本发明涉及军事仿真，尤其涉及多域联合作战环境下的军事仿真最优路径识别方法、设备、装置和介质。
背景技术：
1、随着现代战争形态的复杂化，多域联合作战已成为军事行动的重要趋势。在军事训练中，军事仿真作为一种有效的训练手段，能够模拟真实战场环境，提高参训人员的实战能力。然而，在军事仿真中如何快速、准确地规划出多域联合作战下的最优路径，是当前技术面临的一大挑战。现有技术大多难以全面考虑多域作战的复杂性和实时性要求，导致路径规划效率低下或规划结果不理想，也即无法有效识别出最佳的作战路线。
技术实现思路
1、针对以上问题，本技术提出一种多域联合作战环境下的军事仿真最优路径识别方法，其包括：
2、基于gis技术构建一个包含多域联合作战环境的地理环境模型，所述地理环境模型包括对多域联合作战环境下的自然环境因素的模拟和对作战资源分布情况的模拟；
3、分析所述自然环境因素和作战资源分布情况并识别影响路径的关键因素和危险源，并根据各个不同的危险源建立相应的危险源概率模型，所述关键因素包括距离代价，所述危险源包括地形障碍危险、敌方作战力量危险和天气因素危险；
4、基于a*算法识别最优路径，其包括：根据所述关键因素和危险源概率模型，动态调整每个路径上的每个节点的启发函数的权重因子，其中每个节点对应于地理环境模型中的地图栅格，所述启发函数值fn为：
5、fn＝gn+w*(hn+b)
6、其中：fn代表当前第n个节点的启发函数值；gn为从起点到当前第n个节点的实际代价数值；
7、gn＝p1n*wp1n+p2n*wp2n+p3n*wp3n+d
8、p1n为当前第n个节点的地形障碍危险，wp1n为当前第n个节点的地形障碍危险的权重；
9、p2n为当前第n个节点的敌方作战力量危险，wp2n为当前第n个节点的敌方作战力量危险的权重；
10、p3n为当前第n个节点的天气因素危险，wp3n为当前第n个节点的天气因素危险的权重；
11、其中，wp1n+wp2n+wp3n＝1；
12、d为起点到当前第n个节点的距离代价；
13、w为从当前第n个节点到终点的预估代价数值的权重；
14、hn为从当前第n个节点到终点的预估代价数值；
15、b为偏移量。
16、根据本发明的一些实施例，所述地形障碍危险p1n＝mn*w1n+gn*w2n；
17、mn是当前第n个节点处的海拔高度，w1n为当前第n个节点处的海拔的权重参数，gn为当前第n个节点处的地形代价难度，w2n为当前第n个节点处的地形的权重参数；
18、所述敌方作战力量危险为雷达探测危险，用于表示当前第n个节点处被敌方雷达探测到的危险程度，所述敌方作战力量危险p2n＝ln*w3n，其中，ln为当前第n个节点处的危险级别，w3n为当前第n个节点处的危险级别系数；
19、天气因素危险p3n＝sn*w4n，其中，sn为当前第n个节点处的天气情况指数，w4n为当前第n个节点处的天气的权重系数。
20、根据本发明的一些实施例，所述的基于a*算法识别最优路径包括：
21、s21.创建一个开放列表和一个闭合列表,开放列表代表尚未经过的栅格节点，闭合列表代表已经到访过的栅格节点；
22、s22.将起始节点加入到闭合列表中，以及将起始节点的相邻节点加入到开放列表中；
23、s23.计算开放列表中的相邻节点的启发函数值f，并将每个节点的f值保存在开放列表内，比较每个节点的f值，将f值最小的节点放入闭合列表；
24、s24.判断f值最小的节点的相邻节点是否在开放列表内，如所述相邻节点不在开放列表中的，将所述相邻节点加入到开放列表中，并对新加入到开放列表中的节点计算其f值；如果所述相邻节点已经在开放列表中，重新计算所述相邻节点的f值；比较开放列表中所有节点的f值，将f值最小的节点作为最优路径的节点，并将前一个最优路径的节点重新规划为父节点，以及将该步骤中的f值最小的节点作为父节点的子节点；
25、s25.重复上述步骤，得到最终的最优路径。
26、根据本发明的一些实施例，所述方法还包括根据当前节点距离目标终点的距离，调整w值，使w值与距离成反比。
27、根据本发明的一些实施例，还包括：在当前节点距离目标终点大于一个阈值时，使用相对较大的w值，在当前节点距离目标终点小于或等于一个阈值时，使用相对较小的w值。
28、根据本发明的一些实施例，所述方法还包括实时监测地理环境变化，并基于监测结果动态调整最优路径，所述地理环境变化包括自然环境因素的变化和作战资源分布的变化。
29、本技术还提供一种用于多域联合作战环境下的军事仿真最优路径识别的装置，其包括：
