缪存铁
武警海警学院 军事训练系 浙江宁波 315801
摘要:国内外对作战效能的研究主要集中在武器装备、毁伤效果、单兵作战等领域,对于单兵综合格斗效能的评估基本上处于空白状态,在2018年新《军事体育训练大纲》再次将刺杀提上训练日程的大背景下,建立科学合理的单兵综合格斗效能评估模型和指标体系是评价训练/实战效能的重要依据。本文结合海警学院实际,在格斗模拟训练的基础上建立单兵格斗效能综合评估模型,并进行仿真验证。
关键词:格斗效能评估;元胞自动机;格斗效能分析;指标体系;
一、背景及问题
1.1、格斗效能评估的必要性
目前的刺杀训练基本集中在刺杀动作的口令、动作要领、动作要求等,与实战的“一击毙敌”期望还有较大差距。此外,刺杀实战中如何掌握先机,敌人反击之后的技战术动作选择等均缺乏有效的教学培训手段,究其原因,还是缺乏客观灵活的格斗效能评估体系。
1.2、使用元胞自动机的意义
元胞自动机可用来研究很多一般现象。其中包括通信、信息传递(Communication)、计算(Compulation)、构造 (Construction)、材料学(Grain Growth)、复制 (Reproduction)、竞争(Competition)与进化(Evolutio,])等(Smith A.,1969;Perrier,J.Y.,1996)。同时。它为动力学系统理论中有关秩序 (Ordering)、紊动 (Turbulence)、混沌 (Chaos)、非对称(Symmetry-Breaking)、分形(Fractality)等系统整体行为与复杂现象的研究提供了一个有效的模型工具 (Vichhac。G,1984; Bennett,C,1985)。
元胞自动机自产生以来,被广泛地应用到社会、经济、军事和科学研究的各个领域。应用领域涉及社会学、生物学、生态学、信息科学、计算机科学、数学、物理学、材料学、化学、地理、环境、军事学等。
1.3、格斗效能评估模型的要求
结合人员实际情况,针对单兵格斗中的假想敌建立单兵格斗效能综合评估模型,并对模型的正确性、适用性、可行性和有效性进行仿真检验,要求做到以下几个方面:
1、根据受训学员的身体条件(身高、体重、力量等指标),想定格斗作战场景(包括受伤、1V1、1V2等)。
2、建立相对科学完整、使用可操作的格斗效能综合评估指标体系,并对其内涵进行说明。
3、给出综合评估指标的数据获取及处理方法。
4、给出格斗效能的度量方法,并建立合理的综合评估模型。
5、对模型进行仿真检验,并将仿真程序作为附件提交。
二、模型假设
1、假设确定的效能指标能够比较全面的代表格斗人员的实际情况,其余未考虑到的对格斗效能评估的影响不大。
2、假设抽样数据随机、具有代表性和普遍性。
3、许多复杂的问题都可以通过元胞自动机来建立模型,元胞自动机实质上是定义在一个具有离散、有限状态的元胞组成的元胞空间上,并按照一定的局部规则,在离散的时间维度上演化的动力学系统。元胞又可称为单元、细胞,是元胞自动机的最基本的组成部分。元胞具有以下特点:
A、元胞自动机最基本的单元。
B、元胞有记忆贮存状态的功能。
C、所有元胞状态都按照元胞规则不断更新。
D、演化规则:
中心元胞的下一个状态由中心元胞的当前状态和其邻居的当前状态按照一定的规则确定。
三、名词解释
元胞自动机(cellular automata,CA) 是一种时间、空间、状态都离散,空间相互作用和时间因果关系为局部的网格动力学模型,具有模拟复杂系统时空演化过程的能力。
格斗效能:我军《装备费用-效能分析》定义作战效能为在预定的最终使用环境以及考虑组织、战略、战术、生存能力和威胁等条件下,由代表性人员使用武器装备完成规定任务的能力。
效能指标:战争中充满了各种各样的不确定性,其中包括发生与否、清晰与否、确知与否等不确定性,正对评估对象的不确定性,便需要根据某种定量尺度加以描述,这种定量尺度就是效能指标或效能量。
四、模型的建立与优化
4.1、模型建立的一般过程
一般情况下,格斗模型的评估过程可以概括如下:
1、明确评估条件、进行系统分析,从而确定评估对象的基本任务、影响要素及相互关系。
2、依据评估对象的影响要素建立一套科学合理的效能评估体系。
3、针对建立的评估模型进行仿真。
4、收集实验样本数据,并进行数据处理分析。
5、对仿真结果进行综合评估、比较。
4.2、1V1“R-W”刺杀模型
1V1“R-W”即1V1“Red-Weak”,模拟红蓝双方白刃战时,红方在身体素质明显不如蓝方或受伤情况下的格斗情形。
Step1情景假设:
1、1V1“R-W”-A子模型,双方距离在合理攻击范围内,红方先手进攻,蓝方随机格挡、防御、躲闪或回击。攻击或回击时有概率刺中要害、刺中和未刺中,其中刺中要害时,对方失去战斗能力,攻方获胜;刺中时,守方体力、技巧、力量、敏捷均下降;未刺中时,攻守双方体力下降。
2、不考虑装备差异、战友支援、战场环境的影响。
Step2确定评估目的:
红方在身体条件不占优的情况下,如何才能取得更好的格斗效能。
Step3确定指标体系:
战争中充满了各种各样的不确定性,因此选择合理的效能指标是评价效能的关键。要选择好的效能指标是比较困难的。效能指标除了要满足一致性、可测试性、完备性、敏感性、客观性以外,还具有独特的性质,因此需要与专业人员共同协商,反复推敲。
