Processing math: 57%

基于图模型的海上自适应杀伤网生成与应用

张龙剑, 李晶晶, 范慧丽, 张建涛, 蔡子诺, 马汝辉

张龙剑, 李晶晶, 范慧丽, 等. 基于图模型的海上自适应杀伤网生成与应用[J]. 中国舰船研究, 2025, 20(X): 1–10. DOI: 10.19693/j.issn.1673-3185.04147
引用本文: 张龙剑, 李晶晶, 范慧丽, 等. 基于图模型的海上自适应杀伤网生成与应用[J]. 中国舰船研究, 2025, 20(X): 1–10. DOI: 10.19693/j.issn.1673-3185.04147
ZHANG L J, LI J J, FAN H L, et al. Generation and application of maritime adaptive kill web based on graph model[J]. Chinese Journal of Ship Research, 2025, 20(X): 1–10 (in Chinese). DOI: 10.19693/j.issn.1673-3185.04147
Citation: ZHANG L J, LI J J, FAN H L, et al. Generation and application of maritime adaptive kill web based on graph model[J]. Chinese Journal of Ship Research, 2025, 20(X): 1–10 (in Chinese). DOI: 10.19693/j.issn.1673-3185.04147
张龙剑, 李晶晶, 范慧丽, 等. 基于图模型的海上自适应杀伤网生成与应用[J]. 中国舰船研究, 2025, 20(X): 1–10. CSTR: 32390.14.j.issn.1673-3185.04147
引用本文: 张龙剑, 李晶晶, 范慧丽, 等. 基于图模型的海上自适应杀伤网生成与应用[J]. 中国舰船研究, 2025, 20(X): 1–10. CSTR: 32390.14.j.issn.1673-3185.04147
ZHANG L J, LI J J, FAN H L, et al. Generation and application of maritime adaptive kill web based on graph model[J]. Chinese Journal of Ship Research, 2025, 20(X): 1–10 (in Chinese). CSTR: 32390.14.j.issn.1673-3185.04147
Citation: ZHANG L J, LI J J, FAN H L, et al. Generation and application of maritime adaptive kill web based on graph model[J]. Chinese Journal of Ship Research, 2025, 20(X): 1–10 (in Chinese). CSTR: 32390.14.j.issn.1673-3185.04147

基于图模型的海上自适应杀伤网生成与应用

基金项目: 国家部委基金资助项目
详细信息
    作者简介:

    张龙剑,男,1989年生,硕士,工程师

    李晶晶,男,1986年生,硕士,高级工程师

    范慧丽,女,1982年生,博士,高级工程师

    张建涛,男,1990年生,硕士。研究方向:图模型,优化算法。E-mail:sjtuzjt@sjtu.edu.cn

    通讯作者:

    李晶晶

  • 中图分类号: U674.7

Generation and application of maritime adaptive kill web based on graph model

知识共享许可协议
基于图模型的海上自适应杀伤网生成与应用张龙剑,采用知识共享署名4.0国际许可协议进行许可。
  • 摘要:
    目的 

    为提升作战效能,解决海上作战装备协同调度难题,提出一种基于图模型的海上自适应杀伤网生成方法。

    方法 

    该方法涵盖4个关键部分:通过实时接入并融合多源信息,构建动态战场模型;利用复杂任务分解模块,将作战任务细化为可执行子任务并优化资源分配;基于装备关系和能力指标生成杀伤网,并在多重目标约束下优化选择;当装备资源变化时,通过冗余节点补充等方式自适应重构杀伤网。

    结果 

    经海上反导场景试验验证,该方法可有效解决战场态势信息处理、任务分解与建模、装备协同优化及动态调整等问题。它可以快速生成并优化杀伤网,实现多链条、多角度防御。

    结论 

    基于图模型的海上自适应杀伤网生成方法能够显著提升现代海上作战整体效能和应对能力。未来将继续优化算法性能与系统响应能力,为军事作战提供更有力的支持。

    Abstract:
    Objective 

    To enhance combat effectiveness and address the challenges of the coordinated scheduling of naval combat equipment, this paper proposes a graph-model-based adaptive maritime kill web generation method.

    Methods 

    The proposed method encompasses four key parts. Through battlefield situation modeling, the real-time access and integration of multi-source information are carried out to construct a dynamic battlefield model. A complex task decomposition module is utilized to break down combat tasks into executable subtasks and optimize resource allocation. The kill web is generated based on equipment relationships and capability indicators, and optimized under multiple objective constraints. When the equipment resources change, the kill web is adaptively reconstructed through redundant node supplementation and other means.

    Results 

    Verified by a maritime anti-missile scenario experiment, this method effectively solves the problems of battlefield situation information processing, task decomposition and modeling, and equipment collaborative optimization and dynamic adjustment, and can quickly generate and optimize a kill web to achieve multi-chain and multi-angle defense.

    Conclusions 

    The proposed graph model-based maritime adaptive kill web generation method can improve the overall effectiveness and response ability of modern naval warfare. Future research will continue to optimize the algorithm performance and system response ability to provide stronger support for military operations.

