一种基于规则挖掘的军事方案优化方法与流程

本发明涉及军事运筹学技术领域，特别是一种基于规则挖掘的军事方案优化方法。

背景技术

军事作战方案是指在战争中，参展各方指定的用于指导己方军事行为的计划，军事方案的优劣将会在很大程度上决定一场战争的胜负。相对于传统冷兵器战争和近代机械化战争，现代战争有了质的变化。首先，现代战争是高技术战争。高技术装备的应用使实现作战目标的途径更加丰富多彩，不再局限于一刀一枪的力量比拼。高新信息技术在战场中的大量应用导致了作战理论和作战方式的变革，打破了传统的“对称”、“集中式”的单一作战模式，出现了“非对称”、“分布式”等多种新的作战模式。其次，现代战争是陆、海、空、天、电等多位一体的战争，战争的胜负不再仅仅取决于武器平台的数量和功能，更多的是依靠战场资源的快速整合以及在此基础上制定的高效作战方案，并能根据实际作战的形势及时调整作战方案。

另一方面，随着军事作战行动向着作战任务复杂化、作战力量联合化、作战行动精确化发展，影响作战形势的因素众多，作战方案的制作过程也随之越来越复杂：既要考虑多兵种任务兵力和各型武器平台作战性能的最大发挥，又要消除其在行动和使用过程中时间、空间上的冲突，这使得作战方案的拟制过程较为反复和漫长。同时，战场形势瞬息万变，战机稍纵即逝，这就要求作战过程中突击行动方案的制作周期尽可能地短，以便任务兵力依据作战方案迅速行动。以上现代战争的特点决定了在制定军事方案时，需要利用新的技术手段加强传统军事方案制定方法的有效性，对军事方案辅助生成技术提出了需求。

通过对以上军事作战背景分析，发现目前的研究存在以下需求：为了能够使制定军事方案的周期尽可能短，往往会制定多套作战方案组成的预案库来应对瞬息万变的军事战场形势。然而面对预案库中的海量数据，往往有许多对于作战制定或调整优化有价值的信息并没有被挖掘出来，要真正实现信息化作战，就需要对预案库中的方案进行关联挖掘找出方案中各个因素之间的关系，为实现作战方案的迅速拟定提供决策依据。另一方面，同时也需要作战方案能够根据实际的作战形势进行实时局部调整，以满足最终的作战要求并能更好保证最终的作战效果。

技术实现要素：

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于规则挖掘的军事方案优化方法，该方法能通过对战场形势分析，制定作战方案；如果作战方案的仿真结果不能满足作战要求，则对作战预案库的方案数据进行挖掘，挖掘出方案各因素之间的关联规则，提取出影响作战方案胜负结果的致胜要素，并依此对方案进行相应的调整和优化，以满足作战需求并达到更好的作战效果，从而更好地起到为军事决策人员提供军事作战方案辅助决策的作用。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于规则挖掘的军事方案优化方法，包括以下步骤:

步骤1、军事作战方案组成要素提取；

通过分析实际军事作战特点，结合制定预案对时间指标的要求，提取军事作战方案组成要素，军事作战方案组成要素包括作战目标、作战时段、作战时长、突击规模、目标位置、目标速度、目标队形、目标数量、突击协同度、作战效果、气象条件、目标方向、突击方向和武器装备；

步骤2、定义作战方案结构；

基于步骤1中提取出的军事作战方案组成因素，对预案库中的预案和根据实际作战形势生成的初步方案选取基于向量的方案编码方式定义作战方案的结构；

步骤3、对步骤2中的作战方案进行军事仿真验证，若不满足实际作战要求，则执行步骤4；若满足实际作战要求，直接输出该方案；

步骤4、频繁项集挖掘；

对预案库中的所有备用作战方案采用基于频繁项集挖掘的算法进行关联规则挖掘，得到作战方案频繁项集；

步骤5、关联规则挖掘；

根据步骤4中得到作战方案频繁项集生成关联规则；对于关联规则r:x→y，y表示作战效果，x表示对最终作战效果起决定性作用的因素，设置关联规则的置信度，最终得到影响军事作战效果的致胜因素；

