加强部队后勤管理需把握的几个问题

各级党委领导在加强部队后勤管理过程中,必须强化艰苦奋斗意识,牢固树立过紧日子思想;强化标准意识,在管好用好标准经费上下功夫;强化法制意识,坚持依法规范后勤管理;强化人才意识,大力提高后勤人员素质。     

军队领导干部经济责任审计程序规范研究

领导干部经济责任审计的政策性强,情况复杂,需要有规范的操作性强的审计程序。通过探索,本文在实践的基础上提出了审计程序规范“20步”。     

当代中国航天技术责任化自主创新的哲学基础与实践逻辑

当前,中国正由航天大国迈向航天强国。中国航天技术的发展是在马克思主义科技观指导下,特别是在习近平新时代中国特色社会主义思想中的科学技术观指导下,航天科技企业贯彻落实了科技向善的理念,取得了显著的成效。截至目前,中国在航天领域取得了一系列重大成就,如长征系列运载火箭、嫦娥探月工程、火星探测、天宫空间站等等。这些成就得益于中国航天科技工作者践行的责任化自主创新,其体现了哲学基础与实践逻辑的统一。     

工作专班贵以“专”

为有效推动急难险重任务破题攻坚,遴选骨干力量成立工作专班,建立周期会商、信息传递、资源归集、责任分解等制度,集中优势兵力打主动战、歼灭战,是当下各级较为常用的一种工作方法。但也应该看到,实际工作中,各单位不同程度存在专班众多但运行不畅、人才济济但缺乏合力、“开张”许久但成果寥寥等问题。细究原因,就在于“专”的品质没有凸显、“班”的定位出了偏差。     

法治思维在党内法规制度体系中的应用与意义

作为党的建设伟大工程的重要内容,党内法规制度体系的完善需要通过法治思维来增强其适应、形成科学体系和衔接法律。具体来说,党内法规制度体系应用宪法思维明确党章的核心地位,应用法律部门思维实现横向板块划分,应用效力位阶思维实现纵向梯度结构,应用德法并治思维实现以刚性和柔性调整方式的并举。以此为基础,必须通过坚持法治思维以实现党内法规制度体系的不断完善。     

谨防“层层传导压力”走样变味

前期到基层调研,一些基层干部反映:时下许多工作,从上到下一级对一级传导压力,层层开会分散任务,把落实的责任以“主体责任”为借口,落在基层的头上,又是“留痕”又是报表,又是考核又是问责,基层感觉“压力山大”。“没有压力就没有动力。”科学地分解任务、压实责任,形成“一级抓一级、一级带动一级”的责任落实机制,本是抓工作落实的有效方法。     

基于强化学习的多对多拦截目标分配方法

针对空中对抗环境中多对多拦截的武器目标分配问题,提出了一种基于强化学习的多目标智能分配方法。在多对多拦截交战场景下,基于交战态势评估构建了目标分配的数学模型。通过引入目标威胁程度和拦截有效程度的概念,充分反映了各目标的拦截紧迫性和各拦截器的拦截能力表征,从而全面评估了攻防双方的交战态势。在目标分配模型的基础上,将目标分配问题构建为马尔可夫决策过程,并采用基于深度Q网络的强化学习算法训练求解。依靠环境交互下的自学习和奖励机制,有效实现了最优分配方案的动态生成。通过数学仿真构建多对多拦截场景,并验证了该方法的有效性,经训练后的目标分配方法能够满足多对多拦截中连续动态的任务分配要求。     

2023年深度学习技术主要发展动向分析

深度学习已成为人工智能领域的研究热点和主流发展方向之一,为诸多重要应用领域带来了革命性的进步。对2023年深度学习技术热门领域的主要发展动向进行了综合评述。首先介绍了深度学习技术发展现状,其次探讨了深度学习技术的军事应用任务和挑战,最后盘点了深度学习技术的未来重点发展方向。综述表明,大语言模型是深度学习领域在2023年最突出的亮点,世界模型框架下的自监督学习技术、强化学习框架下的人工智能智能体技术等也呈现加速发展态势;环境恶劣与强干扰复杂条件下的高鲁棒性深度学习、面向实时流数据高效处理与内在逻辑关联的深度学习、面向多变作战场景自主决策与快速决策的深度学习、面向跨域数据协同感知与协同推理的深度学习等,是深度学习技术未来重要的发展方向。     

2022年深度学习技术主要发展动向分析

深度学习正逐渐成为新一代人工智能最核心的技术之一。对2022年深度学习热门领域的主要发展动向进行了综合评述。首先,介绍小数据小样本深度学习研究领域的最新进展;其次,探讨量子计算与深度学习的融合路径;然后,概述强化学习对通用智能的推动作用;最后,盘点深度学习在多模态学习方向的进展。综述表明,面向小数据、小样本的深度学习技术正在引领深度学习向自监督方向不断迈进,深度学习与其他先进计算范式（例如量子计算等）深入融合趋势愈发明显,强化学习在一定程度上具备解决复杂问题的通用智能,多模态深度学习技术已迎来关键性突破。     

基于AHP-DQN的作战效能优化方法研究

针对舰艇编队威胁海域安全的案例,设计了红方突防攻击、蓝方防空反导的想定以及陆、海、空3种反航母作战策略,基于墨子系统开展多方案作战仿真,获得了双方战损数据。在此基础上,建立了以引诱、攻击等性能参数为基础的指标体系,以层次分析法(AHP)分析了3种策略的作战效能。进一步提出了一种以AHP权重定奖励的深度强化学习(DQN)算法,对海基策略进行了优化,作战效能提高了5.36%。研究结果表明,基于墨子系统这一类作战仿真软件开展想定设计、作战策略仿真,再建立AHP-DQN进行作战效能优化的方法可为反舰作战提供参考。