  • 在当今快速变化的国际安全环境中,现代军事战略和作战模式正面临着前所未有的挑战。在海上作战领域,由于环境的复杂性与不可预测性,传统的作战计划与指挥已难以快速适应并有效应对多变战场的需求,目前的战争已演变为融合数字化、信息化和无人系统的新型战争范式[1]。在此背景下,杀伤链(kill chain)和杀伤网(kill web)成为现代军事战略中的关键要素[2],代表着一种高效、精确和迅速的作战方式,旨在以最快速度、最高精度摧毁敌方目标,从而确保国家安全、维护军事优势。

    “杀伤链”这一概念最初由美国空军参谋长罗纳德·福格尔曼在1996年的空军协会研讨会上提出。该概念描述了对特定目标实施杀伤任务的完整过程,涵盖探测、识别、决策、打击、评估等环节[3],形成闭环的链式结构;强调侦察、指挥控制、精确打击等环节的紧密配合,以实现对敌方力量的持续打击,体现“顺序作战”策略。随着战争形态向信息化、网络化、智能化演进,战场环境愈发复杂,传统的“杀伤链”逐渐不再适应战场需求,一些新的作战概念应运而生。

    2018年,美国国防高级研究计划局(DARPA)在C4ISRNET会议上提出“杀伤网”的概念。该概念主张在多维度空间内各作战要素相互交织和协作,实现情报、指挥控制、打击、评估这些能力的跨域整合,构建全方位的立体打击网络[4]。此外,大量冗余节点的存在不仅增强了攻击力,还提高了抗毁伤能力。为强化体系作战能力,2018年DARPA提出一种新的力量设计方法——“马赛克战”,其强调将多种不同功能的军事系统通过网络连接起来,生成灵活、自适应的作战网络。作为“马赛克战”的关键构成部分,“自适应跨域杀伤网(ACK)”项目[5]得以启动。该项目采用供应商−用户架构,凭借高度灵活、动态响应和高度整合的系统特性,最终塑造出具备跨领域、跨平台的即时协同作战能力的“杀伤网”。2021年,DARPA启动“任务集成网络控制(MINC)”项目,着力开发能够自主分选和排序信息和通信路径的软件,以此实现敏捷自修复网络,从而在激烈对抗的高动态环境下成功构建跨域杀伤网 [6]。“决策中心战”则是美军在智能化时代下所秉持的新型作战理念,其着重强调以马赛克兵力作为对抗主力,将作战重心聚焦于“判断−决策”环节,依托人工智能等前沿技术的支撑,借助对作战平台的升级改造以及分布式部署策略,达成多样化战术运用,持续积累决策优势,进而形成对竞争对手的核心优势,掌握作战主动权。

    面对广阔的海洋环境和复杂的战场,杀伤网生成过程中面临一些特定的挑战。由于战场覆盖范围广,敌我双方投入的平台装备类型多,致使态势信息呈现出高度的复杂性和多样性特征。在海上作战环境下,通信链路极易受到干扰和攻击,通信链路随时可能被中断[7]。而态势构建需要从不同来源实时接入战场态势信息,并将其与图数据库中的装备数据有机融合,以此确保数据的一致性和准确性[8]。因此,如何在多种力量协调配合的状况下确保多平台之间实现有效的协同攻击,已然成为一大难题[9]。跨域作战需要复杂的指挥控制系统,以及研究复杂作战任务的分解,确保分解后的子任务能够与实时战场态势信息结合,保证任务执行效果和资源合理分配[10]。同时,生成的杀伤网方案需考虑装备间的协同作用,还需平衡多重目标,例如攻击效果、防御能力、资源消耗等,以确保整体作战效能的最大化[11-12]

    为解决上述难题,本文将开展基于图模型的海上自适应杀伤网生成方法研究。该方法包括4个关键部分:通过实时接入仿真数据和融合图数据库信息,构建动态战场模型;将复杂作战任务分解为可执行的子任务单元,确保任务的可执行性与协同作战能力;利用图数据库中的装备组织关系和通信关系,以及装备能力指标,建立感知层、指控层、打击层3层杀伤网,在冗余性、风险性、敏捷性等多重目标约束下,优化杀伤网配置,提供最优作战方案;当装备资源发生改变时,通过冗余节点补充等方式自适应重构杀伤网。

    通过生成自适应杀伤网,将能快速响应战场变化,优化资源配置,实现协同作战,增强整体作战能力,提升作战效能。

    基于图模型的海上自适应杀伤网生成系统在结构上分为3个层次,分别是模型层、控制层、视图层,如图1所示。

    图  1  系统结构层次关系
    Figure  1.  System structural hierarchy

    1) 模型层。包括战场态势信息接入与建模、任务分解与建模、杀伤网生成与优选、自适应重构4个模块,负责杀伤网生成软件的数据和业务逻辑。战场态势信息接入与建模模块负责实时接入战场信息,并与图数据库中的装备数据相结合,构建动态战场模型。任务分解与建模模块将指挥官上传的任务细化为子任务单元,并与态势信息结合,确保任务的可执行性。杀伤网生成与优选模块利用装备的组织和通信关系,生成初步的杀伤网装备组合方案,然后对生成的杀伤网方案进行优化,以适应战场的快速变化。自适应重构模块在装备资源发生改变时,通过冗余节点补充等方式对杀伤网进行重构。

    2) 控制层。包括输入处理器、数据协调器、状态管理器和通信接口,负责接收来自视图层的用户输入,并调用模型层的模块处理这些输入,再将处理结果返回给视图层进行展示。其中,输入处理器负责接收来自用户界面的各种输入,如命令、任务上传、查询请求等。数据协调器在模型层和视图层之间传递数据,确保数据的一致性和完整性。状态管理器跟踪系统的状态,包括用户的操作状态、任务执行状态等。通信接口处理与后台程序、仿真平台的交互。

    3) 视图层。主要负责展示数据和接收用户输入,包括任务订单和杀伤网供应模块的用户界面。指挥官通过该界面上传作战任务、查看杀伤网的生成和优化结果,并监控仿真情况的实时动态。

    基于图模型的海上自适应杀伤网生成系统能够从海战仿真软件获取实时战场态势信息,结合图数据库中的元任务模板和资源信息,依据作战想定生成多套杀伤网方案并进行优选,在装备受损时自适应重构杀伤网。按照功能主要分为战场态势建模、复杂任务分解、杀伤网生成与优选、自适应重构4大模块。