一般情况下的指标选择遵循以下主要原则:
1、科学性原则
2、系统性原则
3、简洁性原则
4、客观性原则
5、时效性原则
6、可测性原则
7、一致性原则
根据以上原则,结合格斗作战背景及层次分析法,可得到以下效能评价指标:
![](data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAdIAAADtCAYAAAALO/T6AAAgAElEQVR4nO2dzarlxhHHz/v089SrhCzrIbwxszAEryobP0S8MAwEnHKwJ+txGDCEZEg8CXgqi/5QS2q1dD763Kvu/w/E3LlHOpJuVfe/q7qkvliBt2/fln4NAAAAgAWX0i8hpAAAAMAxVkL622+/QUgBAACAg8yE9LfffrMPHz7Yu3fvXup6AAAAgFNxefv2reXbu3fv7H//+99LXxcAAABwCopzpGZml8sFGzZs2LBh63prLqRgXGB/AEDvQEjNzFRM44+q1V3TIQf3WxxltxyVjr394BfjFPYHz+dpba74TSZy4LuW5ztjAwRPAUJqZqZsLPFHNpk+MN5ocPP9st+r2HYbFWMWExFjJiNmYyZzzhnvtlEx3t/p1XEK+4Pn84Q2p5LtP9tHjEmWO2efq/9Z2IjDRmTOUfH8AEBIzeaNWvxIWZWNWTYjyKlRqwmzMbOJiKnWIseyGArz4jy6Hn0LHxDb18cp7A+ez1PanBrTJKZC5NuQSEEQxZi8YHLab97m1u0UAA+E1Cw0ap92VWFjkVnDLKWUYqO+qmEpG+URKbExkTlXaKDKRlkrXjZike0O5zVxCvuD5/OsNhePTYIrXoCZjGZhrJgkxWUIKbiKoYVUmdIIlNiPatfpIzVmWR1DzhmLhA7AN9AokFEkV6Pe0Hkcv0A1UTVVNnJBeEM6mE4Snr5m+4Pn8+w2FwecypQdp168Z03ICywTGVMUUjJHfgrGnwdCCsoMLaSJkGZSVVPTIFaTaK3TsWJ08fOafn4mjnR3mllovL4DYN9gKXQAG6kpEZ/G0iwVdpZo1Owk9gfPp2mbUxMmY2ajMBe6FOu1eE8RafoMESk4CITUzFTC6HhZGavl6j5l9uIXj1O1WEhUqyzcKpbYRNgkFkFkQnomzmB/8Hye0+amyFY5RJfO+eh2NXhdC6kyGSVB9huEFJQYWkhVYuPMoj1yaR5TxM9pzvGj4LzwgUlMUyGRbBRMaGr0eVoqFk1QOK8u9k//YzJ3QiV9zfYHz+cl2tz0NWQkW5GlpOxQFMxVXQIiUrDB2EIaR7J52jQ1Fs0a6kT8fBq1xsad7atsblVeH1JZcZ4mNOrCVZmI/3w6ta8+VJXTRaWv2f7g+Ty1zaXnRedzsSKFRpRXEcdod7EbhBRsMbSQJnQ+OmaZRsfzRj29UEE5S7v6I6tzpDprhDLN3UjhGTiVeRopG71fnR5+YU5hf/B8ntDmYqTqo9Jp31xIt9LCWhBNCCnYYnghVZFQfu//nzeWWgSYC5qGuczNRq1ZaX2KLrOqw+oLGZbfu0hXvXJeu/3B83lKm/MHFIqN5u1nLzqN16QKIQXbDC+kZmrspjSqhDJ5P39Jhxq1/7+rpmrT/yQUOkheZLEhjirlx2XEv2WFeava9/Xw+u0Pnk/rNjc/17LKXbO3ihEt51alXOwkVEgdA+CBkL5ieni1J+wPAOgdCCloCuwPAOgdCCloCuwPAOgdCCloCuwPAOgdCCloCuwPAOgdCCloCuwPAOgdCCloCuwPAOgdCCloCuwPAOgdCCloCuwPAOgdCCloCuwPAOgdCCloCuwPAOgdCCloCuwPAOidpwgpNmzYsGHD1vPWXEjBuMD+AIDegZA2YGux4J2julzrcET7g5dhc5Huq9qjbq66tP6e7X2v/e670az/UDEs+PZcIKRV1IQlLMKtYb1ENiIycrTprMt1E9PvVSrrh4oxh4W+s/USXXXR79fPue0PzPxC3NFvl2t7Pvxc7Mw5NjU1ds7cNc4vXGwr5faofoFxnf+Oibbb6GohcUkLh2+ibJQvJL6zOLhf8DzbI+t7mMmYy39/ZZrWZl0sTA7aAyHdwS807J05W57bmLYbxNRw1YTZL8AtUZA3z7RopPH89Yb32jm7/c/BemF4FTZiTv7m/y9zHz7S22biJDwfPKqKMXFYlJs3O/n8OpW9UKTrUd9GonYoO7tcyMTU2F3scnAxbVUNIhQGu+G7/XeWB7b+QzFmf1ytTU+7Z990QLCExfJINLZnDf3KxkH+76Fqku6repa5LSGkTwdCukNZyOqdUGy412V9