CN108958030B - 基于知识库的人工智能作战方法和机器人*** - Google Patents

基于知识库的人工智能作战方法和机器人*** Download PDF

Info

Publication number
CN108958030B
CN108958030B CN201810774061.1A CN201810774061A CN108958030B CN 108958030 B CN108958030 B CN 108958030B CN 201810774061 A CN201810774061 A CN 201810774061A CN 108958030 B CN108958030 B CN 108958030B
Authority
CN
China
Prior art keywords
combat
knowledge base
decision
intention
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810774061.1A
Other languages
English (en)
Other versions
CN108958030A (zh
Inventor
朱定局
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daguo Innovation Intelligent Technology Dongguan Co ltd
Original Assignee
Daguo Innovation Intelligent Technology Dongguan Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Daguo Innovation Intelligent Technology Dongguan Co ltd filed Critical Daguo Innovation Intelligent Technology Dongguan Co ltd
Priority to CN201810774061.1A priority Critical patent/CN108958030B/zh
Publication of CN108958030A publication Critical patent/CN108958030A/zh
Application granted granted Critical
Publication of CN108958030B publication Critical patent/CN108958030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

基于知识库的人工智能作战方法和机器人***，包括：生成多个第一作战案例样本；根据预设作战态势知识库生成所述第一作战案例样本中的作战态势；根据预设作战意图知识库生成所述第一作战案例样本中的作战意图；根据预设作战决策知识库生成所述第一作战案例样本中的作战决策；从多个所述第一作战案例样本中筛选出多个符合预设条件的所述第一作战案例样本，作为多个第二作战案例样本。上述方法和***通过作战案例样本自动生成，解决了作战案例样本少无法进行有效辅助决策的问题，提高了作战辅助决策的能力，提高了作战机器人的主观能动性和智能性。

