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.     

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.     

基于BN-DDPG轻量级强化学习算法的智能兵棋推演

兵棋推演与智能算法融合成为当前军事应用领域的研究热点,利用深度强化学习技术实现仿真推演中决策过程的智能化,可显著减少人为经验对决策过程的影响,提高推演效率和灵活性.现有基于DRL算法的决策模型,其训练时间过长,算力开销过大,无法满足作战任务的实时性需求.本文提出一种基于轻量级深度确定性策略梯度(BN-DDPG)算法的智能推演方法,根据推演规则,采用马尔可夫决策过程描述推演过程中的决策行为,以actorcritic体系为基础,构建智能体训练网络,其中actor网络使用自定义混合二进制神经网络,减少计算量;同时根据经验样本的状态和回报值建立双缓冲池结构,采用环境相似度优先提取的方法对样本进行采样,提高训练效率;最后基于自主研制的仿真推演平台进行实例验证.结果表明, BN-DDPG算法可简化模型训练过程,加快模型收敛速度,显著提高推演决策的准确性.     

兵棋推演在登陆作战任务中的应用研究

传统兵棋是模拟战争对抗的各方人员,使用代表战场及其军事力量的棋盘和棋子,依据从战争经验中总结的规则,对战争过程进行逻辑推演研究和评估的军事科学工具.兵棋推演带来的比较适合作战分析的推演方式,如何在新的信息化系统中加以体现是计算机作战模拟所要研究和解决的问题.首先从兵棋概念的角度分析了兵棋推演的本质和作用,接着分析了传统兵棋与计算机兵棋推演系统,最后结合研讨型兵棋和综合集成的思想,探讨了兵棋推演在海军海上军事任务中应用的可能性及一般应用方式方法,设计了一个研讨型兵棋推演系统.     

计算机兵棋推演系统研究

研究军事领域战略决策,为提升战场指挥能力,计算机兵棋推演是一种特殊的战争模拟方式.从战争经验的总结和对人因素的考虑,并能够较好的实现战争进程和结局的模拟.研究计算机兵棋推演,对于我军战争模拟的发展意义重大.在分析了计算机兵棋推演的由来、美军兵棋系统的沿革以及我军发展状况的基础上,重点概括了战争仿真计算机推演对抗系统的特征与功能,建立了推演系统的体系结构,并作为系统核心研究内容之一的数据和规则建设,最后提出了在面对未来复杂信息作战背景下系统模型研究需要着重关注的几个方面.实践表明,兵棋推演对我军战争模拟理论,还是系统工程研发都具有很好的指导和借鉴作用.     

机器博弈海战兵棋推演系统的设计实现

设计兵棋推演海上作战过程,可以“在实验室中学习战争”,是现代技术和战争艺术的结合.分析了基于机器博弈海战兵棋推演的基本原理,指出用兵棋模拟战争应具备的几个特点,详细阐述了机器博弈海战兵棋推演系统的具体设计方法,包括棋盘表示、兵力表示、规则设计、态势评估和搜索策略等技术难点,实现了基于机器博弈的海战兵棋推演系统.并基于上述兵棋推演系统进行了实例仿真分析,以某红蓝海军编队为博弈对象,进一步阐明了系统对海战兵棋推演的功能.     

融合行为树和势力图的作战决策建模方法

在兵棋对抗推演中,准确地判断态势并采用适当的战术策略是AI指挥员赢得胜利的关键.提出基于势力图和行为树的作战决策建模方法,用以提高AI指挥员决策的合理性和准确性.首先阐述了行为树和势力图的一般原理.在决策模型框架下,利用基于概率模型的势力图融合战场静态信息和动态信息,提供决策支撑,运用行为树组织战术行为节点,推理得到战术决策结果.采用上述方法的AI指挥员在兵棋对抗比赛中取得不俗战绩,证实了方法的有效性.     

