(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211054694.8 (22)申请日 2022.08.31 (71)申请人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 颜鹏　白成超　郭继峰　郑红星　 (74)专利代理 机构 黑龙江立超同创知识产权代 理有限责任公司 23217 专利代理师 杨立超　张妍飞 (51)Int.Cl. G06F 30/20(2020.01) G06F 17/11(2006.01) G06F 17/16(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 119/14(2020.01) (54)发明名称 一种大规模导弹集群攻防对抗仿真加速方 法及系统 (57)摘要 一种大规模导弹集群攻防对抗仿真加速方 法及系统， 涉及导弹集群攻防对抗仿真技术领 域， 用以解决传统的线性代理模 型无法在保证模 拟精度的同时有效加速大规模导弹集群攻防对 抗仿真过程的问题。 本发明的技术要点包括： 建 立进攻弹与拦截弹各自的动力学与制导模型， 搭 建导弹集群对抗仿真模拟器， 以获取高维导弹集 群对抗飞行数据； 采用主成分分析法对高维数据 进行压缩， 获得低维数据； 之后建立初始线性模 型对低维导弹集群对抗飞行数据进行粗略拟合， 并训练神经网络来拟合初始线性模 型的残差， 最 终得到导弹集群对抗的代理模型。 本发明通过使 用主成分分析法和建立代理模型提高了仿真速 度， 可应用于大规模导弹集群攻防对抗的仿真加 速过程中。 权利要求书4页 说明书12页 附图8页 CN 115329594 A 2022.11.11 CN 115329594 A 1.一种大规模导弹集群攻防对抗仿真加速方法， 其特 征在于， 包括以下步骤： 步骤一、 建立进攻弹与拦截弹各自的动力学与制导模型， 搭建导弹集群对抗仿真模拟 器， 以获取高维导弹集群对抗飞行 数据； 步骤二、 对所述高维导弹集群对抗飞行数据进行降维处理， 获取低维导弹集群对抗飞 行数据； 步骤三、 将所述低维导弹集群对抗飞行数据输入线性代理模型进行训练， 获得训练好 的线性代理模型； 步骤四、 训练基于神经网络的误差拟合模型， 以修 正线性代理模型的预测误差； 步骤五、 将待预测的导弹攻防对抗集群的初始高维飞行数据经过降维处理后， 输入训 练好的线性代理模型中， 并利用训练好的误差拟合模型对线性代理模型的预测误差进 行修 正， 获取待预测的导弹攻防对抗 集群的飞行 预测结果。 2.根据权利要求1所述的一种大规模导弹集群攻防对抗仿真加速方法， 其特征在于， 步 骤一的具体步骤 包括： 利用目标分配算法对进攻弹和拦截弹进行目标分配， 使得每个进攻弹至少被分配到一 个拦截弹； 根据进攻弹和拦截弹的初始位置， 根据动力学与制导模型求解数值积分， 获得进攻弹 和拦截弹每一时刻的位置和速度； 基于所述目标分配算法和动力学与制导模型构建导弹集群对抗仿真模拟器， 所述导弹 集群对抗仿 真模拟器输出每一时刻的飞行数据， 所述 飞行数据包括多个进攻 弹和拦截弹的 位置速度矢量。 3.