一种联合打击目标自适应评分及关联推荐方法和系统与流程

1.本发明涉及联合作战指挥领域，具体涉及联合火力打击中目标价值评估和精准推荐。


背景技术：

2.随着智能化技术的不断深化拓展，联合作战指挥的面貌正在发生深刻变化，作战指挥方式逐步由以打通链路为途径的信息化向以辅助决策为目标的智能化转变。体系融合、关联推荐、破链断网为主的目标体系评估方法成为未来联合打击目标优选和推荐的主流。对于指挥员来说，最短时间内找到倾向性的目标，并将其与其他打击目标按照关联性排序获得推荐结果，将对指挥员决策的准确性和时效性产生重要影响，基于此，本发明针对打击目标超网络体系构建和目标关联推荐算法进行重点研究，尝试以知识图谱改变现有的表格式目标推荐方法，在图谱超网络内研究目标的内在属性及相互关联机理。
3.现有技术1：专利号cn108416441a，实现了一种基于遗传算法的舰船对岸打击火力分配方法，以一艘舰船上的一种武器作为火力单元，将火力单元对岸上目标的火力分配数目作为编码位，采用随机分布生成法对每个火力单元进行编码，得到初始种群；利用适应度函数计算初始种群的种群适应度，根据种群适应度结合轮盘赌对初始种群进行选择，得到选择后种群，对选择后种群进行染色体交叉和变异，得到新的种群；利用新的种群更新初始种群后重复上一步，重复多次后，得到舰船对岸打击火力分配方案。但是未能考虑目标之间的体系价值关联因素，无法实现目标体系价值分析和基于体系的目标火力分配。
4.现有技术2：专利号cn110119580a，实现了一种地面工程目标毁伤评估系统及方法，能够根据接收到的武器弹药的特征参数数据和目标特性参数，调用毁伤效应快速算法计算工程目标在弹药作用下的毁伤结果数据，并将计算结果上传至毁伤评估模块、仿真演示模块。本发明可开展不同用弹量下的毁伤效果快速预测评估。但是该专利过分依赖专家主观评分因素，无法实现人在环外的自适应评分和智能目标推荐。
5.因此，现有技术的上述方案中，未能考虑目标之间的体系价值关联因素，无法实现自适应评分和智能目标推荐；存在着主观性、随意性较大的问题。


技术实现要素：

6.为了克服上述现有技术的不足，本发明提供一种联合打击目标自适应评分及关联推荐方法、系统和存储介质。
7.本发明聚焦研究打击目标的复杂超网络体系构建方法，尝试利用知识图谱推理技术补全完善目标超网络结构，并在此基础上构造涌现性评估指标度量目标的体系价值，推荐符合指挥员决策意图的关联目标。
8.本发明针对联合火力打击中目标价值评估和精准推荐主观随意性大的问题，设计了一种联合打击目标自适应评分及关联推荐方法，包括如下步骤：
9.步骤1，目标知识图谱超网络的构建：在获取打击目标情报数据基础上，利用目标
之间的关系进行子网关系标注，构建目标的知识图谱超网络结构模型；
10.步骤2，知识图谱初始推理向量的生成：将实体关系映射为空间向量，即为每个实体及其关系分配随机的向量数组；
11.步骤3，知识图谱初始推理向量的优化：利用元启发算法的群体演化思想实现实体和关系向量的迭代优化；通过基于随机梯度下降的有限次迭代，使包含评分函数的损失函数达成最小值收敛；
12.步骤4，目标知识图谱的补全：利用最优智能体的优化向量统计所有实体的关系综合评分，通过与超网络已有关系的平均评分对比，挖掘超网络中的隐藏关系，进而补全超网络；
13.步骤5，火力打击目标的关联推荐：利用目标体系价值计算公式，计算所有的实体在知识图谱超网络中的价值评分，并根据超网络关系确定实体之间的关联推荐目标名称。
14.进一步的，步骤1中，具体的实现方式为：在获取打击目标情报数据基础上，利用目标之间的实体关系、隶属关系和功能关系进行子网关系标注，为了更精确的描述打击目标超网络内各子网的性质、构成和关联属性，将打击目标具体划分为电子对抗、防空反击、后装保障、交通枢纽、子目标隶属、能源设施、通信设施、心理战、指挥控制9类关系，并依次构建9个子网，使用随机裁剪将无向网络转换为有向网络，各子网内的目标实体互相交织，缠绕叠加出目标的超网络体系结构。
15.打击目标子网划分如表1所示：
16.表1打击目标各子网划分表
[0017][0018][0019]
进一步的，步骤2中，可划分为如下子步骤：
[0020]
步骤2
‑
