基于多层次LSTM网络的多智能体攻防效能动态预测模型

doi:10.12382/bgxb.2022.0192

摘要/Abstract

摘要：

针对多智能体攻防体系存在多层次耦合、无规律涌现等特征而导致难以准确预测作战效能的问题,构建一种基于多层次长短时时间记忆(LSTM)网络的多智能体攻防效能动态预测模型。明确多智能体攻防的总体框架和作战流程,通过多主体NetLogo平台模拟红蓝智能体攻防对抗过程,以获取群体结构和作战效能在不同个体决策下的多层次演化数据。利用善于处理时序特征的LSTM网络来表征个体决策、群体结构和作战效能三层间的函数映射,并基于该映射关系进一步预测未来攻防作战效能与进程。上述建模方法已在多组仿真中证实了其可行性与有效性。实验结果表明,所建模型的作战效能预测误差仅在7%以内,对多智能体攻防的作战指挥和体系建设具有指导意义。

关键词: 多智能体攻防, 作战效能, NetLogo平台, 长短时记忆网络, 预测模型

Abstract:

Considering the difficulty of accurately predicting the operational effectiveness of multi-agent attack and defense (MAAD) systems due to multi-level coupling and irregular emergence, a dynamic prediction model based on multi-level LSTM network is constructed. The overall framework and operational process of the MAAD are clarified. Then, the multi-agent NetLogo platform is used to simulate the attack and defense confrontation process of red and blue agents in order to obtain multi-level evolutionary data of population structure and operational effectiveness when different decisions are made. On this basis, long short-term memory (LSTM) networks, which are effective in processing temporal features, are adopted to characterize the function mapping among the three layers of “individual decision, population structure, and operational effectiveness”, and to further predict the future attack and defense operational effectiveness and process based on the mapping relationship. The above modeling method has been proved to be feasible and effective in multiple simulations. The experimental results show that the prediction error of the model is only within 7%, which can serve as an effective guide for operational command and system development in MAAD systems.

Key words: multi-agent attack and defense, operational effectiveness, NetLogo platform, long short-term memory networks, prediction model

中图分类号:

E0-03
TJ81

丁伟, 明振军, 王国新, 阎艳. 基于多层次LSTM网络的多智能体攻防效能动态预测模型[J]. 兵工学报, 2023, 44(1): 176-192.

DING Wei, MING Zhenjun, WANG Guoxin, YAN Yan. Dynamic Prediction Model Based on Multi-level LSTM Network for Multi-agent Attack and Defense Effectiveness[J]. Acta Armamentarii, 2023, 44(1): 176-192.

