一种基于超网络的指控网络分层演化方法与流程

本发明属于指挥控制网络建模领域，具体说是一种基于超网络的指控网络分层演化方法。

背景技术：

随着通信与网络技术在现代局部战争中的广泛应用，信息战逐渐成为战场上一种新的作战方式；但是战场机动性空前增强、活动空间增大、指挥协同关系更为复杂，因此对指挥控制网络的建设提出了更高要求，使得作为信息传输载体的指挥控制网络具有举足轻重的作用。

由于指挥控制网络具有节点异质、链路多重和拓扑时变等特征，传统的基于经典图论的网络结构模型难以准确描述其结构和功能特性、传统的网络分析方法难以体现其军事应用特性。而超网络作为一种新的理论视角，具有网络嵌套、多层结构、多维信息、多种属性等特性，在指挥控制网络模型研究中得到广泛关注。

技术实现要素：

针对现有一些网络模型存在演化单一的问题，很难与现实世界中的网络进行融合，本申请提供了一种基于超网络的指控网络分层演化方法，使得指控网络指挥效率更高、节点间连通性更好、组织结构可靠性更强、节点功能更多的性能。

为实现上述目的，本申请采用的技术方案是：一种基于超网络的指控网络分层演化方法，具体包括：

步骤一：抽象指控网络节点间关系；

步骤二：构建指控超网络分层演化模型；

步骤三：对构建的分层演化模型进行仿真，验证其网络特性。

进一步的，指挥控制网络的节点分为三个层次，包括感知层、指挥层、火力层；

节点抽象成网络中的超节点，节点间的连接关系抽象成网络中的超边；用一条超边把相关的情报节点、火力节点和指挥节点相连，构成一组作战关系；同时，指挥节点之间、火力节点之间、感知节点之间存在信息交互，节点之间用一条超边相连代表彼此之间的通信；任意两类节点之间在某种情况下存在相应的通信关系，用超边进行相连。

进一步的，指控超网络分层演化模型的构建过程如下：其中，K代表需构建的指挥控制网络总层数，Mn表示第n层每次增加新节点数目，Cn表示第n层增加新节点的次数：

(1)初始化：已有一条超边，连接m个节点；

(2)网络节点增加：在第n层时间步tn时，且1≤n≤K，从现有网络节点中，按概率P(i)选择一个节点，用一条超边把这个节点和新加入的Mn个节点连接；

(3)层次变换：当第n层新节点增加Cn次后，进入(n+1)层建模，在第(n+1)层中每次增加的节点数变为M(n+1)，在该层增加的次数变为C(n+1)次。

进一步的，每次选取节点i的连接概率P(i)等于节点i的超度数dH(i)与超网络中已有节点的超度数总和之比，具体为：

进一步的，为保证实验结果的准确性并使得实验结果有对比性，对构建的分层演化模型进行仿真，设初始状态下由3个超节点和1条超边组成，每次增加的节点与已有节点中的一个节点相连，该组实验分别由一层网络模型，即常规超网络模型和5层网络模型组成，通过仿真建模，对模型的超度分布进行统计。

更进一步的，分别仿真验证K＝1层至K＝7层网络的建模过程。

本发明由于采用以上技术方案，能够取得如下的技术效果：通过该方法建立的分层超网络模型在满足一层超网络模型已有的节点异质性和链路多重性特点的同时，还具有平均距离更小、聚类系数更大、模块度更大、平均度更大的特性，使得指控网络指挥效率更高、节点间连通性更好、组织结构可靠性更强、节点功能更多，对指控网络的建设和研究具有重要指导意义。

附图说明

本发明共有附图8幅：

图1为指控超网络示意图；

图2为指控超网络分层演化过程示意图；

图3为1层网络度分布图；

图4为5层网络度分布图；

图5为K层网络演化模型的平均距离；

图6为K层网络演化模型的聚类系数；

图7为K层网络演化模型的模块度；

图8为K层网络演化模型的平均度。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

指挥控制网络结构演化规律的建模与实证分析研究，是充分认识指挥控制网络功能及其应用的基础。随着网络技术的发展，指挥控制网络节点和边呈现出数量增大、连接形式多样、结构越显复杂等特点。例如，指挥控制网络用普通图可以表示指控节点之间是否有关系，但不能表示一个指挥所内部有两个或多个指挥节点组成，以及一个指挥节点可能与多个指挥所有合作关系的情形。以往处理这类问题采用二分图的方法来解决。在这种情况下，两组点有着不同的意义，节点定义失去了同质性，组内的节点直接不连边，使得一些信息被丢失；此外，指挥控制网络包括感知、指控、打击三类节点很难用二分图或多部分图模型表示。为了解决上述问题，采用个体用节点代表，若干个个体的合作关系用边表示，即图里面的边包含若干个节点，这种图即为超图。超图中的边，可以包含任意多个节点，用来表示多个节点之间的关系。