Description

基于知识库的人工智能作战方法和机器人***
技术领域
本发明涉及信息技术领域，特别是涉及一种基于知识库的人工智能作战方法和机器人***。
背景技术
知识库是人工智能中的重要技术之一，知识库可以辅助人类进行决策。
辨证法分为思辨阶段、实证阶段、思辨和实证的统一阶段。实证阶段是对思辨阶段的结果进行检验。思辨和实证的统一阶段其实就是对经过实证阶段检验和筛选的思辨阶段的成果进行实践的阶段。
教学法中的常用教学阶段包括自学阶段、教学阶段、考试阶段。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：已有作战机器人只是将事先编写好的程序安装进机器人，而没有把机器人当成人一样去教育，也缺乏辩证哲学思想，从而使得机器人在实际战争中缺乏类似人的主观能动性和客观辩证性。已有基于人工智能的作战机器人都需要大量案例学***时期实战和作战演习都很少，而且作战演示成本也高，所以无法得到大量的作战案例样本，可是很多人工智能算法都依赖于大量的案例样本才能实现有效的效果，这使得作战机器人难以发挥人工智能的作用和优势。
因此，现有技术还有待于改进和发展。
发明内容
基于此，有必要针对现有技术中作战技术的缺陷或不足，提供基于知识库的人工智能作战方法和机器人***，以解决现有技术中作战案例样本不足、人工智能应用受限的缺点。
第一方面，本发明实施例提供一种作战方法，所述方法包括：
样本生成步骤：生成多个第一作战案例样本；
样本筛选步骤：从多个所述第一作战案例样本中筛选出多个符合预设条件的所述第一作战案例样本，作为多个第二作战案例样本。
优选地，所述作战案例样本包括作战态势、作战意图、作战决策。
优选地，所述样本生成步骤具体包括：
态势生成步骤：根据预设作战态势知识库生成所述第一作战案例样本中的作战态势；
意图生成步骤：根据预设作战意图知识库生成所述第一作战案例样本中的作战意图；
决策生成步骤：根据预设作战决策知识库生成所述第一作战案例样本中的作战决策；
所述样本筛选步骤具体包括：
作战模拟步骤：模拟执行所述第一作战案例样本中的作战态势下所述第一作战案例样本中的作战决策，得到作战结果；
结果匹配步骤：计算所述作战结果与所述第一作战案例样本中的所述作战意图的匹配度；
匹配判断步骤：判断所述匹配度是否大于预设阈值：是，则将所述作战态势、所述作战意图、所述作战决策作为多个第二作战案例样本。
优选地，在所述样本筛选步骤之后还包括：
样本验证步骤：筛选出作战结果与作战意图的匹配度大于预设阈值的多个真实作战案例样本对多个所述第二作战案例样本进行验证；
验证判断步骤：判断所述验证是否通过：是，则将多个所述第二作战案例样本和所述多个真实作战案例样本，作为多个第三作战案例样本；否，则转到样本生成步骤继续执行。
优选地，在所述验证判断步骤之后还包括：
决策生成步骤：根据作战态势、作战意图从多个所述第三作战案例样本中匹配得到作战决策；
样本优化步骤：在所述作战决策产生作战结果之后，获取所述作战结果，计算所述作战结果与所述作战意图的匹配度，判断匹配度是否大于预设阈值：否，则回到样本生成步骤继续执行。
第二方面，本发明实施例提供一种作战***，所述***包括：
样本生成模块：生成多个第一作战案例样本；所述作战案例样本包括作战态势、作战意图、作战决策；
样本筛选模块：从多个所述第一作战案例样本中筛选出多个符合预设条件的所述第一作战案例样本，作为多个第二作战案例样本。
优选地，
所述样本生成模块具体包括：
态势生成模块：根据预设作战态势知识库生成所述第一作战案例样本中的作战态势；
意图生成模块：根据预设作战意图知识库生成所述第一作战案例样本中的作战意图；
决策生成模块：根据预设作战决策知识库生成所述第一作战案例样本中的作战决策；
所述样本筛选模块具体包括：
作战模拟模块：模拟执行所述第一作战案例样本中的作战态势下所述第一作战案例样本中的作战决策，得到作战结果；
结果匹配模块：计算所述作战结果与所述第一作战案例样本中的所述作战意图的匹配度；
匹配判断模块：判断所述匹配度是否大于预设阈值：是，则将所述作战态势、所述作战意图、所述作战决策作为多个第二作战案例样本。
优选地，所述***还包括：
样本验证模块：筛选出作战结果与作战意图的匹配度大于预设阈值的多个真实作战案例样本对多个所述第二作战案例样本进行验证；
验证判断模块：判断所述验证是否通过：是，则将多个所述第二作战案例样本和所述多个真实作战案例样本，作为多个第三作战案例样本；否，则转到样本生成模块继续执行。
优选地，所述***还包括：
