兵棋推演决策系统的开发与研究

摘要

　　随着军事信息化建设的不断推进，计算机兵棋推演的应用日渐广泛，已经成为一种高效的指挥演练方式，这也对兵棋推演中的智能决策系统提出了更高的要求。兵棋推演的决策系统通常难以理解战场的宏观态势，容易被限制与单个实体行为的反应控制，无法把控战场的整体状态，效果不佳。提高兵棋推演决策系统的智能程度，有利于兵棋推演系统的推广，降低推演成本，为推演提供更多思路。

　　针对兵棋推演系统，本文设计了对应的决策支持系统，对战场状态进行智能的预测与分析，将细节信息汇总，以方便决策模型理解的方式进行存储，在群体识别、意图预测、态势描述三个方面为决策模型提供战场的怡息，从而提尚决策系统的性能。

　　在群体识别、意图预测的研究中，利用推演系统中探测器探测到的敌方信息，使用孪生网络和循环神经网络结构通过不同的方式进行建模，识别敌方的作战分组情况，并预测敌方各个作战分组的作战意图。设计了带激活状态的神经网络单元，方便的处理作战单元损毁和新增的情况，减少了内存整理操作。在此基础上，设计了多任务学习模型，在群体识别与意图预测模型中共享部分参数，一方面提高了群体识别模型的效果，另一方面降低了系统的冗余，提高了预测效率。态势描述方面，借鉴了游戏人工智能中的影响力地图技术，将态势信息表现为易被决策模型理解的形式。传统的影响力地图或者缺乏对动态信息的表示，或者对动态信息的表示十分不准确，容易导致AI主体做出错误的决策，本文提出了基于距离调整的动态影响力地图模型，根据产生影响的对象的运动趋势，对影响传播过程中的需要计算的距离进行调整，将运动趋势信息编码于最终的影响力地图中，为AI主体的决策过程提供支持。

　　关键词：兵棋，决策支持，神经网络，影响力，地图

abstract

　　With the continuous advancement of military information construction, the application of computer-based game of war is becoming more and more extensive, which has become an efficient command and exercise mode, which also puts forward higher requirements for the intelligent decision-making system in game of war. The decision-making system of the war game is usually difficult to understand the macro situation of the battlefield. It is easy to be limited and controlled by the response of a single entity, unable to control the overall situation of the battlefield, and the effect is not good. To improve the intelligence level of the decision-making system is conducive to the promotion of the system, reduce the cost of the simulation, and provide more ideas for the simulation.

　　In this paper, the corresponding decision support system is designed to predict and analyze the battlefield state intelligently, summarize the detailed information, store it in a way convenient for the understanding of the decision model, and provide the battlefield pleasure for the decision model in three aspects of group identification, intention prediction and situation description, so as to improve the performance of the decision system.

　　In the research of group recognition and intention prediction, the twin network and cyclic neural network structure are used to model the enemy information detected by the detector in the inference system in different ways to identify the enemy's operational grouping and predict the operational intention of each operational grouping. The neural network unit with active state is designed to deal with the damage and addition of combat unit conveniently, and to reduce the operation of memory arrangement. On this basis, a multi task learning model is designed to share some parameters in the group recognition and intention prediction model. On the one hand, it improves the effect of the group recognition model, on the other hand, it reduces the redundancy of the system and improves the prediction efficiency. In the aspect of situation description, the influence map technology in the game artificial intelligence is used for reference, and the situation information is expressed in the form that is easy to be understood by the decision-making model. The traditional influence map either lacks the representation of dynamic information, or the representation of dynamic information is very inaccurate, which is easy to lead AI subjects to make wrong decisions. In this paper, a dynamic influence map model based on distance adjustment is proposed. According to the movement trend of the affected objects, the distance that needs to be calculated in the process of influence propagation is adjusted, and the movement trend information is adjusted Information is encoded in the final impact map to support the decision-making process of AI agents.