fONPESmxMVEYnZ+Xs9v/9aOmQuZWgiNGue/MsiFbx6y/m93FHIuZsrmLM5oN9tQ4z8wI7UeQEiOnKZqTXJzyAeVGhLm8RhEJgrNIaYbjq0Jq5tteaG8k6ykWVQkDYt8uidkkDAY4CN58oB2/lv11qZqQzyz5gfnBqD5+ZxLG8mB7dX8Q0qcDId0hOj5zaGjk065U8FTl8Llz/pgUhUqWmvGNcXW08vYI9cSc3f6nQLkoirHz9rusO9sjQip0sYtjUxMjd1kI5UJIj3ynchDjKPRqkvxeQwRnC+HfQWJESUbsp11I7ICQhoxRELt4XiZXFKIYXcbrlTQF4wVz/tUSMlFRYP3gezYwL4ivhTRuOIMxySSMUu43yE0ZMB/hT1NDvr9qm44HENJdro9IxejiOzA/J+qFtDSSXJxoOkbYp8woiO6JW8HZ7X8KNgRM2aV5s3nUt33MlSe+PiKNkaiyuQuZmNjy0q6/jCg0PiJNwlkRUt/OpmvdnUJJUZ6mtPkkqOVjJUzpiPiIN6Z0iaYt/3P5ueh5mtYPxP25ow2X6Xkf+co0fXQokgePBEK6w7VCquwbjQgZcRzp+sZRqx7cTT+dlLPb/xRsiWIStoJYPUxIXYoG84yKio/U5pv4IiJiUxEj8sfePVAMQhMFJYrWtpDqLFMkIkbO+SguDF6Z8wyRTv1AjKglZqW2B8lT3zH1F/s1D3FfH1n6TJgzR5yKEZOAh8h1dX8Q0qcDId1ByDewaRTJxsIb1Xq+UeXFRkximhqbbBRkaBLaWQMPHRCRO2165uz2PwWbohjSpyWxenBEqny0ulynAqVQhfqQAWRIcc7SrDUhjQWEiyKg4leHlKoK+ygzpnfjYGGrZii0WxFJU0Gp2Eh4Md88XdtqkL4z55lqMkJEK0zmiHyNxd02BkeAkO5QbmD1Ctvk2KkBZ/uXOrA4ok6pmayU/eSc3f6nYFMUvdAVB2GPTu1e8X1CzkjUTCjMv95LEJ+Q2pWYMg3zrLVsj5C//lzgtmsVFgVclkW/pb3z+ookpBTEfudeLJ+3PSaktnp0BkVHzwJCusNxIZ0KB9Kchdb2z47kZeMM8ewj0l4vzNntfwoqIqa88Szmw+dIF/OltaPi3O2DrkHiQCFV7c4fM9t6jjR/7GZeBMRFgRSap459O98Wq9tTu3TV4yzp/pYFWkjxPg0I6Q5xVOkLBrJCgR1hTM9GC4cCgo39NZ+/CvNHeaUvXsgAaoRU3uWy8VhF6RnEvWOOnlo5FNZFNfKpxN3vSx38gSK8+hVkVbGlyuRQ7FdI7abK2LDPSuAWoqR5FLko6KkVG/nHYraEVGcFT+l3q9RufUCdBuKh8j9NDS2KmUA7IKQ7lEez9UrD5TF59eRiz1lDUglVupKPqA8+OP9KObv9wXkottUwdzp7aGdZ9CdsrvaClVlmSMPgeHmO5aAke2lLXs0svubBOWduZ0CeX19tN1kJKdTz2UBIQVNgf9AVpWc/wfBASEFTYH8AQO9ASEFTYH8AQO9ASEFTYH8AQO9ASEFTYH8AQO9ASEFTYH8AQO9ASEFTYH8AQO9ASEFTYH8AQO9ASEFTYH8AQO9ASEFTYH8AQO9ASEFTYH8AQO88RUixYcOGDRu2nrfmQgrGBfYHAPQOhPQG9MiLq9M+87URKwd0+TLsHu3fgutW7Cgtv/US17FxjB71+Xu49hwNr2lnmbNz0s7HegRCegPlpdXmTGsBivGhxYvFmMMapExGzMZM5rAe6RBIZRmv4v67C0Tfxty3j/nuuj3cu87o8gR+2UJVna2xeaQdmlBYwvDB1zS7vnzNV/HLIAobVZY/lNm162wN4tKi4jdd1s7IQXfWom3lYz0CIa0Q1wf1wjY53W4DVp7WGTy8Sn25oZ/dmc9s//bEKOn6Tv4pQhp8V8PC11sBSjxm6riz+0lCdg9iTGyislibV9aLls8vzFimdihmZqrTgt8qRkcWIq+dQtiY2Yjjoub+GnU3opNwbeoFTad1RKW22PE1CJkjNiYyR+Svk/y6qSIyrZe6dfjJ+55nAiG9gTSS0/IC37kDSnBcZjImMtpazFf9CDZFpLEBuHM7c4/2vwv1nRkRmYh4IdV8sKXbUwehs1URY3KTjxA9LLWozEFkQtQkkgSneoypqXIQ0Cikj1qUPnyfTsIeo7eYvVm1q5Ru9X+z2Pa8ePnvU31AlJoGyrK69y0hXQrUMnJ8mJDupJyLQvkEH+sRCOlRknOFdKuIifB6RCw