    1) 战场态势信息接入与建模模块。实时收集和分析海上战场的各种情报,建立动态的战场模型,为指挥官提供决策支持。系统实时接入不同来源的战场态势信息,并将这些信息与图数据库中的装备详细数据相结合。这些信息在内存中进行实例化处理,通过解耦各作战装备的设计,利用引用类型实现装备间的组织关系映射,从而高效快速地构建战场装备态势模型,实现信息的实时更新和精确融合。

    2) 复杂任务分解模块。将指挥官的战略意图转化为可执行的作战任务,并对任务进行优化分解,确保各作战单元能够协同执行。通过任务分解,增强各作战单元之间的协同作战能力。通过明确的分工和协调,减少误解和冲突,提高整体作战效果[13]。构建基于作战任务属性的任务模板,输出任务合同模板的规范化格式,为不同类型的军事任务提供模板支持[14],将复杂军事作战任务采用逻辑维度、子集拆分的分解策略,生成任务分解清单,确保元任务全面覆盖原作战任务目标。

    3) 杀伤网生成与优选模块。根据战场模型和任务需求,快速设计出最适合当前战况的杀伤网,提高作战效率和成功率。多重目标约束下的杀伤网优选能够在确保任务完成的同时,考虑资源、时间和风险等多重约束,优选出最佳的作战方案[15]。通过定义可计算的指标函数、转化系统和用户定义的约束为指标函数[16],计算冗余性、风险性、敏捷性等指标,综合考虑约束指标作为适应度函数,从众多杀伤网方案中筛选出最符合作战需求的优选方案。

    4) 自适应重构模块。从作战任务出发,根据装备的作战能力,统筹规划作战资源,管理和控制杀伤网节点,在杀伤网运行过程中针对复杂战场环境中出现的变化,及时动态地对节点进行调整,实现作战资源的替换和补充,自适应重构杀伤网,最终达到预期的杀伤效能。

    通过战场态势建模模块,为杀伤网生成提供实时、精确的战场态势分析与建模依据,以实现对战场信息的全面捕捉、高效组织和动态更新。该模块包括战场态势信息接入,用于收集和整合各类战场信息;战场态势建模与表征,对信息进行处理并建模;以及战场态势信息融合,将不同来源的态势信息进行分析与整合。

    战场态势信息接入不仅从仿真平台收集动态和静态信息,还通过图模型获取装备之间的组织关系与通信关系。仿真平台的实时态势信息流提供初始战场态势,并动态更新。图模型中,节点代表用于侦查、打击和决策的军事装备,这些装备数据经过正则匹配和属性填充等形式化表征处理后,存储到图数据库。图模型中的边则详细描述装备间的通信联络、挂载配置和组织架构。

    战场态势建模表征利用反射机制从标准化的JSON格式战场态势信息中提取装备参数、坐标等关键信息。在完成去噪和除错处理后,采用面向对象的方法对战场态势进行建模,动态生成装备类和对象,利用引用类型实现装备间的组织关系映射,从而高效构建战场装备态势模型。杀伤链的感知、指控、打击3个阶段所需装备的类型不同,其建模时属性也各有侧重。感知节点代表各种传感器和侦察装备,例如雷达、声呐等,其属性包含感知范围、精度、探测类型;指控节点代表指挥控制中心和通信设备等,其属性包含通信范围和指控控制权限;打击节点代表攻击装备,例如导弹、鱼雷、炮弹等,其属性应包含射程、精度等。

    战场态势融合将实时接收到的动态态势信息与建模表征的结构化数据进行分析对比,识别并整合时间序列中的关键属性,并将这些属性与图数据库中的静态数据进行精确映射,如表1所示,实现战场信息的实时更新与精确融合。

    表  1  战场态势信息示例
    Table  1.  Demonstration of battlefield situation
    1. "id": "1226904895",
    2. "name": "水面平台2",
    3. "team": "RED",
    4. "lon": 126.9294782048,
    5. "lat": 21.3133098887,
    6. "alt": 0,
    7. "heading": 90,
    8. "parameterList": [
    9.   {
    10.     "id": "1049077923",
    11.     "name": "4x 某型柴油机#1(1.0.0)",
    12.     "inputInfo": [
    13.  {"name":"max_speed",
    14.  "value":"11.5"}],
    15.  },
    16.  {
    17.     "id": "608447846",
    18.     "name": "某型中近程传感器#1(1.0.0)",
    19.     "inputInfo": [
    20.      {"name":"max_range","value":"170"},
    21.      {"name":"track_num","value":"12"},
    22.       {"name":"error_range","value":"0.1"}
    23.     ]
    24.  }
    25. ]
    下载: 导出CSV 
    | 显示表格

    复杂任务分解旨在为军事作战任务提供一种结构化和规范化的处理框架,通过任务合同模板构建、复杂作战任务分解及元任务规范化描述,实现从复杂任务到可操作元任务的高效转换。

    任务合同模板构建通过标准化方法,为现代战争的作战任务规划和执行提供统一模板,如表2所示。该模板基于作战仿真平台内置场景和历史案例分析来定义,能加快指挥官的决策过程,提高作战效率。同时,通过减少人为错误,该模板还可确保任务执行的一致性和可预测性。此外,模块设计允许灵活调整,可适应不断变化的战场环境和战术需求,增强系统的适应性和扩展性。

