(19)中华 人民共和国 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 202111602724.X (22)申请日 2021.12.24 (71)申请人 北京航天测控技 术有限公司 地址 100041 北京市石景山区实兴东 街3号 1-8号楼 (72)发明人 秦留洋　韩惠婕　路林海　张俊霞　 李立佳　任朝旭　 (74)专利代理 机构 北京思创大成知识产权代理 有限公司 1 1614 代理人 张立君 (51)Int.Cl. G06F 30/20(2020.01) G06F 111/04(2020.01) G06F 111/06(2020.01) (54)发明名称 基于改良层次模型的资源优化配置方法及 系统 (57)摘要 本发明公开一种基于改良层次模型的资源 优化配置方法及系统。 所述资源优化配置方法包 括： 基于预定的层次化与结构化 建模方法对预获 取的资源要素进行表征， 并为获取到的每个资源 要素模型配置属性能力、 动作行为逻辑和应激 反 应逻辑； 随机设置每个资源要素模 型的初始权向 量， 并基于预定的改进的神经网络算法对每个资 源要素模型的初始权向量进行优化， 以得到每个 资源要素模 型的最终权向量； 基于所有的资源要 素模型， 并采用遗传算法获取资源优化配置方 案。 所述资源优化配置系统包括对应实现上述步 骤的各个功能模块。 根据本发明， 能够解决现有 军事仿真推演系统平台智能性差、 体系协同性较 弱以及配 置方式死板固定的问题。 权利要求书3页 说明书9页 附图4页 CN 114357749 A 2022.04.15 CN 114357749 A 1.基于改良层次模型的资源优化配置方法， 应用于军事仿真推演， 其特征在于， 所述资 源优化配置方法包括： 步骤S100、 基于预定的层次化与结构化建模方法对预获取的资源要素进行表征， 并为 获取到的每 个资源要素模型配置属性能力、 动作行为逻辑和应激反应逻辑； 步骤S200、 随机设置每个资源要素模型的初始权向量， 并基于预定的改进的神经网络 算法对每个资源要素模型的初始权向量进行优化， 以得到每个资源要素模型的最终权向 量； 步骤S300、 基于所有的资源要素模型， 并采用遗传算法获取资源 优化配置方案 。 2.根据权利要求1所述的基于改良层次模型的资源优化配置方法， 其特征在于， 在所述 步骤S100中， 所述预获取的资源要素包括敌情要素、 我情要素和战场环境要素。 3.根据权利要求2所述的基于改良层次模型的资源优化配置方法， 其特征在于， 所述步 骤S100包括： 步骤S110、 构建目标资源要素的结构化模型配置文件， 以获取相应的资源要素模型； 步骤S120、 对获取的资源要素模型进行层次化分解和归纳， 以实现所述资源要素模型 的智能分配和标准 化生成； 步骤S130、 对所述资源要素模型进行属性初始值配置； 步骤S140、 对所述资源要素模型进行动作行为逻辑和应激反应逻辑配置 。 4.根据权利要求3所述的基于改良层次模型的资源优化配置方法， 其特征在于， 所述步 骤S200包括： 步骤S210、 随机生成目标资源要素模型的初始权向量， 并将所述初始权向量作为预获 取的神经网络的输入层基础值； 步骤S220、 对于所述神经网络， 给定样本 权向量样例和输出的边界期望与误差要求； 步骤S230、 获取隐含层节点的输出 结果， 并将该输出 结果作为中间权向量结果； 步骤S240、 获取输出层节点的输出 结果， 并将该输出 结果作为待定 权向量结果； 步骤S250、 根据所述待定 权向量结果和给定的输出边界期望获取输出层误差； 步骤S260、 判断所述输出层误差是否满足给定的输出误差要求， 若是， 则将所述待定权 向量结果作为所述 最终权向量， 若否， 则执 行步骤S270； 步骤S270、 回退计算隐含层误差， 求取误差梯度， 在误差梯度下降最快的方向上求解所 述隐含层节点的期 望输出结果， 将该期望输出结果反馈给所述隐含层节点以实现所述隐含 层节点的参数自适应调整， 并执 行步骤S23 0。 5.根据权利要求4所述的基于改良层次模型的资源优化配置方法， 其特征在于， 所述步 骤S300包括： 步骤S310、 将所述资源要素模型转 化为遗传算法中的染色体编码； 步骤S320、 将初始资源配置转 化为初始化的染色体和初始化的种群； 步骤S330、 将资源要素优化中的资源数量约束、 目标需求和战场环境约束转换为结构 化的约束边界条件函数； 步骤S340、 将资源要素配置优化的数 学模型作为遗传算法中的适应度函数； 步骤S350、 判断每个种群是否满足边界约束， 若是， 执行步骤S360， 若否， 执行步骤 S370；权　利　要　求　书 1/3 页 2 CN 114357749 A 2步骤S360、 计算该种群的适应度， 并将该种群所对应的资源配置方法作为所述资源优 化配置方案的一部分进行保存； 步骤S370、 对该种群进行预定的遗传操作， 生成下一代的种群， 并判断该种群是否满足 边界约束， 若 是， 返回执行步骤S 360， 若子代种群的最优适应度优于初始 化种群的最优适应 度， 则采用该子代种群所对应的资源配置方法替换该初始化种群所对应的资源配置方法， 若否， 执行预定的回退计算前序最优方案的策略。 6.基于改良层次模型的资源优化配置系统， 应用于军事仿真推演， 其特征在于， 所述资 源优化配置系统包括： 资源要素模型构建模块， 用于基于预定的层次化与结构化建模方法对预获取的资源要 素进行表征， 并为获取到的每个资源要素模型配置属 性能力、 动作行为逻辑和应激反应逻 辑； 权向量设置及优化模块， 用于随机设置每个资源要素模型的初始权向量， 并基于预定 的改进的神经网络算法对每个资源要 素模型的初始权向量进 行优化， 以得到每个资源要 素 模型的最终权向量； 资源优化配置方案获取模块， 用于基于所有的资源要素模型， 并采用遗传算法获取资 源优化配置方案 。 7.根据权利要求6所述的基于改良层次模型的资源优化配置系统， 其特征在于， 所述预 获取的资源要素包括敌情要素、 我情要素和战场环境要素。 8.根据权利要求7所述的基于改良层次模型的资源优化配置系统， 其特征在于， 所述基 于预定的层次化与结构化建模方法对预获取的资源要 素进行表征， 并为 获取到的每个资源 要素模型配置属性能力、 动作行为逻辑和应激反应逻辑包括： 步骤S110、 构建目标资源要素的结构化模型配置文件， 以获取相应的资源要素模型； 步骤S120、 对获取的资源要素模型进行层次化分解和归纳， 以实现所述资源要素模型 的智能分配和标准 化生成； 步骤S130、 对所述资源要素模型进行属性初始值配置； 步骤S140、 对所述资源要素模型进行动作行为逻辑和应激反应逻辑配置 。 9.根据权利要求8所述的基于改良层次模型的资源优化配置系统， 其特征在于， 所述随 机设置每个资源要素模型的初始权向量， 并基于预定的改进的神经网络算法对每个资源要 素模型的初始权向量进行优化， 以得到每 个资源要素模型的最终权向量包括： 步骤S210、 随机生成目标资源要素模型的初始权向量， 并将所述初始权向量作为预获 取的神经网络的输入层基础值； 步骤S220、 对于所述神经网络， 给定样本 权向量样例和输出的边界期望与误差要求； 步骤S230、 获取隐含层节点的输出 结果， 并将该输出 结果作为中间权向量结果； 步骤S240、 获取输出层节点的输出 结果， 并将该输出 结果作为待定 权向量结果； 步骤S250、 根据所述待定 权向量结果和给定的输出边界期望获取输出层误差； 步骤S260、 判断所述输出层误差是否满足给定的输出误差要求， 若是， 则将所述待定权 向量结果作为所述 最终权向量， 若否， 则执 行步骤S270； 步骤S270、 回退计算隐含层误差， 求取误差梯度， 在误差梯度下降最快的方向上求解所 述隐含层节点的期 望输出结果， 将该期望输出结果反馈给所述隐含层节点以实现所述隐含权　利　要　求　书 2/3 页 3 CN 114357749 A 3