决策生成模块：根据作战态势、作战意图从多个所述第三作战案例样本中匹配得到作战决策；
样本优化模块：在所述作战决策产生作战结果之后，获取所述作战结果，计算所述作战结果与所述作战意图的匹配度，判断匹配度是否大于预设阈值：否，则回到样本生成步骤继续执行。
第三方面，本发明实施例提供一种机器人***，所述机器人中分别配置有如第二方面所述的作战***。
本发明实施例的有益效果：
一种基于知识库的人工智能作战方法和机器人***，包括：生成多个第一作战案例样本；根据预设作战态势知识库生成所述第一作战案例样本中的作战态势；根据预设作战意图知识库生成所述第一作战案例样本中的作战意图；根据预设作战决策知识库生成所述第一作战案例样本中的作战决策；从多个所述第一作战案例样本中筛选出多个符合预设条件的所述第一作战案例样本，作为多个第二作战案例样本。把机器人当成人一样去教育，从而使得机器人在实际战争中具备类似人的主观能动性。通过(自学阶段、思辩阶段)构建生成多个作战案例样本(优选地，作战案例样本存储在作战案例知识库中)，然后通过(教学阶段、实证阶段)真实作战案例来对多个所述作战案例样本进行测试和改进，最后通过(考试阶段、统一阶段)实战或演习来检验和进一步改进多个所述作战案例样本。整个过程和教学过程一样，同时也是辩证发展的过程，这种组合拳，具备了在某个阶段单一使用知识库不可能具备的效果，使得所需的多个所述作战案例样本不再只依赖于真实作战案例的样本，而是可以无真实样本的情况下生成样本，然后基于真实作战案例的样本进行测试和改进。上述方法和***通过作战案例样本自动生成，解决了作战案例样本少导致无法进行有效辅助决策的问题，提高了作战辅助决策的能力，提高了作战机器人的主观能动性和智能性。
附图说明
图1为本发明的实施例1提供的作战方法的流程图；
图2为本发明的实施例2提供的作战方法的样本生成步骤的流程图；
图3为本发明的实施例2提供的作战方法的样本筛选步骤的流程图；
图4为本发明的实施例3提供的作战方法的流程图；
图5为本发明的实施例4提供的作战方法的流程图；
图6为本发明的实施例5提供的作战***的原理框图；
图7为本发明的实施例6提供的作战***的样本生成模块的原理框图；
图8为本发明的实施例6提供的作战***的样本筛选模块的原理框图；
图9为本发明的实施例7提供的作战***的原理框图；
图10为本发明的实施例8提供的作战***的原理框图。
具体实施方式
下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
实施例1提供一种作战方法，如图1所示，所述方法包括步骤S110至步骤S120。
步骤S110至步骤S120：通过自学习产生作战案例知识库。在作战思辨阶段，让机器人进行作战态势和作战意图的理解，作战决策的思辨。这个阶段同时对应教学法的自学阶段，因为这个阶段主要是机器人自我学习而产生作战案例样本(可存入作战案例知识库)。
样本生成步骤S110：生成多个第一作战案例样本，所述第一作战案例样本包括作战态势、作战意图、预设方的作战决策。优选地，多个所述第一作战案例样本形成第一作战案例样本大数据。将多个所述第一作战案例样本加入第一作战案例知识库。具体地，将每一个所述第一作战案例样本中的所述作战态势、所述作战意图、所述作战决策作为作战案例知识库中的作战案例表的每一个案例的三个字段的具体数据，作战案例知识库中的数据表包括三个字段，分别是作战态势字段、作战意图字段、作战决策字段。
样本筛选步骤S120：从多个所述第一作战案例样本中筛选出多个符合预设条件的第一作战案例样本，作为多个第二作战案例样本。优选地，所述预设条件包括所述第一作战案例样本中的作战态势和作战决策下的作战结果与所述第一作战案例样本中的预设方作战意图一致。优选地，将所述第二作战案例样本加入第二作战案例知识库。优选地，多个第一作战案例样本是从所述第一作战案例知识库中获取的。所述可以理解的是，则因为第一作战案例样本的量非常大，所以从中筛选出的第二作战案例样本的量也非常大，可以形成大量第二作战样本案例，当数量很大时可以形成第二作战案例样本大数据。
本实施例的好处是，则通过知识库自动生成作战态势、作战意图、预设方的作战决策这些作战案例样本数据，而不是从实战案例中采样，这解决了在和平时期，实际战争很少、作战演习成本高，从而导致作战案例样本非常少，不足以用于形成大量作战案例样本的问题。
实施例2提供一种优选的作战方法，根据实施例1所述的作战方法，
如图2所示，样本生成步骤S110中具体生成的过程包括：