    表  2  任务模板示例
    Table  2.  Example of task template
    [日期]
    任务订单:[唯一任务编号]
    1. 任务名称
     - [任务代号]
    2. 任务目的
     - [简要描述任务的主要目标]
    3. 任务时间
     - 开始时间:[日期/时间]
     - 结束时间:[日期/时间]
    4. 任务地点
     - [指定任务执行的地理区域]
    5. 敌方装备
     - [描述敌方装备状态,速度、经度、纬度、航向等]
    6. 感知装备要求
     - [类型、感知范围、精度、通信链路带宽需求等]
    7. 指控装备要求
     - [类型、距离要求]
    8. 打击装备要求
     - [类型、导弹类型、导弹数量、打击半径等]
    9. 杀伤网要求
     - [冗余性指标、风险性指标等]
    下载: 导出CSV 
    | 显示表格

    元任务规范化描述对象是分解后的元任务属性及其关系。生成的任务清单模型和任务网络模型能够保证指挥官快速、准确地理解和分配任务。元任务是任务分解后的最小可操作单元,每个都具备任务标识、类型、目标、执行条件等基本属性,并经过详细描述确保任务执行的一致性和可预测性。元任务Td的规范化描述可表示为

    Td=<Ttype,Ttime,Tspace,Tsubject,Tindex> (1)

    式中:Ttype为任务类型,包括打击任务、巡逻任务、支援任务、转场任务、布雷任务、扫雷任务和货运任务;Ttime为任务时间,是描绘任务时序关系的关键;Tspace为任务空间,是指任务目标所在的现实地理位置;Tsubject是任务主体;Tindex为任务指标。

    复杂作战任务分解旨在提升作战效率并确保任务执行的精确性。通过将复杂的作战任务细致地分解为更小、更具体的子任务单元,同时使用元任务规范化描述表示,确保每个任务单元都能够被精确执行。任务分解过程需要对任务类型、任务时间、任务空间、作战力量、任务指标等要素进行规范化描述,并基于层级关系及逻辑关系将总体任务细化,使作战任务分层拆分至子任务,直至原子任务。以反导任务为例,按层级关系可以进行目标子集划分,按逻辑关系可以计算敌方导弹落点、可拦截导弹、感知节点和指控节点。同理,巡逻任务分解可以按层级划分不同的巡逻区域,然后按逻辑关系进行巡逻区域计算和可巡逻设备计算;打击任务可以按层级进行目标子集划分,按逻辑关系进行可打击作战装备、跟踪节点和指控节点的计算。分解框架如图2所示。

    图  2  分解框架
    Figure  2.  Decomposition framework

    通过维护元任务−能力指标映射库,将分解后的元任务映射为装备能力指标,并完成能力指标的聚合。通过对装备能力指标进行高效检索,并以最小化作战时间、最大化作战效果和价值匹配为目标,优选生成满足要求的元任务杀伤链。收集生成的所有元任务杀伤链,在元任务层面使用全遍历生成符合元任务需求的杀伤网,再向上聚合在作战任务层面生成符合作战任务需求的杀伤网。

    为使决策结果更加科学、可靠,既要综合考虑敌方导弹的路径估算、毁伤概率、造价,也要考虑我方装备的部署地点、生存能力、弹道拦截概率、装备造价和杀伤网的枢纽性等因素[17],还必须运用合适的评估方案对杀伤网的合理度评价值进行计算比较,通过定性分析和定量计算获取优选的杀伤网方案。

    元任务需求−能力指标转换是基于导弹威胁分析、装备筛选流水线、装备能力计算,从而实现从元任务到符合元任务需求的装备的筛选过程。导弹威胁分析通过对敌方导弹的性能和意图进行深入分析,为识别和分类目标、确定导弹飞行路径、评估威胁程度、确定打击优先级、指导侦察监视、优化打击手段提供关键信息[18]。在历史信息不足时,使用几何模拟方法或长短期记忆网络(long short-term memory,LSTM),结合导弹价值以及导弹路径上我方装备的价值预测敌方导弹打击的目标。

    对敌方导弹来说,导弹的射程越远、飞行速度越快、杀伤概率越高、最大射高越高、造价越高,则导弹的价值越大。本文选取5个指标进行敌方导弹价值计算,分别是地空导弹的最大射程Rmax、最大飞行速度Mmax、杀伤概率Pr、最大射高Hmax和导弹造价V。根据各参数的权重ω,建立导弹价值Cm与这些参数的非线性关系如下:

    Cm=ω1Rmax+ω2Mmax+ω3Pr+ω4Hmax+ω5V (2)

    对我方装备来说,生存能力越低、装备造价越高、编队阵型重要性越高、枢纽型越高,则我方装备价值越高,越有可能被打击。针对索引为i的装备,选取生存能力Li和装备的造价Vi作为价值计算指标,同时针对当前仿真场景并结合图模型数据库,获取编队阵型重要性Gi,并引入杀伤网枢纽性指标Zi。根据各参数的权重ω,建立我方装备价值Cir与这些参数的非线性关系如下:

    Cir=ω1Li+ω2Vi+ω3Gi+ω4Zi (3)

    在计算出导弹价值以及我方装备价值后,进行价值匹配,标记我方装备价值与导弹价值最相近的装备为导弹目标。如图3所示,我方装备按照价值排序,装备价值分别为C1rC2rC3r,其中C1r与导弹价值Cm最相近,因此标记索引为1的我方装备为敌方导弹的目标。

    图  3  价值匹配
    Figure  3.  Value matching

    装备筛选流水线根据元任务的需求指标以及敌方导弹的目标,筛选出合适的装备。装备能力计算考虑直接效果、间接效果、时间3个维度。打击节点能力:直接效果包含拦截时间、导弹的比,速度等;间接效果为枢纽性;时间为移动时间加打击时间。指控节点能力:直接效果包含通信带宽;间接效果为枢纽性;时间为移动时间。以感知元任务为例,建模感知装备能力,同样需要计算其直接效果、间接效果、时间。

