ActiveProtect 仿真系统

ActiveProtect 是一个用于模拟激光制导导弹和防御系统的仿真环境。

功能特性

组件仿真

• 激光半主动制导导弹
• 激光驾束制导导弹
• 红外指令制导导弹
• 红外成像制导导弹
• 毫米波末制导导弹
• 末敏弹（母弹和子弹）
• 激光告警器
• 激光干扰器
• 激光指示器
• 激光驾束仪
• 毫米波测高仪
• 毫米波辐射计
• 坦克

可扩展的仿真框架

• 仿真管理器
• 仿真元素基类
• 仿真事件定义
• 导弹基类
• 导引系统基类
• 传感器基类

Unity 兼容性

本项目设计时考虑了与 Unity 游戏引擎的兼容性, 使用C# 9.0 语法。以下是在 Unity 中使用本项目的注意事项：

1. 向量和数学运算：本项目使用自定义的 Vector3D 类。在 Unity 中，您可以将其替换为 Unity 的 Vector3 类。

2. 仿真更新：Unity 使用 MonoBehaviour 的 Update 方法进行每帧更新。您可以创建一个 SimulationManager 脚本，并在其 Update 方法中调用仿真系统的更新逻辑。

3. 可视化：Unity 提供了强大的 3D 渲染能力。您可以为每个仿真元素（如导弹、坦克等）创建相应的 Unity 游戏对象，并在每帧更新其位置和旋转。

4. 输入处理：将键盘/鼠标输入处理逻辑替换为 Unity 的输入系统（如 Input.GetKey() 等）。

5. 协程：Unity 支持协程，可用于实现某些异步操作或时间相关的功能。

6. 物理系统：如果需要更复杂的物理模拟，可以考虑使用 Unity 的物理引擎替代当前的简化物理模型。

7. 事件系统：Unity 有自己的事件系统，您可能需要调整当前的事件处理机制以更好地与 Unity 集成。

8. 性能优化：在 Unity 中，您可以使用 Unity Profiler 来监控和优化性能。

通过这些调整，您应该能够将 ActiveProtect 仿真系统顺利集成到 Unity 项目中，从而获得更好的可视化效果和交互体验。

使用说明

1. 克隆仓库到本地
2. 使用 Visual Studio 或其他 C# IDE 打开解决方案
3. 编译并运行项目

贡献指南

欢迎提交 Pull Requests 来改进这个项目。在提交之前，请确保您的代码符合项目的编码规范，并且通过了所有的单元测试。

许可证

本项目采用 MIT 许可证。详情请见 LICENSE 文件。

仿真运行流程（这个 Mermaid 图表会在支持 Mermaid 的 Markdown 查看器中渲染为一个流程图）

graph TD
    A[开始仿真] --> B[初始化SimulationManager]
    B --> C[加载SimulationConfig]
    C --> D[创建仿真元素]
    D --> E[开始仿真循环]
    E --> F{是否结束仿真?}
    F -->|否| G[更新所有元素]
    G --> H[收集数据]
    H --> I[处理事件]
    I --> E
    F -->|是| J[结束仿真]
    J --> K[评估结果]
    K --> L[生成报告]
    L --> M[结束]

反坦克导弹仿真系统

本项目旨在模拟反坦克导弹的飞行过程和攻击效果。

反坦克导弹飞行阶段

反坦克导弹的飞行过程通常可以分为以下几个主要阶段：

1. 发射阶段

   • 导弹从发射装置或发射管中被推出
   • 火箭发动机点火，提供初始推力

2. 加速阶段

   • 导弹迅速加速到巡航速度
   • 可能会抛掉一些辅助推进装置（如有）

3. 巡航阶段

   • 导弹保持相对稳定的速度飞向目标
   • 根据导引系统类型，可能会进行中途修正

4. 终端制导阶段

   • 导弹接近目标，进入最后的制导阶段
   • 可能会启动终端制导系统，如毫米波雷达或红外成像系统

5. 攻击阶段

   • 导弹进行最后的机动，以最佳角度接近目标
   • 可能会启动穿甲弹头或预制破片

6. 爆炸阶段

   • 导弹击中目标并引爆
   • 根据弹头类型，可能是穿甲、破片或破片-燃烧等效果

在仿真中，这些阶段被纳入计算，每个阶段可能有不同的物理特性和行为模式。例如，加速阶段可能有较大的加速度，而巡航阶段则保持恒定速度。终端制导阶段可能会有更频繁的方向调整。

项目结构

ActiveProtect/
│
├── docs/ # 文档目录
│ └── Design.md # 设计文档
│ └── DesignMissile.md # 导弹设计文档
│ └── DesignSeeker.md # 导引头设计文档
│ └── DesignEvaluation.md # 效能评估设计文档
│
├── src/ # 源码目录
│ ├── DataProcessing/ # 数据处理目录
│ ├── Evaluation/ # 效能评估模型目录
│ ├── Models/ # 仿真模型目录
│ │ ├── Equipment/ # 设备目录
│ │ ├── Guidance/ # 制导系统目录
│ │ ├── Indicator/ # 指示器目录
│ │ ├── Jammer/ # 干扰器目录
│ │ ├── Missile/ # 导弹目录
│ │ ├── Sensor/ # 传感器目录
│ │ └── Warner/ # 告警器目录
│ ├── Simulation/ # 仿真目录
│ └── Utils/ # 工具类目录
│
├── Program.cs # 程序入口点
└── README.md # 项目说明文档