步骤6、基于致胜因素的方案优化；

根据步骤5中得到的致胜因素，来局部调整优化制定的初步方案；

步骤7、调整后方案军事仿真验证；

将调整优化后的预案进行军事仿真验证，若满足实际作战要求，则输出该方案；否则，进入步骤6再次调整，直至满足实际作战要求。

作为本发明所述的一种基于规则挖掘的军事方案优化方法进一步优化方案，步骤2中，基于向量的方案编码方式如下所示：

其中，第一行向量表示实际作战目标，第二行向量表示实际作战时段，按步骤1中提取的军事作战方案组成要素描述的先后顺序来表示该行向量的实际军事作战方案组成要素；x表示编码矩阵，xα表示预案库中由第a个作战目标aa、第b个作战时段bb、第c个作战时长cc、第d个突击规模dd、第e个目标位置ee、第f个目标速度ff、第g个目标队形gg、第h个目标数量hh、第i个突击协同度ii、第j个作战效果jj、第k个气象条件kk、第l个目标方向ll、第m个突击方向mm和第n个武器装备nn组成的第α个军事作战方案；aa表示第a个作战目标，a∈[1,|a|]，其中|a|表示作战目标可取值的总数量；bb表示第b个作战时段，b∈[1,|b|]，其中|b|表示作战时长可取值的总数量；cc表示第c个作战时长，c∈[1,|c|]，其中|c|表示作战时长可取值的总数量；dd表示第d个突击规模，d∈[1,|d|]，其中|d|表示突击规模可取值的总数量；ee表示第e个目标位置，e∈[1,|e|]，其中|e|表示目标位置可取值的总数量；ff表示第f个目标速度，f∈[1,|f|]，其中|f|表示目标速度可取值的总数量；gg表示第g个目标队形，g∈[1,|g|]，其中|g|表示目标队形可取值的总数量；hh表示第h个目标数量，h∈[1,|h|]，其中|h|表示目标数量可取值的总数量；ii表示第i个突击协同度，i∈[1,|i|]，其中|i|表示突击协同度可取值的总数量；jj表示第j个作战效果，j∈[1,|j|]，其中|j|表示作战效果可取值的总数量；kk表示第k个气象条件，k∈[1,|k|]，其中|k|表示气象条件可取值的总数量；ll表示第l个目标方向，l∈[1,|l|]，其中|l|表示目标方向可取值的总数量；mm表示第m个突击方向，m∈[1,|m|]，其中|m|表示突击方向可取值的总数量；nn表示第n个突击方向，n∈[1,|n|]，其中|n|表示武器装备可取值的总数量，表示预案库中预案数量。

作为本发明所述的一种基于规则挖掘的军事方案优化方法进一步优化方案，设置最小支持度min_sup；

采用fp-growth进行频繁项集的挖掘；

步骤41、对预案库中的所有预案进行第1次扫描，计算出各个军事作战方案组成要素的支持度，生成频繁1-项集；

步骤42、将步骤41中得到的每个军事作战方案组成要素的支持度按降序进行排列，剔除掉低于最小支持度min_sup的数据项，仅保留频繁项集；

步骤43、对预案库中的所有方案进行第2次扫描构造出频繁模式树；依次将预案库中的每个预案都添加到频繁模式树中，最后构成带头指针表的频繁模式树；

步骤44、自底向上遍历频繁模式树，生成频繁1-项集中各个频繁项的条件模式基，并根据每一个频繁项的条件模式基构建一个条件频繁模式树；

步骤45、将步骤44得到的条件频繁模式树，依据最小支持度min_sup进行剪枝；

步骤46、对于条件频繁模式树中的每个叶子节点，自底向上遍历生成初始的频繁项集；

步骤47、根据每一个频繁项的条件模式基构造支持度矩阵；

步骤48、在步骤47构造的支持度矩阵中，若存在频繁1-项集的支持度大于最小支持度min_sup，则将它们连接生成候选项集，然后遍历频繁1-项集的条件模式基，得到该候选项集的支持度，判断是否构成新的频繁项集并更新原始频繁项集；若能构成频繁项集，修改频繁项集的支持度并输出更新后的频繁项集；否则就直接输出原始频繁项集；

步骤49、重复步骤47-48，直到遍历该频繁项的条件频繁模式树中所有叶子节点；

步骤410、重复步骤44-49，直到频繁1-项集中所有数据项都执行完毕。

作为本发明所述的一种基于规则挖掘的军事方案优化方法进一步优化方案，步骤4中采用apriori算法、fp-growth算法或eclat算法进行频繁项集的挖掘。

作为本发明所述的一种基于规则挖掘的军事方案优化方法进一步优化方案，步骤5中，对于挖掘出的频繁项集在生成关联规则的过程中，x出现的前提下y一定会出现，即设置关联规则的置信度为1。