态势生成步骤S111：根据预设作战态势知识库生成所述第一作战案例样本中的作战态势。优选地，作战态势知识库是预先构建好的，作战态势知识库中预先存储了作战态势构成规则子知识库、作战态势构成元素子知识库。作战态势构成规则子知识库包括敌方属性、敌方能力、敌方实时状态、我方属性、我方能力、我方实时状态的组合规则。作战态势构成元素子知识库包括属性知识表、能力知识表、实时状态知识表、等等相关作战态势构成元素的知识表。S111的具体过程是从属性知识表中随机获取属性的一个实例作为敌方属性，从能力知识表中随机获取能力的一个实例作为敌方能力，从实时状态知识表中随机获取实时状态的一个实例作为敌方实时状态，类似地，从相关作战态势构成元素知识表获取我方属性、我方能力、我方实时状态，然后组合形成包括敌方属性、敌方能力、敌方实时状态、我方属性、我方能力、我方实时状态的作战态势。
意图生成步骤S112：根据预设作战意图知识库生成所述第一作战案例样本中的作战意图。优选地，作战意图知识库是预先构建好的，作战意图知识库中预先存储了作战意图构成规则子知识库、作战意图构成元素子知识库。作战意图构成规则子知识库包括我方作战意图、敌方作战意图的组合规则。作战意图构成元素子知识库包括作战意图构成元素知识表。具体作战意图构成元素例如进攻获胜、无损撤退、跟踪侦察敌机去向等等。S112的具体过程是从作战意图构成元素知识表中随机获取作战意图的一个实例作为敌方作战意图或以一定概率将敌方意图设置为未知，从作战意图构成元素知识表中随机获取作战意图的一个实例作为我方作战意图，然后组合形成包括我方作战意图、敌方作战意图的作战意图。其中，敌方作战意图也可以随机设置为未知，因为在实际战争中敌方意图是要靠情报或侦察获得的，而有时是不一定能获知敌方意图，所以敌方意图可以设置为未知。
决策生成步骤S113：根据预设作战决策知识库生成所述第一作战案例样本中的作战决策。优选地，作战决策知识库是预先构建好的，作战决策知识库中预先存储了作战决策构成规则子知识库、作战决策构成元素子知识库。作战决策构成规则子知识库包括包括作战的类型、作战的时间、作战的地点、作战的目标的组合规则。作战决策构成元素子知识库包括作战类型知识表、作战时间知识表、作战地点知识表、作战目标知识表。作战的类型例如发射导弹，此时作战时间就是发射导弹的时间，作战地点就是发射导弹的地点，作战目标就是发射导弹的攻击目标。S113的具体过程是从作战类型知识表中随机获取作战类型的一个实例作为作战类型，从作战时间知识表中随机获取作战时间的一个实例作为作战时间，类似地获得作战地点、作战目标，然后组合形成预设方的作战决策。这里的预设方作战决策，一般指我方或友方的作战决策。
如图3所示，样本筛选步骤S120的具体过程是：
作战模拟步骤S121：在所述第一作战案例样本中的作战态势下对所述第一作战案例样本中的作战决策进行模拟执行，得到作战结果。优选地，所述作战态势下模拟执行所述作战决策可以通过现有的战争模拟软件来实现，并获取模拟的结果，例如作战态势是对方战机在我方战机前方30米、我方战机是X型战机、敌方战机是Y型战机，作战决策是我方战机发射炮弹，作战结果是击落了对方战机。其中，作战态势例如敌我双方战机的属性(例如飞机型号、所载导弹型号)、性能(例如飞行速度、所载导弹的射击准确度及射击速度)、飞行轨迹(例如敌我双方战机的实时轨迹)。作战决策例如在时间t1向敌机发射导弹。
结果匹配步骤S122：计算所述作战结果与所述第一作战案例样本中的预设方的作战意图的匹配度。例如，作战结果是我方战机击落了对方战机，那么如果我方的作战意图也是击落对方战机，那么就会匹配成功。其中，预设方，一般指的是我方或友方。
匹配判断步骤S123：判断所述匹配度是否大于预设阈值：是，则所述第一作战案例样本中的作战决策对于所述第一作战案例样本中的作战态势和所述第一作战案例样本中的作战意图有效，将所述第一作战案例样本作为第二作战案例样本，加入第二作战案例知识库；否，则所述第一作战案例样本中的作战决策对于所述第一作战案例样本中的作战态势和所述第一作战案例样本中的作战意图无效。
本实施例的好处是通过***自动生成作战案例样本，即使没有或只有很少真实样本，也可以组合生成各种各样的样本，只要组合的次数足够多，就能生成比实战更多的案例样本，从而能形成比实战案例更大量的作战案例样本。
实施例3提供一种优选的作战方法，根据实施例1或实施例2所述的作战方法，如图4所示，在所述步骤S120之后还包括步骤S210和步骤S220：
步骤S210至步骤S220属于作战实证阶段(本质上是对生成的多个所述作战案例样本进行验证的阶段)。这个阶段同时对应教学法的教学阶段，因为这个阶段主要是通过真实作战案例来测试和改进在自学阶段生成的作战案例样本。