图/表 24

参考文献 20

[1]	张超省, 王健, 张林, 等. 面向复杂障碍场的多智能体系统集群避障模型[J]. 兵工学报, 2021, 42(1): 141-150.
	ZHANG C S, WANG J, ZHANG L, et al. A multi-agent system flocking model with obstacle avoidance in complex obstacle field[J]. Acta Armamentarii, 2021, 42(1): 141-150. (in Chinese) doi: 10.3969/j.issn.1000-1093.2021.01.016
[2]	SATHIYARAJ R, BHARATHI A. An efficient intelligent traffic light control and deviation system for traffic congestion avoidance using multi-agent system[J]. Transport, 2019, 35(9): 1-9. doi: 10.3846/transport.2019.11650 URL
[3]	GARANINA N O, SIDOROVA E A. Ontology population as algebraic information system processing based on multi-agent natural language text analysis algorithms[J]. Programming & Computer Software, 2015, 41(3): 140-148.
[4]	CHENG Z, LI F, ZHANG Y. Multi-agent decision support system for missile defense based on improved PSO algorithm[J]. Journal of Systems Engineering and Electronics, 2017, 28(3): 514-525. doi: 10.21629/JSEE.2017.03.11 URL
[5]	牛德智, 陈长兴, 班斐, 等. 基于效能评估的航空作战进程预测[J]. 航空学报, 2014, 35(5): 1416-1423. doi: 10.7527/S1000-6893.2013.0524
	NIU D Z, CHEN C X, BAN F, et al. Prediction on air combat process based on effectiveness evaluation[J]. Acta Aeronautica ET Astronautica Sinica, 2014, 35(5): 1416-1423. (in Chinese) doi: 10.7527/S1000-6893.2013.0524
[6]	PENG B, LIU S, XU L, et al. Combat process simulation and attrition forecasting based on system dynamics and multi-agent modeling[J]. Expert Systems with Applications, 2022, 187: 115976. doi: 10.1016/j.eswa.2021.115976 URL
[7]	齐智敏, 张海林, 伊山, 等. 智能无人机群体作战效能评估指标体系研究[J]. 舰船电子工程, 2021, 41(9): 1-5.
	QI Z M, ZHANG H L, YI S, et al. Research on the index system of intelligent UAV group combat effectiveness evaluation[J]. Ship Electronic Engineering, 2021, 41(9): 1-5. (in Chinese)
[8]	刘显光, 张晓丰, 陈士涛, 等. 基于组合评估的有人/无人机协同反舰作战效能评估[J]. 舰船电子工程, 2022, 42(2): 140-146.
	LIU X G, ZHANG X F, CHEN S T, et al. Evaluation of the effectiveness of man-machine/UAV cooperative anti-ship operations based on combination evaluation[J]. Ship Electronic Engineering, 42(2): 140-146. (in Chinese)
[9]	魏武臣, 徐硕, 何晓夫, 等. 基于作战仿真推演的空-地制导弹药效能评估[J]. 兵工学报, 2022, 43(增刊1): 107-114.
	WEI W C, XU S, HE X F, et al. Effectiveness evaluation of air-ground guided ammunition based on combat simulation[J]. Acta Armamentarii, 2022, 43(S1): 107-114. (in Chinese) doi: 10.12382/bgxb.2022.A020
[10]	郭雷平, 段文博, 刘宇, 等. 基于OODA环的合成部队光电装备作战效能评估[J]. 兵工学报, 2022, 43(增刊1): 177-182.
	GUO L P, DUAN W B, LIU Y, et al. Operational effectiveness evaluation of optoelectronic equipment for combined arms based on OODA Loop[J]. Acta Armamentarii, 2022, 43(S1): 177-182. (in Chinese) doi: 10.12382/bgxb.2022.A009
[11]	王瑛, 史翔宇, 李超. 基于DoDAF的无人机协同作战效能评估[J]. 空军工程大学学报(自然科学版), 2020, 21(6): 66-72.
	WANG Y, SHI X Y, LI C. Research on UAV cooperative combat effectiveness evaluation based on DoDAF[J]. Journal of Air Force Engineering University (Natural Science Edition), 2020, 21(6): 66-72. (in Chinese)
[12]	韩月明, 方丹, 张红艳, 等. 智能无人机集群协同作战效能评估综述[J]. 飞航导弹, 2020(8): 51-56.
	HAN Y M, FANG D, ZHANG H Y, et al. Overview of cooperative combat effectiveness evaluation of intelligent UAV cluster[J]. Aerodynamic Missile Journal, 2020(8): 51-56. (in Chinese)
[13]	刘国强, 陈维义, 程晗, 等. 基于BP神经网络的炮光集成武器系统作战效能评估与预测[J]. 海军工程大学学报, 2019, 31(3): 55-59.
	LIU G Q, CHEN W Y, CHENG H, et al. Evaluation and prediction of combat effectiveness on weapon system with gun and laser based on BP networks[J]. Journal of Naval University of Engineering, 2019, 31(3): 55-59. (in Chinese)
[14]	任俊, 胡晓峰, 朱丰. 基于深度学习特征迁移的装备体系效能预测[J]. 系统工程与电子技术, 2017, 39(12): 2745-2749.
	REN J, HU X F, ZHU F. Effectiveness prediction of weapon equipment system-of-systems based on deep learning feature transfer[J]. Systems Engineering and Electronics, 2017, 39(12): 2745-2749. (in Chinese)
[15]	陈灿, 莫雳, 郑多, 等. 非对称机动能力多无人机智能协同攻防对抗[J]. 航空学报, 2020, 41(12): 342-354.
	CHEN S, MO L, ZHENG D, et al. Cooperative attack-defense game of multiple UAVs with asymmetric maneuverability[J]. Acta Aeronautica et Astronautica Sinica, 2020, 41(12): 342-354. (in Chinese)
[16]	赵柱, 王毅, 樊芮锋, 等. 基于多主体NetLogo平台的反无人机OODA体系对抗建模[J]. 系统仿真学报, 2021, 33(8): 1791-1800. doi: 10.16182/j.issn1004731x.joss.20-0355
	ZHAO Z, WANG Y, FAN R F, et al. Modeling onanti-UAV system-of-systems combat OODA loop based on NetLogo[J]. Journal of System Simulation, 2021, 33(8): 1791-1800. (in Chinese)
[17]	SUDEIKAT J, STEGHOEFER J P, SEEBACH H, et al. On the combination of top-down and bottom-up methodologies for the design of coordination mechanisms in self-organising systems[J]. Information & Software Technology, 2012, 54(6): 593-607.
[18]	孙华飞, 张世强, 何孟源, 等. 基于图论的雷达优化部署方法[J]. 北京理工大学学报, 2020, 40(9): 1026-1032.
	SUN H F, ZHANG S Q, HE M Y, et al. Radar optimal deployment based on graph theory[J]. Transactions of Beijing Institute of Technology, 2020, 40(9): 1026-1032. (in Chinese)
[19]	于雅洁, 刘贤达, 蒋启梅, 等. 融合LSTM-DNN的工业安全态势预测模型[J/OL]. 小型微型计算机系统: http://kns.cnki.net/kcms/detqil/21.1106.TP.20211213.1115.002.html.
	YU Y J, LIU X D, JIANG Q M, et al. Industrial security situation prediction model based on LSTM-DNN[J/OL]. Journal of Chinese Computer Systems: http://kns.cnki.net/kcms/detqil/21.1106.TP.20211213.1115.002.html. (in Chinese)
[20]	田远洋, 徐显涛, 彭安帮, 等. 训练数据量对LSTM网络学习性能影响分析[J]. 水文, 2022, 42(1): 29-34,22.
	TIAN Y Y, XU X T, PENG A B, et al. The impact of training data volume on LSTM network learning performance[J]. Journal of China Hydrology, 2022, 42(1): 29-34,22. (in Chinese)