8jXLDiPjQyC4fPXdEN/Z/MHnkp+w7Ki+wQchKx+gkso+OFlTYiNjIkbFqirS8flExq+IzNuSPEX9d/r6CmIjsp14PEYU0RpJRBI+knclPmVj8m6mpxQHwI4TUR30SBxEpzavGzF7wF6dYCeni7/twIVVO00YSIuetQU5LH+sZCOkGko10vWhOxUPJAXUppGGkKyG1Ez6Mo3oR3m64KY0W9gsjQd+xtrvP1pzV/q2Z5qfyDu14BBc7Oc0iiPuLQ8To4kJmJFwdO3M7YhOjWFmkdjWlUe+8rEzwUueet72tc4QpFpXQlqPg66OFlIxD25bQ9mtp07lA6Woe+vERaUw320Lo6+dp42N9AiHdYV0Eks//zOc/NTQAFfFO5/8XRqYHOqPHXfar4ez2b0US0pjZiJFDwQl84UpMX4Y5ORcGeClCu7/qW8N3S4zY8ihrS3BUjGMUm10jEfvr48fMkQr7dHNqJ/FvwjwrQMouzE+n+NFpSFV7wRPN7u/ea0u2C2IVonkKc5JcmFueCWkoSsr3eZyQxvvL+qwNIX2Wj/UKhLRGdLp8xJuJ55b4rUacWcRRdkadGmE2/yPRocnNip3OxKnt3xAJgyvhKXshV9g497G96suD3+ijtVg4JPOphiQOeWaGyCg7ZuNCH1B1Hqp2U1pycf+r88fIcJq3FMmPiRHzfUKqQchZYhsNos3OLkTF+on5tc+zW7Fat4WQkgs1Giwhc7AfjT/ex/oFQlohdmyxWGGaZ/HoxhzCOnXjR6cSq/OWBwSHT9V7D6l0fB2c2f5t0DQfmUchym7X5nl2ZBnV3B1YxWwK+0hShY2cLzYh8vOAWx1pLr5ENFWJkp+iuN+VYypWU5HfJIC1FOVaSEUlRaTlSPZ6ZvPCIY3KLJtzjPH364FTuK6HC6kVnqHdeEqgoY/1DIR0A2UylxVRWCzAyLxJNhrwdkS6da58/6lCUuX8D3qf1f6tUCnMeceK7Z3ijlk1eDUiMzOrP7KyeX3xuxbPRtail1pEur6nW65rXh0/F5ratUVBC1XwU1qpEC3e9vdaVu3G+ghm2Uwd79p5dXE3Xtvq/FmKNn9Eb+Pa9n0MRCCkh5nK2XWWNlpzlZDOHqEJRQp5eT9eyNA3Ou/ga4KVpwQlFvhUnwfUq/1nerSLQ2FOLNYpVvOkKYh5fz1NUZRfLnDtdWVtJKs9ENGd1HH58bTt3193XWmgq74SeIq+pzbv52XnWahNIQ1/t3JEer0tTUIwECt241YICtbXdtTHgBmE9CC6ij6Ftpx6WbFXE9L5s2bxBRAi+evMHvUs3svQh/1bUI4y/DxgqUglTC/knWG1442HXZfVmFXFcnae7SOMXExVTg/7i0zXd/d1xchqmaFRTnOm1eOO/v7a68oQdtlgY6fNVyJSFdq+p6uv7frXKN7kYwBCCtoC+5e55Z22AIDXCYQUNAX2BwD0DoQUNAX2BwD0DoQUNAX2BwD0DoQUNAX2BwD0DoQUNAX2BwD0DoQUNAX2BwD0DoQUNAX2BwD0DoQUNAX2BwD0DoQUNAX2BwD0DoQUNAX2BwD0DoQUNAX2BwD0zlOEFBs2bNiwYet5ay6k43LN6gu1FTbOy9j2fy5bL8Lff0H+tauEbJ2//mHr9/S/9P3vn+P4SV73vYAlENJdFmtECllt5abqsbv7hjVImYyYjZnMYT1ScJSNtTmPLMq8t9i0X/6LjJNfkvdT4tlal5Xlv9drWj66x296//dz1Tle+b2AORDSXZZC6h38kLOmxXOnhY631xMsi+7ZG8X57X8ONC3W7BfaJpYUvTyu843RTlxvc/pXSo4tktYnzQeH5MiIyZx7nG8/5/7v4+g5znAvYA6EdIs0IiwLqZlYaa1bvzAzpQ6DRcIizVFMN86nvsGkTofYmB7b2bwEp7X/adBpEWaReScbfLXY+cZ948LNRFPHTX5x8ZLfCZH/fBaRslEhTbNcuDzv4FfXejPPvf9rr03zgYRzqV0zl6L313wvoAaEtIIyGetSSL3TanD2TQfVGI2abYnuev/+3P3M9j8NIXph8pEeuTD9UOt8s4Gbqi6imO0pCb9fjETjfuX9Y2RFqUP3UWkUi4fxxPu/7zKPZrFe/72AORDSKj4dyywmITVF7mKOJEWYZfwxytk8x8acx3RIaCgqJsLGYeRKxJV08Ovn3PY/CXHQFgd5sbPd6Xw5++Ws8118luOjHTaX0rN+3pS2nFunaQ1mDqlKDkL8IJ54/7ddXx4p8kwkV3+2134voAiEdAcVmnUSwn7EWDli1klI/nNMudxYRHBGzm7/UxA6S2U2UTGKqbzdzjeKnPp0Y4yEiIw2Rm+poEi295mfJxfSeBXTeR8SmD7x/o9fkxinQixfqOWI9rNOr/FewC4Q0k00zPHkqZHw89b8jsqs6EJlmcrZnCD1EWzW6UiY42BmI3K+4OARt/Vkzmv/k6Fs5DjNx5vZoXRg9Lm9tGOc6xMJPuliVOV8ypZCcYyoxbbDIaWbKtBnFb4PFNIn3P/d18bhHNWCw2z/13ovoAiEtIhPw8iy2Gin0Kj8PdHxNyobzaZRaJjj0KsesXndnNP+ZyNkQcIATyikDEOn/fBKz2yaYve7dZoGkTg/+vDpiiff/1VMkXg8R/16XvO9gC0gpLtEId1O2c4IDi8zpY0j7yxVk3+6KA6IFZC6kQY+E+e3/2tHTWK2ImVK5pHeoztfDVGpSGVudDq5Ec9TudtFejELdPBC0jHPuP8brm2Wzs7PUXimNp3jubYEjwFCuktM5y4aUbF4KE+riDFNHUYSVl28wUjz6DY0sCy9y3ghA9jEZznSIyXLTjZGgw0631iNy2Heb/vYuX+r6k6hkV7h88++/yuuTWU1Hzo7h7BPh6cpm5ezJbgfCOkeyqFkf/l7X0ww60RW8x++yIDIzyUVhXc2pxqfy8tHoXsdz+vm9PY/EZvzZ7vPIm9FSMvd4tynrAaD5GijboDnbz86Mi96ZB6xeKrG93/HtV11DnvSvYCHASEFTYH9+wGdMwBlIKSgKbA/AKB3IKSgKbA/AKB3IKSgKbA/AKB3IKSgKbA/AKB3IKSgKbA/AKB3IKSgKbA/AKB3IKSgKbA/AKB3IKSgKbA/AKB3IKSgKbA/AKB3Yj/39ddfH97++Mc/2rfffmv/+te/pu/ZOwEYE9gfANA7sZ/79OnT4e3jx4/27t07+/bbb6fv2TsBGBPYHwDQO7cI6adPn+zf//63/fnPf56+p3YCbNiwYcOGreftFiH99ddf7YcffjgmpGBcYH9QA/4BeuBWIf306ZNpthwShBQUGcn+U4M4sFTY8tizr+B+IyP5B+gXCCloyjj2n68DefVC2QcWbO6RcfzjBVC2/aWMxfjYKuqgAoQUNGUY+wvPFm6/Vkiv3b8XhvGPpyPGlKmoijHztCi5yDRwEzIacRT3QCCkoClj2F+N86G/qgmRsYgxkxHLjkgujje1UTK9Y/jH81GmbGAXsyXRz9Rk4W95NgVcD4QUNGUE+yuTORYflbKYMJm7OKtlzFTZmMiI2JicOUf+/8wmTEaDpNtG8I/nI0YzYcyElNj73sK9lBGV3gOEFDSle/srG4vO5pmU2YjZWA72TMu5rIFSbd37x4NRdt63iIxSxmOliovfzSNSKWVIVseAa4CQgqb0bX81EbV5wYb/WTiM/A8I4qrQSNYRQ6/07R8NiIMsZXP+h3VatiSKwsbMxuIHfpLPl1r+feAW9oT0m2++sQ8fPkBIwW2MYf9JSGPRUPx3vxp3XTU5UgXvGP7xQG4V0viRsIn4+VMhmvwMEeld7Anpmzdv7P379xBScBtj2D+Iofh0rogYkzMKc55EtFk8JCvRVOOBKnjH8I8HckRITYyK0aWfgogCOitIGmg6oQUQUtCUMewvxjSlcfOI1My/qEFLb2gopnDHeq5vDP94IIeE1EebKzcSn86NAjoJqRrn0Sm4mpKQfvPNN/bmzRt78+aN/f73v7cvvvjC3rx5Y1999ZX99NNPEFJwnDHsvxa/3edCV/On4ZEEOTav2gtj+MfjUHbmWE2FzDk2VTFypYyHGC0cKT3yoj5zkgRYGNHonZSE9MOHD/b+/Xt7//69ffHFF/bDDz/Y+/fv7eeff7Z//vOfEFJwnDHsvxTS+nN5KlJO9SobuXHmR81G8Y8X4vCbjUbyuDYgtQuaAvuDGvCPxlz70mdwE3tC+tVXX9nPP/8MIQW3AfuDGvAP0AN7QvrTTz/N0rkQUnAVsD+oAf8APYAXMoCmwP6gBvwD9ACEFDQF9gc14B+gByCkoCmwP6gB/wA9ACEFTYH9QQ34B+gBCCloCuwPasA/QA9ASEFTYH9QA/4BegBCCpoC+4Ma8A/QA7cK6a+//mp/+ctfpu/ZOwEYE9gf1IB/gB64VUg/fvxo33333fQ9eycAY3K5XLBhw4at+83M7Jdffjm8/f3vf7fvvvsOQgr2gf1BDfgH6IHox19++eXh7Q9/+IP96U9/sv/+97/T9