的进攻弹确定为第一组，将排序中后一半距地表高度所对应的进攻弹确定为第二组；根据拦截弹距地表高度、进攻弹与拦截弹相对距离，为第二组进攻弹一对一分配个拦截弹，将剩余的个拦截弹分给第一组进攻弹；计算第一组进攻弹每个进攻弹最多能分配的拦截弹个数k以及剩余的拦截弹与第一组进攻弹每个进攻弹之间的距离，获得对应的距离矩阵；基于相对距离最小原则，为第一组进攻弹每个进攻弹分配k个拦截弹，分配过程中距地表高度低的进攻弹优先分配。
[0018]进一步地，步骤二中采用主成分分析法对所述高维导弹集群对抗飞行数据进行降维处理。
[0019]进一步地，步骤四的具体步骤包括：
[0020]步骤四一、初始化t＝0、t＝1时刻的低维导弹集群对抗飞行数据为其中分别表示导弹集群中t＝0、t＝1时刻的实际对抗飞行数据；
[0021]步骤四二、在t＞1时刻，利用训练好的线性代理模型对低维导弹集群对抗飞行数据进行预测：
[0022][0023]式中，ξ、ζ表示线性代理模型的模型参数；表示向量的分量乘法；分别表示t
‑
1、t
‑
2时刻的实际对抗飞行数据；
[0024]步骤四三、使用神经网络Φ修正线性代理模型的预测误差，获得修正后的低维导弹集群对抗飞行数据
[0025][0026]式中，θ表示神经网络Φ的网络参数；表示t时刻利用线性代理模型预测的低维
导弹集群对抗飞行数据；
[0027]步骤四四、使用平均绝对误差计算损失函数，并更新网络参数θ；
[0028]步骤四五、迭代执行步骤四二至步骤四四，直至达到最大迭代次数停止执行，获得训练好的误差拟合模型。
[0029]进一步地，步骤五中在获取待预测的导弹攻防对抗集群的飞行预测结果之后，将飞行预测结果中低维导弹集群对抗飞行数据恢复为高维导弹集群对抗飞行数据。
[0030]根据本专利技术的另一方面，提供一种大规模导弹集群攻防对抗仿真加速系统，该系统包括：
[0031]飞行数据获取模块，其配置成建立进攻弹与拦截弹各自的动力学与制导模型，搭建导弹集群对抗仿真模拟器，以获取高维导弹集群对抗飞行数据；
[0032]降维处理模块，其配置成对所述高维导弹集群对抗飞行数据进行降维处理，获取低维导弹集群对抗飞行数据；
[0033]线性代理模型训练模块，其配置成将所述低维导弹集群对抗飞行数据输入线性代理模型进行训练，获得训练好的线性代理模型；
[0034]误差修正模型训练模块，其配置成训练基于神经网络的误差拟合模型，以修正线性代理模型的预测误差；
[0035]预测模块，其配置成将待预测的导弹攻防对抗集群的初始高维飞行数据经过降维处理后，输入训练好的线性代理模型中，并利用训练好的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测的导弹攻防对抗集群的飞行预测结果，并将飞行预测结果中低维导弹集群对抗飞行数据恢复为高维导弹集群对抗飞行数据。
[0036]进一步地，所述飞行数据获取模块中获取高维导弹集群对抗飞行数据的具体过程包括：
[0037]利用目标分配算法对进攻弹和拦截弹进行目标分配，使得每个进攻弹至少被分配到一个拦截弹；
[0038]根据进攻弹和拦本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大规模导弹集群攻防对抗仿真加速方法，其特征在于，包括以下步骤：步骤一、建立进攻弹与拦截弹各自的动力学与制导模型，搭建导弹集群对抗仿真模拟器，以获取高维导弹集群对抗飞行数据；步骤二、对所述高维导弹集群对抗飞行数据进行降维处理，获取低维导弹集群对抗飞行数据；步骤三、将所述低维导弹集群对抗飞行数据输入线性代理模型进行训练，获得训练好的线性代理模型；步骤四、训练基于神经网络的误差拟合模型，以修正线性代理模型的预测误差；步骤五、将待预测的导弹攻防对抗集群的初始高维飞行数据经过降维处理后，输入训练好的线性代理模型中，并利用训练好的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测的导弹攻防对抗集群的飞行预测结果。2.根据权利要求1所述的一种大规模导弹集群攻防对抗仿真加速方法，其特征在于，步骤一的具体步骤包括：利用目标分配算法对进攻弹和拦截弹进行目标分配，使得每个进攻弹至少被分配到一个拦截弹；根据进攻弹和拦截弹的初始位置，根据动力学与制导模型求解数值积分，获得进攻弹和拦截弹每一时刻的位置和速度；基于所述目标分配算法和动力学与制导模型构建导弹集群对抗仿真模拟器，所述导弹集群对抗仿真模拟器输出每一时刻的飞行数据，所述飞行数据包括多个进攻弹和拦截弹的位置速度矢量。3.根据权利要求2所述的一种大规模导弹集群攻防对抗仿真加速方法，其特征在于，步骤一中利用目标分配算法对进攻弹和拦截弹进行目标分配，使得每个进攻弹至少被分配到一个拦截弹的具体过程包括：计算M个拦截弹与N个进攻弹之间的距离，获得距离矩阵D
mn
；1)当M＝N时：在距离矩阵D
mn
中求取最小项，最小项所对应的行数和列数即为分配的一组拦截弹和进攻弹编号；将最小项在距离矩阵D
mn
中删除，获得新的距离矩阵；重复上述步骤，直至所有拦截弹和进攻弹一一对应分配为止；2)当M大于N时：将所有进攻弹距地表高度按从低到高排序，将排序中前一半距地表高度所对应的进攻弹确定为第一组，将排序中后一半距地表高度所对应的进攻弹确定为第二组；根据拦截弹距地表高度、进攻弹与拦截弹相对距离，为第二组进攻弹一对一分配个拦截弹，将剩余的个拦截弹分给第一组进攻弹；计算第一组进攻弹每个进攻弹最多能分配的拦截弹个数k以及剩余的拦截弹与第一组进攻弹每个进攻弹之间的距离，获得对应的距离矩阵；基于相对距离最小原则，为第一组进攻弹每个进攻弹分配k个拦截弹，分配过程中距地表高度低的进攻弹优先分配。4.根据权利要求3所述的一种大规模导弹集群攻防对抗仿真加速方法，其特征在于，步骤二中采用主成分分析法对所述高维导弹集群对抗飞行数据进行降维处理。5.根据权利要求4所述的一种大规模导弹集群攻防对抗仿真加速方法，其特征在于，步骤四的具体步骤包括：
步骤四一、初始化t＝0、t＝1时刻的低维导弹集群对抗飞行数据为其中分别表示导弹集群中t＝0、t＝1时刻的实际对抗飞行数据；步骤四二、在t＞1时刻，利用训练好的线性代理模型对低维导弹集群对抗飞行数据进行预测：式中，ξ、ζ表示线性代理模型的模型参数；表示向量的分量乘法；分别表示t
‑
1、t
‑
2时刻的实际对抗飞行数据；步骤四三、使用神经网络Φ修正线性代理模型的预测误差，获得修正后的低维导弹集群对抗飞行数据群对抗飞行数据式中，θ表示神经网络Φ的网络参数；表示t时刻利用线性代理模型预测的低维导弹集群对抗飞行数据；步骤四四、使用平均绝对误差计算损失函数，并更新网络参数θ；步骤四五、迭代执行步骤四二至步骤四四，直至达到最大迭代次数停止执行，获得训练好的误差拟合模型。6.根据权利要求5所述的一种大规模导弹集群攻防对抗仿真加速方法，其特征在于，步骤五中在获取待预测的导弹攻防对抗集群的飞行预测结果之后，将飞行预测结果中低维导弹集群对抗飞行数据恢复为高维导...

【专利技术属性】
技术研发人员：颜鹏，白成超，郭继峰，郑红星，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：