    直接效果E:雷达范围和精度的加权关系

    E=αlog(Rradar)+βAradar (4)

    间接效果z:装备目前的杀伤网枢纽性

    z=(oi<o>)/σo (5)

    时间T:感知装备移动到覆盖区域的时间

    T=max (6)

    其中:αβ是与具体的雷达型号有关的加权系数; {d}_{\mathrm{S}\to \mathrm{E}} 为感知装备与敌方之间的距离; {R}_{\mathrm{r}\mathrm{a}\mathrm{d}\mathrm{a}\mathrm{r}} 为雷达覆盖范围;Aradar为雷达探测精度;S为感知装备移动速度; {o}_i 为该装备在杀伤网中不同层的重叠度,在数值上等于该装备与其他装备关联的数量; < o > 为杀伤网中所有节点的平均重叠度; {\sigma }_o 为相应的标准差。

    感知能力A的计算,与时间T和间接效果z负相关,与直接效果E正相关

    A = - {\omega _1}*T + {\omega _2}*E - {\omega _3}*{\textit{z}} (7)

    在能力计算的基础上,结合图模型中的通信关系以及合同中的距离要求,可以构建装备能力网络,如图4所示。本系统共构建感知层、指控层、打击层3层网络。侦察层的层内连边是我方装备对敌方目标装备实施侦察监视形成的关联关系。指控层的层内连边是我方装备依据指控规则传递指控命令。根据合同中要求,以及图模型中的通信关系确定是否有边。打击层的层内连边是我方装备通过火力打击对敌方目标节点造成破坏的影响。在多层网络中,唯一的层间连边是从这些给定的节点连接到其余层中对应的相同节点。利用图模型获取通信关系,将通信层合并到指控层中,在不丢失通信关系的前提下,简化网络层数,提升杀伤链搜索速度。这些能力网络的拓扑结构中包含传感器对目标的覆盖关系、指挥控制中心对传感器和打击装备的指挥控制关系,以及打击装备对目标的打击范围,并据此分析能力网络的覆盖范围、感知盲区、网络冗余等,为优化资源配置提供依据。

    图  4  装备能力网络
    Figure  4.  Asset capability network

    杀伤网中所有装备由敌方装备和我方在杀伤网的感知、指控与攻击的重要阶段的可选设备集合构成。面向任务需求的杀伤网生成从敌方目标节点开始,深度搜索3层网络,保证全路径不遗漏,利用之前计算出的装备能力,基于能力适用性排序算法,可以在时间限制内优先考虑能力更高的可用节点。对同一个敌方目标的所有杀伤链,在3层网络中某层使用装备不同的时候,进行装备组合,形成杀伤网,如图5所示。

    图  5  生成杀伤链 (左)和杀伤网(右)
    Figure  5.  Generation procedures of kill chains (left) and kill web (right)

    为实现高效精确的作战决策,需进行杀伤网优选。将系统和用户定义的约束条件转化为可量化的指标函数(如冗余性、风险性、敏捷性),为杀伤网方案的评估提供科学的量化基础。利用粒子群优化算法,综合考虑这些约束指标,将其作为适应度函数,再从众多的杀伤网方案中筛选出最符合作战需求的优选方案。

    在给定的装备节点和连边关系下,通过计算每个敌方目标节点可生成的杀伤网平均数量,再进行冗余性评估计算。利用网络理论方法,将问题转化为杀伤链的组合问题,进而求解杀伤网的数量,以反映杀伤网的多样性和选择性。冗余性指标计算为

    R(K) = \frac{{\displaystyle\sum {N_i^{\rm{W}}} }}{m} (8)

    式中,m表示敌方目标数量。针对敌方装备 {b}_i 形成的杀伤网数量 {N}_i ^{\mathrm{W}} 如式(9)所示,其中 {N}_i ^{\mathrm{L}} 表示杀伤链数量,通过组合数的方式计算包含多个装备的杀伤网数量。

    N_i^{\rm{W}} = (C_{N_i^{\rm{L}}}^0 + C_{N_i^{\rm{L}}}^1 + \cdots + C_{N_i^{\rm{L}}}^{N_i^{\rm{L}}}) - (C_{N_i^{\rm{L}}}^0 + C_{N_i^{\rm{L}}}^1) = {2^{N_i^{\rm{L}}}} - 1 - N_i^{\rm{L}} (9)

    风险性评估结合多层网络模型,计算装备节点的参与系数和枢纽性,通过构建参与系数−枢纽性坐标系来确定每个装备的风险值。风险性评估帮助识别关键节点和评估整个杀伤网的脆弱性。风险性指标计算为

    F(W) = \sum\nolimits_L {\sum\nolimits_i {F_i^{\rm{L}}} } = {\sum\nolimits_L {\sum\nolimits_i {P_i^{\rm{L}} \cdot {\textit{z}}(o_i^{\rm{L}})} } _i} (10)

    其中,节点参与系数P计算如式(11)所示。

    P{}_i = \frac{M}{{M - 1}}\left[1 - {\sum\limits_{\alpha = 1}^M {\left(\frac{{k_i^\alpha }}{{{o_i}}}\right)} ^2}\right] (11)

    式中:M为3表示能力网络中的3层网络; {k}_i ^{\alpha } 表示装备i在层 \alpha 中的连边数量。时效性评估评价形成整个杀伤网所需的最短时间,通过计算每条杀伤链的生成总时间,并选择最长的用时作为整个杀伤网的时效性结果,以确保快速响应能力。时效性指标计算为

    T\left(W\right)={\rm{max}}\{{T}^{L1},\dots ,{T}^{Ln}{\}}^{{\mathrm{T}}} (12)