作为本发明所述的一种基于规则挖掘的军事方案优化方法进一步优化方案，步骤6中，根据致胜因素调整预案的原则是按照调整致胜因素的成本以及所需调整的致胜因素数量来进行综合考虑。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本方法通过对作战预案库中的方案通过数据挖掘技术挖掘出方案各因素之间的关联规则，提取出影响作战方案胜负结果的致胜要素，并依此对方案进行相应的调整和优化，以满足作战需求并达到更好的作战效果，从而更好地起到为军事决策人员提供军事作战方案辅助决策的作用。

附图说明

图1为本发明所述的方案优化的流程图。

图2为频繁模式树的生成。

图3为突击规模(小型)的条件频繁模式树。

图4为修剪后的突击规模(小型)的条件频繁模式树。

图5为目标队形(无序)的条件频繁模式树。

图6为修剪后的目标队形(无序)的条件频繁模式树。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于规则挖掘的军事方案优化方法，如图1所示，包括以下步骤：

步骤1，军事作战方案组成要素提取；通过分析实际军事作战的特点，结合制定预案对时间指标的要求，重点选择表1中的内容构成军事作战方案组成要素。

表1军事作战方案组成要素

步骤2，定义作战方案结构；基于步骤1中提取出的军事作战方案组成因素，对预案库中的预案和根据实际作战形势生成的初步方案选取基于向量的方案编码方式定义作战方案的结构。

基于向量的方案编码方式如下所示：

其中，第一行向量表示实际作战目标，第二行向量表示实际作战时段，按步骤1中提取的军事作战方案组成要素描述的先后顺序来表示该行向量的实际军事作战方案组成要素；x表示编码矩阵，xα表示预案库中由第a个作战目标aa、第b个作战时段bb、第c个作战时长cc、第d个突击规模dd、第e个目标位置ee、第f个目标速度ff、第g个目标队形gg、第h个目标数量hh、第i个突击协同度ii、第j个作战效果jj、第k个气象条件kk、第l个目标方向ll、第m个突击方向mm和第n个武器装备nn组成的第α个军事作战方案；aa表示第a个作战目标，a∈[1,|a|]，其中|a|表示作战目标可取值的总数量；bb表示第b个作战时段，b∈[1,|b|]，其中|b|表示作战时长可取值的总数量；cc表示第c个作战时长，c∈[1,|c|]，其中|c|表示作战时长可取值的总数量；dd表示第d个突击规模，d∈[1,|d|]，其中|d|表示突击规模可取值的总数量；ee表示第e个目标位置，e∈[1,|e|]，其中|e|表示目标位置可取值的总数量；ff表示第f个目标速度，f∈[1,|f|]，其中|f|表示目标速度可取值的总数量；gg表示第g个目标队形，g∈[1,|g|]，其中|g|表示目标队形可取值的总数量；hh表示第h个目标数量，h∈[1,|h|]，其中|h|表示目标数量可取值的总数量；ii表示第i个突击协同度，i∈[1,|i|]，其中|i|表示突击协同度可取值的总数量；jj表示第j个作战效果，j∈[1,|j|]，其中|j|表示作战效果可取值的总数量；kk表示第k个气象条件，k∈[1,|k|]，其中|k|表示气象条件可取值的总数量；ll表示第l个目标方向，l∈[1,|l|]，其中|l|表示目标方向可取值的总数量；mm表示第m个突击方向，m∈[1,|m|]，其中|m|表示突击方向可取值的总数量；nn表示第n个突击方向，n∈[1,|n|]，其中|n|表示武器装备可取值的总数量，表示预案库中预案数量。

步骤3，对根据实际战场形势制定的军事作战方案进行军事仿真验证，若不满足实际作战要求，则需要进行下一步调整；若满足实际作战要求，直接输出该方案即可。

步骤4，频繁项集挖掘；对预案库中的所有军事作战方案采用基于频繁项集挖掘的算法进行关联规则挖掘(比如apriori算法、fp-growth算法、eclat算法等)，设置最小支持度min_sup。

步骤41，对预案库中的所有预案进行第1次扫描，计算出各个军事作战方案组成要素的支持度，生成频繁1-项集。

步骤42，将步骤41中得到的每个军事作战方案组成要素的支持度按降序进行排列，剔除掉低于最小支持度阈值min_sup的数据项，仅保留频繁项集。

步骤43，对预案库中的所有方案进行第2次扫描构造出频繁模式树。依次将预案库中的每个预案都添加到频繁模式树中，最后构成带头指针表的频繁模式树。

步骤44，自底向上遍历频繁模式树，生成频繁1-项集中各个频繁项的条件模式基，并根据每一个频繁项的条件模式基构建一个条件频繁模式树。

步骤45，将步骤44得到的条件频繁模式树，依据最小支持度min_sup进行剪枝。

步骤46，对于条件频繁模式树中的每个叶子节点，自底向上遍历生成初始的频繁项集。

步骤47，根据每一个频繁项的条件模式基构造支持度矩阵。

步骤48，在步骤47构造的支持度矩阵中，若存在频繁1-项集的支持度大于最小支持度min_sup，则将它们连接生成候选项集，然后遍历频繁1-项集的条件模式基，得到该候选项集的支持度，判断是否构成新的频繁项集并更新原始频繁项集。若能构成频繁项集，修改频繁项集的支持度并输出更新后的频繁项集；否则就直接输出原始频繁项集。