1，生成多维随机向量；设向量维数为k，则随机数应选取之间的实数，对所有的实体和关系均分配随机向量，并归一化处理：关系实体
[0021]
步骤2
‑
2，生成正负样本组合；正样本包含了超网络中所有带有连线的三元组，负样本是在正样本集合的基础上，通过随机调整头或尾实体而构造的当前网络无连线的三元组，正样本和负样本分别设为(h,r,t)和(h',r,t')；其中，h、h
′
为正负样本的头实体向量(如h为指向某个目标的实体向量，则h
′
为指向排除该目标外其他某个目标的实体向量)，r
是实体关系，t、t
′
为正负样本的尾实体向量；
[0022]
进一步的，步骤3中，可划分为如下子步骤：
[0023]
步骤3
‑
1，计算超网络损失函数；算法的目标为：h+r＝t；h'+r≠t'，可通过构造评分函数f(h,r,t)进行精确度量，计算公式为：
[0024]
f(h,r,t)＝||h+r
‑
t||
ꢀꢀꢀꢀꢀꢀ
(1)
[0025]
损失函数l(h,r,t,r',t')的计算公式为：
[0026][0027]
式中，确保函数值满足max(0，......)，表示实体关系的γ用大于0的实数替代；s代表超网络的现有实体关系集合；s'代表超网络的未关联实体关系集合，满足条件：
[0028][0029]
步骤3
‑
2，构建智能体结构；每个智能体包含实体向量集、边向量集和负样本边向量集；
[0030]
步骤3
‑
3，构建初始智能体种群；采用元启发算法的随机变异方式，以原始智能体为样本，随机选中其中的10个实体和边进行向量微调；r表示向量关系，δ表示微调参数，ω表示向量中的原始参数，则微调后的参数ω'计算公式为：
[0031][0032]
步骤3
‑
4，计算种群内所有智能体综合评分；根据更新的损失函数评分公式，将每个智能体包含的实体向量集、边向量集、负样本边向量集带入评分公式，计算出已有边最小值评分l
min
与负样本最大值评分l
max
；具体评分原则为：以l
min
作为智能体主评分；如果两智能体l
min
相同，以l
max
作为智能体辅助评分；
[0033]
步骤3
‑
5，种群淘汰；根据种群内各智能体的综合评分，淘汰掉种群内90％的智能体，并记录最优评分智能体结构及对应评分；
[0034]
步骤3
‑
6，种群扩充；调用上述步骤中的随机变异方式，以淘汰后剩余智能体为样本产生新智能体，使种群达到原定规模；
[0035]
步骤3
‑
7，重复步骤3
‑
3到3
‑
5，直至达成退出条件：l
min
达成最小化，并且l
max
不再增长，即可视为算法已收敛，退出并反馈此时种群内最优智能体。
[0036]
进一步的，步骤4中，在获取超网络的最优实体和边向量矩阵后，引入超网络关系补全操作：采集现有超网络中的三元组(h,r,t)，将其头实体或尾实体依次替换为其他实体，进而产生备选关系数组集，分别计算其评估值f(h',r,t)或f(h,r,t')，而后根据评估值按升序排序，记录原始三元组(h,r,t)的排序位置；如排序超过5，则将前5个三元组关系补充至超网络；否则将排序超过原始三元组的关系补充至超网络；新添加关系的属性数组满足公式：r＝h
‑
t。
[0037]
进一步的，步骤5中，实现了火力打击目标的关联推荐；具体的实现方式为：目标体
系价值包含该目标的向量权重价值和边权重价值两个方面；设第i个子目标实体所包含的实体向量为h
i
，补全网络后，与此子目标关联的边集合为s
i
，则第i个目标的体系价值z
i
为：
[0038][0039]
本发明提供了一种联合打击目标自适应评分及关联推荐系统，其特征在于，包括：
[0040]
目标知识图谱超网络构建模块：在获取打击目标情报数据基础上，利用目标之间的关系进行子网关系标注，以此构建目标的知识图谱超网络结构模型；
[0041]
知识图谱初始推理向量生成模块：将实体关系映射为空间向量，即为每个实体及其关系分配随机的向量数组；
[0042]
知识图谱初始推理向量优化模块：利用元启发算法的群体演化思想实现实体和关系向量的迭代优化；通过基于随机梯度下降的有限次迭代，使包含评分函数的损失函数达成最小值收敛；
[0043]
目标知识图谱补全模块：利用最优智能体的优化向量统计所有实体的关系综合评分，通过与超网络已有关系的平均评分对比，挖掘超网络中的隐藏关系，进而补全超网络；
[0044]