实施例1

本实施例提供一种基于超网络的指控网络分层演化方法，具体包括：

步骤一：抽象指控网络节点间关系：

指挥控制网络的节点按照功能可以分为三个层次，包括感知层、指挥层、火力层。节点抽象成超网络中的超节点，节点间的连接关系抽象成网络中的超边。指挥节点往往要接收多个情报节点的信息并指挥多个火力节点，可以用一条超边把相关的情报节点、火力节点和指挥节点相连，构成一组作战关系；同时，指挥节点之间、火力节点之间、感知节点之间也存在信息交互，几个节点用一条超边相连代表之间的通信；任意两类节点之间在某种情况下也存在相应的通信关系，可以用超边进行相连。各类节点之间信息交互形成的指控超网络，如图1所示。

图1中的其中一条是从感知、指控、火力三层各选若干节点用一条超边连接，代表一种感知指控打击一体化的作战关系；其中一条是从感知层内选若干节点用一条超边相连，代表感知节点之间相互通信的关系；其中一条是从指挥层和火力层选若干节点用一条超边相连，代表指挥层向火力层发出火力打击的命令的通信关系；其中一条是从指挥层选若干节点用一条超边相连，表示指挥层内节点间的信息共享、作战协调等情况下的通信关系；其中一条是从感知层和指挥层选若干节点用一条超边相连，代表感知节点把采集到的情报发送给指挥节点的通信关系；其中一条是从火力层选若干节点用一条超边相连，代表火力节点间的相互通信关系；其中一条是从感知层和火力层选若干节点用一条超边相连，代表某种作战情况下，感知节点直接把作战信息传输给火力节点，火力节点发动打击任务的通信关系。网络模型演化过程中，每次从已有节点中选择一个节点，并在新增加的节点中与该节点相连形成超边，超边内包含不同类别的节点就代表不同的通信关系。

步骤二：构建指控超网络分层演化模型；具体如下：结合指挥控制网络的层次性特点以及超网络的多层结构特性，提出了K(Mn+1)指挥控制超网络演化模型，考虑了不同层内新加入节点数目与次数不唯一性，表现为数组Mn和数组Cn内的数值不唯一。其中，K代表需构建的指挥控制网络总层数，Mn表示第n层每次增加新节点数目，Cn表示第n层增加新节点的次数。

步骤三：对构建的分层演化模型进行仿真，验证其网络特性。

实施例2

作为对实施例1的进一步限定，指控超网络分层演化模型的构建过程如下：

步骤一，初始化：已有一条超边，连接m个节点；

步骤二，网络节点增加：在第n层时间步tn时，且1≤n≤K，从现有网络节点中，按概率P(i)选择一个节点，用一条超边把这个节点和新加入的Mn个节点连接；

每次选取节点i的连接概率P(i)等于节点i的超度数dH(i)与超网络中已有节点的超度数总和之比，公式为：

步骤三，层次变换：当第n层新节点增加Cn次后，进入(n+1)层建模，在第(n+1)层中每次增加的节点数变为M(n+1)，在该层增加的次数变为C(n+1)次。

根据以上方法，指控超网络分层演化过程如图2所示。每层演化均每次从已有节点中依据度数大小按概率选择一个节点相连。该图初始化是由三个超节点和一条超边组成。分层演化的过程为：第一层每次增加节点数M1＝3，增加C1＝2次；第二层每次增加节点数M2＝2，增加C2＝3次。