样本验证步骤S210：筛选出作战结果与作战意图的匹配度大于预设阈值的多个真实作战案例样本对多个所述第二作战案例样本进行验证。所述真实作战案例样本包括作战态势、作战意图、作战决策、作战结果。可以理解的真实作战案例样本是真实发生过的作战案例的样本，所以必然是有作战结果的。具体地，获取多个真实作战案例样本，从中选取作战结果与作战意图的匹配度大于预设阈值的真实作战案例样本，提取所述选取的真实作战案例中的作战态势、作战意图、预设方的作战决策，将作战态势、作战意图与多个所述第二作战案例样本中每一所述第二作战案例样本中的作战态势、作战意图进行匹配，获取匹配度最大的第二作战案例样本，提取匹配度最大的第二作战案例样本中的作战决策。将所述匹配度最大的第二作战案例样本中的作战决策与所述选取的真实作战案例中的预设方的作战决策进行匹配，判断匹配度是否大于预设阈值：是，则测试成功；否，则测试失败。优选地，在测试失败的步骤之后，从多个所述第二作战案例样本中删除所述获取的匹配度最大的第二作战案例样本。所述真实作战案例样本包括实战中或演习中的作战案例样本。
验证判断步骤S220：判断所述验证是否通过：是，则将多个所述第二作战案例样本和所述多个真实作战案例样本，作为多个第三作战案例样本；否，则转到样本生成步骤S110继续执行。优选地，将所述多个第三作战案例样本加入第三作战案例知识库中。具体过程包括：多次执行样本验证步骤S210中具体过程中的所述测试，判断测试成功的次数占测试总次数是否大于或等于预设比例：是，则验证通过；否，则验证不通过，回到样本生成步骤S110继续执行。
本实施例的好处是，通过测试来判断生成的第二作战案例样本是否能通过真实作战案例的检验，因为真实作战案例是过去实际发生的，如果通过了测试，说明第二作战案例样本就能通过实践的检验，第三作战案例样本。如果测试成功，进一步把测试用的案例也作为第三作战案例样本，加入作战案例知识库，以丰富作战案例样本。
实施例4提供一种优选的作战方法，根据实施例3所述的作战方法，如图5所示，在所述步骤S220之后还包括步骤S310和步骤S320。
步骤S310至步骤S320属于作战统一阶段，本质上是对第三作战案例样本进行使用的阶段。这个阶段同时对应教学法的考试阶段，因为这个阶段主要是对经过自学和教学两个阶段产生的作战案例样本进行应用并在应用中进一步检验。
决策生成步骤S310：根据作战态势、预设方的作战意图从多个所述第三作战案例样本中匹配得到作战决策，作为所述预设方的作战决策。优选地，获取作战态势、预设方的作战意图，将作战态势、作战意图与多个所述第三作战案例样本(优选地，从第三作战案例知识库中获取第三作战案例样本)中每一第三作战案例样本中的作战态势、作战意图进行匹配，获取匹配度最大的第三作战案例样本，提取所述匹配度最大的第三作战案例样本中的作战决策，将所述提取的作战决策推荐给预设方的作战员(例如以语音发送驾驶战机的战士)也可以通过物联网直接转化能够控制作战决策所涉及到的作战装备的运行指令(例如导弹发射指令)，从而通过物联网直接控制作战装备的行为。所述获取的作战态势、作战意图包括作战演习时或实际作战时的作战态势、作战意图。
样本优化步骤S320：优选地，在所述作战决策产生作战结果之后，获取所述作战决策对应的作战结果，计算所述作战结果与所述预设方的作战意图的匹配度，判断匹配度是否大于预设阈值：是，则所述作战决策对于所述作战态势和作战意图有效，将所述作战态势、所述作战意图、所述作战决策进行关联后加入作为新的第三作战案例样本(或加入第三作战案例知识库)；否，则所述作战决策对于所述作战态势和作战意图无效，回到样本生成步骤S110继续执行。可以理解的是，则如果所述作战决策失败了，说明所述多个第三作战案例样本需要继续改进，所以需要返回样本生成步骤S110再次执行。
本实施例的好处是，通过演习和实战来检验第三作战案例样本，使得随着演习或实战的开展，有效的作战案例会不断加入到第三作战样本，使得第三作战案例样本会越来越丰富。同时，如果无效，则重新优化第三作战案例样本。
实施例5、实施例6、实施例7、实施例8中的***分别与实施例1、实施例2、实施例3、实施例4中的方法相对应和类似，所以其优选实施方式和有益效果不再赘述，只给出其主要模块。
实施例5提供一种作战***，如图6所示，所述***包括模块110至模块120。
样本生成模块110：生成多个第一作战案例样本，所述第一作战案例样本包括作战态势、作战意图、预设方的作战决策。