30、地理环境构建模块，其用于基于gis技术构建一个包含多域联合作战环境的地理环境模型，所述地理环境模型包括对多域联合作战环境下的自然环境因素的模拟和对作战资源分布情况的模拟；
31、危险概率模型模块，其用于分析所述自然环境因素和作战资源分布情况并识别影响路径的关键因素和危险源，并根据各个不同的危险源建立相应的危险源概率模型，所述关键因素包括距离代价，所述危险源包括地形障碍危险、敌方作战力量危险和天气因素危险；
32、路径规划算法模块：其基于a*算法识别最优路径，包括：根据所述关键因素和危险源概率模型，动态调整每个路径上的每个节点的启发函数的权重因子，其中每个节点对应于地理环境模型中的地图栅格，所述启发函数值为：
33、fn＝gn+w*(hn+b)
34、其中fn代表当前第n个节点的启发函数值；gn为从起点到当前第n个节点的实际代价数值；
35、gn＝p1n*wp1n+p2n*wp2n+p3n*wp3n+d
36、p1n为当前第n个节点的地形障碍危险，wp1n为当前第n个节点的地形障碍危险的权重；
37、p2n为当前第n个节点的敌方作战力量危险，wp2n为当前第n个节点的敌方作战力量危险的权重；
38、p3n为当前第n个节点的天气因素危险，wp3n为当前第n个节点的天气因素危险的权重；
39、其中，wp1n+wp2n+wp3n＝1；
40、d为起点到当前第n个节点的距离代价；
41、w为从当前第n个节点到终点的预估代价数值的权重；
42、hn为从当前第n个节点到终点的预估代价数值；
43、b为偏移量。
44、根据本发明的一些实施例，路径规划算法模块还用于执行以下步骤：
45、s21.创建一个开放列表和一个闭合列表,开放列表代表尚未经过的栅格节点，闭合列表代表已经到访过的栅格节点；
46、s22.将起始节点加入到闭合列表中，以及将起始节点的相邻节点加入到开放列表中；
47、s23.计算开放列表中的相邻节点的启发函数值f，并将每个节点的f值保存在开放列表内，比较每个节点的f值，将f值最小的节点放入闭合列表；
48、s24.判断f值最小的节点的相邻节点是否在开放列表内，如所述相邻节点不在开放列表中的，将所述相邻节点加入到开放列表中，并对新加入到开放列表中的节点计算其f值；如果所述相邻节点已经在开放列表中，重新计算所述相邻节点的f值；比较开放列表中所有节点的f值，将f值最小的节点作为最优路径的节点，并将前一个最优路径的节点重新规划为父节点，以及将该步骤中的f值最小的节点作为父节点的子节点；
49、s25.重复上述步骤，得到最终的最优路径。
50、本技术还提供一种用于多域联合作战环境下的军事仿真最优路径识别的设备，其包括处理器和存储器；该处理器基于存储器中存储的计算机程序，执行所述的方法。
51、本技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时，运行所述的方法。
52、通过本发明，可以实现多域联合作战情况下的作战路径的高效、安全、精准规划，提升军事仿真训练的实战化水平。
1.多域联合作战环境下的军事仿真最优路径识别方法，所述方法包括：
2.根据权利要求1所述的多域联合作战环境下的军事仿真最优路径识别方法，其中，所述地形障碍危险p1n＝mn*w1n+gn*w2n；
3.根据权利要求1所述的多域联合作战环境下的军事仿真最优路径识别方法，其中，所述的基于a*算法识别最优路径包括：
4.根据权利要求1所述的多域联合作战环境下的军事仿真最优路径识别方法，还包括根据当前节点距离目标终点的距离，调整w值，使w值与距离成反比。
5.根据权利要求1所述的多域联合作战环境下的军事仿真最优路径识别方法，还包括在当前节点距离目标终点大于一个阈值时，使用相对较大的w值，在当前节点距离目标终点小于或等于一个阈值时，使用相对较小的w值。
6.根据权利要求1所述的多域联合作战环境下的军事仿真最优路径识别方法，还包括实时监测地理环境变化，并基于监测结果动态调整最优路径，所述地理环境变化包括自然环境因素的变化和作战资源分布的变化。
7.用于多域联合作战环境下的军事仿真最优路径识别的装置，其包括：
8.根据权利要求7所述的装置，其中，路径规划算法模块还用于执行以下步骤：
9.用于多域联合作战环境下的军事仿真最优路径识别的设备，其包括处理器和存储器；该处理器基于存储器中存储的计算机程序，执行权利要求1-6之一所述的方法。
10.计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时，运行权利要求1-6之一所述的方法。