　　Key words: wargame, decision support, neural network, influence, map

目录

　　第一章绪论

　　1.1背景意义

　　兵棋推演是一种作战模拟技术。现代类型的兵棋推演最早是由普鲁士宫廷文职战争顾问冯？莱斯维茨于1811年首先发明的m.美军对兵棋的定义是：运用规则、数据和程序描述实际或假定的态势，对敌对双方或多方的军事行动进行的模拟的统称[2].我军1997年出版的《军语》对兵棋有如下定义：供沙盘或图上作业使用的军队标号、图形和表示人员、兵器、地物等的模型式棋子⑴。一般来说，兵棋在一定的规则下对作战形势进行模拟推算，完整的展现各种决策方针对战争、战役、战斗结果所起到的作用，在军校教育、作战中的策略方针制定、军队指挥官日常演练中有非常重要的作用。计算机兵棋推演，则是使用计算机进行推演模拟的一种技术，利用计算机强大的运算能力，模拟兵棋推演中的相关规则、各种装备及其运行状态等。历史上第一个计算机兵棋推演系统产生于上个世纪80年代末，美国围防部成立项目小组对前苏联的部队编装、武器系统、战术作为等进行十分精确的评估，并逐一将其量化输入计算机数据库中，同时，也将美国本身的相关军备、兵力数据换算成参数，并从多次海外战争中撷取经验，据以验证计算机兵棋相关参数正确性[3].一些现代计算机模拟的复杂兵棋系统，己经逐步抛弃传统兵棋回合制的推演过程，向实时推演转变。相比于传统的手工兵棋推演，计算机兵棋推演系统通常更加灵活，能够反应战争中的动态过程，实时性强，仿真度更高，操作简便，是当前兵棋推演的发展趋势。随着计算机兵棋的发展，设计计算机扮演的兵棋推演指挥官也成为了兵棋推演中一项重要的工作。

　　计算机智能决策可以应用于人机对战中，是一种更加方便的演练形式，降低了演练成本；同时计算机智能决策的应用，在一定程度上可以开拓推演思路。普鲁士将军CarlVonClausewitz在著名的《战争论》中曾经说过"战争是不确定的王国，战争所依据的四分之三因素或多或少地被不确定性的迷雾包围着。"W兵棋推演系统中为了模拟现实中的随机环境，会采用伪随机数的方式，模拟各种随机事件，因此，兵棋推演环境呈现随机性的特点；同时，兵棋推演环境中，作战兵力的多样性、作战过程的不确定性、作战决策的动态性造就了兵棋推演环境中的复杂性m.这些特性对智能决策系统提出了更高的要求。构建面向计算机兵棋推演的决策系统的关键之处就是构建能够面对复杂推演环境，关注推演环境的整体态势，能应对推演环境中各种不确定性的智能决策模型。推演环境中模拟了各种不同的作战单元，计算机指挥官可以很容易地获取己方各个单元的状态属性，也可以通过各种探测器，了解敌方各种作战单元的动向。这些都是十分具体的信息，而推演环境的整体态势却更加抽象，它代表了当前战场上各方势力的整体分布情况，未来可能的发展动向等，对于计算机指挥官来说，了解态势是十分困难的。

　　因此，传统的兵棋推演决策系统往往过于关注局部信息，无法对整体态势进行合适的解读与分析。本研究对兵棋推演中的决策支持系统进行研究，在系统中数量庞大、种类复杂的信息的基础上，对敌方的作战群体与群体的作战意图进行预测，并将信息进行整合，反应推演系统中的态势信息，为决策模型提供更全面、更丰富、更准确的信息，从而提高整个决策系统的性能。

　　1.2国内外研究现状

　　1.2.1兵棋推演智能决策

　　随着兵棋推演的日益发展，对兵棋推演的决策模型也提出了更高的要求，如何建立更加智能的模型，如何更好的模拟人类指挥员的行为，如何最大限度地提高智能模型在演习等任务中的作用成了科研人员的主要研究目标。多智能体系统（MultiAgentSystem,M.A.S.）作为一种群体智能的体现方式，十分适合兵棋推演智能的需求，容易适应兵棋推演系统中复杂的决策环境，许多研宄在M.A.S.在兵棋推演中的应用进行了探索。如杨建池[6】在使用M.A.S.作为决策模型协同总体框架的基础上，引入了前景理论作为单个智能体内部的决策模型，并应用于联合作战方针之中，M.A.S.的应用，从多智能体的协作关系和智能体内部智能决策过程两个方面入手，提高决策系统的智能程度。杨健[T|等人根据水面舰艇编队对潜作战特点，构建了基于多Agent的对潜作战智能辅助决策系统框架，分析了系统中各模块的功能，重点研究了基于案例推理的Agent推理技术在辅助决策系统中的应用。冯进I8]等人在分析指挥控制模型发展现状基础上，设定了智能的5个层次，提出一种混合Agent框架，并在框架中对每一层智能给出解决方案，框架兼具认知Agent、BDIAgent和刺激反应Agent的优长，对构建智能化的训练和实验系统有较大帮助。虽然如今机器学习、深度学习以及强化学习正在迅速地发展，但这些方法都难以直接用作兵棋推演中的决策模型。推理是根据一定的原则（公理或规则）从己知的事实或判断推出新的事实（或判断）的思维过程。推理机便是利用这一过程所设计的智能决策机构，是专家系统的一种实现方式。李乃金设计了专家样本库的生成方法，实现了一个基于推理机的决策模型，可以被用于以局部战斗为特点的小型推演中。樊延平等人，提出了融合规则推理和案例推理的作战指挥决策集成推理机制，分析了决策规则的表示及推理机制，探讨了决策案例的表示与检索技术，建立了基于集成推理机制的指挥决策模型，能够实现作战指挥实体的自主决策和实时决策，满足作战仿真对抗的指挥决策需求。

　　决策树是一种用图形化方法表示决策问题本质的工具，决策节点后跟随着表示可以再该情况下作出决策所作出的决策的线，而事件节点后跟随着表示该事件可能会出现不同的后果的线，决策节点和事件节点交替地排列在决策树上，形成决策序列。鲁大剑W针对作战推演，提出了基于决策树的作战推演决策模型，充分地考虑了由复杂推演环境中由敌方引起的不确定性。

　　1.2.2群体识别

　　群体识别又称目标分群，是兵力聚合中的一项任务。在复杂的兵棋推演环境中，模拟的最小作战单位为单个作战单元，这保证了推演的准确性。但现代战场中，战斗都展现为群体作战，很少出现单个作战单元作战的情况[11].指挥员在战场上获得的信息也是以兵力为最小单位的，这虽然最大限度上展现了战场上的兵力分布状态，但不能直观地展现兵力的作战分组情况。兵力分组的识别，是指挥工作的重要前提，但对于计算机指挥官，这项工作十分复杂。一些研究针对群体识别进行了探索。目标分群与聚类算法的目标相似，龙真真等人PI设计了基于层次聚类方法的目标分群算法，可以取得较好的分群结果。李启元等人[13]和黄雷[14]等人均探索了Chameleon算法在目标分群中的应用。周超等人[15]提出了基于EBI的兵力聚合模型，对敌方兵力从实体（Entity）、行动（Behavior）和交互（Interaction）三个方面进行分析和建模，最终进行分组的识别。刘水泉等人[16]分析了传统兵力聚合方法中存在的缺陷，提出了基于实体图层划分的兵力聚合方法，按照不同的实体类型，将兵力聚合到不同的图层，在每个图层，使用"密度法"确定图层中的代表点，从而挖掘其中的作战群体。龙真真等人探索了复杂网络理论在目标分群领域中的应用，将兵力间关系看作一个复杂网络，将作战群体视为复杂网络中的社团，采用社团发现算法（CommunityDetectionMethod,CNM）寻找其内部的群体结构，从而发现目标的分群信息。

　　1.2.3意图预测

　　意图预测，是针对仿真环境中的作战单元、作战群体、甚至敌方整体的作战目标进行分析与预测。"知己知彼，百战不殆",只有了解了敌方的意图，才能够有针对的制定作战计划，因此，意图预测是智能决策的重要基础。传统的意图预测工作主要依赖人类先验知识，使用模板匹配方法、专家系统等方法进行意图的分析与预测[17】。夏曦[18]在模板匹配的基础上，设计了目标意图识别方法，其采用的不确定性推理方法对兵棋推演系统决策具有一定优势。曾鹏等人t19】分析了计划识别（PlanRecognition,PR）问题的共性，设计实现了完整的战术意图识别模型，在知识获取和推理效率方面有了很大改进。伍之前等人|2G]结合知识推理与多属性决策的的优点，提出了一种空中目标攻击意图判断模型，避免了因战场信息过多导致专家知识"组合爆炸"的问题。同时保证了系统的计算速度。除此之外，机器学习和深度学习也是意图预测的重要手段，如袁再江等人[21]使用马尔可夫分析法对作战意图识别进行了建模，是一种基于时序信息的预测模型。马静[22]设计了基于贝叶斯网络（BayesianNetwork）的战场作战意图识别方法，与专家认知常识具有一定的一致性。欧微等人【23]等人研究了栈式自编码器（StackedAuto-Encoder,SAE）在意图识别方面的应用，该方法可以更好地挖掘目标信息中的时序特征

　　1.2.4影响力地图

　　影响力地图（InfluenceMap,IM），又称势力图，是一种经常被用于游戏AI的决策支持技术，其使用网格描述游戏各方各种影响力在游戏空间中的分布，从而为决策机构提供决策依据。影响力地图经常被用于游戏开发中，NathanWirth等人使用了线性衰减、欧式距离计算影响力的方式，在吃豆人女士游戏中设计了一个简单的影响力地图模型，通过实验搜索的方式找出了合理的参数范围，并测试了简单的迭代优化算法（爬山算法/贪心算法）在影响力地图参数确定中的作用。JohanSvensson等人同样在吃豆人女士游戏中，利用影响力地图设计了决策模型[25],但其中使用了A*寻路的路径长度作为传播依据，衰减方式为指数衰减，参数确定方式与相同。相较于[4]提出的模型，在精度和性能上有所改善。ChrisMiles等人将协同进化算法与影响力地图结合，并应用于实时战略游戏中【26"29].此外HyimsooPark等人13（）】将蒙特卡洛树搜索与影响力地图结合，在通用视频游戏领域进行了一定探索。K.Cho等人[3I]将影响力地图与Q-Learning算法结合，使用影响力地图来加速Q-Learning学习过程。

　　DaveMark在间中介绍了一个框架，可以轻松创建和操纵影响力地图，从而可以从中提取各种信息，并用于诸如情境分析、战术决策之类的工作，但其中仍未考虑动态信息。上述研宂中使用的传统影响力地图中，都是将当前游戏系统中各个单元的静态状态进行处理和表示，并不能表示动态信息。S卩，某单元运动时，在影响力地图中，并不能反应出该单元在运动方向上与其他方向上影响力的不同。Tozour在中给出了影响力地图概念，介绍了影响力地图所用到的不同传播方式、衰减方法，并对影响力地图构建提供了一些经验性的指导。其中还介绍了一种使用影响力地图编码动态信息的方法，但这种方法过于简单且不够准确，容易造成局部影响力趋势错误。

　　1.3研究内容与目标

　　传统决策AI-般采用三层结构，分别为战略（Strategy）、战术（Tactics）、反应控制（Reactivecontrol）的决策。战略层决策通常持续时间较长，是最高的抽象层次，控制着整个战争的进程。战术层的决策可以控制局部的战斗单位组的整体行为，持续时间次之，是当前战略决策的实施过程，需要确定军队的定位，动作，时机等等问题。反应控制层决策通常对应着单个作战单位的行为，是战术的执行，持续时间最短。通常，上层的决策对下层的决策具有指导性作用。本研究主要针对战术层决策机构，设计决策支持模型，为战术层决策提供更加全局态势信息，其总体结构如图1-1所示。

　　在高度仿真的兵棋推演系统中，采用的均是非完全信息博弈，因此战术决策系统不仅要考虑进攻、防御等任务，还需要考虑侦察等任务的规划，决策支持系统应当为多种不同的任务提供必要的信息。在非完全信息博弈中，决策支持系统不仅要收集敌方的可测信息，还需要根据历史信息对其组成、目的进行预测，提供更完整的敌方信息，为决策机构提供更全面的依据。因此决策支持系统分为以下三部分：?作战群体识别是群体识别的基础，降低决策模型负担，防止对同一群体中的多个个体多次进行处理。？作战意图分析敌方作战群组的意图，便于决策模型对敌方可能的活动提早作出应对。？态势描述将战场态势以结构化的形式进行表示，使得决策模型对战场态势理解更加全面。

　　1.3.1作战群体识别

　　现代战争中，作战任务的执行具有混同化、大密度、高复杂性的特点，经常出现多个作战实体，相互协同，执行同一的任务。例如美军在作战中就经常以各军种混合的联合特遣队作为执行作战任务的最小单位完成其作战意图因此群体识别是态势评估中的重要基础，通过将战场上的大量作战实体聚合为多个作战实体群，简化战场态势信息，为作战意图预测和进一步的指挥决策提供的必要的信息。在传统的态势评估研究中，研究敌方作战群体的领域称为兵力聚合。兵力聚合通常需要解决两个问题，即战斗实体的聚类（群体识别）和聚类得到的实体群的分类（群体类型识别）。前者可看作一个聚类或者关联问题，是群体跟踪研宄的重点。后者则是在聚类基础上进一步识别作战群体的类型特征。t34]执行同一任务的作战实体，通常具有相同或形似的静态特性和动态特性，这些作战群体的相似特性，为群体识别提供了理论依据。本研宄将针对战斗实体的聚类问题进行探索，深入挖掘作战单元的属性与特征，识别其群体关系。

　　1.3.2战术意图预测

　　"知己知彼"是赢得战争胜利的一个必要前提，而对敌方作战意图的识别是"知彼"的一个重要方面P5].因此基于上述作战群体识别，还需要进一步预测敌方作战群体的意图。对战场目标作战意图的快速、准确和自动识别，是智能决策的前提和基础，是态势评估的核心内容。战术意图包括侦察、监视、攻击、突防、撤退等，其通常由多个战术动作组合完成，因而目标状态呈现动态、时序变化特征[23].因此作战意图识别是与时间序列相关的问题。当前很多研究仍仅通过评估单一时刻内群体的属性与行为来推测战斗意图，难以有效地从时序变化的目标状态特征中分析、挖掘其中隐含的深层信息，因此基于时序特征的意图识别才是该问题解决方案的发展趋势。

　　本研究借助循环神经网络方便处理序列数据的特性，设计实现了意图识别模块，可以高效地识别敌方的作战意图。

　　1.3.3战场态势描述

　　对战术级决策来说，无论是管理的兵力，还是需要应对的敌人，都呈现出数量繁多、种类多样的特点。若仅将各个实体的状态作为战术指挥的依据，显然不能全面地理解战场态势。对于人类来说，通过观察战场各个兵力的位置、状态、己方兵力执行的任务、判断敌方兵力的意图，即可在意识中形成对战场宏观上的认识，但决策模型很难形成这一维度上的认知。因此对于兵棋推演指挥系统来说，量化战场的态势是也是十分重要的。影响力地图是一种经常被用于游戏AI的决策支持技术，可以反应战场的整体状态。但传统的影响力地图或者缺乏对动态信息的表示，或者对动态信息的表示十分不准确，容易导致AI主体做出错误的决策。为了解决影响力地图不易描述动态信息的问题，本研究对影响力地图的传播方式和衰减方式进行了研究，提出了基于距离调整的动态影响力地图模型，根据产生影响的对象的运动趋势，对影响传播过程中的需要计算的距离进行调整，达到在运动方向附近和其他方向不同的传播效果和最终影响力，将运动趋势信息编码于最终的影响力地图中，为决策过程提供支持。本研究结合上述动态影响力地图，为战场状态提供统一数学描述，便于决策模型理解整体态势，从而作出智能的决策。

　　1.4论文结构安排

　　论文组织结构预计分为五章，内容安排如下：

　　第一章介绍论文背景及意义，明确文章的研究内容，介绍决策支持系统的模块设置，各个模块间的关系，并介绍论文的组织结构。

　　第二章介绍文章中所用到的一些基本理论与技术，分为循环神经网络、孪生网络、影响力地图三个部分。

　　第三、四章中的模型均是基于这些知识的设计或对于这些模型的改进。该部分内容的介绍，有助于读者对之后内容的理解。第三章首先介绍了基于孪生循环神经网络的群体识别方法，介绍了模型的训练、预测方法、训练技巧，以及该方法在数据集上的表现。之后，又介绍了基于循环神经网络的意图预测方法，介绍了模型的设计、以及在训练集上的效果。

　　第四章首先介绍了其他研宄中，对于影响力地图中的动态信息表示的方法，以及其缺点。

　　其次介绍了本研究所设计的基于距离调整的动态影响力地图模型，详细讲解了其于不同的传播方式的结合方式。之后介绍了动态影响力地图在实际游戏环境中的测试以及效果。

　　最后设计了面向兵棋推演基于动态影响力地图的战场态势表述方法，明确了需要计算的各种影响力，以及其计算方法。？第五章是对论文做总结，并对下一步研究工作的展望。

　　第二章基本理论
　　2.1循环神经网络
　　2.1.1简单的循环神经网络
　　2.2孪生网络
　　2.2.1结构
　　2.2.2损失

　　2.3传统影响力地图
　　2.3.1影响力衰减方式
　　2.3.2传播方式
　　2.3.3整体影响力地图的计算

　　第三章基于循环神经网络的兵力群体识别与意图识别算法
　　3.1问题分析
　　3.2带激活状态的循环神经网络单元
　　3.2.1传统循环神经网络在兵棋推演系统中的问题
　　3.2.2带激活状态的循环神经网络单元的设计

　　3.3群体识别
　　3.3.1模型设计
　　3.3.2训练方法
　　3.3.3模型效果

　　3.4意图预测
　　3.4.1预测模型
　　3.4.2样本获取
　　3.4.3模型效果

　　3.5群体识别与意图预测模型间的参数共享
　　3.5.1多任务学习
　　3.5.2多任务学习模型
　　3.5.3多任务学习模型的效果

　　第四章基于动态影响力地图的战场态势描述方法
　　4.1基于距离调整的动态影响力地图模型
　　4.1.1位置偏移法及其缺陷
　　4.1.2基于距离调整的动态影响力地图模型
　　4.1.3与不同传播方式的结合
　　4.1.4传播效果分析

　　4.2基于距离调整的动态影响力地图模型验证实验
　　4.2.1实验平台
　　4.2.2模型与吃豆人女士游戏的结合
　　4.2.3实验方案
　　4.2.4实验结果
　　4.2.5讨论

　　4.3基于动态影响力地图的兵棋推演态势描述
　　4.3.1群体传播算法
　　4.3.2态势描述中的影响力地图图层

第五章总结与展望

　　5.1本文主要创新点

　　针对兵棋推演系统中，智能决策模型难以理解战场总体态势的问题，本文深入调研了兵棋推态势评估的相关知识，学习了游戏人工智能中相关技术，使用神经网络和影响力地图，解决了决策支持系统中的相关问题。并做出了如下创新：?设计实现了带激活状态的循环神经网络单元，在传统神经网络单元的基础上，增加了一个二值门结构，方便神经网络模型设计者根据数据特点，自由地控制循环神经网络中的信息的正向传播和梯度的反向传播。同时，设计了对应的包含激活状态的对比损失函数和交叉熵损失函数，用以控制在模型优化过程中损失的计算。