火力打击目标关联推荐模块：计算所有的实体在知识图谱超网络中的价值评分，并根据超网络关系确定实体之间的关联推荐目标名称。
[0045]
本发明提供了一种计算机可读存储介质，其特征在于，
[0046]
所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行上述联合打击目标自适应评分及关联推荐方法。
[0047]
基于上述方案，本发明针对联合打击目标关联推荐和体系价值评估问题，试图跳出传统的专家评分法框架，从超网络适应性学习和知识图谱推理角度建立目标的多维属性向量模型，在此基础上设计联合打击目标关联推荐数学模型，并通过同类算法的对比分析证明本发明算法的有效性。
[0048]
本发明重点解决了三个方面的问题：一是联合打击目标的复杂超网络构建问题；二是复杂超网络体系的隐藏关系补全问题；三是打击目标属性向量的自适应优化和涌现性度量问题。在解决上述问题基础上，通过仿真实验验证了算法的计算有效性和辅助决策适用性。
[0049]
本发明的创新点有：一是将知识图谱推理技术引入到联合火力打击目标体系构建中，实现了目标关联关系的自动链接；二是建立了复杂超网络体系中的涌现性评估指标模型，实现了打击目标超网络的涌现性价值度量；三是实现了指挥员优选打击目标的关联推荐和最优推荐，提升了辅助决策智能化水平。
附图说明
[0050]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。
[0051]
附图说明
[0052]
图1为系统总体架构图。
[0053]
图2为3类实体举例说明。
[0054]
图3为初始超网络结构示例。
[0055]
图4为无向图随机裁剪为有向图的示意图。
[0056]
图5为智能体结构示意图。
[0057]
图6为补全超网络结构示例。
[0058]
图7为算法运行效果图示例。
[0059]
图8为3种反馈评分函数对应的评分收敛情况。
[0060]
图9为补全前后实体、边数对比。
[0061]
图10为各类型目标的多维向量属性对比分析。
[0062]
图11为智能体向量演化情况对比。
[0063]
图12为各方法的目标体系价值对比结果
具体实施方式
[0064]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0065]
本发明针对联合火力打击中目标价值评估和精准推荐主观随意性大的问题，设计了一种联合打击目标自适应评分及关联推荐方法，包括如下步骤：
[0066]
步骤1，目标知识图谱超网络的构建：在获取打击目标情报数据基础上，利用目标之间的关系进行子网关系标注，以此构建目标的知识图谱超网络结构模型；
[0067]
步骤2，知识图谱初始推理向量的生成：将实体关系映射为空间向量，即为每个实体及其关系分配随机的向量数组；
[0068]
步骤3，知识图谱初始推理向量的优化：利用元启发算法的群体演化思想实现实体和关系向量的迭代优化；通过基于随机梯度下降的有限次迭代，使包含评分函数的损失函数达成最小值收敛；
[0069]
步骤4，目标知识图谱的补全：利用最优智能体的优化向量统计所有实体的关系综合评分，通过与超网络已有关系的平均评分对比，挖掘超网络中的隐藏关系，进而补全超网络；
[0070]
该步骤解决了网络稀疏性过大的问题。
[0071]
步骤5，火力打击目标的关联推荐：利用目标体系价值计算公式，计算所有的实体在知识图谱超网络中的价值评分，并根据超网络关系确定实体之间的关联推荐目标名称。
[0072]
该步骤达成了联合火力打击中的目标智能推荐技术效果。
[0073]
进一步的，步骤1中，具体的实现方式为：在获取打击目标情报数据基础上，利用目标之间的实体关系、隶属关系和功能关系进行9类子网关系标注，为了更精确的描述打击目标超网络内各子网的性质、构成和关联属性，将打击目标具体划分为电子对抗、防空反击、后装保障、交通枢纽、子目标隶属、能源设施、通信设施、心理战、指挥控制9类关系，使用随机裁剪将无向网络转换为有向网络，并依次构建9个子网，各子网内的目标实体互相交织，缠绕叠加出目标的超网络体系结构。
[0074]
打击目标子网划分如表1所示：
[0075]
表1打击目标各子网划分表
[0076][0077]
进一步的，步骤2中，可划分为如下子步骤：
