基于图神经网络GraphVAE的兵棋态势预测方法

在战场上敌我双方作战的过程中,准确地预测敌方的兵力部署将有利于我方的作战。基于兵棋推演的态势数据,通过训练图神经网络,提出了预测敌方未知算子位置的方法。首先,在对数据进行预处理后,实现了态势到图结构数据的转化,构造了兵棋态势的图结构数据集,用于图神经网络的训练。其次,根据兵棋态势及其数据的特点改造了GraphVAE模型,实现了兵棋态势图结构数据的补全。最后设计了基于补全后的图结构数据,计算敌方算子位置的方法。通过实验证实了该方法的有效性和可行性。

战场态势是对战场上作战双方的当前状态和作战形式的描绘,是指挥员整体把握战场信息,实施作战指挥决策的前提和依据[1]。在我方难以“无死角”地感知战场全局态势的情况下,如果能够利用战场上已知的局部数据信息预测出敌方兵力分布,将会有利于我方辨别敌方意图,把握取得制胜的关键[2]。面对海量、复杂的战场数据,如何处理已知数据并进行数据补全以准确地预测敌方算子位置是对抗的关键问题所在。

在军事智能化的背景下,兵棋推演成为战争模拟和战术设计的重要辅助[3]。本文以2021“庙算杯”分队级人机对抗测试赛提供的《庙算陆地指挥官》兵棋推演平台态势数据[4]为基础,对地图上敌方算子兵力分布及位置坐标进行预测,以应对战争迷雾下我方不知道未观察到的敌方算子位置及其他部分信息的情况。但是,如果直接利用平台提供的态势数据进行敌方算子位置的预测会十分困难,一方面,每一帧态势图的算子位置信息在一定的时间内变化不明显,甚至没有变化,导致多帧态势数据存在大量重复,造成数据的冗余;另一方面,算子位置仅占据整个地图位置数据的一小部分,且分布不集中,导致数据十分稀疏,难以提取,再者敌我双方算子之间的关系信息十分丰富,难以表示。因此,本文尝试将态势数据预处理为图结构数据,这样既解决了态势数据重复性、稀疏性的问题,又能够很好地表示算子与算子之间的复杂关系。

预测敌方算子位置另一关键问题是如何在已知我方态势信息和与敌方的部分关联关系信息的情况下补全图结构中的算子关系信息。图神经网络(Graph Neural Networks,GNN)[5]作为深度学习中处理非结构化图数据的热门技术,能够以图结构数据为输入,实现准确的预测。受变分自编码器(Variational Auto Encoder,VAE)[6]的启发,Martin Simonovsky等人将图神经网络和变分自编码器进行结合,提出了GraphVAE模型[7],通过编码器对已知的图结构进行编码,学习到原图结构的向量表示分布,在分布中采样得到图的向量表示,然后通过解码器生成概率图,实现了图结构的重建生成和信息补全。本文使用该模型补全图结构中的算子关系信息,再将补全的图结构进行敌方算子位置的预测,主要工作框架如图1。

图1 主要工作框架因此,本文的主要工作包括: 1)对兵棋推演中的态势数据进行预处理,在预处理的基础上,将态势图转化成图结构数据,算子作为图中的节点,算子之间的关联关系作为图中的边属性。 2)把图结构数据应用到图神经网络GraphVAE模型上进行数据信息的补全,重建并生成补全算子关系信息后的图。 3)根据补全后的图结构,预测出敌方算子在地图上的位置坐标范围。