Genomförande och resultatDen betingade sannolikhetstabellen för noden fiendeintention är problematisk att sättaeftersom både antalet föräldranoder och antalet tillstånd varierar beroende på antaletmöjliga handlingsalternativ som läses in. Givet att det finns n stycken olikahandlingsalternativ (exklusive alternativet att inte anfalla) finns det också n styckenolika noder med attraktionskraft. Eftersom var och en av dessa noder har tre styckenmöjliga tillstånd (stor, medel och liten attraktionskraft) består den betingadesannolikhetstabellen för fiendeintention av 3 n rader. Vid två och trehandlingsalternativ är storleken hanterbar (nio respektive tjugosju rader) meneftersom storleken på tabellen växer exponentiellt blir det snabbt ohållbart attmanuellt sätta de betingade sannolikhetstabellerna för noden fiendeintention.Möjligtvis går det att skapa en algoritm som på ett smidigt sätt automatiskt genereraren rimlig sannolikhetstabell, men eftersom detta klart är utanför detta arbetesproblemställning har valet gjorts att begränsa antalet potentiella mål till tre. Ett annatalternativ skulle också kunna vara att från början fördela sannolikheterna uniformtmellan de olika tillstånden och sedan använda riktig data, exempelvis från historiskamilitära scenarion för att lära sig utifrån dessa data och på så sätt använda dessa för attförändra sina betingade sannolikhetstabeller.För att få fram den betingade sannolikhetstabellen för fiendeintention då det finns trepotentiella mål fick även här en expert från Markstridsskolan hjälpa till. Då detförutsattes att militära experter känner sig mer bekväma i situationen att fördela uttrupper än att ange värden i en sannolikhetstabell presenterades situationer där detfanns tre stycken olika mål med kända attraktionskrafter. För varje kombination avattraktionskrafter hos de olika målen fick experten fördela ut nio extra försvarsenhetermellan de olika målen (vilka alla hade ett grundförsvar från början). Fördelningen avdessa enheter mellan målen översattes sedan till värden på betingade sannolikheter påsamma sätt som för attraktionskraft. Den riktiga tabellen är egentligen betydligt störreän tabell 5.7 eftersom det till exempel kan vara mål 3 som har en stor attraktionskraftoch mål 1 och mål 2 har en liten attraktionskraft, men då sannolikheterna blirdesamma har denna redundanta information plockats bort, läsaren får istället titta påden rad där ett mål har stor attraktionskraft och två mål har liten attraktionskraft,oavsett vilken aktuell instans av ett mål som det råkar vara.Attraktionskraftmål 1Attraktionskraftmål 2Attraktionskraftmål 3Anfallamål 1Anfallamål 2Anfallamål 3InteanfallaStor Stor Stor 0,30 0,30 0,30 0,10Stor Stor Medel 0,35 0,35 0,15 0,15Stor Stor Liten 0,40 0,40 0,05 0,15Stor Medel Medel 0,40 0,20 0,20 0,20Stor Medel Liten 0,40 0,20 0,10 0,30Stor Liten Liten 0,60 0,10 0,10 0,20Medel Medel Medel 0,25 0,25 0,25 0,25Medel Medel Liten 0,30 0,30 0,10 0,30Medel Liten Liten 0,40 0,10 0,10 0,40Liten Liten Liten 0,10 0,10 0,10 0,70Tabell 5.7 Sannolikhetstabellen för fiendeintention (tre mål)33
Genomförande och resultatNär det bayesianska nätverket är färdigskapat sparas det undan, varpå det kompilerasav den klass som drar inferenser. I nästa steg läses de egenskaper som påverkar deolika målens attraktionskraft in, det vill säga tillstånden på parametrarna skyddsvärde,måltyp och fiendetyp. Därpå skapas en separat tråd som var femte sekund läser avfiendestyrkans position, räknar ut om fiendestyrkan rör sig mot eller från de olikamålen samt drar inferenser om sannolikheten för att de olika målen ska anfallas.Dessa sannolikheter presenteras för användaren i form av ett stapeldiagram som alltsåuppdateras med jämna intervall. Ett exempel på detta kan ses i figur 5.9 nedan.Figur 5.9 Exempel på lägesbild med tillhörande stapeldiagramDen skapade tråden körs till användaren väljer att stoppa den. Den kod som harutvecklats för att åstadkomma ovanstående beskrivning kan sammanfattas med denövergripande pseudokod som återfinns i figur 5.10.34
Change language