+ydAIzJKPZfrjeqKsMszn0Po/gH6JtH+TGEFBQZxv7LRbqLi3aXURGTsDGRMbMRkRH3L8bD+MdLcHgZtd69rD0QUtCUYewvMl9HtCakqqaqXjyZjEVN9cBi4B0yjH88HTHOV+tWMWae1sHN/VUIC3vfCYQUNGUU+yvHBbnVVL1AOtqILFVMVBfCqUMusDyKfzwbZcoGcnGh+ehjajLztfpC9GAfCCloSvf2VzEmNnLOiNgkRJurCLXAXEjnKTaV/tO6ZgP4x4sgRrQYpEUhJTbVdbZEGVHpPUBIQVNGsf8UkZqZqY8IhI0cbQrqTEhlimBZZJgIYRT/eBSqbOTYRNiYyYgKAy5lo5lSziNSKc29r44B1wAhBU0Zxf5CZCRqZn7u01fx1gs5vJCqieiiYxsnzTuKfzwOMbpQfX6zJIrCxszGwsbipxVE58c4hKQ3AyEFTend/ipsROI7Jv+bNOKfR6n5Qb4j86ng0udHqi37oHf/eDxi5OaZjENCGj8SNhE/fyqUCTIi0ruAkIKmjGL/ZWpXmCqd2c785xWPzpydUfzjcRwQUhOjYnSpxqxJQGcFSajcvQsIKWjKKPZfCikz35yeHekxmFH843EcEVIfba4GY+IzIFFAJyFVY9qeywf7QEhBU/q3v0/lSooy/fym//m6h92F2VTHekC+f/94LKpszlGYElATcuZ4OcduZiZGi4FceuRFeV7QJoxo9E4gpKApY9jfp9JUxXg56RmqcdcFRSXU2Llh0rpmo/jHC3H4zUZQ0XuBkIKmwP6gBvyjMTrQqOwFgZCCpsD+oAb8A/QAhBQ0BfYHNeAfoAcgpKApsD+oAf8APQAhBU2B/UEN+AfoAQgpaArsD2rAP0APQEhBU2B/UAP+AXoAQgqaAvuDGvAP0AMQUtAU2B/UgH+AHoCQgqbA/qAG/AP0AIQUNAX2BzXgH6AHIKSgKbA/qAH/AD0AIQVNuVwu2LBhw9b99pD+staRgnGB/UEN+AfoAQjpHipp+Ss9uJLC0f0WR3W5mPPp7X8DulxK7drje3SEDUb0D9AfENI9sjX9lDlbRV7Xa09aab/s9yq23cf6dQFFxJjJiNmYydzJ16c8vf1vYMv+hR2NiI2ZjYnCz2Q00CrLI/rH0zi8HumJO5hXAoR0j1xIxUenqmzMshlBTh2pmrDvKEXEVLUSbZQdWphPHame3v43cNhmykZh8CQS/eRI59cPI/rHcxDjfECm4v0rOqbINNgTsoHGbk2AkO6hbCw+7arCxiIzMSylcaOQXiWAWafqoxIfpTgHIT0XajxTQt3OQkTfUg1iKiZMp85AXMt4/vEcdOZHakxsmnxTTRY+6j8HtwIh3UCZjIh8yo19JLlO2c07zXgMOWcsEkRXfUo3CGQUydUAMHSqvXFW+1+DapaaJWfORb9hE/b+U0ZMgpDG8Zj/WU2lNg3QDyP4x/MRo5kwZkJK7P114VvKiErvAUK6R0jtqmoY0XG2USEdK0YXP6/p50S9kO7OQwhPxwgb09Q5n7lDPb39r2U5L1VIm2nMOEQ/itFoElXdmQboh+H8415UfdZCNPzMJktHUV4M3uYRqZSmpVbHgGuAkO6gEiJSW3RsqiYFhVP2BSQSj1O1WEhUq+Y9XKByMs5u/2tZ2VHWo//8M+Isio0ZjYE6tNH84yEomyMxMylnsUqiKHHQ5jNfwosBevpOcAsQ0g1UoiBOEYaQmxWH0KoqxEeeebERk5imQiLZKFLSJLR5KjgWKlE47xm717Pa/zbWmYfqACl2asJ+GiEUG505A3EtY/nH41B25rbmNSvRpYof5LOaCdHkm4hI7wJCukGKHrNU3VSNqZk4TsTPU7FR6kSzfUsjv5g+jnOqHVXRndX+tyDFOfRKEYdKKDaSMGgTYzr3407XMpJ/PBRhc442Bmmy8QiVGrMmAZ0VJHXU57wEENI9dB6RTvNZvBDS6YUKymwye2a0Pkeqs852agQ9FJyc3v5HKaZw9+bGpwzErGitxfW9Uobxj4cSUrqVKFKoUP0dsh1RQCchVWPaEmVwBAhpBRUJj7z4/+fPB6rK5vN+eTpPxYvqZoeqYjLlV0JVXVbpixcyvH5WD76Hxwt2nqGaFOEAAAfISURBVAnVOEfKZC5EpLJ4vKp3hvCPB6IqXvT883hGzhkVR9uymnpKj7yoL3BLj7wIIxq9EwhpFTV208jOV8tlz/sdEFL/f7fhqPOCJZVQpSt5YdPyucRzcW7777OZNVA2