基于DDPG的无人机路径规划

针对无人机路径规划中传统算法面对未知情况时适应程度低、在线求解效率低、计算量大等问题,基于深度强化学习DDPG算法,提出了一种无人机路径规划方法.采用策略网络和评价网络的双网络结构,拟合无人机路径规 划决策函数和状态动作函数,根据状态空间、动作空间和网络结构设计了 DDPG算法模型.通过仿真验证了所提出的路径规划方法的...     

非高斯码元检测的马尔可夫链蒙特卡洛算法

针对实际超低频接收机不仅受非高斯噪声的影响,还受接收机内部和外部环境中高斯噪声影响的问题,对噪声采用非高斯分布和高斯分布的混合模型建模,根据混合模型的性质,设计了一种利用马尔可夫链蒙特卡洛方法的超低频信号码元盲检测算法。盲检测算法在贝叶斯层次模型下,采用Gibbs抽样和M-H抽样更新参数,同步估计信道衰落系数和噪声模型参数,并实现对信号码元的检测。算法迭代效率快、精度高。通过与最优检测算法性能比较,盲检测算法性能优异,对超低频信号接收具有重要的现实意义。     

基于深度强化学习的应急通信网规划方法

应急通信具有较强的突发性和不确定性,为满足应急通信网规划中灵活快速组网的要求,根据不同层次网络特点,进行网络拓扑结构分层建模描述,应用深度强化学习算法,实现拓扑结构生成,并通过算法优化其生成效率,依据业务特点,按策略分配应急通信网业务资源,实现完整的应急通信网规划,最后通过样例仿真,验证了应急通信网模型及算法的科学性和高效性,为应急通信网的规划提供参考。     

导师带徒式智能指挥决策应用模式及关键技术

指挥决策智能化需求日益迫切,而近年来国内外军事智能方面的成就较少涉及这一领域。缺数据、缺知识、缺模型的现状,导致该领域智能化发展相对滞后。基于对领域问题的理解,创新提出导师带徒的指挥决策领域智能化发展思路,并基于近年来知识图谱、强化学习、大型语言模型等前沿技术的发展,构想了“学徒式知识提炼”“授徒式博弈推演”2套导师带徒式指挥决策应用模式,并指出了其中需要突破的关键技术,对指挥决策智能化攻坚具有一定指导意义。     

无人机蜂群通信感知一体化关键技术

无人机蜂群机动性强、易于调度、部署灵活,是未来战场态势互联互通、快速精确打击的重要手段。多无人机“通信感知一体化”将无人机通信和感知两个功能互融在一起,在无线信道传输信息的同时,主动认知并分析信道的特性,感知周围环境的物理特征,使得通信与感知功能相互得到增强。与此同时,深度强化学习将深度学习的感知能力和特征提取能力与传统强化学习的决策能力进行有机结合,解决了智能体决策博弈类的现实问题。将通信感知一体化和深度强化学习应用于多无人机态势感知、信息传递、任务规划、资源调度等,能够为多无人机蜂群系统的发展和实践应用奠定基础。     

基于改进强化学习的多无人机协同对抗算法研究

多无人机的作战协同研究内容主要包含飞行协同、侦察协同及干扰协同,随着无人机数量及协同决策内容的增加,多智能体强化学习模型的状态空间及动作空间维度呈指数增长,多智能体强化学习算法在训练中不易收敛,协同决策水平难以得到显著提升。采用并对多智能体深度确定性策略梯度(MADDPG)算法原理进行模型构建,在此基础上提出了一种选择性经验存储策略的多智能体深度确定性策略梯度(SES-MADDPG)算法。该算法通过设置回收存储标准以及选择性因子,对进入经验池的经验进行选择性存储,以缓解奖励稀疏的问题。仿真实验表明,在保证算法时间复杂度的前提下,SES-MADDPG算法比其他强化学习算法有了更好的收敛效果,相较于MADDPG算法,任务完成率提高了25.427%。     

深入破解矛盾问题 不断开创基层建设新局面

新修订的《军队基层建设纲要》,围绕全面锻造"三个过硬"基层重构基层建设标准,为新时代军队基层建设提供了基本准则和依据。必须着力强化建设过硬基层的使命担当,充分把握特点规律,深入破解矛盾问题,有效探索实践路径,不断开创基层建设新局面。一、坚持首位首抓,防止政治引领虚化从基层实际看,有的真学深学"打折扣",口号众多但动作较少,花样频出但质量较低,活动繁杂但效果较差,还没有完全入脑入心、走深走实;有的认识认知"缺纯度",对一些敏感问题反应迟钝,鉴别不及时,抵制不得力,斗争不坚决;有的信任信赖“掺水分”,不爱营盘爱键盘,不信战友信网友,不找组织找群主,不看制度看百度。     

海外任务部队政治工作刍议

随着我军维和、护航、军援、海外保障基地等军事力量走出去和建设步伐的加快,必须持续强化政治工作,为塑造一支政治上绝对忠诚、能力上绝对过硬、作风上绝对扎实的海外任务部队提供有力保证。一、坚定"兵行万里铁心向党"的政治忠诚心中有魂,脚下有根;心中有思想,脚下有方向。一是理论学习同步武装。时间有时差,学习不能有误差;理论清醒,政治才更坚定。     

强化学习框架下移动自组织网络分步路由算法

移动自组织网络是一种无基础设施、由移动通信节点组成的无线网络,具有高动态特性。传统的路由协议并不能适应节点移动性带来的频繁拓扑变化,简单的洪泛路由也会因开销过大降低网络的性能。针对如何在移动自组织网络中自适应地进行路由选择,提出强化学习框架下的分步路由选择算法。该算法以最小链路总往返时延为目标,基于强化学习进行路由搜寻,在筛选出符合目标需求节点集合的基础上,结合置信度选择路由。在链路变得不可靠时,数据包被广播给筛选出的邻居节点集以提升路由可靠性并降低开销。对提出的算法在分组到达率和路由开销等主要性能指标进行数值仿真分析。仿真结果表明,提出的分步路由算法相比于基于强化学习的智能鲁棒路由,在降低开销的同时,保持着相当的吞吐率。     

学员队管理负强化激励的悖论

引入激励理论 ,并分析其在军队院校学员队的运用 ;而后根据博弈理论的引入及纳氏均衡求解 ,得出学员队为加强日常管理工作所采取的负强化激励工作方法的博弈规则 ,并提出对策建议。