    其中,杀伤链L的时效性T如式(13)所示

    {T^{\rm{L}}} = {\sum\nolimits_\alpha {[{T^\alpha }]} ^{\mathrm{T}}}{\boldsymbol{STA}}{T^\alpha },\alpha \in \{ S,C,A\} (13)

    式中, \boldsymbol{STAT} 表示装备的活动状态行矩阵,某一项为0表示不参与杀伤链构建,为1表示参与构建。

    将3个杀伤网指标转换成3个目标函数,同时考虑出动成本,设计适应度函数,作为方案评估的依据。适应度函数的第1项是3个目标值函数的变体(变换正负性,变为最小化问题),第2项为超出成本约束的惩罚,γ为惩罚系数,C为出动成本矩阵, \boldsymbol{SO} 为装备组合矩阵,表示哪些装备参与构建杀伤网,V为总经费。

    \begin{split} & {f_1} = - R({W^{{\boldsymbol{so}}}}) + \gamma \cdot \min \{ 0,{\boldsymbol{C}} \cdot {\boldsymbol{SO}} - V\} \\& {f_2} = F({W^{{\boldsymbol{so}}}}) + \gamma \cdot \min \{ 0,{\boldsymbol{C}} \cdot {\boldsymbol{SO}} - V\} \\& {f_3} = T({W^{{\boldsymbol{so}}}}) + \gamma \cdot \min \{ 0,{\boldsymbol{C}} \cdot {\boldsymbol{SO}} - V\} \end{split} (14)

    非支配排序遗传算法的第3代(NSGA-Ⅲ)是一种用于解决多目标优化问题的元启发式算法,包括如下3个步骤:初始化、更新操作和选择操作。本文根据NSGA-Ⅲ算法提出NSGA-SSW算法,将杀伤网先转换成装备集合和连通关系集合,供NSGA-Ⅲ生成不同的种群。对NSGA-Ⅲ的输出,通过种群中的装备集合与连通关系集合匹配,将其还原成预定义的杀伤网格式。

    为解决装备资源发生变化时装备组合方案的动态优化,构建动态、可自适应调整的杀伤网。当装备资源发生改变,生成的装备组合方案无法继续执行时,重新生成最优化的装备方案,如图6所示。

    图  6  自适应杀伤网重构
    Figure  6.  Adaptive kill web reconstruction

    杀伤网自适应重构分为目指装备自适应重构和受阻装备自适应重构。

    目指装备自适应重构负责调整杀伤网中目指装备的位置。以对空反导场景为例,先进行对空反导管辖区域划分,根据敌方导弹类型进行局部路径演算,针对预测出的局部路径以及预测的拦截情况,动态调整目指装备位置,实现对路径的覆盖。当目前杀伤网中的目指装备不能继续作用时,进行目指接力,提供重构后的杀伤网方案。

    在杀伤网中,若某一节点因状态异常而无法继续参与战斗,需要受阻装备自适应重构。通常可分为两个类别:第一,通过冗余节点的自动替补,迅速直接地修复受损节点的任务,确保原杀伤计划得以延续,但不适用于应对节点受损引起局部战况变化的情况;第二,依据最新的局部战况对杀伤网进行重新计算、调整和重构,从而使得杀伤计划更加精确有效。一般优先考虑使用冗余节点补充。若不存在冗余节点,则根据受损装备参与的杀伤网列表,提取出所有受阻的元任务,再进一步提取出还未打击的目标,生成新的杀伤网。

    在应用层面,基于本文提出的方法构建了一套自动化的自适应杀伤网生成系统。以海上反导场景为例进行演示应用:我方装备感知到敌方导弹来袭时,立即启动防御流程,对该导弹的速度、轨迹、攻击意图等信息进行快速分析,构建自适应杀伤网;然后,进行仿真推演,模拟有作战资源被摧毁时,杀伤网自适应重构的结果。

    在初始阶段生成如图7所示杀伤网,探测节点S、指挥节点C和攻击节点A这3个关键元素相互联结、紧密配合,共同构成一个高效的杀伤链;不同杀伤链经装备共用和战术协同,构成更大规模的杀伤网。图7展示了所有具备闭合能力的杀伤网组合,每个敌方目标都对应多条杀伤链,指挥节点为新型驱逐舰-1,感知节点为多架对空型无人机,打击节点为对空型USV或新型驱逐舰-1。

    图  7  自适应杀伤网生成效果示例
    Figure  7.  Example of adaptive kill web generation effect

    接着对杀伤网进行优选。根据作战合同中对指标的需求确定冗余性指标、风险性指标、时效性指标的适应度函数加权系数,以体现对不同指标的不同重视程度。本场景确定加权系数为0.45,0.45,0.1,得到加权后的装备组合的综合评分。该系数组合可以得到韧性强、成功率高但时效性稍弱的杀伤网方案。系统选取评分最高的3组装备组合作为优选方案,生成优选结果,再由人工进一步选择合适的杀伤网方案。图8是某敌方目标对应的优选后的杀伤网方案对比,评分越高表示该项指标越有优势。其中,优选杀伤网1的冗余性强(评分为0.88)、风险性低(评分为0.90)、时效性高(评分为1.00),综合评分高(评分为0.90)。优选杀伤网2的冗余性弱(评分为0.00)、风险性低(评分为1.00)、时效性高(评分为1.00),综合评分中(评分为0.55)。对比2个优选后的杀伤网方案可见,优选杀伤网2中装备数量较少,构成的杀伤链数量较少,与冗余性弱对应。而优选杀伤网1中新型驱逐舰-1在整个杀伤网中起到关键作用,如果被敌方击毁,将会导致多条链受损,因此风险性评分相较于优选杀伤网2更低。指挥官根据战场的态势可以手动选择优选出的方案,也可以交由系统默认选择综合评分最高的方案。在作战合同界面,指挥官还可以确定各个指标的权重,如调整成时效性高优先、风险性低优先等。