如何运行

1. 确保你的系统已安装 .NET 6.0。

2. 在终端中导航到项目根目录。

3. 运行以下命令来构建项目：

   dotnet build
   

4. 运行以下命令来启动仿真：

   dotnet run
   

注意事项

• 当前仿真使用简化模型，可能无法完全反映真实世界的复杂性。
• 仿真结果仅供参考，不应用于实际军事决策。

比例导引系数（N）的选择

在导弹制导系统中，比例导引系数（N）是一个关键参数，它直接影响导弹的性能和行为。在我们的仿真系统中，用户可以根据不同的场景需求调整这个参数。

N 值的影响

• N = 3：这是一个较为保守的选择，适合大多数情况。它提供了良好的稳定性和能源效率，但可能在应对高机动性目标时表现不佳。
• N = 4：这个值提供了更积极的制导，适合需要更高机动性的场景。它能更快地响应目标的变化，但可能会增加能源消耗。
• N = 5：这是一个更激进的选择，提供最高的机动性，但也带来了更大的能源消耗和可能的过度修正。

选择 N 值的考虑因素

1. 导弹类型：大型、长程导弹通常使用较小的 N 值，而小型、短程导弹可以使用较大的 N 值。
2. 目标特性：对付高速、高机动性目标时，可能需要较大的 N 值。
3. 作战环境：在复杂环境中，可能需要更大的 N 值来应对突发情况。
4. 能源限制：如果导弹燃料有限，较小的 N 值可以帮助节省能源。
5. 制导系统精度：精度较高的系统可以使用较小的 N 值，而精度较低的系统可能需要较大的 N 值来补偿误差。
6. 任务要求：精确打击任务可能需要较大的 N 值，而区域防御任务可能使用较小的 N 值。

在我们的仿真系统中，用户可以通过调整 ProportionalNavigationCoefficient 参数来设置不同的 N 值，以模拟各种实际情况下的导弹行为。我们建议用户尝试不同的 N 值，观察其对导弹性能的影响，以找到最适合特定场景的设置。

仿真时间步长

仿真时间步长是仿真系统中的一个重要参数，它直接影响仿真结果的准确性和计算效率。在我们的仿真系统中，用户可以通过调整 SimulationTimeStep 参数来设置不同的仿真时间步长。

1. SimulationTimeStep = 0.01：这是最短的时间步长，仿真精确度最高，但计算成本也最高。
2. SimulationTimeStep = 0.025：这是默认的时间步长，适用于大多数导弹和防御系统。（激光驾束制导导弹至少要用此步长）
3. SimulationTimeStep = 0.05：这是另一个常用的步长，适用于一些需要较低精度的场景。
4. SimulationTimeStep = 0.1：这是较低的时间步长，仿真精确度很低，用于快速验证。

用户可以根据具体需求选择合适的时间步长，以平衡仿真精度和计算效率。

效能评估模型

系统提供了多种评估模型，用于评估防护系统的性能：

1. 直接赋权模型

最基础的评估方法，通过直接指定权重进行加权计算。

特点：

• 计算简单直观
• 权重确定过程透明
• 适用于评价指标较少的情况
• 权重需满足：
  • 非负性：所有权重 ≥ 0
  • 归一性：所有权重之和 = 1

适用场景：

• 评价指标较少（通常≤5个）
• 各指标重要性差异明显
• 有充分的专家经验支持
• 需要快速得出评估结果

2. 模糊评价模型

适用于不确定性强的指标评估。通过建立隶属度矩阵，对多个评价指标进行综合评估。

特点：

• 能够处理模糊性和不确定性
• 支持多指标综合评价
• 通过隶属度函数量化定性指标

3. AHP层次分析模型

适用于层次分明的指标体系，通过建立判断矩阵进行评估。

特点：

• 层次结构清晰
• 考虑指标间的对重要性
• 结果具有较好的可解释性

4. 灰色关联分析模型

适用于数据不完整的情况，通过计算评估指标与参考序列的关联度进行评估。

特点：

• 适应不完整信息
• 计算简单直观
• 能反映系统发展趋势

5. 贝叶斯网络模型

适用于具有不确定性和条件依赖关系的指标评估。

特点：

• 考虑指标间的概率依赖关系
• 支持先验知识的引入
• 可进行概率推理和预测

评估模型选择建议

• 对于简单且指标较少的评估任务，可以使用直接赋权法
• 对于不确定性强的指标，优先使用模糊评价或贝叶斯网络
• 对于有大量历史数据的指标，可以使用神经网络模型
• 对于层次分明的指标体系，适合使用AHP方法
• 对于数据不完整的情况，可以考虑灰色关联分析
• 在实际应用中，常采用多模型组合评估方法，以获得更可靠的评估结果