根据权利要求2所述的一种大规模导弹集群攻防对抗仿真加速方法， 其特征在于， 步 骤一中利用目标分配算法对进攻 弹和拦截弹进行目标分配， 使得每个进攻弹至少被分配到 一个拦截弹的具体过程包括： 计算M个拦截弹与N个进攻弹之间的距离， 获得距离矩阵Dmn； 1)当M＝N时： 在距离矩阵Dmn中求取最小项， 最小项所对应的行数和列数即为分配的一 组拦截弹和进攻弹编号； 将最小项在距离矩阵Dmn中删除， 获得新的距离矩阵； 重复上述步 骤， 直至所有拦截弹和进攻弹一 一对应分配为止； 2)当M大于N时： 将所有进攻弹距地表高度按从低到高排序， 将排序中前一半距地表高 度所对应的进攻 弹确定为第一组， 将排序中后一半距地表高度所对应的进攻 弹确定为第二 组； 根据拦截弹距地表高度、 进攻弹与拦截弹相对距离， 为第二组进攻弹一对一分配 个 拦截弹， 将剩余的 个拦截弹分给第一组进攻弹； 计算第一组进攻弹每个进攻弹最多 能分配的拦截弹个数k以及剩余的拦截弹与第一组进攻弹每个进攻弹之间的距离， 获得对 应的距离矩阵； 基于相对距离最小原则， 为第一组进攻弹每个进攻弹分配k个拦截弹， 分配 过程中距地表高度低的进攻弹优先分配。 4.根据权利要求3所述的一种大规模导弹集群攻防对抗仿真加速方法， 其特征在于， 步 骤二中采用主成分 分析法对所述高维导弹集群对抗飞行 数据进行降维处 理。 5.根据权利要求4所述的一种大规模导弹集群攻防对抗仿真加速方法， 其特征在于， 步 骤四的具体步骤 包括：权　利　要　求　书 1/4 页 2 CN 115329594 A 2步骤四一、 初始化t＝0、 t＝1时刻的低维导弹集群对抗飞行数据为 其 中 分别表示 导弹集群中t＝0、 t＝1时刻的实际对抗飞行 数据； 步骤四二、 在t＞1时刻， 利用训练好的线性代理模型对低维导弹集群对抗飞行数据 进 行预测： 式中， ξ、 ζ表示线性代理模型的模型参数； 表示向量的分量乘法； 分别表示 t‑1、 t‑2时刻的实际对抗飞行 数据； 步骤四三、 使用神经网络Φ修正线性代理模型的预测误差， 获得修正后的低维导弹集 群对抗飞行 数据 式中， θ表示神经网络Φ的网络参数； 表示t时刻利用线性代理模型预测的低维导弹 集群对抗飞行 数据； 步骤四四、 使用平均绝对误差计算损失函数， 并更新网络参数θ； 步骤四五、 迭代执行步骤四二至步骤四四， 直至达到最大迭代次数停止执行， 获得训练 好的误差拟合模型。 6.根据权利要求5所述的一种大规模导弹集群攻防对抗仿真加速方法， 其特征在于， 步 骤五中在获取待 预测的导 弹攻防对抗集群的飞行预测结果之后， 将飞行预测结果中低维导 弹集群对抗飞行 数据恢复为高维导弹集群对抗飞行 数据。 7.一种大规模导弹集群攻防对抗仿真加速系统， 其特 征在于， 包括： 飞行数据获取模块， 其配置成建立进攻弹与拦截弹各自的动力学与制导模型， 搭建导 弹集群对抗仿真模拟器， 以获取高维导弹集群对抗飞行 数据； 降维处理模块， 其配置成对所述高维导弹集群对抗飞行数据进行降维处理， 获取低维 导弹集群对抗飞行 数据； 线性代理模型训练模块， 其配置成将所述低维导弹集群对抗飞行数据输入线性代理模 型进行训练， 获得训练好的线性代理模型； 误差修正模型训练模块， 其配置成训练基于神经网络的误差拟合模型， 以修正线性代 理模型的预测误差； 预测模块， 其配置成将待预测的导弹攻防对抗集群的初始高维飞行数据 经过降维处理 后， 输入训练好的线性代理模型中， 并利用训练好的误差拟合模型对线性代理模型 的预测 误差进行修正， 获取待预测的导弹攻防对抗集群的飞行预测结果， 并将飞行预测结果中低 维导弹集群对抗飞行 数据恢复为高维导弹集群对抗飞行 数据。 8.根据权利要求7所述的一种基于数据驱动的大规模无人机集群编队仿真加速系统， 其特征在于， 所述飞行 数据获取模块中获取高维导弹集群对抗飞行 数据的具体过程包括： 利用目标分配算法对进攻弹和拦截弹进行目标分配， 使得每个进攻弹至少被分配到一 个拦截弹； 根据进攻弹和拦截弹的初始位置， 根据动力学与制导模型求解数值积分， 获得进攻弹权　利　要　求　书 2/4 页 3 CN 115329594 A 3