基于综合势力图的态势估计方法

在AI兵棋对抗中,能够更全面地理解态势信息是AI棋手获胜的前提条件.提出了基于综合势力图的态势估计方法,阐述了势力图的原理和一般生成过程,提出基于综合势力图的态势分析框架;将AI兵棋的静态信息、经验信息和动态信息计算叠加形成综合势力图,在此基础上分析敌方位置、视野以及火力威胁等态势相关信息,得到态势估计结果,为AI决策提供信息支撑;基于AI兵棋推演平台进行内置规则AI和基于势力图的AI之间的对抗实验,实验结果表明该方法能够提升AI决策的准确性,提高AI在兵棋对抗中的胜率.     

基于计算机兵棋系统推演的初始态势构建复杂性及其根源

<正>兵棋推演对于现代作战来说并不陌生,美军在几场战争中都采用了兵棋推演,可以说是到了“每到用兵必先进行兵棋推演”的地步。用兵棋就需要进行推演准备,就需要构建初始态势。使用计算机兵棋系统进行推演初始态势构建是一个复杂问题,它包括基础数据准备、战场环境准备、行动预案构设等多方面内容。本文对其复杂性及其产生的根源进行了分析,并发掘未来兵棋推演能够带来的启示。     

战略投送兵棋推演初探

战略投送与战略决策、战争准备、作战计划等密切相关。战略投送兵棋推演能够模拟并展现战略投送的全过程,为首长决策提供支持。研究了战略投送兵棋推演的人员、流程、规则,设计了单位算子、事件算子、地图板等要素,为相关研究提供参考。     

兵棋导演战争的“魔术师”——近代军事科学的第三大发明

兵棋是作战模拟的重要方式之一，通过兵棋推演可以在一定程度上预测未来作战的进程，结局和可能发生的重要事件。而台军每年的“玉山兵推”更是引人关注。那么，何谓兵棋？兵棋推演又是怎么回事？下面就让我们一起来揭开兵棋的神秘面纱。     

近代军事科学的第三大发明

兵棋是作战模拟的重要方式之一,通过兵棋推演可以在一定程度上预测未来作战的进程,结局和可能发生的重要事件。而台军每年的"玉山兵推"更是引人关注。那么,何谓兵棋?兵棋推演又是怎么回事?下面就让我们一起来揭开兵棋的神秘面纱。     

基于深度强化学习的兵棋推演决策方法框架

针对兵棋推演的自动对抗问题,文章提出基于深度学习网络和强化学习模型来构建对抗策略。文章结合深度强化学习技术优势,立足多源层次化的战场态势描述,提出面向智能博弈的战场态势表示方法;将作战指挥分层分域的原则同即时策略游戏中的模块化和分层架构相结合,提出一种层次化和模块化深度强化学习方法框架,用于各决策智能体与战场环境交互的机制以及对抗策略的产生;为满足实际作战响应高实时特点,提出压缩的深度强化学习,提升模型输出速度;为改善对不同环境的适应性,提出利用深度迁移学习提升模型泛化能力。     

装备保障兵棋规则研究

建立兵棋规则是兵棋系统建设中最重要的基础性工作。规则是兵棋研发的核心,兵棋研发重在规则,也难在规则。从分析兵棋规则的分类入手,研究了装备保障兵棋规则的具体内容,包括实体规则、行动规则和裁决规则;然后,探讨了装备保障兵棋规则的来源;最后,以装备维修规则为例,对装备保障兵棋行动规则建立的方法步骤进行了分析。     

增强军校本科学员指挥谋略能力研究——基于计算机兵棋系统

对指挥谋略进行概念分析,确定基于计算机兵棋系统的指挥谋略训练内容;明确计算机兵棋推演的一般步骤和注意事项;以联军2004年11月"破晓"行动为例运用计算机兵棋系统进行指挥谋略训练。研究表明,基于计算机兵棋系统运用战例研究可以成为增强军校本科学员指挥谋略的训练模式。     

基于UML的兵棋推演系统建模

通过对兵棋推演系统结构和功能的分析,运用面向对象的分析与设计方法,建立了基于UML的兵棋推演系统模型,并构建了系列视图模型,描述了该系统从需求分析到系统设计的整个过程,对兵棋推演系统进行了规范化、可视化表述。为兵棋推演系统详细设计、开发和实现奠定基础,为其他推演系统开发提供参考。     

海军兵棋演习系统研究

兵棋演习系统是我军未来开展模拟训练的重要手段，针对国内外对兵棋推演系统现状及技术发展趋势进行研究，提出海军兵棋演习系统的发展方向和设计方法，并结合海军兵棋推演的研究内容重点，给出作战规则建模、指挥关系建模等主要关键技术的解决方法，为我国海军未来兵棋推演系统设计、研究和发展提供技术支撑。     

兵棋在作战效能试验中的应用

兵棋是对战争过程进行研究和评估的军事科学工具。针对作战效能试验中存在的实装对抗组织实施难度大、周期长、消耗大的问题,运用兵棋进行作战效能试验可以为武器装备的试验鉴定提供依据,提高试验效率,对完善武器装备试验体制起到良好的协同构建作用。分析兵棋的特性和作战效能试验的特点,提出将兵棋应用于作战效能试验所需要的关键技术,研究了将兵棋推演用于试验的系统构建方法,明确了推演流程,提出了基于贝叶斯网络的评价方法。     