clvzo+HxlsyX4hzptJ1zTvxaevePF+Xwm43O27+8FiCkoCmwP6gB/2jMSOmNFwRCCpoC+4Ma8A/QAxBS0BTYH9SAf4AegJCCpsD+oAb8A/QAhBQ0BfYHNeAfoAcgpKApsD+oAf8APQAhBU2B/UEN+AfoAQgpaArsD2rAP0APQEhBU2B/UAP+AXoAQgqaAvuDGvAP0AMQUtAU2B/UgH+AHoCQgqZcLhds2LBh6357SH9Z60jBuMD+oAb8A/QAhBQ0ZRj7q6xWetHqC8N18T5x3dm/T4bxD9A1EFLQlFHsPy2SPCHVxZLXy+OJjLec1Sj+8SIcXkZtvAHco4GQgqaMYX8xJjFV9YuxE5no3jqy2efq1ydlImP2a9JiPVJwH94nEyrGzNPauZJlUISwsPedQEhBU0awvwqb6DI1K8aiSSTXi3+r79jEH6cWItK4//Mu/0UZwT9egnmGRI2JTdPgTU1mg7z4ObgVCCloSv/2FxMW4xBREpE5VjNhIxYTJmPReSelYiJsRGKqXoiZ2Yi9IAszhBTcgRjNhDETUmJT5dU0hDKi0nuAkIKm9G5/VS+aLGIimualhMlHobLutMKRxsymoqZJWClszqd2BwgRevePh6NiTGysaj6y5MJAjY1mTjePSKU0bbA6BlwDhBQ0ZQT7a4ggRSSM7MXPlbKmz1bHCJkLIUAUTBExDZHqKIzgH49G2aXBmXAhJVsSxZD1YPHCK/l8aTjGDeR3jwZCCprSt/19h0SOfCcV07JBGZXJqFBw5KPVqdhIhYPwjhGF5vTtH41IQrlRcVuJLr2v+fnTWVU5ItK7gJCCpoxgfx8V6DoCrVZDZkIaogphCpW7XChO6pMR/KMFsjHXGT7dyGp4H40COitIQuXuXUBIQVP6t7/4iJTIiNnIOWMRU5U0H1VG/ZyqaXhcBs+RgisIUwNb4y2h9XPNJn6AFgV0EtLgg22vuGsgpKApw9hfxSSIp1k2d1UqNlLxc1U8FSdNz/kNEooGhvGPh7P3IgVZTSukQZ1yqDKffBTR6H1ASEFThrK/kJH4lzLMHj1wzmhZKamh6GOZw1U1YV+9O8JLGYbyj0ciB9L/h99sBBW9FwgpaArsD2rAP65Exci544VBg2U4XgoIKWgK7A9qwD9AD0BIQVNgf1AD/gF6AEIKmgL7gxrwD9ADEFLQFNgf1IB/gB6AkIKmwP6gBvwD9ACEFDQF9gc14B+gByCkoCmwP6gB/wA9ACEFTYH9QQ34B+gBCCloCuwPasA/QA9ASEFTYH9QA/4BegBCCpoC+4Ma8A/QAxBS0JTL5YINGzZs3W8P6S9rHSkYF9gf1IB/gB6AkIKmDGP/5SobKvvLXBW/ZqzVOobxD9A1EFLQlGHsv1rAe2/hZQsLKs/3Uab1QuAdM4x/vASH1yMdyOEaASEFTenf/mIiFoRUjEhMVU2EjYiNmdeLemeozD9TZhtpmeX+/eOlEGPKPEnFmLPFwEUmPxMyGsnpGgAhBU3p3/5qTGwqbCx5BCBGxCZ551U8XIxZTETNVE2Y/PcwmaNtAe6F/v3jZZhnNoKPmhqzmJmazELV+Dm4FQgpaMoI9ldVMxFjEVM1UxUTnVJmPkKduimN0aqIF041EyYTVS+8ZjZKym0E/3g+fhCXedwkpMSmupyG8MKLqPR2IKSgKX3bP0SQLMbkjEVNxafQmINQim4XECkbhR7NR6L+e4h5JsQ907d/tMCLoYiYBF9b6V/mV/kxMSKV0lTD6hhwDRBS0JQx7C/GLohnTM9GMSW3UTwkoUNkI/Idolo2R3qoUOT8jOEfj0QmvxAyV3KukihKHNyxseh6ykHZHELSm4GQgqaMYH9hNg3FGxrTs+rnoWRVzWuW0rbZZ1NESkZMRkQQUlBhmb7NqESXKmwiYTqBaIpmEZHeBYQUNKV7+0cxzKogp9G+Fh6LyeZLs89i9e4UkeoQxR/d+0cjhGqPSfnq8TVqzJoEdFaQhMrdu4CQgqb0bX9N72HIH1sR8tGlaElIMwqf4fEXsItQFj3OC9mmXQpCK36AFwV0ElI1zqNTcDUQUtCUUew/E9I43wkh3WUU/3gcYuTCQC0WpxUdRowWcwPpkRflMI0QUsPCiEbvBEIKmjKK/ScB1CSkvghpq9jIikIqg0UGo/jHi3D4zUYjeVwbIKSgKbA/qAH/aMxg725+KSCkoCmwP6gB/wA9ACEFTYH9QQ34B+gBCCloCuwPasA/QA9ASEFTYH9QA/4BegBCCpoC+4Ma8A/QAxBS0BTYH9SAf4AegJCCpsD+oAb8A/QAhBQ0BfYHNeAfoAcgpKApsD+oAf8APQAhBU2B/UEN+AfogacIKTZs2LBhw9br9rvf/c5+/PFH+/7776/e/va3v9l//vOfupACAAAAPfPjjz/ax48f7fPnz1cd9/nzZ/vHP/5hf/3rX80MQnofqsffLX3ngs+6d3z6/Ng16YNfih0XuB6dr7/+2j59+vS07ZdffrEvv/zypW8bgFPy/fffXy2ikc+fP9vbt2/NzOz/HxLDMcQSQmAAAAAASUVORK5CYII=)