　　将群体识别问题，转化为两个样本是否属于同一群体的问题，并使用孪生网络进行对该问题进行建模。在预测阶段，通过神经网络提取各个样本的特征，并计算两两样本之间的距离，并得到距离矩阵，通过阈值的设定，保证较高的精确率，之后通过简单的图搜索算法，得到群体识别的结果。？使用多目标学习，在群体识别模型和意图预测模型间共享参数，通过循环神经网络对样本提取特征，之后再将该特征分别通过两个线性层，得到样本在计算距离的空间中的向量，和样本的意图预测的概率。参数的共享减少了整个模型的参数数量，提高了预测效率。？设计和实现了基于距离调整的动态影响力地图模型，通过调整产生影响的实体于要计算影响的位置之间的距离，调整实体在其运动方向和其他方向产生的影响里，使得其运动方向影响力较大，其他方向影响力较小，从而提高了影响力地图模型对信息的表现能力和准确性，同时避免了趋势错误的情况。

　　5.2未来工作

　　对于兵棋推演中的决策支持系统，本文进行了相关的设计，并进行了实验，但在设计过程中，对一些问题进行了简化，后续可以逐步对模型进行细化于重新设计，进一步提尚模型的性能。

　　在兵棋推演系统中，指挥官的一条命令通常包含三部分：任务类型、执行者、任务目标。在群体识别中，使用孪生循环神经网络，对敌方兵力进行了分组，其本质是预测了命令中的执行者，得出了哪些可能是执行同一指令的单元。对于这一作战分组，其作战意图应当包括任务类型、任务目标。但在本文的意图预测模型中，对该问题进行了简化，只对任务类型进行预测，从而将该问题转化为常规的分类问题，使用了循环神经网络模型进行了分类工作。在未来工作中，可以针对任务目标的预测进行进一步的研究。在基于距离调整的动态影响力地图模型的设计中，采用了固定的距离调整参数a.考虑到不同运动速度的实体，其在运动方向其其他方向影响力的差异也应当不同。运动速度快的实体，其在运动方向产生的影响应当越大，范围也应当越大；运动速度慢的实体，其在运动方向产生的影响应当越小，范围也较小。因此，如何下一步可以考虑设计针对不同速度的实体，动态设定距离调整参数a,或重新设计距离调整算法。

致谢

　　时光荏苒，转眼间，三年的硕士研究生生活即将结束。三年来，在老师和同学的帮助下，我不论是在技术水平，还是学术能力方面，都有了很大的提升。在论文写作和相关实验设计中，得到了许多关怀和帮助，现在我要向他们表示最诚挚的感谢。我要深深的感谢我的导师芦效峰副教授。芦老师为人和善，在论文的选题和写作期间，都给予了极大的关怀和鼓励，每当遇到挫折，芦老师总会不厌其烦的指导我，安慰我，并为我提供新的思路。我原本论文写作能力较差，在芦老师的帮助下，在论文写作方面有了一定的提升。在本论文和学术论文写作期间，芦老师多次帮我检查，提出修改意见，没有芦老师的帮助，我的学术论文发表也将会很困难。芦老师严谨的治学之风和对事业的孜孜追求将影响和激励我的一生，他对我的关心和教诲我更将永远铭记。借此机会，我谨向芦老师致以深深地谢意！同时我要感谢我同实验室的同学蒋方朔、周萧等，三年来，我们互相勉励，在遇到问题时经常一起讨论，克服学习与研究中的困难，共同构建了良好的实验室氛围，能够在这样一个团队中度过研究生阶段，是我极大的荣幸。他们在我的论文写作中，也给予了极大的帮助。我也要感谢同宿舍的同学，感谢他们的包容和在生活、学业、工作方面的帮助。我还要特别感谢我的家人，我的父母。在家庭并不富裕的情况下，我的家人支持我完成了硕士研究生期间的学业，在物质和精神上给了我莫大的帮助。为了按时完成论文，2018-2019学年的寒假，并没有能很好陪伴他们，未来生活中，我一定多抽出更多时间陪伴我的父母。最后，谨向各位论文审查老师和答辩评委致诚擎的谢意

　　附录
　　参考文献

（如您需要查看本篇毕业设计全文，可点击全文下载进行查看）