一种基于深度学习的自适应跨域杀伤网决策方法技术

本发明专利技术属于计算机技术领域，具体涉及一种基于深度学习的自适应跨域杀伤网决策方法，目的是快速为战场指挥员提供作战资源选择方案，包括以下步骤：1)基于自适应跨域杀伤网，根据决策者的任务预期效果进行资源配置，建立跨域的作战资源选择模型；2)以最小化作战资源数量为优化目标，将最小化作战资源问题形式化为整数规划问题模型；3)求解整数规划问题模型得到深度学习的训练集；5)利用获得的训练集训练深度神经网络；4)对深度神经网络的模型参数进行调优，以使深度神经网络的模型的输出结果达到所需的精确度。发明专利技术解决了在自适应跨域杀伤网中在考虑大规模作战资源难以快速做出决策的问题，降低了任务完成时延。降低了任务完成时延。降低了任务完成时延。

【技术实现步骤摘要】
一种基于深度学习的自适应跨域杀伤网决策方法


[0001]本专利技术属于计算机
，具体涉及一种基于深度学习的自适应跨域杀伤网决策方法。

技术介绍

[0002]当前作战任务规划时大都部分涉及到跨域协调，决策者需要花费大量的精力去协调跨域的各军种资源，几乎没有对作战任务选择开发能力，也不可能进行作战任务的对比。结果就是作战资源静态分配给特定资源，但在形势转变时，决策者难以确定未来走势，因此部分静态分配的资源可能不能得到充分的应用，而部分资源却因负担过重难以完成任务，因此需要构建自适应跨域杀伤网，但是考虑任务完成条件和在多个作战域中选择适合的作战资源需要花费大量的计算时间，难以适应快速多变的决策需求。
[0003]
技术实现思路

[0004]有鉴于此，本专利技术提出一种基于深度学习的自适应跨域杀伤网决策方法，杀伤网基于“发标
‑
投标
‑
竞标”架构，并对杀伤网按照角色进行分类，以提供面向服务的决策方法。本专利技术通过研制实时决策方法将作战资源分配给杀伤链以实现具体的任务需求，并可根据形式变化实现动态的作战资源重分配，以协助指挥人员快速构建链络。
[0005]为了实现上述技术目的，本专利技术所采用的具体技术方案为：
[0006]一种基于深度学习的自适应跨域杀伤网决策方法，包括以下步骤：
[0007]1)基于自适应跨域杀伤网，根据决策者的任务预期效果进行资源配置，建立跨域的作战资源选择模型，对所述资源配置进行数学形式化；
[0008]2)以最小化作战资源数量为优化目标，将最小化作战资源问题形式化为整数规划问题模型；
[0009]3)求解整数规划问题模型得到深度学习的训练集；
[0010]4)利用获得的训练集训练深度神经网络；
[0011]5)对深度神经网络的模型参数进行调优，以使深度神经网络的模型的输出结果达到所需的精确度；
[0012]其中：杀伤网中的资源按照现实中的角色进行分类。
[0013]进一步的，构建自适应跨域杀伤网的具体方法包括以下步骤：
[0014]S101：所述自适应杀伤网由决策者、部署在边缘服务器的联络软件以及各域中的装备资源构成；自适应杀伤网基于发标
‑
投标
‑
竞标架构，在所述架构中决策者的角色相当于消费者，联络软件相当于战场联络员，联络软件是一个域内装备资源的代表；装备资源相当于供应商，各域中的供应商组成能力市场；当决策者确定目标，并确定任务需要完成的预期效果后，各域的联络软件根据本域内武器装备可用情况进行投标，联络软件根据投标情况制定完成任务的装备选择；
[0015]S102：基于供应商、消费者、联络员和能力市场角色，以实施效果的方式以及时延为约束条件，从能力市场中选择合适的供应商构建杀伤链。
[0016]进一步的，所述2)中将最小化作战资源问题形式化为整数规划问题模型的方法具体包括以下步骤
[0017]S201：将联络员集合表示为：
[0018]S202：根据联络员的数量划分出k个能力市场,能力市场的集合表示为CM＝{cm1，cm2，
…
，cm
l
}；每个能力市场由各供应商之间的连接组成，表示为元组cm
n
＝(s
n
，c
n
)，其中s
n
表示域cm
n
中的供应商集合，c
n
表示域cm
n
中的供应商之间连接集合；
[0019]S203：设定为表示供应商是否连接，其集合为s
n
，即s
n
表示的集合，其中
[0020][0021]S204：根据消费者的需求，设定总时间花销为T，设定各装备资源时间花销之和小于任务时间需求；
[0022]S205：设定攻击范围的需求为R，各装备资源需要满足攻击范围R；
[0023]其中：所述杀伤网的数学模型为：
[0024][0025]s.t.∑
n
t
n
<T
[0026][0027][0028]其中，为杀伤网中节点需要满足作战范围要求。
[0029]进一步的，所述深度学习网络模型的调优方法具体为：
[0030]在学习模型的各层采用贪婪算法，通过无监督训练为训练模型赋予初始权重；
[0031]通过传统优化算法对问题进行求解，获取训练集，对深度学习模型进行监督训练并进行参数调优。
[0032]进一步的，所述5)中，所需的精确度的预设值为98％。
[0033]进一步的，所述传统优化算法为分支定界算法。
[0034]与现有技术相比，本专利技术具有以下优点：
[0035]本专利技术基于“发标
‑
投标
‑
竞标”架构对自适应跨域杀伤网进行规划部署，对杀伤网按照角色进行分类，以提供面向服务的决策方法。战场指挥员不需了解各域中可用的作战资源和服务，专利技术所提供方法可以协助指挥员从共享资源池中选择适合的杀伤网元素组成杀伤链，并可根据战场的变化实时重分配作战资源快速建立杀伤链。
[0036]传统的战场决策方法主要利用传统的数学优化方法，然而战场决策形式化后的数学问题是整数规划问题，此问题被认为是NP难问题，难以在多项式时间内求解，难以满足战
场瞬息万变的作战需求。本专利技术利用深度学习方法，将计算的时间转移在模型训练阶段，而大大降低了模型的计算时间，可以解决以上问题从而满足时延敏感的作战任务需求。使构建的杀伤网络可以快速进行协调调度，以达到资源的合理配置。
附图说明
[0037]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0038]图1为本专利技术具体实施方式中一种基于深度学习的自适应跨域杀伤网决策方法所采用的自适应跨域杀伤网架构示意图；
[0039]图2为为本专利技术具体实施方式中一种基于深度学习的自适应跨域杀伤网决策方法的流程示意图。
具体实施方式
[0040]下面结合附图对本公开实施例进行详细描述。
[0041]以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的自适应跨域杀伤网决策方法，其特征在于，包括以下步骤：1)基于自适应跨域杀伤网，根据决策者的任务预期效果进行资源配置，建立跨域的作战资源选择模型，对所述资源配置进行数学形式化；2)以最小化作战资源数量为优化目标，将最小化作战资源问题形式化为整数规划问题模型；3)求解整数规划问题模型得到深度学习的训练集；4)利用获得的训练集训练深度神经网络；5)对深度神经网络的模型参数进行调优，以使深度神经网络的模型的输出结果达到所需的精确度；其中：杀伤网中的资源按照现实中的角色进行分类。2.根据权利要求1所述的基于深度学习的自适应跨域杀伤网决策方法，其特征在于，构建自适应跨域杀伤网的具体方法包括以下步骤：S101：所述自适应杀伤网由决策者、部署在边缘服务器的联络软件以及各域中的装备资源构成；自适应杀伤网基于发标
‑
投标
‑
竞标架构，在所述架构中决策者的角色相当于消费者，联络软件相当于战场联络员，联络软件是一个域内装备资源的代表；装备资源相当于供应商，各域中的供应商组成能力市场；当决策者确定目标，并确定任务需要完成的预期效果后，各域的联络软件根据本域内武器装备可用情况进行投标，联络软件根据投标情况制定完成任务的装备选择；S102：基于供应商、“消费者、联络员和能力市场角色，以实施效果的方式以及时延为约束条件，从能力市场中选择合适的供应商构建杀伤链。3.根据权利要求2所述的基于深度学习的自适应跨域杀伤网决策方法，其特征在于，所述2)中将最小化作战资源问题形式化为整数规划问题模型的方法具体包括以下步骤S201：将联络员集合表示为：S202：根据联络员的数量划分出l个能力市场...

【专利技术属性】
技术研发人员：吴娜，王超，张洋，娄文龙，
申请(专利权)人：中国航空工业集团公司西安航空计算技术研究所，
类型：发明
国别省市：