样本筛选模块120：从多个所述第一作战案例样本中筛选出多个符合预设条件的第一作战案例样本，作为多个第二作战案例样本。
实施例6提供一种优选的作战***，根据实施例5所述的作战***，
如图7所示，样本生成模块110中具体生成的过程包括：
态势生成模块111：根据预设作战态势知识库生成所述第一作战案例样本中的作战态势。
意图生成模块112：根据预设作战意图知识库生成所述第一作战案例样本中的作战意图。
决策生成模块113：根据预设作战决策知识库生成所述第一作战案例样本中的作战决策。
如图8所示，样本筛选模块120的具体过程包括：
作战模拟模块121：在所述第一作战案例样本中的作战态势下模拟执行所述第一作战案例样本中作战决策，得到作战结果。
结果匹配模块122：计算所述作战结果与所述第一作战案例样本中预设方的作战意图的匹配度。
匹配判断模块S123：判断所述匹配度是否大于预设阈值：是，则所述第一作战案例样本中作战决策对于所述第一作战案例样本中作战态势和所述第一作战案例样本中作战意图有效，将所述第一作战案例样本作为第二作战案例样本，加入第二作战案例知识库；否，则所述第一作战案例样本中作战决策对于所述第一作战案例样本中作战态势和所述第一作战案例样本中作战意图无效。
实施例7提供一种优选的作战***，根据实施例5或实施例6所述的作战***，如图9所示，在所述模块120之后还包括模块210和模块220：
样本验证模块210：筛选出作战结果与作战意图的匹配度大于预设阈值的多个真实作战案例样本对多个所述第二作战案例样本进行验证。
验证判断模块220：判断所述验证是否通过：是，则将多个所述第二作战案例样本和所述多个真实作战案例样本，作为多个第三作战案例样本；否，则转到样本生成模块110继续执行。
实施例8提供一种优选的作战***，根据实施例7所述的作战***，如图10所示，在所述模块220之后还包括模块310和模块320。
决策生成模块310：根据作战态势、预设方的作战意图从多个所述第三作战案例样本中匹配得到作战决策，作为所述预设方的作战决策。
样本优化模块320：优选地，在所述作战决策产生作战结果之后，获取所述作战决策对应的作战结果，计算所述作战结果与所述预设方的作战意图的匹配度，判断匹配度是否大于预设阈值：是，则所述作战决策对于所述作战态势和作战意图有效，将所述作战态势、所述作战意图、所述作战决策进行关联后加入作战案例知识库；否，则所述作战决策对于所述作战态势和作战意图无效，回到样本生成模块110继续执行。
实施例9提供一种机器人***，所述机器人***中分别配置有如实施例5至8任一项所述的作战***。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，则对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种作战方法，其特征在于，所述方法包括：
样本生成步骤：生成多个第一作战案例样本；
样本筛选步骤：从多个所述第一作战案例样本中筛选出多个符合预设条件的所述第一作战案例样本，作为多个第二作战案例样本；
所述作战案例样本包括作战态势、作战意图、作战决策；
所述样本生成步骤具体包括：
态势生成步骤：根据预设作战态势知识库生成所述第一作战案例样本中的作战态势；作战态势知识库中预先存储了作战态势构成规则子知识库、作战态势构成元素子知识库；作战态势构成规则子知识库包括敌方属性、敌方能力、敌方实时状态、我方属性、我方能力、我方实时状态的组合规则；作战态势构成元素子知识库包括属性知识表、能力知识表、实时状态知识表相关作战态势构成元素的知识表；
意图生成步骤：根据预设作战意图知识库生成所述第一作战案例样本中的作战意图；作战意图知识库中预先存储了作战意图构成规则子知识库、作战意图构成元素子知识库；作战意图构成规则子知识库包括我方作战意图、敌方作战意图的组合规则；作战意图构成元素子知识库包括作战意图构成元素知识表；
决策生成步骤：根据预设作战决策知识库生成所述第一作战案例样本中的作战决策；作战决策知识库中预先存储了作战决策构成规则子知识库、作战决策构成元素子知识库；作战决策构成规则子知识库包括包括作战的类型、作战的时间、作战的地点、作战的目标的组合规则；作战决策构成元素子知识库包括作战类型知识表、作战时间知识表、作战地点知识表、作战目标知识表。
2.根据权利要求1所述的作战方法，其特征在于，
所述样本筛选步骤具体包括：
作战模拟步骤：模拟执行所述第一作战案例样本中的作战态势下所述第一作战案例样本中的作战决策，得到作战结果；
结果匹配步骤：计算所述作战结果与所述第一作战案例样本中的所述作战意图的匹配度；
