面向作战决策智能体的融合赋权评估方法

在兵棋等对抗性作战实验环境下,通过使用基于强化学习方法训练的智能体进行仿真推演,能够检验作战决策效果,达到辅助决策的目的。针对当前作战决策智能体评估往往采用胜率这一单一数据指标的局限,提出了一种基于融合赋权的综合评估方法。通过构建涵盖作战决策有效性、作战意图实现性、作战环境适应性、智能体训练效率、智能体训练体系和智能体训练方法等技战术效果指标的评估体系,然后使用主客观方法对不同类型指标进行赋权,再根据指标性质将权值融合进入评估体系,实现基于融合权重的智能体决策效果评估。构建了陆上合成分队进攻作战场景,利用该方法对6个智能体进行评估验证,能够获得智能体的综合排名,有效避免了单一指标的评估局限。该方法对作战决策智能体评估提供了新的思路,符合作战环境需要,具有一定的应用价值。     

基于效果的联合作战行动规划研究

联合作战行动规划是依据联合作战的使命和资源约束建立完成使命的最佳行动过程,通过对交战环境状态、交战主体的资源能力状态、行动、事件和效果的定义,结合人工智能领域解决"计划"问题的研究、军事领域基于效果的作战思想提出了联合作战行动规划模型及策略优选方法.模型结合了马尔可夫决策过程和贝叶斯网络技术来求解交战主体的最优策略,对联合作战设计具有适应性的行动策略做出的初步尝试.     

基于作战能力图的兵力部署评估仿真

运用电子地图的发展成果和技术,通过将联合作战兵力转化为具有一定属性值的作战能力像素点,以点阵图形式来显示和研究兵力部署,实现对联合作战兵力部署的评估,为定量化研究联合作战兵力运用提供一种辅助决策的新方法.     

联合作战中航空兵作战规划研究

提出一种联合作战中航空兵作战规划方法。分析联合作战中航空兵肩负的主要作战任务及各任务间的逻辑时序,以此构建了作战任务网络;在作战任务网络的基础上,建立关于目标函数、约束条件以及到达时间的作战规划模型;在编码方式、搜索策略等方面对粒子群算法（particle swarm optimization,PSO）作出了改进,用以求解规划模型;最后使用具体算例进行了仿真分析,结果证明,所提方法能够对联合作战中的航空兵使用进行合理规划。     

环境影响下的时滞耦合作战决策同步模型

为了量化描述作战体系的决策同步性能,从时间视角,结合环境影响因素提出作战沟通与作战决策同步衡量指标,并分2个阶段建立了具有时滞耦合特点的作战决策同步模型.案例仿真表明,该模型解决了以往基于群体沟通模式造成决策意见不一致的缺点,并能反映出不同环境因素下对作战决策同步性能的影响,验证模型有效可行.     

浅析联合作战筹划"算、推、仿"

作战计算、兵棋推演和仿真实验等工程方法是联合作战筹划"求快""求奇""求精"的重要手段.作战计算快速灵活、全程运用;兵棋推演人在回路、总体验证;仿真实验精准统计、分域评估.在联合作战筹划构想阶段、方案阶段、计划阶段和实施阶段,"算、推、仿"的运用流程具有一定差异.总结了联合作战筹划"算、推、仿"需要把握的四个重要问题,为战略战役指挥机关提升作战筹划效能提供参考.     

联合作战能力需求分析方法研究

联合作战能力需求分析是进行战略规划、作战筹划、武器装备发展等问题研究的前提和基础。通过分析国内外作战能力需求分析的理论和方法，针对相关各问题域展开研究，提出了“面向威胁、基于能力”的联合作战能力需求分析方法，并对其研究思路、分析框架进行了探讨。该方法按照“目标一任务一构想一能力”的顺序自顶向下分析联合作战能力需求，用“价值中心法”分析“目标、任务、能力”之间的映射关系，用探索性仿真方法分析不同构想情况下的能力需求，可为作战筹划提供分析方法和决策支持。     

基于SD的常规导弹作战体系结构优化分析

联合作战样式下,常规导弹作战体系对抗不仅包含反导系统与常规导弹的拦截与反拦截,还包括阵地防卫、电子对抗等一系列新的对抗作战样式,因此它是非常复杂的系统。用系统动力学方法对常规导弹作战体系对抗进行初步建模和仿真,为常规导弹作战体系结构优化提供一定的依据,并在仿真结果分析的基础上,定性地提出常规导弹作战体系对抗作战体系建设的目标和重点。     

美军作战理论体系研究

美军作战理论体系由联合作战理论体系和军种作战理论体系（都包括作战构想体系、作战概念体系和作战条令体系）构成，是联合作战理论和军种作战理论互相联系而构成的组织和实施军事行动的知识整体，具有创新性强、系统性好、规范性强、开放性好等鲜明特点。     

基于DRL与微分对策的无人机空战决策研究

随着无人机战场环境越来越复杂,空战对抗将逐渐成为主要的一种无人机作战方式.为了能够确保我方无人机在快速演变的战场态势下抓住先机、精确决策、快速致胜,需要根据实际作战环境、作战样式,建立无人机和环境进行交互的规则、无人机空战对抗中采用的战术使用规则,并结合规则,通过智能决策算法,达到提升无人机空战对抗胜率的目的.提出一种结合微分对策(Differential Games,DG)的深度强化学习方法(Deep Reinforcement Learning,DRL)解决此问题,利用深度强化学习的智能决策性以及微分对策的准确机动性,实现战术决策到机动决策.最后以空战对抗1V1为例,对提出的方法进行验证,结果证明方法可行有效.