本发明涉及作战指挥，尤其涉及一种基于改进型神经进化算法的作战指挥动态资源分配方法。
背景技术：
1、在现代作战指挥与控制系统中，资源分配问题一直是提升作战效率与效能的关键因素。传统的资源分配方法多依赖于预设的规则或简单的算法，这在处理静态或预测性较强的情境下或许足够有效。然而，随着现代战场环境的复杂多变和信息化战争的不断深入，这些传统方法面临着越来越多的挑战。特别是在信息化条件下，作战环境的快速变化要求指挥系统能够实时准确地响应，对资源进行动态优化分配，以确保在正确的时间、地点投入正确的资源，最大限度地发挥其作用。
2、现有的资源分配技术面临的主要问题包括：1)实时动态适应性差，难以及时准确地响应战场环境和作战需求的快速变化；2)缺乏高效的多目标优化决策支持，难以在多个作战目标之间做出平衡；3)传统方法在面对复杂作战环境时，其决策的科学性和合理性难以保证，影响了资源分配的时效性和有效性。
3、因此，如何提供一种基于改进型神经进化算法的作战指挥动态资源分配方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的一个目的在于提出一种基于改进型神经进化算法的作战指挥动态资源分配方法，本发明通过实时收集战场的多维度信息，并利用改进型神经进化算法自适应调整资源分配策略，能够快速响应战场态势和作战需求的变化。
2、根据本发明实施例的一种基于改进型神经进化算法的作战指挥动态资源分配方法，包括以下步骤：
3、s1、收集实时战场的敌我双方力量对比、战场环境多维度信息、兵力和装备实时损耗率、各单位作战效能评估和网络战情报数据，构建实时战场资源状态信息数据集；
4、s2、使用改进型神经进化算法初始化资源分配决策模型，资源分配决策模型采用增强的遗传算法对神经网络结构进行优化，同时引入拓扑结构演化策略和群管理策略改进神经进化算法的适应性；
5、s3、根据步骤s1中收集的实时战场资源状态信息数据集，动态调整改进型神经进化算法中的参数，包括遗传算法的交叉率、变异率以及神经网络的学习率；
6、s4、将改进型神经进化算法应用于实时战场数据和资源状态信息，分析当前作战环境，预测资源需求，生成动态资源分配策略；
7、s5、根据步骤s4中生成的动态资源分配策略，优化资源分配，包括人员、装备和情报资源的调配；
8、s6、实施动态资源分配策略，监控资源分配结果，并根据作战效果反馈调整资源分配决策模型；
9、s7、重复步骤s3至s6，以持续优化资源分配决策过程，直至战场作战结束。
10、可选的，所述s1具体包括以下步骤：
11、s11、通过战场侦察无人机、卫星侦察和地面侦察部队实时收集敌我双方的部队配置、装备种类及数量，将收集到的数据标识为fcp：
12、
13、其中，n和m分别表示友军和敌军的单位数量，ually,i和uenemy,j分别表示第i个友军单位和第j个敌军单位的综合战斗力评分，αi和βj分别表示对应单位的战略重要性权重；
14、s12、利用地理信息系统和实时气象更新服务收集当前战场的地形地貌、气候条件的多维度信息，数据集表示为emd：
15、emd＝γ·ginfo+δ·wcond+∫area∈(area)darea (2)
16、其中，γ和δ分别为地形地貌信息和气象条件的权重系数，∈(area)为特定区域内的环境难度系数函数，通过对整个战场区域的积分计算得到环境复杂度评分；
17、s13、通过前线报告和后勤支持系统，实时计算友军兵力和装备的损耗率lrt：
18、
19、其中，ζk为第k个兵力单位的损耗指标，ηl为第l个装备的损耗指标，反映单个单位或装备的损耗情况；
20、s14、通过历史作战数据、单位训练水平和当前任务负荷，对各作战单位进行效能评估ecu：
21、
22、其中，ω、θ和ι分别为历史作战数据、训练水平、和任务负荷的权重系数，结合历史表现的对数增长效应、训练水平的平方增长效应和任务负荷的指数衰减效应；
23、s15、通过网络安全监控中心收集关于网络战的情报，包括敌我双方的网络攻击事件、网络防御能力和当前网络战态势，数据集标识为icy：
24、
25、其中，p和q分别为网络攻击事件的数量和网络战态势的维度数量，κp为第p个网络攻击事件的影响系数，λ为网络防御能力的权重系数，sstatus,q为第q个网络战态势维度的稳定性评分，μ为负面影响系数。
26、s16、将步骤s11-s15收集和计算得到的数据整合为实时战场资源状态信息数据集：
27、drs＝{fcp,emd,lrt,ecu,icy} (6)
28、可选的，所述s2具体包括以下步骤：
29、s21、初始化资源分配决策模型，资源分配决策模型基于一个神经网络结构，其中每个神经元的连接权重w和偏置b通过随机分配生成；
30、神经元的连接权重初始化：
31、
32、神经元的偏置初始化：
33、
34、其中，是第i个神经元到第j个神经元的初始连接权重，是第i个神经元的初始偏置，rand(-a,a)和rand(-b,b)分别表示在[-a,a]和[-b,b]区间内随机生成一个数，a和b是预设的参数上限；
35、s22、采用增强的遗传算法对神经网络的拓扑结构进行优化，遗传算法的基本操作被用于演化网络结构，优化算法定义为：
36、选择操作通过适应度函数ffit评估每个神经网络结构的性能，确定在下一代中的生存概率：
37、
38、交叉操作允许两个神经网络结构交换它们的连接权重和拓扑结构，生成新的神经网络结构：
39、
40、变异操作随机改变神经网络结构中的基因，通过添加或删除连接，或改变连接的权重，探索新的网络结构解决方案：
41、w″ij＝wij+δ (11)
42、其中，e(ni)是网络ni在给定作战模拟任务中的误差，和分别代表两个父代网络中的连接权重，α是交叉率，决定了两个父代遗传信息的结合比例，δ是根据变异率随机决定的增量；
43、s23、引入拓扑结构演化策略，允许神经网络在演化过程中动态调整其层次结构和神经元连接，适应作战指挥场景，策略通过拓扑变异率τ控制：
44、τ＝τ0e-λt (12)
45、其中，τ0是初始变异率，λ是变异率下降的速率，t是演化的代数；
46、s24、引入种群管理策略，通过设定种群大小np和淘汰阈值θe优化资源分配决策模型的学习效率：
47、
48、其中，是在第t代的种群大小，ii是指示函数，当适应度函数ffit(ni)的值小于淘汰阈值θe时，该函数值为1，否则为0，表示低适应度的个体将被从种群中移除；
49、s25、重复步骤s22至s24，直到达到预设的演化代数或适应度阈值，完成神经网络结构的优化：
50、演化过程重复公式：
51、
52、演化停止条件：
53、ifmax(ffit)≥θfitor g＝gmax,then stop (15)
54、其中，egen表示在给定代数g和参数集θ下的演化效果，g是预设的最大演化代数，ffit(ng,θg)是第g代种群中每个个体ng基于参数集θg的适应度函数值，φ是一个评估函数，考虑到适应度ffit和一个复合因子ψ，用以综合评价当前代的演化效果，θfit是达到或超过此适应度阈值时停止演化的条件，gmax是最大代数限制，确保算法在有限时间内完成，max(ffit)指当前种群中最高的适应度值，用于判断是否达到演化的目标。
55、可选的，所述s3具体包括以下步骤：
56、s31、根据步骤s1中收集的实时战场资源状态信息数据集drs，计算反映当前作战环境的复杂性和资源配置的紧急程度的复杂度指数cenv；
57、
58、其中，ω1-ω5为各项数据的权重系数；
59、s32、根据战场环境复杂度指数cenv动态调整遗传算法的交叉率α变异率δ和神经网络的学习率η；
60、
61、
62、
63、其中，αbase、δbase和ηbase分别为交叉率、变异率、学习率的基准值；
64、s33、应用调整后的算法参数αnew、δnew和ηnew到改进型神经进化算法中。
65、可选的，所述s4具体包括以下步骤：
66、s41、输入实时战场资源状态信息数据集drs到经过参数调整的改进型神经进化算法中；
67、s42、使用改进型神经进化算法分析当前作战环境，通过模拟进化过程评估不同资源分配方案的适应度，适应度函数fadapt基于资源分配方案对作战效能的预期提升程度进行计算；
68、
69、其中，eeff,i(r)表示资源分配方案r在第i作战领域的效能提升，ti是资源到达和部署的时间，λi是针对不同作战领域效能衰减的系数，结合资源部署的时效性，cres,j(r)是第j种资源在方案r中的配置成本，sj(r)是资源j的稀缺性指标，高稀缺性资源配置的成本影响更大，dk(r)表示方案r对敌方响应能力的预期干扰程度，γk是干扰效应的衰减系数，反映了干扰持续性的不同，ξ1、ξ2、ξ3是权重系数，平衡不同因素对总适应度的影响；
70、s43、根据每个资源分配方案的适应度，改进型神经进化算法预测资源需求，自动选择适应度最高的资源分配方案作为优选方案；
71、s44、根据优选方案生成动态资源分配策略，指定不同资源类型，包括人员、装备和情报资源的具体分配计划，以及分配至战场上不同位置或单位的详细指令：
72、
73、其中，r*是选定的最优资源分配方案，φr是资源r在战场上的分配优先级，取决于资源对作战效能的影响，ors是将资源r分配到作战单元s的具体操作指令，sr是接收资源r的作战单元数量。
74、可选的，所述s6具体包括以下步骤：
75、s61、执行由步骤s4生成的动态资源分配策略dstrategy(r*)，将资源按照策略指定的分配计划部署到战场；
76、s62、通过实时监控系统持续跟踪资源分配结果和作战效果，包括资源到达时间、资源使用效率以及资源对作战效能的实际贡献，监控数据集为：
77、
78、其中，tarr,n表示第n个资源到达其指定位置的时间差值，ueff,n为资源n的使用效率，结合了资源的使用频率、作战单位对资源的利用效能及时间效率，ccon,n是资源n对总体作战效能的直接贡献度，通过复合效能贡献指标来衡量，结合资源的战术价值、战斗力提升比例及其在关键作战任务中的作用；
79、s63、基于监控数据集mdata，计算实施动态资源分配策略后的作战效能反馈指数efeedback；
80、
81、其中，αn是资源重要性系数，β是时间偏差惩罚系数，texpected,n是资源预期到达时间，θ是策略覆盖系数，nstrategy是策略涵盖的资源种类数量；
82、s64、根据作战效能反馈指数efeedback，自动调整资源分配决策模型中的参数，包括改进型神经进化算法中的遗传算法参数和神经网络结构。
83、本发明的有益效果是：
84、(1)本发明通过实时收集战场的多维度信息，并利用改进型神经进化算法自适应调整资源分配策略，能够快速响应战场态势和作战需求的变化。与传统的资源分配方法相比，提高了资源分配的实时性和动态适应性，确保资源能够及时、有效地分配到最需要的地方，以适应快速变化的作战环境。
85、(2)本发明通过改进型神经进化算法，有效地处理了作战指挥中的多目标优化问题，如在提高作战效率、保证任务优先级和资源保障等多个目标之间寻找平衡，算法能够自动寻找最优或近似最优的资源分配方案，同时满足作战效率和资源利用率的双重要求，为指挥官提供科学合理的决策支持。
86、(3)本发明通过实时监控资源分配结果和作战效果，并根据作战效果反馈调整资源分配决策模型，能够持续优化资源分配策略，确保资源利用和作战部署的有效性。
1.一种基于改进型神经进化算法的作战指挥动态资源分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进型神经进化算法的作战指挥动态资源分配方法，其特征在于，所述s1具体包括以下步骤：
3.根据权利要求2所述的一种基于改进型神经进化算法的作战指挥动态资源分配方法，其特征在于，所述s2具体包括以下步骤：
4.根据权利要求3所述的一种基于改进型神经进化算法的作战指挥动态资源分配方法，其特征在于，所述s3具体包括以下步骤：
5.根据权利要求4所述的一种基于改进型神经进化算法的作战指挥动态资源分配方法，其特征在于，所述s4具体包括以下步骤：
6.根据权利要求5所述的一种基于改进型神经进化算法的作战指挥动态资源分配方法，其特征在于，所述s6具体包括以下步骤：