实施例3

对实施例2构建的分层演化网络模型进行验证具体如下：为保证实验结果的准确性并使得实验结果有对比性，选取节点数为60000个左右，仿真结果为10次实验的平均值。初始状态下由3个超节点和1条超边组成，每次增加的节点与已有节点中的一个节点相连，以此类推。该组实验分别由一层网络模型，即常规超网络模型和5层网络模型组成，通过仿真建模，对模型的超度分布进行统计，得出统计分布如图3和4所示。实验数据具体为：分别为{K＝1，Mn＝3，Cn＝20000}，一共产生60003个节点和20000条超边，如图3；{K＝5，Mn＝[2，5，7，9，13]，Cn＝[760，960，1140，1800，2280]}，一共产生60140个节点和6940条超边，如图4。

对比图3和图4可以发现，本文采用的分层建模方式也符合幂律分布，同时又对2层--7层分别进行多次不同数据的实验，发现实验结果超度数分布图均符合幂律分布。由此可知，本文采用的分层无标度建模方法具有无标度的特性，即满足指控网络中具有的“富者更富”特性。

实施例4

对实施例2构建的分层演化模型进行进一步仿真验证：为选取指控网络分层演化模型的最优层次，同时考虑到指控网络建模最多不可能超过7层，分别仿真验证了K＝1层至K＝7层网络的建模过程。为使数据满足网络模型中最终均具有大约3000个节点，并且保证实验结果可靠性，每组数据分别进行10次实验，最后取平均值。本申请采用四种网络特征标度，分别为平均距离、聚类系数、模块度、平均度；结果如下图5、6、7、8。

指挥控制网络中平均距离可以表示网络的指挥效率，平均距离越短，代表网络的指挥效率越好；聚类系数可以表示指控网络的结构集团化程度，聚类系数越大，节点之间联系越紧密；模块度可以表示指控网络中组织结构的可靠性，模块度越大，组织结构越可靠；平均度的大小可以反映网络的功能性，平均度越大，节点平均相连的边越多，代表该节点功能越多。

从上述仿真结果可以发现K＝2,3,5,6层的平均距离相对较短；K＝2-7层的聚类系数相对较大；K＝3,4,5,7层的模块度相对较大；K＝2,3,6层的平均度值相对较大。综合四个指标，K＝3-6层网络的建模方式最优，更适合指控网络的演化建模。进而证明，相比于常规的一层网络演化建模，如果采用本文提出的多层演化建模方法得出的模型性能更优，应用到指控网络演化模型后指控效率更高。

本申请提出了一种基于超网络的指控网络分层演化方法，考虑了不同层内新加入节点数目与次数不唯一性，提出了K(Mn+1)的节点加入方法。该分层演化模型服从无标度网络特性，满足指控网络的“富者更富”特点，特征标度明显优于单层网络演化模型，使得指控网络的指挥效率更高、节点间连通性更好、组织结构可靠性更强，对指挥控制网络拓扑的构建具有重要的参考意义。

下面对本申请中的附图进行介绍：

附图1是将指挥实体抽象成节点，实体之间的信息交互抽象成边，按照超网络的连边方式，把各类节点之间信息交互形成关系用指挥控制超网络图1所示。附图2展示了指控超网络分层演化过程。每层演化均每次从已有节点中依据度数大小按概率选择一个节点相连。该图初始化是由三个超节点和一条超边组成。分层演化的过程为：第一层每次增加节点数M1＝3，增加C1＝2次；第二层每次增加节点数M2＝2，增加C2＝3次。附图3是传统的一层网络模型的度分布情况，通过观察可以发现其满足无标度分布。附图4是本申请的方法构建的5层网络模型的度分布情况，通过观察也可以发现其满足无标度分布。附图5是本申请的方法构建1-7层网络模型，分布对不同网络模型的平均距离进行仿真对比，发现第2、3、5、6层的平均距离均比1层的低，这样可以说明分层网络按照某种层次构建可以降低网络的平均距离。附图6是本申请的方法构建1-7层网络模型，分布对不同网络模型的聚类系数进行仿真对比，发现多层网络模型的聚类系数均远远高于1层网络的聚类系数。附图7是本申请的方法构建1-7层网络模型，分布对不同网络模型的模块度进行仿真对比，发现3-7层的模块度均比1层的模块度高。附图8是本申请的方法构建1-7层网络模型，分布对不同网络模型的平均度进行仿真对比，发现多层网络模型的平均度均远远高于1层网络的平均度。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。