# 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](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）

```mermaid
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

```csharp
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：

   ```shell
   dotnet build
   ```

4. 运行以下命令来启动仿真：

   ```shell
   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