个体决策参数			取值范围	具体含义
		攻击力	0~10	指每个智能体攻击对方的能力
	共有属性	防御力	0~10	指每个智能体避免被攻击的能力
		移动速度	0~10	指单位时间智能体的移动速度
		侦察范围	0~100	仅侦察单元固有,表示其所能侦察对方智能体的距离
	固有属性	指控范围	0~100	仅指控单元固有,表示其所能指控我方智能体的距离
静态参数		攻击范围	0~100	仅攻击单元固有,表示其所能攻击对方智能体的能力
		通信范围	0~100	侦察、指控、攻击单元均具有,表示我方所有智能体间的通信范围
		侦察通道数量	2、4或8	表示侦察功能所交换信息的对象数,影响其侦察能力
	通信属性	指控通道数量	2、4或8	表示指控功能所交换信息的对象数,影响其指控能力
		攻击通道数量	2、4或8	表示攻击功能所交换信息的对象数,影响其攻击能力
		通信通道数量	2、4或8	表示通信功能所交换信息的对象数,影响其通信能力
	回报值	当前资源	1000	产生智能体需要消耗当前资源
		资源恢复值	0~10	表示每回合所恢复的资源
		侦察单元消耗量	0~100	表示产生一个侦察单元所需要消耗的资源
交互参数	成本值	通信单元消耗量	0~100	表示产生一个通信单元所需要消耗的资源
		攻击单元消耗量	0~100	表示产生一个攻击单元所需要消耗的资源
	士气值	当前士气	0~100	可影响每个智能体的能力
		士气增加值	0~10	表示每击败对方一个单位所增加的士气值
	总效用值		0~1	总效用分为自我效用和协同效用两部分
动态参数	涌现系数		0~1	影响通信交流和群体空间结构
	避障系数		0~1	表示智能体之间的避障概率