步骤49，重复步骤47-48，直到遍历该频繁项的条件频繁模式树中所有叶子节点。

步骤410，重复步骤44-49，直到频繁1-项集中所有数据项都执行完毕。

步骤5，关联规则挖掘；根据步骤4中得到作战方案频繁项集生成关联规则。对于关联规则r:x→y，y表示作战效果，x表示对最终作战效果起决定性作用的因素，设置关联规则的置信度confidence(r)，最终得到影响军事作战效果的一系列致胜因素。

步骤6，基于致胜因素的方案优化；根据步骤5中得到的致胜因素，来局部调整优化制定的初步方案。调整方案的原则是按照调整致胜因素的成本以及所需调整的致胜因素数量来进行综合考虑。

步骤7，调整后方案军事仿真验证；将调整优化后的预案进行军事仿真验证，若满足实际作战要求，则输出该方案；否则，进入步骤6再次调整，直至满足作战要求。

实例

一、总体实现方案

本发明提出了一种基于规则挖掘的军事方案优化方法。通过对战场形势分析，制定作战方案；如果作战方案的仿真结果不能满足作战要求，则对作战预案库的方案数据进行挖掘，挖掘出方案各因素之间的关联规则，提取出影响作战方案胜负结果的致胜要素，并依此对方案进行相应的调整和优化，以满足作战需求并达到更好的作战效果，从而更好地起到为军事决策人员提供军事作战方案辅助决策的作用。

图1为本发明一实施例的流程图。

上述过程主要由图1的关键要素挖掘、基于关键要素的预案调整和军事仿真验证组成。

二、具体实现步骤

(1)预案匹配要素提取与作战方案结构的定义

作战方案是使用作战兵力达成一定战役或战斗目的的计划，是组织指挥部队作战行动的依据性文件，是作战意图和决心的集中体现。从作战态势角度来看，作战方案就是要创造一种理想的目标态势。这种态势可以是根据敌方作战形势与状态来制定应对的方案。最终是要解决在何时、何地、何种条件下，用何种突击规模采用何种武器装备从何种突击方向等来进行作战，形成理想的态势。

本发明中的作战方案中包含的匹配因素主要如表2所示。其中给出了每项要素可以取值的情况，同时为了方便进行数据挖掘，采用字母加数字的形式来代表各个组成要素及其相应的属性值。

表2军事作战预案组成要素及其取值

现举例说明作战方案编码过程：

大致场景是设想在一片冲突海域，我方于某日多云的午夜发现在某海域有敌方5艘驱逐舰，目标位置处于距离我方125海里处，以纵队队形40海里/小时的速度驶往东偏北20°方向。经过有关单位部门商讨之后决定对目标进行小规模追击，任务时间控制在1-2小时内，于某海域内从其航向后方进行打击，配备驱逐舰和良好的协同度，期望达到胜利的突击效果。

基于上面的作战方案，将其中的定量要素值离散化后，其相对应的方案结构如下：

x＝(a3,b0,c0,d0,e1,f2,g1,h0,i2,j0,k5,l0,m1,n0)

x表示根据实际战场形势制定的方案，a3表示作战目标为追击，b0表示作战时段为午夜，c0表示作战时长为短期，d0表示突击规模为小型，e1表示目标位置距离适中，f2表示目标速度适中，g1表示目标队形为纵形，h0表示目标数量为少量，i2表示突击协同度为良好，j0表示作战效果为胜利，k5表示气象条件为多云，l0表示目标航向为东，m1表示突击方向为目标航向后方，n0表示武器装备为驱逐舰。

预案库中的预案结构定义也跟上面例子类似，不再赘述。

(2)基于规则的方案优化以及军事仿真验证

将根据实际战场形势制定的方案进行军事仿真，如果符合当前作战需求，则直接用于战场指挥即可；若不满足，则通过数据挖掘技术如频繁项集挖掘和关联规则的生成来对预案库中的方案进行挖掘，得到方案中各项因素之间的关系，提取出影响最终作战效果的致胜因素。通过对致胜因素的局部调整来使方案满足当前作战要求并更好的保证最终作战效果。方案调整的原则是按照调整致胜因素的成本以及所需调整的致胜因素数量来进行综合考虑。

