0 引　言

为了有效提升军事舰艇的作战能力，不仅需要加强舰艇人员的协同训练，同时还需要对装备进行测试，不断开发新的战术，并对这些战术进行分析，以获取新战术的实战效果^[1]。当前军事舰艇接近实战的训练耗费大量资金，因而很多舰艇战术在开发之初需要使用仿真系统进行模拟，这样可以显著减少对真实舰艇、人员和装备的需求，且在虚拟环境中进行训练和测试可以避免将人员和昂贵的装备置于危险之中，特别是在测试新战术或装备时。

计算机生成兵力（CGF）技术是建模仿真领域的一个重要分支，广泛应用于军事仿真中^[2]。CGF技术通过计算机模型来实现作战人员和武器系统等仿真对象的模拟，核心任务是对战场环境中作战实体的行为进行建模，目标是根据输入观察态势并输出应执行行动或动作的行为模型^{[3 − 4]}。军事舰艇计算机生成兵力仿真系统在现代军事训练、装备测试、战术开发和作战分析等多个领域具有重要的意义和作用。目前国内对于军事舰艇计算机生成兵力仿真软件的应用较多，对其结构研究较少，现有的计算机生成兵力仿真软件难以适应现代舰艇不断变化的需求，如随着航母和导弹驱逐舰数量的增加，对应的兵力部署、调配以及新型战术的演练都需要不断地开发对应的仿真系统。本文在对计算机生成兵力仿真相关技术进行研究的基础上，对舰艇计算机生成兵力仿真系统的结构进行设计，以期能够适应海军不断变化地使用需求。

1 军事舰艇计算机生成兵力仿真系统结构设计 1.1 需求分析

CGF技术包括行为建模、态势感知、决策行为、学习行为、协同行为等。在行为建模方面，CGF需要构建能够表现出与现实作战实体一致的复杂战场行为的模型。这通常涉及到有限状态机、行为树、规则脚本等知识工程方法。近年来，随着机器学习特别是深度学习技术的快速发展，采用机器学习方法辅助进行CGF的行为建模，已成为克服传统方法面临的建模效率低、自适应差等问题的重要途径^[5]。

军事舰艇计算机生成兵力（CGF）仿真系统主要用于舰艇平台或编队级信息对抗作战仿真训练，涵盖指控、雷达、雷达对抗、通信等多个专业领域，以提升官兵的信息化作战能力，其需要满足以下功能：

1）高度逼真的行为建模

军事舰艇计算机生成兵力（CGF）仿真系统是为了帮助广大指战员以及一线作战人员的实战化训练需求，因而构建的系统需要具备高度逼真度和实时性，能够实现复杂战场环境的模拟，同时还能实现虚拟现实的人工操控。

2）全面的信息融合

现代军事舰艇不仅规模庞大，而且功能复杂，当一艘甚至多艘舰艇进行综合兵力模拟排布时需要处理大量信息交互，包括数据融合、模型重用、数据交换和系统互操作等，以确保不同系统和模型之间的兼容性和一致性。为了提升作战效果，需要构建虚拟智能蓝军和红军，将作战行为、作战思维和战术决策转换为计算机算法和模型，以减少训练保障人员并提高训练效率。

3）评估与反馈

评估与反馈是计算机生成兵力仿真系统的重要功能之一，也是系统设计的重要考量。仿真训练系统应能实时采集训练考评数据，包括舰艇武器参数信息、武器运用信息、人员排布信息、人员指挥口令等，以便于事后进行复盘评估和能力提升。

1.2 系统结构设计

军事舰艇计算机兵力仿真系统结构框图如图1所示，其结构包括实体行为模型和人工智能模型，其中，实体行为模型用于模拟单个或多个舰艇实体在仿真环境中的行为和动作，人工智能模型则是根据实体行为模型的基本信息和建立的规则库，为指挥人员提供智能决策。

1）实体行为模型

实体行为模型包括舰艇的运动学和动力学特性、舰艇的作战行为以及与其他舰艇或实体的交互^[6]。其描述方法通常基于规则、状态机或更高级的行为树来定义，以确保它们的行为符合现实世界的物理和战术约束。其中，舰艇动力学模型可以模拟舰艇在水面上运动的物理特性，包括速度、航向、加速度、机动性等；传感器模型包括雷达、声呐、电子支援系统等，用于模拟舰艇的探测和监视能力；武器系统模型用于模拟舰艇上的武器发射和制导系统，如导弹、火炮、鱼雷等；通信系统模型用于模拟舰艇的通信能力，包括无线电、卫星通信等，用于信息传递和指挥控制；电子战模型用于模拟舰艇的电子对抗能力，如干扰、欺骗、侦察等。导航系统模型用于模拟舰艇的导航能力，包括GPS、惯性导航系统等。指挥控制系统模型模拟舰艇的作战指挥和决策过程，包括战术决策支持系统；人员和组织模型模拟舰艇上的人员行为和组织结构，包括舰员的训练水平、职责分配等；战术行为模型模拟舰艇在不同战术情况下的行为模式，如编队航行、反潜作战、防空作战等。战术行为模型还可以模拟在多个领域（如陆地、空中、海上、网络空间）进行作战，相应的模型需要能够跨域协同。这些模型共同构成了舰艇CGF系统的功能结构基础，使其能够在仿真环境中模拟复杂的海战场景和舰艇行为。通过这些模型的集成和交互，CGF系统能够为军事训练、战术开发和装备测试提供有效的支持。

2）人工智能模型

人工智能模型是赋予CGF实体决策能力和自主性的算法和方法。模型使CGF能够根据环境变化和战术需求自主作出决策，它包括情境感知模型、深度学习模型、行为树、模糊逻辑控制器等技术，用于提高CGF的适应性和预测能力。这些模型基于知识图谱和规则库，用于模拟实体对环境的感知能力以及认知模型，从而实现生成兵力的智能决策过程。

2 关键技术实现 2.1 实体模型设计

军事舰艇计算机生成兵力仿真系统中，舰艇实体模型的建立对于构建逼真的虚拟战场环境尤为重要，当前舰艇数量众多，根据舰艇的不同种类，收集舰船的详细设计图纸和技术规格，包括尺寸、形状、结构布局等，然后根据收集到的资料，进行初步的概念设计，确定模型的基本外观和功能特性。使用3D建模软件3ds Max创建舰船的3D模型，在3D模型上添加舰船的几何细节，包括甲板、船舱、桅杆、武器系统等，并在3D模型中充分应用不同的纹理和材质，以模拟舰船表面的真实外观，如金属、油漆、锈迹等。最后使用渲染引擎生成最终的图像或动画，这可能需要调整相机角度、光照和材质属性以获得最佳视觉效果。图2为使用3ds Max创建的不同舰船实体3D模型。

同理，可以根据各类型导弹的具体尺寸参数在软件中进行建模，并在后续仿真中加入其战斗毁伤效果参数，即可模拟武器系统在发射该导弹时的具体效果。图3为美军某型号导弹3D模型。

2.2 舰艇兵力生成及模拟

舰艇CGF系统模拟兵力生成及排布是一个复杂的过程，需要综合考虑多个因素，以确保兵力的生成和部署既符合战术需求，又具有现实基础。对于舰艇兵力生成而言，为了尽可能贴近现实，兵力生成过程主要如下：

1）数据采集和处理。舰艇计算机兵力生成的首要步骤是收集和处理相关数据。这包括但不限于敌我双方的兵力配置、地形地貌、战场环境等关键信息，通过传感器、侦察设备等技术手段，计算机能够获取实时或近实时的战场数据。在完成数据采集后，需要进行清洗、整合和分析，确保数据的准确性和可用性，为兵力生成提供坚实的数据基础。对不同舰艇而言，其兵力配置也不尽相同，因而数据采集过程对于后续的兵力生成至关重要。

2）模型构建和优化。在数据采集和处理的基础上，需要构建一系列数学模型来描述海洋战场环境和兵力特征。这些模型包括战术模型、兵力模型、环境模型等，其中战术模型用于描述不同战术动作和策略的效果和适用条件。兵力模型用于模拟各类作战单位的性能参数和作战能力。环境模型反映地形、气候、海况等对作战行动的影响。

3）兵力算法设计。基于构建的模型，开发计算机算法来模拟兵力的生成和部署。算法包括搜索和优化算法，以寻找最佳的兵力配置方案。

4）模拟验证。利用计算机仿真技术，对生成的兵力配置方案进行模拟验证，测试其在不同战场环境下的表现和效果。通过模拟，可以预测兵力部署的潜在问题和风险，为实际作战提供参考。

5）动态更新。根据实时获取的战场信息，实时更新舰艇人员和设备数据，确保兵力生成方案与当前战场状况保持一致。计算机系统能够动态调整兵力配置，以应对战场环境的快速变化。

2.3 人工智能决策的实现

军事舰艇在完成计算机自动生成兵力后，可以获得任意战场的所有信息，此时进入战场的人员可以对战场形势进行判断，但是这样会消耗较多时间，本文以模糊控制器的设计为例来说明人工智能决策的实现过程。

舰艇模糊控制器策略是通过模糊逻辑来处理舰艇在复杂或不确定环境中的决策问题。模糊逻辑提供了一种数学方法，可以模仿人类操作员在面对模糊或不完全信息时的决策过程。模糊控制器的实现依赖于模糊规则的制定，表1为制定的模糊规则，这些模糊规则涉及到计算机生成兵力仿真系统中几乎所有的模块，一旦设定的规则被触发，则系统会自动生成决策，并提供给舰艇指挥人员参考。

这些模糊策略需要根据舰艇的具体任务、环境和装备能力进行判断，并在模糊逻辑控制器中定义相应的模糊集合、模糊规则和推理机制。通过这种方式，舰艇能够在不确定性和动态变化的环境中做出更加合理和有效的决策。同时为了提升模糊逻辑控制器的决策正确率，还需要将深度学习模型和模糊控制器联合使用，具体方法为：将历史决策数据信息存储到数据库中，使用训练好的深度学习模型对新的输入数据进行推理，提取特征或预测输出。将深度学习模型的输出转换为模糊控制器的输入，将信息规范化和模糊化处理，将精确数值转换为模糊值。根据定义的模糊集合、模糊规则和模糊推理方法，最终获取模糊输出值，并转换为精确的控制指令或决策。

3 结　语

军事舰艇计算机生成兵力仿真系统通过训练仿真、测试仿真、行为反馈等完成模拟复杂的战场环境和敌对行为，为军事训练、装备测试和作战研究提供了有效的技术支持。本文对军事舰艇计算机生成兵力仿真系统的需求进行了分析，在此基础上提出了一种系统结构设计，最后对实体模型设计、舰艇兵力生成及模拟、人工智能决策实现等关键技术进行研究。通过实体行为模型和人工智能模型的集成和交互，本文设计的舰艇CGF系统能够为军事训练、战术开发和装备测试提供有效的支持。