个体决策参数			取值范围	具体含义
		攻击力	0~10	指每个智能体攻击对方的能力
	共有属性	防御力	0~10	指每个智能体避免被攻击的能力
		移动速度	0~10	指单位时间智能体的移动速度
		侦察范围	0~100	仅侦察单元固有,表示其所能侦察对方智能体的距离
	固有属性	指控范围	0~100	仅指控单元固有,表示其所能指控我方智能体的距离
静态参数		攻击范围	0~100	仅攻击单元固有,表示其所能攻击对方智能体的能力
		通信范围	0~100	侦察、指控、攻击单元均具有,表示我方所有智能体间的通信范围
		侦察通道数量	2、4或8	表示侦察功能所交换信息的对象数,影响其侦察能力
	通信属性	指控通道数量	2、4或8	表示指控功能所交换信息的对象数,影响其指控能力
		攻击通道数量	2、4或8	表示攻击功能所交换信息的对象数,影响其攻击能力
		通信通道数量	2、4或8	表示通信功能所交换信息的对象数,影响其通信能力
	回报值	当前资源	1000	产生智能体需要消耗当前资源
		资源恢复值	0~10	表示每回合所恢复的资源
		侦察单元消耗量	0~100	表示产生一个侦察单元所需要消耗的资源
交互参数	成本值	通信单元消耗量	0~100	表示产生一个通信单元所需要消耗的资源
		攻击单元消耗量	0~100	表示产生一个攻击单元所需要消耗的资源
	士气值	当前士气	0~100	可影响每个智能体的能力
		士气增加值	0~10	表示每击败对方一个单位所增加的士气值
	总效用值		0~1	总效用分为自我效用和协同效用两部分
动态参数	涌现系数		0~1	影响通信交流和群体空间结构
	避障系数		0~1	表示智能体之间的避障概率

效用部分		效用参数
总效用U	自我效用U₁	参与范围P_r
		参与数量P_n
		参与时长P_t
	协同效用U₂	合作范围C_r
		合作范围内的智能体数量C_n
		合作时长C_t
		竞争范围B_r
		竞争范围内的智能体数量B_n
		竞争时长B_t

效用部分		效用参数
总效用U	自我效用U₁	参与范围P_r
		参与数量P_n
		参与时长P_t
	协同效用U₂	合作范围C_r
		合作范围内的智能体数量C_n
		合作时长C_t
		竞争范围B_r
		竞争范围内的智能体数量B_n
		竞争时长B_t

个体决策参数		取值范围	初始化数值
	攻击力	0~10	7.1
	防御力	0~10	5.4
	移动速度	0~10	8.2
	侦察范围	0~100	98
	指控范围	0~100	64
静态参数	攻击范围	0~100	95
	通信范围	0~100	84
	侦察通道数量	2、4或8	4
	指控通道数量	2、4或8	8
	攻击通道数量	2、4或8	4
	通信通道数量	2、4或8	4
	资源恢复值	0~10	0.6
	侦察单元消耗量	0~100	63
交互参数	通信单元消耗量	0~100	72
	攻击单元消耗量	0~100	78
	当前士气	0~100	52
	士气增加值	0~10	3.0
	效用函数值	0~1	0.34
动态参数	涌现系数	0~1	0.83
	避障系数	0~1	0.69