    图  8  杀伤网优选对比
    Figure  8.  Comparison of kill web optimization

    当某敌方节点被摧毁后,态势发生变化,会自动进行重构。图9所示为经过一段时间,A型导弹_2、A型导弹_3、B型导弹_2、B型导弹_3被我方拦截后重新生成的杀伤网。可见,该系统作为一个动态变化的防御体系,能够基于实时态势生成高效的杀伤网,具有高度的灵活性和适应性,并能够根据实时战场态势进行自我调整,实现多链条、多角度的全方位防御。

    图  9  自适应重构
    Figure  9.  Adaptive reconstruction

    进一步地,在31个敌方目标同时来袭的高强度场景下,该系统生成杀伤网并给出优选方案的平均时间为2.26 s,体现出系统能够高效应对高强度的场景,具备快速响应能力。

    本文提出了一种基于图模型的海上自适应杀伤网生成方法,旨在应对现代海上作战中复杂多变的战场环境和严峻的军事挑战。通过战场态势建模、复杂任务分解、杀伤网生成与优选、自适应重构,实现作战任务的优化分解和高效执行,从而显著提升作战效能。本文所构建的系统仿真演示验证结果表明,基于图模型的海上自适应杀伤网生成方法不仅能够快速响应战场态势,提供契合当前作战环境的优选杀伤网方案,而且能够根据态势变化动态调整。未来的研究将继续优化算法性能,增强系统的实时响应能力,进一步提升其在复杂战场环境中的应用效果,为现代军事作战提供更为先进和可靠的技术支持。

  • 图  1   系统结构层次关系

    Figure  1.   System structural hierarchy

    图  2   分解框架

    Figure  2.   Decomposition framework

    图  3   价值匹配

    Figure  3.   Value matching

    图  4   装备能力网络

    Figure  4.   Asset capability network

    图  5   生成杀伤链 (左)和杀伤网(右)

    Figure  5.   Generation procedures of kill chains (left) and kill web (right)

    图  6   自适应杀伤网重构

    Figure  6.   Adaptive kill web reconstruction

    图  7   自适应杀伤网生成效果示例

    Figure  7.   Example of adaptive kill web generation effect

    图  8   杀伤网优选对比

    Figure  8.   Comparison of kill web optimization

    图  9   自适应重构

    Figure  9.   Adaptive reconstruction

    表  1   战场态势信息示例

    Table  1   Demonstration of battlefield situation

    1. "id": "1226904895",
    2. "name": "水面平台2",
    3. "team": "RED",
    4. "lon": 126.9294782048,
    5. "lat": 21.3133098887,
    6. "alt": 0,
    7. "heading": 90,
    8. "parameterList": [
    9.   {
    10.     "id": "1049077923",
    11.     "name": "4x 某型柴油机#1(1.0.0)",
    12.     "inputInfo": [
    13.  {"name":"max_speed",
    14.  "value":"11.5"}],
    15.  },
    16.  {
    17.     "id": "608447846",
    18.     "name": "某型中近程传感器#1(1.0.0)",
    19.     "inputInfo": [
    20.      {"name":"max_range","value":"170"},
    21.      {"name":"track_num","value":"12"},
    22.       {"name":"error_range","value":"0.1"}
    23.     ]
    24.  }
    25. ]
    下载: 导出CSV

    表  2   任务模板示例

    Table  2   Example of task template

    [日期]
    任务订单:[唯一任务编号]
    1. 任务名称
     - [任务代号]
    2. 任务目的
     - [简要描述任务的主要目标]
    3. 任务时间
     - 开始时间:[日期/时间]
     - 结束时间:[日期/时间]
    4. 任务地点
     - [指定任务执行的地理区域]
    5. 敌方装备
     - [描述敌方装备状态,速度、经度、纬度、航向等]
    6. 感知装备要求
     - [类型、感知范围、精度、通信链路带宽需求等]
    7. 指控装备要求
     - [类型、距离要求]
    8. 打击装备要求
     - [类型、导弹类型、导弹数量、打击半径等]
    9. 杀伤网要求
     - [冗余性指标、风险性指标等]
    下载: 导出CSV
  • [1] 董胜波, 苏琪雅, 于沐尧, 等. 协同探测与导引技术发展探讨[J]. 现代防御技术, 2023, 51(3): 75–82. doi: 10.3969/j.issn.1009-086x.2023.03.009

    DONG S B, SU Q Y, YU M Y, et al. Discussion on the development of collaborative detection and guidance technology[J]. Modern Defence Technology, 2023, 51(3): 75–82 (in Chinese). doi: 10.3969/j.issn.1009-086x.2023.03.009

    [2] 高保慧, 胡海. 天空海一体对海打击动态杀伤网作战概念研究[J]. 舰船电子工程, 2023, 43(1): 28–31. doi: 10.3969/j.issn.1672-9730.2023.01.007

    GAO B H, HU H. Research on operational concept of dynamic kill-webs in naval battlefield integrated of space, air and sea[J]. Ship Electronic Engineering, 2023, 43(1): 28–31 (in Chinese). doi: 10.3969/j.issn.1672-9730.2023.01.007

    [3]

    TIRPAK J A. Find, fix, track, target, engage, assess[J]. Air & Space Forces Magazine, 2000, 83(7): 24–29.

    [4]

    O’DONOUGHUE N A, MCBIRNEY S, PERSONS B. Distributed kill chains: drawing insights for mosaic warfare from the immune system and from the navy: RR-A573-1[R]. Arlington: RAND Corporation, 2021.

    [5]

    STO. Adapting cross-domain kill-webs[EB/OL]. (2018-08-03). https://www.darpa.mil/program/adapting-cross-domain-kill-webs.

