基于模糊MODM的空袭目标威胁评估

针对当前空中来袭目标的主要特点,运用模糊多目标决策(MODM)理论和方法,提出了一种空袭目标威胁评估方法。首先对影响空袭目标威胁程度的因素进行了分析;然后阐述了如何确定影响目标威胁评估的各个指标值;最后依据多目标决策方法,建立了在各指标权重值只有部分已知的情况下,目标威胁评估的数学模型,并通过示例介绍了威胁评估的求解过程。仿真结果表明,该方法有效地解决了目标威胁评估与排序问题,提高了防空作战效能。     

基于多智能体技术的协同信息融合系统研究

为达到充分发掘信息组合潜能的目的,利用多智能体(multi-agent)技术构建了自协同信息融合系统。给出了自协同信息融合系统的体系结构,对该信息融合系统需要进行的协同内容进行了分析,总结了基于多智能体的协同信息融合的主要技术特点。该系统可以起到实现信息共享、统一协调传感器探测行为、提高信息融合系统综合效能的作用。     

基于模糊多目标决策的舰艇导弹优化配置

运用模糊理论和多目标优化理论探索舰艇编队所携带导弹的合理配置。采用灰色系统理论的关联度分析方法,得出各型导弹对理想导弹的关联度,构建进攻能力和防御能力的隶属度函数;通过多目标优化模型的求解,实现各型号导弹的最优配置。使用该优化算法,当舰艇编队面对不同的攻防任务时,能有效地辅助军事指挥员做出最优决策。     

基于GPU+FPGA异构计算资源的目标信息智能处理技术

弹载电子系统对高速弱小目标信息及时准确处理能力是导弹锁定目标、成功实施打击的关键因素之一,平台计算资源是保障弹载电子系统实现目标信息处理的核心资源.提出一种用于高速弱小目标智能处理的GPU+FPGA混合异构计算资源平台架构,利用GPU并行处理和内嵌AI协处理以及FPGA可编程扩展能力,支撑基于神经网络算法的目标信息智能...     

海战场的规划识别研究

规划识别可分为锁眼型(keyhole)和意图型(intention),又可划分为个体的和群体的两种类型,对于敌舰艇编队的规划识别则属于意图型的和群体类型的.舰船及其编队指控系统在战场指挥决策过程中,根据多传感器信息融合系统提供的实时数据与信息进行态势评估,除了敌我识别、目标身份识别、威胁估计外,还涉及对敌舰及其编队的意图型、群体型的规划识别问题.初步探讨舰艇编队(即多自主体系统Multi-Agent System,MAS)规划识别特点、MAS规划识别规划结构框架和基于时态描述逻辑的动作推理的若干问题.     

基于多Agent系统的无人机智能指挥控制系统

无人机是一个具有自治性和反应性的智能系统,结合Agent的特性,将多Agent系统引入无人机智能指挥控制系统的研究与开发中.由于该系统具有复杂的动态结构和行为特征,提出了一种面向Agent的Petri网,用于系统的建模和分析,最后建立了无人机Agent、指挥中心Agent及系统的形式化模型.面向Agent的Petri网不但能描述系统的静态和动态语义,还可利用Petri网的支持工具对系统进行模拟和分析,在无人机智能指挥控制系统研究中具有较好的应用前景.     

多武器协同的复杂性分析与Agent方法

单舰多武器协同作战是舰船设计中的一个高度复杂而重要的问题.复杂的信息战场环境和指挥控制一体化要求舰艇作战系统能够很好地协同多武器系统.近年来,智能代理技术逐渐在复杂系统的模拟、分析和设计中得到了越来越多的应用.在分析多武器协同作战的主要内容和现状的基础上,利用代理概念对单舰多武器协同作战的技术与战术实现问题进行了比较深入的研究,给出了一种多代理单舰多武器协同作战的方法,为多武器协同作战问题的解决提供了新的研究思路.     

机载多智能体信息融合决策系统

将多智能体技术引入到多传感器信息融合领域,通过充分利用智能体的自主性,分布性和协作性等优点,构建基于多智能体的机载信息融合决策系统.详细介绍了多智能体技术在该融合决策系统中的应用,重点描述了各智能体的功能,融合决策体系的结构框架,工作机制和软件实现等内容,为信息融合技术的发展开辟了新的方向.     

基于鲁棒优化的多无人机协同侦察任务规划

针对多无人机协同侦察任务规划问题,考虑由环境因素或机动操作引起的无人机飞行油耗等参数的不确定性和随机性,以侦察目标信息价值最大化为目标 、以团队定向问题模型为基础,建立了多无人机协同侦察随机规划模型.针对飞行油耗的分布律难以精确预测的特点,考虑用其名义值及预测偏离来描述飞行油耗的不确定区间,利用鲁棒线性优化方法构建原模...     

基于元课程强化学习的多智能体协同博弈技术

多智能体协同博弈具有实时及动作连续性、非完全信息博弈、庞大的搜索空间、多复杂任务和时间空间推理等特点,是当前人工智能领域极具挑战的难题之一。针对大规模多智能体强化学习训练时间长、难以收敛等问题,提出了一种基于Actor-Critic的多智能体强化学习协同博弈框架,利用元课程强化学习方法对小规模场景进行基础课程元模型提取,并且基于课程学习向大规模场景进行模型迁移,在元模型基础上继续进行训练,扩展元模型策略网络,最终得到较优协同博弈策略。在《星际争霸Ⅱ》平台上进行仿真实验,结果表明：基于元课程强化学习的多智能体协同博弈技术可有效地加速其训练过程,相较于传统训练方法可以在较短时间内达到较高的胜率,训练速度提升约40%,该方法可有效支撑多智能体协同博弈策略的高效生成,为低资源下的强化学习高效训练奠定理论基础。