匹配判断步骤：判断所述匹配度是否大于预设阈值：是，则将所述作战态势、所述作战意图、所述作战决策作为多个第二作战案例样本。
3.根据权利要求1或2所述的作战方法，其特征在于，在所述样本筛选步骤之后还包括：
样本验证步骤：筛选出作战结果与作战意图的匹配度大于预设阈值的多个真实作战案例样本对多个所述第二作战案例样本进行验证；
验证判断步骤：判断所述验证是否通过：是，则将多个所述第二作战案例样本和所述多个真实作战案例样本，作为多个第三作战案例样本；否，则转到样本生成步骤继续执行。
4.根据权利要求3所述的作战方法，其特征在于，在所述验证判断步骤之后还包括：
决策生成步骤：根据作战态势、作战意图从多个所述第三作战案例样本中匹配得到作战决策；
样本优化步骤：在所述作战决策产生作战结果之后，获取所述作战结果，计算所述作战结果与所述作战意图的匹配度，判断匹配度是否大于预设阈值：否，则回到样本生成步骤继续执行。
5.一种作战***，其特征在于，所述***包括：
样本生成模块：生成多个第一作战案例样本；所述作战案例样本包括作战态势、作战意图、作战决策；
样本筛选模块：从多个所述第一作战案例样本中筛选出多个符合预设条件的所述第一作战案例样本，作为多个第二作战案例样本；
作战态势知识库中预先存储了作战态势构成规则子知识库、作战态势构成元素子知识库；作战态势构成规则子知识库包括敌方属性、敌方能力、敌方实时状态、我方属性、我方能力、我方实时状态的组合规则；作战态势构成元素子知识库包括属性知识表、能力知识表、实时状态知识表相关作战态势构成元素的知识表；作战意图知识库中预先存储了作战意图构成规则子知识库、作战意图构成元素子知识库；作战意图构成规则子知识库包括我方作战意图、敌方作战意图的组合规则；作战意图构成元素子知识库包括作战意图构成元素知识表；作战决策知识库中预先存储了作战决策构成规则子知识库、作战决策构成元素子知识库；作战决策构成规则子知识库包括包括作战的类型、作战的时间、作战的地点、作战的目标的组合规则；作战决策构成元素子知识库包括作战类型知识表、作战时间知识表、作战地点知识表、作战目标知识表。
6.根据权利要求5所述的作战***，其特征在于，
所述样本生成模块具体包括：
态势生成模块：根据预设作战态势知识库生成所述第一作战案例样本中的作战态势；
意图生成模块：根据预设作战意图知识库生成所述第一作战案例样本中的作战意图；
决策生成模块：根据预设作战决策知识库生成所述第一作战案例样本中的作战决策；
所述样本筛选模块具体包括：
作战模拟模块：模拟执行所述第一作战案例样本中的作战态势下所述第一作战案例样本中的作战决策，得到作战结果；
结果匹配模块：计算所述作战结果与所述第一作战案例样本中的所述作战意图的匹配度；
匹配判断模块：判断所述匹配度是否大于预设阈值：是，则将所述作战态势、所述作战意图、所述作战决策作为多个第二作战案例样本。
7.根据权利要求5或6所述的作战***，其特征在于，所述***还包括：
样本验证模块：筛选出作战结果与作战意图的匹配度大于预设阈值的多个真实作战案例样本对多个所述第二作战案例样本进行验证；
验证判断模块：判断所述验证是否通过：是，则将多个所述第二作战案例样本和所述多个真实作战案例样本，作为多个第三作战案例样本；否，则转到样本生成模块继续执行。
8.根据权利要求7所述的作战***，其特征在于，所述***还包括：
决策生成模块：根据作战态势、作战意图从多个所述第三作战案例样本中匹配得到作战决策；
样本优化模块：在所述作战决策产生作战结果之后，获取所述作战结果，计算所述作战结果与所述作战意图的匹配度，判断匹配度是否大于预设阈值：否，则回到样本生成步骤继续执行。
9.一种机器人***，其特征在于，所述机器人中分别配置有如权利要求5至8任一项所述的作战***。
CN201810774061.1A 2018-07-15 2018-07-15 基于知识库的人工智能作战方法和机器人*** Active CN108958030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810774061.1A CN108958030B (zh) 2018-07-15 2018-07-15 基于知识库的人工智能作战方法和机器人***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810774061.1A CN108958030B (zh) 2018-07-15 2018-07-15 基于知识库的人工智能作战方法和机器人***