[0078]
步骤2
‑
1，生成多维随机向量；设向量维数为k，则随机数应选取之间的实数，对所有的实体和关系均分配随机向量，并归一化处理：关系实体
[0079]
步骤2
‑
2，生成正负样本组合；正样本包含了超网络中所有带有连线的三元组，负样本是在正样本集合的基础上，通过随机调整头或尾实体而构造的当前网络无连线的三元组，正样本和负样本分别设为(h,r,t)和(h',r,t')；其中，h、h
′
为头实体向量(如h为指向某个目标的实体向量，则h
′
为指向排除该目标外其他某个目标的实体向量)，r是实体关系，t、t
′
为尾实体向量；
[0080]
进一步地，步骤3中，利用元启发算法的群体演化思想实现实体和关系向量的迭代优化，达成多代之后的已有关系综合评分最小化和负样本关系综合评分最大化；做出限定约束：若两个实体之间存在关联，则头实体向量加上关系应约等于尾实体向量；反之则尽可能不成立；这就将图网络连线问题转换为多维空间向量的迭代收敛问题，即通过基于随机梯度下降的有限次迭代，使包含评分函数的损失函数达成最小值收敛；
[0081]
进一步的，步骤3中，可划分为如下子步骤：
[0082]
步骤3
‑
1，计算超网络损失函数；算法的目标为：h+r＝t；h'+r≠t'，可通过构造评分函数f(h,r,t)进行精确度量，计算公式为：
[0083]
f(h,r,t)＝||h+r
‑
t|| (1)
[0084]
损失函数l(h,r,t,r',t')的计算公式为：
[0085][0086]
式中，确保函数值满足max(0，......)，表示实体关系的γ用大于0的实数替代；s代表超网络的现有实体关系集合；s'代表超网络的未关联实体关系集合，满足条件：
[0087][0088]
步骤3
‑
2，构建智能体结构；每个智能体包含实体向量集、边向量集和负样本边向量集；
[0089]
步骤3
‑
3，构建初始智能体种群；采用元启发算法的随机变异方式，以原始智能体为样本，随机选中其中的10个实体和边进行向量微调；r表示向量，δ表示微调参数，ω表示向量中的原始参数，则微调后的参数ω'计算公式为：
[0090][0091]
步骤3
‑
4，计算种群内所有智能体综合评分；根据更新的损失函数评分公式，将每个智能体包含的实体向量集、边向量集、负样本边向量集带入评分公式，计算出已有边最小值评分l
min
与负样本最大值评分l
max
；具体评分原则为：以l
min
作为智能体主评分；如果两智能体l
min
相同，以l
max
作为智能体辅助评分；
[0092]
步骤3
‑
5，种群淘汰；根据种群内各智能体的综合评分，淘汰掉种群内90％的智能体，并记录最优评分智能体结构及对应评分；
[0093]
步骤3
‑
6，种群扩充；调用上述步骤中的随机变异方式，以淘汰后剩余智能体为样本产生新智能体，使种群达到原定规模；
[0094]
步骤3
‑
7，重复步骤3
‑
3到3
‑
5，直至达成退出条件：l
min
达成最小化，并且l
max
不再增长，即可视为算法已收敛，退出并反馈此时种群内最优智能体结构。
[0095]
进一步的，步骤4中，在获取超网络的最优实体和边向量矩阵后，引入超网络关系补全操作：采集现有超网络中的三元组(h,r,t)，将其头实体或尾实体依次替换为其他实体，进而产生备选关系数组集，分别计算其评估值f(h',r,t)或f(h,r,t')，而后根据评估值按升序排序，记录原始三元组(h,r,t)的排序位置；如排序超过5，则将前5个三元组关系补充至超网络；否则将排序超过原始三元组的关系补充至超网络；新添加关系的属性数组满足公式：r＝h
‑
t。
[0096]
进一步的，步骤5中，实现了火力打击目标的关联推荐；具体的实现方式为：目标体系价值包含该目标的向量权重价值和边权重价值两个方面；设第i个子目标实体所包含的实体向量为h
i
，补全网络后，与此子目标关联的边集合为s
i
，则第i个目标的体系价值z
i
为：
[0097][0098]
进一步的，上述权重价值采用欧式空间距离方法计算。
[0099]
本发明提供了一种联合打击目标自适应评分及关联推荐系统，其特征在于，包括：
[0100]
目标知识图谱超网络构建模块：在获取打击目标情报数据基础上，利用目标之间的关系进行子网关系标注，以此构建目标的知识图谱超网络结构模型；
[0101]
知识图谱初始推理向量生成模块：将实体关系映射为空间向量，即为每个实体及其关系分配随机的向量数组；
[0102]
知识图谱初始推理向量优化模块：利用元启发算法的群体演化思想实现实体和关系向量的迭代优化；通过基于随机梯度下降的有限次迭代，使包含评分函数的损失函数达
成最小值收敛；
[0103]
目标知识图谱补全模块：利用最优智能体的优化向量统计所有实体的关系综合评分，通过与超网络已有关系的平均评分对比，挖掘超网络中的隐藏关系，进而补全超网络；
[0104]
火力打击目标关联推荐模块：计算所有的实体在知识图谱超网络中的价值评分，并根据超网络关系确定实体之间的关联推荐目标名称。
[0105]
本发明提供了一种计算机可读存储介质，其特征在于，
[0106]
所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行上述联合打击目标自适应评分及关联推荐方法。
[0107]
在另一个实施例的方法、系统和存储介质中，方法步骤或功能模块与上述实施例相同，在步骤4中通过其他价值评分方法生成目标的体系价值，并以价值大小排序推送目标打击清单。
[0108]
图1为本发明总体架构图。共分为5个功能模块，分别为目标知识图谱超网络构建模块、知识图谱初始推理向量生成模块、知识图谱初始推理向量优化模块、目标知识图谱补全模块、火力打击目标关联推荐模块。
[0109]
图2为3类目标实体的举例说明。打击目标情报数据格式包含目标实体名称和子目标名称，如子目标名称“dzz
‑
2中队.cs_prd
‑
10a dzzc机”中，“dzz
‑
2中队”是目标实体名，“cs_prd
‑
10a dzzc机”是子目标名；感知实力标定了目标当前的完好程度；侦测源标定了目标情报获取的可靠程度；目标种类标定了目标所属大类别，共区分为情报支撑类、指挥控制类、火力打击类、电子干扰类、装备保障类、交通枢纽类、能源设施类、通信设施类；目标子类标定了目标所属小类别；所属部队标定了目标实体名。为了更为科学的划分实体关系，在子目标实体和目标实体基础上，引入过程实体概念，过程实体是为了准确描述目标之间的隶属关系，人工引入的虚拟目标节点，目的是使上下多级之间的指挥隶属关系脉络更为清晰。
[0110]
图3是在划分好9类子网关系后构建出的初始超网络结构示例。超网络是指超越网络的网络，即在情报、指挥、火力、电抗、装备、交通、能源、通信各子网络基础上构建的复杂网络，但此时的超网络尚处于不完全结构，内部的很多隐藏关系并为表达明显，关系矩阵仍然较为稀疏，如指挥隶属关系中存在“a指挥所”与“a
‑
1营指挥车”的关联，也存在“a
‑
1营指挥车”与“a
‑1‑
1防空连”的关联，但“a指挥所”与“a
‑1‑
1防空连”之间并未建立关联，因此需要使用知识推理算法自动标定此类隐藏的关联关系，补全超网络体系。在初始网络构建阶段，通过实体内部关系标定、部队隶属关系标定和信息流动关系标定手工构建目标体系的初始网络。
[0111]
图4是算法将无向图通过随机裁剪操作形成有向图的示意图。在执行全过程中，发现打击目标构成的超网络体系并不能直接套用transe算法，主要表现在：一是打击目标关系属于无方向关系，构建的超网络属于无向图网络，不能直接使用向量加和；二是超网络矩阵过于稀疏，各实体的关联关系差异度较大，导致transe的损失函数难以收敛至向量左右等价效果，进而使后续的补全效果大幅降低。为了解决上述问题，本发明采用随机裁剪方式对无向图矩阵压缩，形成只包含一半有效边的有向图结构。
[0112]
图5是智能体结构示意图。每个智能体包含实体向量集、边向量集和负样本边向量集。图6是补全后的目标知识图谱超网络结构示意图。图7是算法运行效果图。
[0113]
为了验证算法的有效性，以某战役想定演习中的打击目标数据为初始录入数据，
分别设计了复杂超网络构建、目标关联推荐、同类方法对比等相关实验，以检验算法的推荐效果和可行性。
[0114]
(一)复杂超网络构建实验
[0115]
实验目的在于检验本发明算法的综合性能，通过和标准transe算法的评分比较，验证本文算法的有效性和应用优势。
[0116]
1.知识推理收敛实验
[0117]
在算法自适应迭代过程中，分别选取每代的最优智能体并记录其综合评分、已有边评分和负样本评分，不同评分之间差异度计算公式如下：
[0118][0119]
3种反馈评分函数对应的评分收敛情况如图8所示。
[0120]
通过综合评分公式分析，迭代目的是使综合评分下降，降幅越大则学习效果越好，通过实验对比分析可知，(a)中的综合评分比较可知，改进算法的评分值下降程度明显弱于标准算法，经过120代迭代，标准算法使综合评分下降10.64％，改进算法只能使综合评分下降6.51％；但对两种算法的已有边和负样本评分详细分析，(b)中的标准算法已有边评分与负样本评分均在学习过程中出现上升，这是算法不希望产生的结果，理想结果应为：随着迭代次数的增多，已有边评分逐步下降而负样本评分逐步上升。(c)中的改进算法则满足了算法构想，随着迭代次数增多，已有边评分与负样本评分之间的分值差距越来越大。通过计算两种算法差异度，(d)中可发现两种算法在多代迭代后均实现了算法收敛，其中改进算法的收敛抖动性更为明显，标准算法则逐步趋向于0，证明了算法已经实现了多代收敛。
[0121]
2.超网络稀疏性实验
[0122]
为了检验超网络的补全效果，统计知识推理前和推理后的网络实体数、边数情况、游离实体情况，并引入最少匹配边数的概念，匹配边数为5，则表明算法计算每条边的最短匹配边数阈值为5。不全前后的实体、边数对比结果如图9所示。
[0123]
通过对比分析可知，在初始超网络构建完成时，网络中共包含3368个实体节点，7796条关系边；通过超网络补全操作(匹配5边)，新增隐藏边77957条，是已有关系边的11倍；从超网络稀疏性分析，超网络最多能承载的关系边数为5670028条，初始超网络的稀疏度为0.14％，匹配5边补全后的超网络稀疏度为1.51％，匹配10边补全后的超网络稀疏度为2.89％；通过对(b)中游离实体的数量分析可知，经过超网络补全，网络游离实体的数量大幅减少，通过实体分析，补全后的隐藏关系边促使游离实体与超网络内部实体之间建立了间接关联，进而使实体的关联性大幅提升，且游离实体数随着匹配边数的增加而逐步减少。
[0124]
(二)智能体演化实验
[0125]
分析适应性学习优化后，各种类目标实体的向量参数变化情况，区分10个目标种类进行倾向性的雷达图分析，各类型目标的多维向量属性对比分析如图10所示。
[0126]
通过对比分析可知，虽然各类目标的初始向量调节参数均为随机生成，但随着迭代次数的增加，向量调节参数均值发生倾向性变化，如传感器类目标的调参6和设施类目标的调参2，变化幅度明显，表明各目标实体在超网络自适应迭代过程中产生了自我适应性改
造，以使超网络全局的向量保持平衡，即向满足综合评分公式方向发展。总的来说各类目标的雷达调参变化随着迭代次数的提升而逐步变化，不同种类目标的调参调整方向随网络结构而改变。智能体的实体节点向量和关系边向量均值变化情况如图11所示。
[0127]
随着迭代次数的增加，智能体内部向量构成比例逐步调整，将120代的最优智能体与初代智能体对比可知，在初代智能体中，节点的向量调参平均分值为
‑
2.24分，经过迭代分值变为
‑
12.93分；关系边平均分值从22.53分逐步调整到0.37分，二者的变化即为明显。表明：通过综合评分约束演化，关系边的调参分值逐步向节点分值转移，节点分值的重要程度逐步提升；经过超网络的补全和隐藏关系边的扩充，边分值逐步压缩弱化，以提升实体节点在超网络中的影响作用。上述现象也与联合打击目标关联推荐的真实效果相吻合。
[0128]
(三)同类方法对比实验
[0129]
为了验证本文提出的目标体系价值评估算法的有效性和合理性，选取体系价值评估算法和关联度分析算法作为对比方法，综合对比各类目标的综合评分，对比结果如图12所示。
[0130]
通过对比分析可知，本文算法的目标体系价值评分在移动侦察站和飞弹营阵地上赋予了相对较高评分，此结果与其他同类算法相同，但关注度更为集中明显，与此相对应，在微波通信枢纽站、通信指挥部、数据分析站等信息传输设施中的权重分配相对弱化；考虑到本文算法并未使用专家主观评分法，而取得了和其他同类算法相似的体系价值评分结果，证明本文算法的正确性和应用广泛性。
[0131]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。