战术级兵棋实体作战行动智能决策方法

战术级兵棋对抗系统结构严格、对抗性强,可以作为研究军事智能决策的一个推演平台.鉴于此,设计一个战术级兵棋实体作战行动智能决策模型框架,并在该框架指导下设计一款兵棋智能引擎.所设计引擎通过挖掘兵棋历史推演数据,提取棋子历史位置概率、夺控热度、观察度等评价属性,利用多属性综合评价软优选算法和兵棋基本规则决策出棋子的下步行动.实验结果表明,所提出引擎具有实时性强、灵活性高、可移植性好的优点,可以在兵棋机机对抗和人机对抗挑战赛中取得优异成绩.     

兵棋推演的智能决策技术与挑战

近年来,以人机对抗为途径的智能决策技术取得了飞速发展,人工智能(Artificial intelligence, AI)技术AlphaGo、AlphaStar等分别在围棋、星际争霸等游戏环境中战胜了顶尖人类选手.兵棋推演作为一种人机对抗策略验证环境,由于其非对称环境决策、更接近真实环境的随机性与高风险决策等特点,受到智能决策技术研究者的广泛关注.通过梳理兵棋推演与目前主流人机对抗环境(如围棋、德州扑克、星际争霸等)的区别,阐述了兵棋推演智能决策技术的发展现状,分析了当前主流技术的局限与瓶颈,对兵棋推演中的智能决策技术研究进行了思考,期望能对兵棋推演相关问题中的智能决策技术研究带来启发.     

作战班组层次行为建模

战术仿真是作战仿真中重要的一部分,是针对合同战术、班组战术层次的仿真,涉及班组的整体决策和成员的个体行为建模,班组的决策行为通常关注于班组成员间的协同合作,而成员的个体行为易受各种战场要素的影响,关注于个体行为的规划,只在单一层次进行建模会造成行为描述的混乱。为了区分班组行为和个体行为,增强个体行为的表达能力,基于行为树和HTN（Hierarchical Task Network）构建了班组层次行为模型,将战术命令的执行分为班组整体决策和实体具体执行两个层次。班组决策层采用行为树对班组的决策行为进行建模,提出了寻径距离因素和武器威胁因素的战术位置选择评估方法,负责班组成员间的协同决策,为班组成员分配任务;实体执行层采用HTN对作战实体的行为进行建模,根据班组决策层分配的任务利用规划算法规划个体任务计划,提升对实体行为描述的表达能力。并通过搭建仿真对抗环境验证了该层次行为模型的有效性。     

源码处理场景下人工智能系统鲁棒性验证方法

人工智能(artificial intelligence, AI)技术的发展为源码处理场景下AI系统提供了强有力的支撑.相较于自然语言处理,源码在语义空间上具有特殊性,源码处理相关的机器学习任务通常采用抽象语法树、数据依赖图、控制流图等方式获取代码的结构化信息并进行特征抽取.现有研究通过对源码结构的深入分析以及对分类器的灵活应用已经能够在实验场景下获得优秀的结果.然而,对于源码结构更为复杂的真实应用场景,多数源码处理相关的AI系统出现性能滑坡,难以在工业界落地,这引发了从业者对于AI系统鲁棒性的思考.由于基于AI技术开发的系统普遍是数据驱动的黑盒系统,直接衡量该类软件系统的鲁棒性存在困难.随着对抗攻击技术的兴起,在自然语言处理领域已有学者针对不同任务设计对抗攻击来验证模型的鲁棒性并进行大规模的实证研究.为了解决源码处理场景下AI系统在复杂代码场景下的不稳定性问题,提出一种鲁棒性验证方法 (robustness verification by Metropolis-Hastings attack method, RVMHM),首先使用基于抽象语法树的代码预处理工具提取模型的变量池,然后利...     

基于效能评估的导弹战术决策支持技术初探

美国"战斧Ⅳ"巡航导弹可以用于打击地面战术目标和移动目标,扩展了战术打击能力.针对具备类似作战能力的导弹,为了能够给战术指挥员提供有效的辅助决策支持,以便对飞行中的导弹进行战术调整和目标重新瞄准,讨论了基于效能评估来辅助战术决策的思想和方法.首先从分析导弹武器系统作战效能评估应具备的功能入手,建立了导弹武器系统效能的评估指标体系,并详细描述了战术机动性能指标的计算方法,最后,通过战术想定和作战模拟验证,得到的结论是,采用这种辅助决策技术可以显著提高导弹的作战效能.     

FSM在海军作战仿真CGF中的应用

计算机兵力生成(CGF)是现代作战模拟仿真中的一项重要内容,特别是在对抗条件下,CGF还必须具有战术决策能力,知道如何根据当前的战场态势,按照己方的作战原则,动态更新自身的行为.文章结合海军对海突击作战的特点,将有限状态自动机(FSM)与行为规则相结合来实现对抗条件下CGF的行为仿真,该方法已运用到对海突击作战仿真软件中,应用表明:该方法可以较真实地仿真红蓝方的行为,具有相当的战术决策能力,取得了良好的效果,也为该系统后期基于Agent的行为仿真提供了一种行为规则表示方法.     

基于Q-学习和行为树的CGF空战行为决策

 空战行为决策的智能性是学术界关注的重要问题之一。提出一种基于Q-学习和行为树的CGF空战行为决策方法。通过构建CGF空战行为树模型,实现CGF智能行为;通过在行为树上的Q-学习,使CGF具有不断进化的能力。仿真结果表明,该算法在与传统算法对抗中,性能优势明显且学习能力较强。     

基于深度强化学习的多机协同空战方法研究

多机协同是空中作战的关键环节, 如何处理多实体间复杂的协作关系、实现多机协同空战的智能决策是亟待解决的问题. 为此, 提出基于深度强化学习的多机协同空战决策流程框架(Deep-reinforcement-learning-based multi-aircraft cooperative air combat decision framework, DRL-MACACDF), 并针对近端策略优化(Proximal policy optimization, PPO)算法, 设计4种算法增强机制, 提高多机协同对抗场景下智能体间的协同程度. 在兵棋推演平台上进行的仿真实验, 验证了该方法的可行性和实用性, 并对对抗过程数据进行了可解释性复盘分析, 研讨了强化学习与传统兵棋推演结合的交叉研究方向.     

对抗场景划分识别与多agent群体对抗策略选择研究*

针对多agent群体对抗策略选择问题,建立对抗场景的新型划分识别框架,提出多agent群体指标信息证据合成方法,能在复杂动态的对抗场景中快速生成实时的最佳群体对抗策略,完成群体对抗任务,从而为多agent群体对抗的战术决策提供方法支持.     

一种用于辅助兵棋推演的快速决策框架研究

基于一般的决策和规划流程,提出了一个面向兵棋推演的快速决策框架(Rapid Military Decision Framework, RMDF),该框架针对异构实体模型,通过分层的网格环境对复杂推演环境简化建模,将推演实体的作用效果,简化为地面、海上和空中三个网格环境层次上的作用效果,并以热图的形式在网格环境中显示,通过推演实体的核心参数来确定其性能模型和行为模型,并基于一致性包算法实现任务分配,生成备选行动策略,通过快速仿真实现推演策略的迭代优化,能够在推演之前或推演期间提供行动方案的快速评估,可以有效地辅助兵棋推演指挥人员进行复杂态势下的兵棋推演。