Publications (2)

Publication Number Publication Date
CN108958030A CN108958030A (zh) 2018-12-07
CN108958030B true CN108958030B (zh) 2021-05-28

Family

ID=64481195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810774061.1A Active CN108958030B (zh) 2018-07-15 2018-07-15 基于知识库的人工智能作战方法和机器人***

Country Status (1)

Country Link
CN (1) CN108958030B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084323B (zh) * 2020-07-31 2024-03-12 中国民用航空上海航空器适航审定中心 一种适航审定协同工作平台及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952014A (zh) * 2017-02-10 2017-07-14 南京航空航天大学 一种基于军事仿真器的作战方案优化方法
CN107798390A (zh) * 2017-11-22 2018-03-13 阿里巴巴集团控股有限公司 一种机器学习模型的训练方法、装置以及电子设备
CN107832567A (zh) * 2017-12-12 2018-03-23 哈尔滨工业大学 一种体系效能协同评估***及评估方法
CN108021754A (zh) * 2017-12-06 2018-05-11 北京航空航天大学 一种无人机自主空战决策框架及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090132445A1 (en) * 2007-09-27 2009-05-21 Rice Daniel M Generalized reduced error logistic regression method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106952014A (zh) * 2017-02-10 2017-07-14 南京航空航天大学 一种基于军事仿真器的作战方案优化方法
CN107798390A (zh) * 2017-11-22 2018-03-13 阿里巴巴集团控股有限公司 一种机器学习模型的训练方法、装置以及电子设备
CN108021754A (zh) * 2017-12-06 2018-05-11 北京航空航天大学 一种无人机自主空战决策框架及方法
CN107832567A (zh) * 2017-12-12 2018-03-23 哈尔滨工业大学 一种体系效能协同评估***及评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于时序特征编码的目标战术意图识别算法;欧微 等;《指挥控制与仿真》;20161231;第38卷(第6期);第36-41页 *

Also Published As

Publication number Publication date
CN108958030A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN109063845B (zh) 基于生成样本的深度学习方法和机器人***
Bergdahl et al. Augmenting automated game testing with deep reinforcement learning
CN110489340B (zh) 一种游戏地图平衡性测试方法、装置、设备及存储介质
CN109543933B (zh) 一种网安人员技能测评***
US11850520B2 (en) Computer simulation skills training techniques
Samčović Serious games in military applications
Gombolay et al. Machine learning techniques for analyzing training behavior in serious gaming
CN108958030B (zh) 基于知识库的人工智能作战方法和机器人***
Fawkes Developments in Artificial Intelligence: Opportunities and Challenges for Military Modeling and Simulation
CN108828948B (zh) 基于深度学习的人工智能作战方法和机器人***
Evensen et al. Wargaming evolved: Methodology and best practices for simulation-supported wargaming
CN112561032A (zh) 一种基于种群训练的多智能体强化学习方法及***
CN108985463B (zh) 基于知识库和深度学习的人工智能作战方法和作战***
Luo et al. Towards a data‐driven approach to scenario generation for serious games
CN114935893B (zh) 基于双层模型的作战场景中飞机的动作控制方法及装置
Floyd et al. An active approach to automatic case generation
Masek et al. A genetic programming framework for novel behaviour discovery in air combat scenarios
US20210346803A1 (en) Autoplayers for filling and testing online games
Hoff et al. Simulation in support of army structure analysis
Ownby et al. Reading the mind of the enemy: predictive analysis and command effectiveness
Oh et al. Testing reliability of replay-based imitation for StarCraft
Moradi et al. Simulation-based defense planning
Berger Evaluating an implementation of an adaptive game-based learning architecture
Pournelle The use of M&S and wargaming to address wicked problems
Jones Games for training leveraging commercial off the shelf multiplayer gaming software for infantry squad collective training

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant