新闻详情

新闻详情

首页 / 资讯中心 / 详情

CMO决策模型-阵营与想定详解

发布时间:2026/11/14 21:53:25来源:尧图网络
CMO决策模型-阵营与想定详解
7.4 Side 与 Scenario阵营与想定Side 表示一个作战阵营是条令、接触、任务与评分的持有者。表 7-5 Side 主要字段与属性字段/属性 数据类型 默认值 含义推断Name (属性) string 阵营名称IsHumanControlled bool 是否由人操作IsAIOnly (属性) bool 是否纯 AI 阵营Doctrine Doctrine 阵营级条令继承链的根Missions ReadOnlyCollection m_RoleFacade.AsReadOnl 本阵营的全部任务Units List 本阵营的全部单元Contacts ObservableDictionarystring, Contact RateOrder() 本阵营持有的接触敌情图BaseContacts ObservableDictionarystring, Contact CollectOrder() 基础接触集合Contacts_NonAU HashSet 非活动单元类接触如地面固定目标情报ContactsJustSharedWithMe HashSet 盟友本步共享过来的接触Postures_ReadOnly (属性) ReadOnlyCollectionKeyValuePairSide, Misc.PostureStance 对其他各阵营的敌友态度敌对/中立/友好/非交战AwarenessLevel (属性) AwarenessLevel_Enum 态势感知等级决定初始情报完备程度Proficiency (属性) GlobalVariables.ProficiencyLevel 整体训练水平EmconAlertness EmconLevel 辐射管制警戒级别Nature bool 是否为“自然”方承载环境要素、中立生物等ExclusionZones List 禁止进入区交战规则约束NoNavZones List 禁航区CustomEnvironmentZones List 自定义环境区可覆盖地形高度与水文条件StandardZones List 标准区域定义RefPoints (属性) ObservableList 参考点集合任务区、航线锚点的几何基础WeaponSalvos WeaponSalvo[] 齐射批次记录Chalks List 空运/空降批次ChalkLandingPlans List 着陆计划集合SpecialActions Dictionarystring, SpecialAction 特殊行动想定作者定义的可触发事件AARAAR 战后讲评记录After Action ReportScoringLog List 评分日志Scoring_Disaster int? “惨败”评分门限Scoring_MajorDefeat (属性) int “大败”评分门限Scoring_MinorDefeat (属性) int “小败”评分门限Scoring_Average (属性) int “平局”评分门限Scoring_MinorVictory (属性) int “小胜”评分门限Scoring_MajorVictory (属性) int “大胜”评分门限Scoring_Triumph int? “全胜”评分门限KnownActiveNuclearWeapons (属性) ListModule_Unit.Unit 已知在飞的核武器触发全局告警AssignsCollectiveResponsibility bool 是否实行连带责任一单元违规牵连全阵营态度CanAutoTrackCivs bool 是否自动跟踪民用目标DisableMultiDomainTOT bool 是否禁用跨域同时到达TOT协同Briefing (属性) string 任务简报文本Operation (属性) Operation 所属战役行动名称Scenario 是仿真的顶层容器112 个字段、33 个属性除持有全部阵营、单元、爆炸、水雷、箔条云等对象外还承担两项关键的引擎职责。其一是时间脉冲分频。Scenario 维护了一组“时间刻度变化”标志——SecondIsChangingOnThisPulse、FifthSecondIsChangingOnThisPulse、MinuteIsChangingOnThisPulse 直至 TwentyFourHourIsChangingOnThisPulse共 11 级。不同频率的计算挂载在不同刻度上运动学每秒更新传感器扫描按其扫描周期更新而后勤补给、疲劳恢复等慢过程按小时或日更新。这是在保证物理精度的同时控制计算量的关键工程手段。其二是大规模缓存。Scenario 中以 Cache为前缀的字段多达二十余个Cache_Sensors、Cache_XSections、Cache_PowerplantAltBands、Cache_AllPossibleEmissionsPerUnit、Cache_SensorCompatibleFrequencies 等把数据库查询结果与跨单元的关联关系预先展开。由于探测计算需要在每个脉冲对“全部传感器 × 全部目标”组合求解这些缓存是维持大规模想定可运行性的前提。此外 Scenario 支持蒙特卡洛批量运行MonteCarloIteration、无界面运行RunningHeadless、战役模式IsRunningInCampaignMode与 Lua 沙箱脚本Scenario_LuaSandbox并通过 ApplicableEventExporters 支持仿真事件的外部导出具备作为分析工具批量产生统计样本的能力。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