现举例说明方案调整的过程：

假设预案库中有100个经过实际作战检验或总结而来的预案，为方便进行后续的数据挖掘以及保证结果的准确性，将各个匹配要素根据实际属性取值进行完全分类划分。

本发明中以基于频繁项集挖掘算法中的改进后的fp-growth算法为例对预案库进行频繁项集挖掘，设置最小支持度min_sup为30。

对预案库中的预案进行第1次扫描，得到预案中各个组成要素的支持度生成频繁1-项集并按照支持度降序排列后如表3所示(仅保留大于最小支持度阈值的频繁项)。

表3频繁1-项集

对预案库中的100个预案进行第2次扫描，依次将预案库中的每个预案添加到频繁模式树中构造出频繁模式树。现对如下两条方案构造频繁模式树为例：

x1＝(a1,b1,c1,d1,e2,f3,g4,h2,i3,j1,k0,l1,m2,n2)

x2＝(a1,b3,c2,d0,e1,f1,g2,h0,i2,j1,k5,l2,m3,n8)

剔除掉低于最小支持度阈值的数据项后并且按照频繁项支持度降序排列后的方案为：

x1′＝(j1,a1,g4,i3,k0,c1,l1,d1)

x2′＝(j1,a1,d0,f1,e1,m4)

由预案库中的方案x1和方案x2构造出的频繁模式树如图2所示。

自底向上遍历由预案库中100个方案构成的频繁模式树，获取各频繁1-项集的条件模式基。现以突击规模(小型)(d0)为例，它的条件模式基为：{作战效果(胜利)，武器装备(航母)：7}，{作战效果(胜利)，作战目标(防御)：6}，{作战效果(胜利)，武器装备(航母)，作战目标(防御)：27}，{作战效果(胜利)：14}，构造出的条件频繁模式树如图3所示，根据最小支持度修剪后如图4所示。

该条件频繁模式树只有唯一路径，自底向上遍历得到频繁项集{作战效果(胜利)，武器装备(航母)，突击规模(小型)：34}。

现以目标队形(无序)(g4)为例，它的条件模式基为：{作战效果(胜利)，武器装备(航母)，作战目标(防御)，目标数量(中量)：24}，{作战效果(胜利)，武器装备(航母)，作战目标(防御)，突击规模(小型)，目标数量(中量)：25}，{作战效果(胜利)，突击规模(小型)：1}，{作战效果(胜利)，作战目标(防御)，突击规模(小型)：1}，{作战效果(胜利)，作战目标(防御)，突击规模(小型)，目标数量(中量)：1}，构造出的条件频繁模式树如图5所示，根据最小支持度修剪后如图6所示。

目标队形(无序)的条件模式基对应的支持度矩阵如表4所示。以此类推，根据得到的频繁模式树和条件频繁模式树的基础上递归的继续查找频繁项集，直到频繁模式树包含一个元素项为止。最终生成所有频繁项集：

1){作战效果(胜利)，武器装备(航母)，突击规模(小型)：34}

2){作战效果(胜利)，武器装备(航母)，作战目标(防御)，目标队形(无序)，目标数量(中量)，突击协同度(优秀)，气象条件(晴朗):49}

3){作战效果(胜利)，目标航向(北):51}

4){作战效果(胜利)，武器装备(航母)，作战时长(中期):33}

5){作战效果(胜利)，目标速度(慢):46}

6){作战效果(胜利)，目标位置(中):36}

7){作战效果(胜利)，武器装备(护卫舰):33}

8){作战效果(胜利)，突击规模(中型):32}

9){作战效果(胜利)，突击方向(前):31}

表4支持度矩阵

最后，通过关联规则生成的关联规则如下所示：

1)

2)

3)

4)

5)

6)

7)

8)

9)

根据致胜因素的成本由低到高以及所需调整的致胜因素数量由少到多综合考虑后对初步制定的方案进行优化。将调整后的方案进行军事仿真验证，若满足当前作战需求，则输出该方案，否则继续进行调整。可以预见越是依照关联规则进行优化的方案更会导致作战最终的胜利。

本发明通过对战场形势分析，制定作战方案；如果作战方案的仿真结果不能满足作战要求，则对作战预案库的方案数据进行挖掘，挖掘出方案各因素之间的关联规则，提取出影响作战方案胜负结果的致胜要素，并依此对方案进行相应的调整和优化，以满足作战需求并达到更好的作战效果，从而更好地起到为军事决策人员提供军事作战方案辅助决策的作用。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。