    [6] 金斌, 孙海文. 海上作战火力运用方法综述[J]. 指挥控制与仿真, 2023, 45(2): 155–160. doi: 10.3969/j.issn.1673-3819.2023.02.025

    JIN B, SUN H W. Summary of fire application methods in naval operations[J]. Command Control & Simulation, 2023, 45(2): 155–160 (in Chinese). doi: 10.3969/j.issn.1673-3819.2023.02.025

    [7]

    LEE C E, BAEK J, SON J, et al. Deep AI military staff: cooperative battlefield situation awareness for commander's decision making[J]. The Journal of Supercomputing, 2023, 79(6): 6040–6069. doi: 10.1007/s11227-022-04882-w

    [8] 孙盛智, 盛碧琦, 马运党, 等. 海上协同作战模式及关键技术[J]. 舰船科学技术, 2023, 45(16): 177–181. doi: 10.3404/j.issn.1672-7649.2023.16.038

    SUN S Z, SHENG B Q, MA Y D, et al. The mode of maritime cooperative warfare and key technologies[J]. Ship Science and Technology, 2023, 45(16): 177–181 (in Chinese). doi: 10.3404/j.issn.1672-7649.2023.16.038

    [9] 倪少杰, 岳洋, 左勇, 等. 卫星网络路由技术现状及展望[J]. 电子与信息学报, 2023, 45(2): 383–395. doi: 10.11999/JEIT211393

    NI S J, YUE Y, ZUO Y, et al. The status Quo and prospect of satellite network routing technology[J]. Journal of Electronics & Information Technology, 2023, 45(2): 383–395 (in Chinese). doi: 10.11999/JEIT211393

    [10] 梁晓龙, 王宁, 王维佳, 等. 海上跨域无人集群研究进展综述[J]. 空军工程大学学报, 2023, 24(5): 2–15. doi: 10.3969/j.issn.2097-1915.2023.05.001

    LIANG X L, WANG N, WANG W J, et al. Progress in maritime cross-domain manned swarms[J]. Journal of Air Force Engineering University, 2023, 24(5): 2–15 (in Chinese). doi: 10.3969/j.issn.2097-1915.2023.05.001

    [11]

    JUNG Y, KIM J. Combat effectiveness and efficiency evaluation of firearm weapon systems in different projectile guidance simulations[J]. Journal of Advances in Military Studies, 2023, 6(1): 119–143. doi: 10.37944/jams.v6i1.196

    [12]

    HOFFBERGER-PIPPAN E, DAHLMANN A. Digital battlefield: concept, technology and prospects[M]//ROBIN G, HENNING L. Research handbook on warfare and artificial intelligence. Cheltenham: Edward Elgar Publishing, 2024: 76-98.

    [13] 常青, 刘德生, 杨阳. 作战任务分解策略与规范化描述方法研究[J]. 指挥控制与仿真, 2023, 45(5): 84–91. doi: 10.3969/j.issn.1673-3819.2023.05.011

    CHANG Q, LIU D S, YANG Y. Research on operational mission decomposition strategy and standardized description method[J]. Command Control & Simulation, 2023, 45(5): 84–91 (in Chinese). doi: 10.3969/j.issn.1673-3819.2023.05.011

    [14] 高强. 面向作战任务的海战场作战资源组织管理技术研究[J]. 舰船电子工程, 2020, 40(9): 23–26. doi: 10.3969/j.issn.1672-9730.2020.09.006

    GAO Q. Research on the organization and management technology of naval battlefield combat resources oriented to combat tasks[J]. Ship Electronic Engineering, 2020, 40(9): 23–26 (in Chinese). doi: 10.3969/j.issn.1672-9730.2020.09.006

    [15] 李伟光, 陈栋. 面向多目标的弹药智能任务规划系统研究综述[J]. 兵工自动化, 2024, 43(6): 42–48. doi: 10.7690/bgzdh.2024.06.011

    LI W G, CHEN D. Review of multi-target-oriented intelligent mission planning system for ammunition[J]. Ordnance Industry Automation, 2024, 43(6): 42–48 (in Chinese). doi: 10.7690/bgzdh.2024.06.011

    [16]

    CHANG X N, SHI J M, LUO Z H, et al. Adaptive large neighborhood search algorithm for multi-stage weapon target assignment problem[J]. Computers & Industrial Engineering, 2023, 181: 109303. doi: 10.1016/j.cie.2023.109303

    [17] 夏博远, 杨克巍, 杨志伟, 等. 基于杀伤网评估的装备组合多目标优化[J]. 系统工程与电子技术, 2021, 43(2): 399–409. doi: 10.12305/j.issn.1001-506X.2021.02.15

    XIA B Y, YANG K W, YANG Z W, et al. Multi-objective optimization of equipment portfolio based on kill-web evaluation[J]. Systems Engineering and Electronics, 2021, 43(2): 399–409 (in Chinese). doi: 10.12305/j.issn.1001-506X.2021.02.15

    [18] 范晋祥, 刘益吉, 李宁, 等. 精确打击体系智能化的发展[J]. 空天防御, 2023, 6(4): 1–11. doi: 10.3969/j.issn.2096-4641.2023.04.001

    FAN J X, LIU Y J, LI N, et al. Development of the intelligentization of precision strike system of systems[J]. Air & Space Defense, 2023, 6(4): 1–11 (in Chinese). doi: 10.3969/j.issn.2096-4641.2023.04.001

图(9)  /  表(2)
计量
  • 文章访问数:  133
  • HTML全文浏览量:  67
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-08-27
  • 修回日期:  2024-10-22
  • 录用日期:  2024-11-06
  • 网络出版日期:  2024-10-31

目录

/

返回文章
返回