自行高炮CGF实体智能机动行为仿真

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (2): 227-229.

自行高炮CGF实体智能机动行为仿真

王鹏，朱元昌，邸彦强

军械工程学院光学与电子工程系，石家庄 050003

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-11 发布日期:2012-01-11

Simulation of intelligent dynamic behavior for anti-aircraft gun element CGF entity

WANG Peng, ZHU Yuanchang, DI Yanqiang

Department of Optical & Electrical Engineering, Ordnance Engineering College, Shijiazhuang 050003, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-11 Published:2012-01-11

摘要/Abstract

摘要： CGF系统是未来作战仿真所必备的技术支持，在介绍CGF系统的基础上，提出了以智能仿真为依托，兼顾底层机动自主和高层决策可控的设计思路。研究了自行高炮连CGF实体在机动性能方面的仿真，通过对高炮机动性能中物理行为和认知行为的研究，运用BP神经网络实现CGF实体智能机动行为的建模，并建立了动态障碍的规避模块。较好解决了中各车行进中出现的实体碰撞问题，结合实际应用对模型进行了可行性验证。

关键词: 计算机生成兵力, 智能机动仿真, BP神经网络, 动态障碍规避

Abstract: CGF system is an indispensable technical support of the future fight emulation. Based on introducing the CGF, put forward the design scheme combined higher level decision controllability with underlying mobility autonomy, study the emulation of the anti-aircraft gun element CGF entity in flexible performance, through the study of physical behavior and the intelligent behavior, using BP neural network to realize simulation of intelligent dynamic behavior for the CGF entity, set up the evading module of dynamic obstacle, which solve the problem of colliding of the entity in the course entered of every garage, at last verify the feasibility of the model in consideration of practical application.

Key words: Computer Generated Forces（CGF）, simulation of intelligent dynamic, BP neural network, evading module of dynamic obstacle

王鹏，朱元昌，邸彦强. 自行高炮CGF实体智能机动行为仿真[J]. 计算机工程与应用, 2012, 48(2): 227-229.

WANG Peng, ZHU Yuanchang, DI Yanqiang. Simulation of intelligent dynamic behavior for anti-aircraft gun element CGF entity[J]. Computer Engineering and Applications, 2012, 48(2): 227-229.

[1]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[2]	黄晶晶，王建宏. 分数阶非因果BP神经网络模型[J]. 计算机工程与应用, 2021, 57(23): 91-97.
[3]	曹林根，宓超. 集装箱箱号字符识别算法研究[J]. 计算机工程与应用, 2021, 57(15): 178-185.
[4]	楚彭子，虞翊，林辉，袁建军，姜西. ATO系统速度控制的BP-FIPID算法[J]. 计算机工程与应用, 2020, 56(22): 224-229.
[5]	冯玉芳1，2，卢厚清1，殷宏1，曹林1. 基于BP神经网络的故障诊断模型研究[J]. 计算机工程与应用, 2019, 55(6): 24-30.
[6]	邓烜堃1，2，万良1，2，黄娜娜1，2. 基于DAE-BP神经网络的股票预测研究[J]. 计算机工程与应用, 2019, 55(3): 126-132.
[7]	王勇，杨锦，王瑛. 改进Henon超混沌系统与AES结合的图像加密算法[J]. 计算机工程与应用, 2019, 55(22): 180-186.
[8]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[9]	高昂，段莉，张国辉，董志明，曹洁，郭齐胜. 计算机生成兵力行为建模发展现状[J]. 计算机工程与应用, 2019, 55(19): 43-51.
[10]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[11]	卞京红1，贺兴时1，范钦伟1，伊宝民2. 基于自适应花授粉算法的BP神经网络结构优化[J]. 计算机工程与应用, 2018, 54(3): 50-56.
[12]	赵亚飞，韦广梅. 基于BP神经网络的有限元应力修匀的研究[J]. 计算机工程与应用, 2018, 54(13): 67-72.
[13]	韦鹏宇1，2，4，潘福成1，2，3，李帅3. 改进人工蜂群优化BP神经网络的分类研究[J]. 计算机工程与应用, 2018, 54(10): 158-163.
[14]	周静1，赵鲁阳1，罗炬锋1，2. 基于时域特征提取的围栏入侵模式分类方法[J]. 计算机工程与应用, 2017, 53(21): 98-102.
[15]	刘裕国，王浩，姚宏亮，李俊照. 水平窗口能量计算的股市趋势预测算法[J]. 计算机工程与应用, 2017, 53(21): 225-232.