Step4确定动作规则:
1、红方(R)、蓝方(B)分别以设定的体力、技巧、力量、敏捷、精神初始值开始进入战场。
2、攻击、格挡、防御、躲闪、回击等每个动作消耗5点体力。
3、刺中要害时,守方体力、技巧、力量、敏捷、精神降至0。
4、刺中时,守方体力、技巧、力量、敏捷降低20点。
5、未刺中时,指标不发生变化。
6、攻击和回击各有刺中要害、刺中、未刺中三种状态。
7、格挡、防御、躲闪只有未刺中状态。
8、一方体力降至0时,对方获胜。
Step5确定演化规则:
中心元胞的下一个状态由中心元胞的当前状态和其邻居的当前状态按照一定的规则确定。
4.3、建立数学模型
4.3.1 Matlab代码
close;
clear;
clc;
n = 300; %元胞矩阵大小
Plight = 0.000001; Pgrowth = 0.001;
UL = [n 1:n-1];
DR = [2:n 1];
veg = zeros(n,n); %初始化
% The value of veg:
% empty == 0
% burning == 1
% green == 2
imh = image(cat(3,veg,veg,veg));
m=annotation('textbox',[0.1,0.1,0.1,0.1],'LineStyle','-','LineWidth',1,'String','123');
for i = 1:100000
sum = (veg(UL,:) == 1) + (veg(:,UL) == 1) + (veg(DR,:) == 1) + (veg(:,DR) == 1);
veg = 2 * (veg == 2) - ( (veg == 2) & (sum > 0 | (rand(n,n) < Plight)) ) + 2 * ( (veg == 0) & rand(n,n) < Pgrowth);
a=find(veg==2);
b=find(veg==1);
aa=length(a);
bb=length(b);
shu(i)=aa;
fire(i)=bb*30;
if (bb>=0&&bb<=10)
str1='刺中要害';
elseif (bb>10&&bb<=100)
str1='刺中';
elseif (bb>100)
str1='未刺中';
end
if ((aa>48000)||(bb>=10))
str2='刺杀预警:红色预警';
elseif (aa>42000&&aa<=48000)
str2='刺杀预警:黄色预警';
elseif (aa>35000&&aa<=42000)
str2='刺杀预警:蓝色预警';
elseif (aa>=0&&aa<=35000)
str2='刺杀预警:安全';
end
str=[str1 10 str2];
set(imh, 'cdata', cat(3, (veg == 1), (veg == 2), zeros(n)) )
drawnow
figure(2)
delete(m)
plot(shu);
hold on
plot(fire);
legend(['动作数量',num2str(aa)],['受伤数量',num2str(bb)]);
title(['时间T=',num2str(i),'秒']);
m=annotation('textbox',[0.15,0.8,0.1,0.1],'LineStyle','-','LineWidth',1,'String',str);
hold off
% pause(0.0001)
end
五、小结
近几十年来,有一种极端观点甚至认为,格斗刺杀是战场环境下的应激反应,不必依赖日常的持续训练和军事格斗理论。基于元胞自动机的单兵综合格斗效能评估方法证明,战场生存能力和现代战争一样,都源于方法论和基础理论并成熟于精细的设计和持续的训练。
还应指出的是,当缺乏基础理论时,不受约束的个性化方法就会泛滥,并会成为研究军事问题的全部工具和方法。
参考文献
[1]吴涤.刺杀训练对提高特种兵自我效能感的实验研究[J].军事体育学报,2016,35(02):33-36.
[2]总参谋部军训部.军队体育手册[M].北京:解放军出版社,2000.
[3][美]诺尔曼·布朗.生与死的对抗[M].冯川,伍厚恺,译.贵阳:贵州人民出版社,1994.
[4]叶伟,杨晓斌,吴晶.刺杀训练对军人意志品质影响的实验研究[J].军事体育学报,2013,32(04):44-46.
作者简介:缪存铁,男,1985年,浙江温州人,研究技能和水上救生方向。