1.复杂气象条件下无人集群协同作战数字孪生推演优化方法,其特征在于,包括以下步骤:S1、采集多源的气象参数和无人集群的性能参数,构建复杂气象条件下的无人集群协同作战数字孪生模型;
S2、在Lorenz系统中引入交叉耦合项,运用最小二乘法对由所述S1获得的参数进行动态优化,构建非线性气象条件模型;
S3、根据所述S2中的非线性气象条件模型设计动态衰减因子,量化气象条件对无人集群内智能体性能参数的非线性衰减效应,结合几何平均、方差约束与协作增益机制,构建集群协同能力模型;
S4、对粒子群优化算法进行改进,依据所述S3中的集群协同能力模型与实际任务需求设计适应度函数,并动态调整惯性权重、自适应学习因子及全局引导因子,以获得高匹配度的任务分配策略;
S5、构建气象-能力-任务-策略多维耦合动态贝叶斯网络,结合前向预测、后验更新以及在线学习机制,实现对所述S4中的任务分配策略的精准推演;
S6、依据所述S5的推演结果,构建包括任务效能、资源消耗及系统鲁棒性的多维度评估体系,通过迭代优化持续改进所述S4中的任务分配策略。
2.如权利要求1所述的复杂气象条件下无人集群协同作战数字孪生推演优化方法,其特征在于,所述S1中多源的气象参数至少包括温度、湿度和能见度,无人集群的性能参数至少包括集群内各智能体的感知、通信和决策能力数据。
3.如权利要求1所述的复杂气象条件下无人集群协同作战数字孪生推演优化方法,其特征在于,所述S2中定义气象状态包括:T(t),H(t),V(t)
其中,T为温度,H为湿度,V为能见度;
Lorenz系统的非线性微分方程结构反映真实气象系统的非线性动力学特性,在该非线性微分方程中引入交叉耦合项,用以拓展不同气象条件之间的非线性相互作用,得到如下非线性气象条件模型:其中:
aT、aH和aV均为Lorenz系统原有的参数,分别是普朗特常数、瑞利常数和一个与空间有关的常数;
bTV、bTH和bTV分别为不同气象条件的耦合系数,反映气象要素间的非线性相互作用。
4.如权利要求1所述的复杂气象条件下无人集群协同作战数字孪生推演优化方法,其特征在于,在所述S3中定义第k个无人集群具有的三种能力分别为:决策能力Dk(t)、通信能力Ck(t)和感知能力Gk(t),无人集群内部具有Nk个智能体,每个智能体均具有上述三种能力,分别定义为:和引入动态衰减因子αG(t)、αC(t)和αD(t),分别描述感知能力、通信能力和决策能力在气象条件影响下的衰减情况,分别得到感知能力、通信能力和决策能力三者动态衰减因子的表达式为:其中:
ρT表示温度敏感系数,由光学器件材料特性决定;
ΔT(t)表示当前温度与传感器标定温度的绝对偏差;
Vth为最小能见度阈值,由具体的光学系统决定;
ρH和χH分别为特定衰减系数和幂律指数;
TD表示触发动态降频的室温临界阈值;
表示处理器允许的最高室温阈值;
ρD表示处理器性能衰减系数;
为最低性能保障阈值;
β用于控制曲线的陡峭程度,散热设计越好,性能衰减曲线越平缓。
5.如权利要求4所述的复杂气象条件下无人集群协同作战数字孪生推演优化方法,其特征在于,所述S3中,关于无人集群的通信能力Ck(t)、感知能力Gk(t)和决策能力Dk(t)的建模分别如下:①、通信能力Ck(t)的建模:
在引入几何平均机制反映通信链路效能受最弱节点限制特性的同时,兼顾考虑集群协作为通信能力带来的增益,据此给出Ck(t)的表达式:其中:
表示对集群内部各智能体通信能力的几何平均,其中,Nk代表集群内部智能体个数;
是通信稳定性的影响项,其中,是所有智能体通信能力的方差,方差越大,通信稳定性越差;
Ω是实验测定的方差对协同能力的影响程度;
表示集群协作为通信能力带来的增益,其中,βC为集群硬件决定的通信能力协作系数,MC为通信协作次数,Nk为节点数,Nk扩大会提高无人集群通信网络复杂度,使通信能力呈现对数衰减;
②、感知能力Gk(t)的建模:
除考虑集群协作对感知能力的增益,还额外引入集群通信能力对感知能力的增益,据此给出Gk(t)的表达式:其中:
是智能体i的邻居智能体在t时刻通信能力之和;
∑Ctotal(t)是所有智能体在t时刻的通信能力之和;
λG为实验测定的集群通信能力对感知能力的增益系数;
整体表示通信网络对感知能力的增益;
βG·MG表示集群协作为感知能力带来的增益,其中,βG为感知能力协作系数,取值由集群硬件的特性决定,MG为通信协作次数;
③、决策能力Dk(t)的建模:
除了利用几何平均机制均衡考虑各智能体的决策权重,还需构建容错约束机制避免因局部通信故障导致全局决策失效,同时兼顾集群协作为决策能力带来的增益,据此给出Dk(t)的表达式:其中:
表示集群内部各智能体决策能力的几何平均;
是所有智能体通信能力两两乘积的最小值,体现决策过程受限于最弱通信链路;
λD是实验测定的系数,用于调整通信能力对协同决策的影响程度;
为集群协作为决策能力带来的增益,其中,βD为决策能力协作系数,取值由集群硬件的特性决定,MD为通信协作次数;
为减少群体过度协商耗时,引入双曲正切函数模拟边际递减效应,双曲正切函数的饱和区非线性特性能够精确描述协商次数与决策效率的收益关系。
6.如权利要求1所述的复杂气象条件下无人集群协同作战数字孪生推演优化方法,其特征在于,所述S4中,设无人集群集合K={k1,k2,...,|K|},将作战任务J分为若干个子任务j,采用粒子群优化算法为不同集群k分配作战任务:S4.1、对粒子进行编码处理,采用三维数组Xi=[xijk]来定义粒子的位置,其中,i表示粒子的索引,j表示任务的索引,k表示无人集群的索引,且xijk∈[0,1],同时满足对于所有的i和j都成立;
S4.2、构建粒子群优化算法的适应度函数,该函数用于引导粒子群优化算法朝着最优解的方向搜索,设WJ(t)为不同任务对不同集群能力需求权重组成的集合,定义如下:在该集合中:表示任务j在时刻t对无人集群感知能力的需求权重,表示任务j在时刻t对无人集群通信能力的需求权重,表示任务j在时刻t对无人集群决策能力的需求权重,j遍历任务集合J中的所有任务;
据此给出适应度函数为:
其中:
为任务需求-能力匹配项,核心在于按能力需求权重从高到低排序,优先将高权重与对应能力更优的集群相匹配;
为时间衰减项,其中,是时间衰减系数,用于调节任务完成快慢对适应度函数的贡献,取值依赖于实际问题场景;
S4.3、构造粒子群优化算法的速度更新方程,该方程考虑的参数至少包括:惯性权重wv(t)、个体学习因子c1(t)、社会学习因子c2(t)和全局学习引导因子c3(t);
①、惯性权重wv(t)用于平衡算法的探索与开发,设惯性权重初始值为可得惯性权重wv(t)表达式为:其中,l1、l2和l3分别表示温度、湿度和能见度对惯性权重的影响系数;
②、个体学习因子用于表示粒子i向自身历史最优位置学习的能力,设个体学习因子初始值为可得个体学习因子表达式为:该式中匹配度的计算进一步包括以下步骤:
S4.3.1、对各集群能力进行归一化处理,使所有能力在同一尺度下可比,其中,Gmax、Cmax、Dmax是通过遍历各集群得到的能力最大值;
S4.3.2、通过指数函数提高集群能力对需求权重的敏感程度,进而提高个体学习因子的变化敏感程度;
S4.3.3、在求和过后与任务总数|J|相除,确保的调整幅度在不同任务规模下保持合理范围;
S4.3.4、通过实验标定的匹配度影响系数控制匹配度对的调整幅度;
③、社会学习因子c2(t)用于表示粒子向全局最优位置学习的能力,设个体学习因子初始值为可得社会学习因子c2(t)表达式为:其中:
是Sigmoid函数,用于将气象条件的变化映射到社会学习因子的调整上;
是社会学习因子的最小值,用于保证粒子在任何情况下都具有向全局最优学习的能力;
是社会学习因子的最大值,用于避免学习强度过大而导致粒子群优化算法不稳定;
为实验测定的气象条件变化影响系数,用于控制气象条件变化对c2的影响;
④、全局引导因子c3(t)用于响应突发的环境变化和对任务能力需求的变化,设全局引导因子初始值为可得全局学习引导因子c3(t)表达式为:其中,是实验测得的调整系数,表示梯度项对全局引导因子的影响程度;
通过求解各个条件的梯度L2范数,可对各个条件在时间上变化的剧烈程度进行表征,突发状况下,梯度值增大,会使全局引导因子c3(t)增大,从而引导粒子群更加关注全局最优解,避免粒子群优化算法陷入局部最优;
S4.4、综合上述各项参数,得到粒子群优化算法的速度更新方程:其中,是粒子i自身历史上找到的最优位置,r1是一个在区间[0,1]内均匀分布的随机数,gbest是整个粒子群在历史上找到的最优位置,gglobal是一个预先设定的全局引导位置,是根据问题的先验知识或其他信息确定的,r2和r3均是一个在区间内均匀分布的随机数;
对粒子i进行如下多轮迭代:
设粒子在第t轮的位置为计算对应的适应值若则更新若则不做处理;
S4.5、在所有粒子迭代完成后,比较所有的适应值,选取最高的作为gbest,此时的gbest即为最优任务分配方案,将该gbest设为Xopt=[xjk]。
7.如权利要求1所述的复杂气象条件下无人集群协同作战数字孪生推演优化方法,其特征在于,所述S5中通过定义由气象状态、能力状态、任务状态和任务分配策略组成动态贝叶斯多维耦合状态空间St:其中,nj(t)表示任务状态:
据此分别对状态空间中的各个气象参数和集群能力进行离散化处理;
设θt为演变系数矩阵,用于离散化处理:
θt=[βT(t),βH(t),βV(t),βG(t),βD(t),βC(t)]针对θt采用在线机制更新:持续更新θt,实时反映最新数据分布,提升整个推演过程对动态环境的适应性,在线更新规则通常采用梯度下降:通过梯度上升方法,动态调整参数θt以最大化状态转移概率:logP(St+1∣St,θt)
其中:
ηt为自适应学习率,可被表示为:
当历史梯度大时,降低学习率ηt,避免振荡,当历史梯度小时,保持或增大学习率ηt,加速收敛;
η0为初始学习率,设定为固定值;
为历史时刻τ的贝叶斯梯度;
为历史梯度平方和的平均值,用于量化参数更新的累积波动;
设Ot动态贝叶斯网络中的观测变量:
观测变量是从真实场景获取的各项数据,包括气象传感器测得的无人集群自检得到的当前能力以及任务执行情况
8.如权利要求7所述的复杂气象条件下无人集群协同作战数字孪生推演优化方法,其特征在于,所述S5进一步包括:S5.1、对动态贝叶斯网络进行前向推演,目标是根据当前状态St和任务分配方案Xopt,预测下一时刻的状态分布P(St+1∣St,Xopt),具体步骤如下:S5.1.1、设状态St包括:
气象状态:
能力状态:
任务状态:
各状态分量条件独立,联合概率分解为:
据此分别计算各个气象状态和集群能力状态的转移概率;
S5.1.2、利用sigmoid函数将计算在t时刻任务执行情况射到(0,1)的范围内,求得任务状态的转移概率:S5.2、对动态贝叶斯网络进行后验更新,目的是在已知所有历史观测数据O1:t+1和当前任务分配方案Xopt的条件下,对系统状态St+1的最优估计P(St+1|O1:t+1,Xopt),设观测变量的转移遵循:气象观测
能力自检
状态回报
得到联合观测似然:
后验更新的公式为:
其中:
P(St+1∣O1:t,Xopt)可被表示为:上式中,P(S1∣O1:t)为后验概率,求解公式为:P(Ot+1|O1:t,Xppt)为归一化常数,表示为:
9.如权利要求1所述的复杂气象条件下无人集群协同作战数字孪生推演优化方法,其特征在于,所述S6中在tend时刻推演完成后,对任务分配方案Xopt的推演结果进行评估,构造评估向量V:V=[E,U,R]T
①、向量V中,E代表任务执行效率,表达式为:其中,τ为时间衰减系数,惩罚任务完成时间的延迟,时间越长,效能贡献越低,tjend为任务j的实际完成时间,tstart为推演起始时间,E[nj]为任务j完成的期望值,E[nj]的计算表达式为:设执行任务j的效能损失为ΔEj,表达式为:对效能损失高的任务j,按能力匹配度重新分配集群k:该式中,ηE,j为对任务j的个性化学习率,可被表示为:ηE,j=ηE·ΔEj,ηE为基础学习率,取值需要根据经验进行多次试验;
②、向量V中,U代表资源消耗,表达式为:其中,分别表示集群k执行感知、通信、决策任务的资源消耗;
设集群k的能耗为对于高能耗集群,应降低任务负载,平衡资源使用:该式中,ξC为能耗惩罚系数,用于控制惩罚强度,取值由实际战场环境决定;
指数项将能耗映射到(0,1]区间,当趋近于1时,表示集群能耗高,此时项趋近于显著降低;
③、向量V中,R代表系统鲁棒性,用于衡量系统在环境突变和任务需求变化时维持任务效能的能力,设TDBN为动态贝叶斯的总时间推演步数,则R表达式为:通过求取环境突变和任务需求变化在全时段的累积变化取平均,避免单次突变的偶然性影响评估结果;
通过归一化设计,将鲁棒性R映射到[0,1]区间,值越大表示系统越稳定;
设集群k的鲁棒性为Rk,表达式为:
其中,J′为在t时刻集群k正在执行的任务j的集合;
对于高鲁棒性集群,应优先分配任务:
该式中,为鲁棒性线性增强项,ξR为增强系数,取值由实际战场环境决定;
集群k的鲁棒性越高,线性增强项越大,显著增加。
10.如权利要求9所述的复杂气象条件下无人集群协同作战数字孪生推演优化方法,其特征在于,所述S6中,联立和形成多目标联合优化公式:其中,qE,qU,qR分别为各目标的权重系数,各自的具体取值需结合战场环境中的实际任务需求确定;
将调整好的X′opt=[x′jk]输入至动态贝叶斯网络,获取新的评估向量V′:V′=[E′,U′,R′]T
设各目标优化阈值分别为Eth、Uth和Rth,若满足下式收敛条件:E′≥Eth,U′≤Uth,R′≥Rth则停止优化,得到最优任务分配方案Xbest=X′opt;
否则,重复所述S5和所述S6,直至满足上述收敛条件。