对抗环境下的智能兵棋系统设计及其关键技术

智能博弈对抗领域已成为当前研究的热门领域之一。侧重在兵棋推演系统的体系构建和模块设计,分析了兵棋推演系统的建模要素,包括兵棋要素、兵棋规则及智能接口设计,构建了智能兵棋推演系统的整体架构。通过A3C强化学习智能算法对系统设计进行可行性验证。其中,改进了强化学习训练过程的奖励设置,明确智能兵棋环境的状态输入、算法驱动过程及动作输出过程,通过自主实现的智能兵棋推演系统,验证了所提的系统理论与工作。该工作为基于强化学习的智能博弈系统的设计与实现提供了可行路径,并为以后基于强化学习的智能博弈对抗研究提供了基础平台。     

装备保障兵棋动态评估方法研究

针对装备保障兵棋推演中的方案裁决和分析评估问题,对装备保障效能动态评估方法进行了研究.从分析装备保障兵棋要素入手,构建基于兵棋地图的评估模型.该兵棋地图评估模型能够充分利用地图中的静态地理环境信息和动态战场环境信息,对装备保障方案进行综合分析并给出评估结果,为装备保障方案的制定、调整和执行提供依据.     

一种远程标绘指挥方法

在山区林地等地区的抢险救灾过程中,后方指挥与前方行动端之间,用语言文字沟通易发生理解的偏差,延缓救援行动,甚至产生不可挽回的后果。为解决该问题,研究了基于远程标绘的抢险救灾远程指挥方法——指挥人员在指挥平台绘制精确的行动信息,行动人员依据行动端同步显示的行动指令开展救援。为此,通过采用基于模糊形状模型(BSM)特征的图符识别手绘标绘方法、基于TCP协议的多客户端通信机制和三维态势显示技术,建立了原型系统。经实验验证,该方法可有效解决远程指挥问题。     

人工智能在兵棋推演中的应用初探

<正>人工智能具有巨大的潜力。美国家人工智能安全委员会提出：“与人类相比,机器有着更加快速高效的观察、决定和行动能力,这在任何一个领域都能提供改变世界的竞争优势”。关于将人工智能技术应用到兵棋推演领域的优点,美智库相关研究认为,“人工智能系统不仅实现了兵棋推演中许多流程的自动化,提高了效率,它们还使人和机器能够以新颖的方式协同工作”。人工智能的崛起为兵棋推演带来了前所未有的机遇,也将使兵棋推演发生颠覆性的变化。     

基于生成对抗网络的图像去雾算法

针对有雾情况下目标检测等视觉任务精度明显下降,提出了一种端到端图像去雾网络,能够直接生成清晰图像且不需要成对的无雾图像和真实图像进行训练.将注意力模块融入生成器网络中,充分考虑不同通道和不同区域在有雾图像中的影响,并将通道注意力和像素注意力相结合,提出了一种新的特征关注模块,赋予重要特征通道和像素区域更多的权重.考虑到...     

基于残差修正CNN-BiLSTM的空中目标航迹短期预测算法

针对因深度学习自身局限性和递归预测策略产生的累积误差,导致航迹预测精度不高的问题,提出了一种基于残差修正CNN-BiLSTM的空中目标航迹短期预测算法。首先,引入卷积模块用于提取航迹数据之中具有潜在关联的空间位置特征,利用双向长短时记忆网络提取航迹数据中的时序特征,并实现对空中目标的实时单步预测和多步超前预测;其次,引入整合移动平均自回归为残差修正模型,对实时单步预测产生的残差建模,计算混合神经网络模型多步超前预测时的残差值;最后,将混合神经网络模型和残差修正模型的输出结果进行融合,得到最终的航迹预测值。实验结果表明,该算法大大降低了神经网络因自身局限性产生的误差和因递归策略预测产生的累积误差,能够显著提高空中目标航迹短期预测的精度。     

联合战役装备保障兵棋推演系统设计与实现

针对兵棋推演在联合战役装备保障中的应用,在介绍兵棋发展现状的基础上,对联合战役装备保障兵棋推演系统的体系结构、主要功能、装备保障规则、系统应用及效果进行了详细阐述;目的是拓展装备保障训练的方法、手段,为提高以数据为基础的装备保障模拟训练水平奠定基础。     

基于组织协同进化的软件缺陷预测方法

针对传统有标识软件度量元数据存在软件缺陷预测精度低的问题,首先对比选择合适的离散化方法,然后将组织协同进化分类算法引入并应用到航天软件缺陷预测领域,给出了一种基于组织协同进化的软件缺陷预测方法。该方法根据预测目标将离散后的软件度量元数据划分为不同种群,在各种群内部形成进化个体(组织)。组织在增减算子、交换算子、合并算子和组织选择机制的作用下不断进化,并基于属性重要度协同进化的方式进行适应度函数的计算,实现了有标识软件度量元数据缺陷预测精度的提高。最后通过两组仿真实验,验证了基于组织协同进化航天软件缺陷预测方法的有效性。     

兵棋推演：复杂系统管理的创新与实践

复杂系统性质决定了复杂系统管理的特殊性，而兵棋推演可以为复杂系统管理提供更加符合其特性的决策辅助支持。讨论了复杂系统的性质及其影响，研究了兵棋推演用于复杂系统管理的原因和方法，并结合战争兵棋推演，介绍了兵棋工程建设中系统研发、推演组织和工程管理方面的创新与实践问题。最后，给出了未来发展的趋势。