兵棋推演中地形量化算法研究与实现

传统手工兵棋推演计算机化的一个重要方面是实现兵棋棋盘的计算机化.需要借助于计算机实现兵棋棋盘的数字化并对兵棋地图进行地形量化.兵棋推演系统采用不同大小的六角网格量化地形,将兵棋推演系统与地理信息系统组件MapX结合.在MapX中显示兵棋推演区域的Maplnfo格式地图数据,并提出了一种基于MapX的六角网格绘制算法,算法充分利用MapX中图元与组合图元的思想,可以根据推演需求实时生成不同比例尺的六角网格覆盖整个或部分作战区域,降低了手工兵棋地形量化的工作量,对提高兵棋推演效率有一定的意义.     

稀疏异质多智能体环境下基于强化学习的课程学习框架

现代战争的战场较大且兵种较多，利用多智能体强化学习(MARL)进行战场推演可以加强作战单位之间的协同决策能力，从而提升战斗力。当前MARL在兵棋推演研究和对抗演练中的应用普遍存在两个简化：各个智能体的同质化以及作战单位分布稠密。实际战争场景中并不总是满足这两个设定，可能包含多种异质的智能体以及作战单位分布稀疏。为了探索强化学习在更多场景中的应用，分别就这两方面进行改进研究。首先，设计并实现了多尺度多智能体抢滩登陆环境M2ALE,M2ALE针对上述两个简化设定做了针对性的复杂化，添加了多种异质智能体和作战单位分布稀疏的场景，这两种复杂化设定加剧了多智能体环境的探索困难问题和非平稳性，使用常用的多智能体算法通常难以训练。其次，提出了一种异质多智能体课程学习框架HMACL,用于应对M2ALE环境的难点。HMACL包括3个模块：1)任务生成模块(STG),用于生成源任务以引导智能体训练；2)种类策略提升模块(CPI),针对多智能体系统本身的非平稳性，提出了一种基于智能体种类的参数共享(Class Based Parameter Sharing)策略，实现了异质智能体系统中的参数共享；3)训练模...     

智能博弈对抗中的对手建模方法及其应用综述

智能博弈对抗一直是人工智能研究的热点。在博弈对抗环境中,通过对对手进行建模,可以推测敌对智能体动作、目标、策略等相关属性,为博弈策略制定提供关键信息。对手建模方法在竞技类游戏和作战仿真推演等领域的应用前景广阔,博弈策略的制定必须以博弈各方的行动策略为前提,因此建立一个准确的对手行为模型对于预测其意图尤其重要。从内涵、方法、应用三个方面,阐述了对手建模的必要性,对现有建模方式进行了分类;对基于强化学习的预测方法、基于心智理论的推理方法和基于贝叶斯的优化方法进行了梳理与总结;以序贯博弈（德州扑克）、即时策略博弈（星际争霸）和元博弈为典型应用场景,分析了智能博弈对抗过程中的对手建模的作用;从有限理性、策略欺骗性和可解释性三个方面进行了对手建模技术发展的展望。     

虚拟现实技术在高层决策训练中的应用研究

对虚拟现实技术在高层决策训练中的应用研究成果--战略决策虚拟训练平台的体系结构、虚拟战略时空集成环境以及动态对抗推演机制等方面进行归纳和总结,并对虚拟实现的技术特征"3I"在高层决策训练中的体现、研究重点以及面向训练模型体系构建等问题进行了详细地分析,期以对今后该领域的研究发展有所帮助和启迪.     

基于MAS的智能决策支持系统研究

为了使多Agent系统的研究和日益强大的网络技术为建立人机一体化的智能决策支持系统提供新的途径和方法,文中在分析了多Aggent系统(MAS)体系结构的基础上,对智能决策支持系统(IDSS)进行了探讨,提出一种在网络环境下,基于MAS的智能决策支持系统模型,并给出了其决策支持过程描述、形式化定义.该模型能够为智能决策支持系统提供新的途径和方法,不仅丰富了智能决策理论,而且能够对实际决策提供有效的支持.     

兵棋推演系统设计与建模研究

介绍了海战推演在信息获取、实体行为及系统输入方面的特点。分析了战术级海战推演与其它级别推演的区别,明确了兵棋推演系统设计中各仿真要素与推演目标、推演规模、推演推进相结合的重要性;针对传统的基于组件库的推演事件定制方法在事件编制灵活性上的不足,提出了由XML描述的“事件一触发关联模型”。实际应用表明,新的模型使得推演系统具备更高的可信度,并大大提高了推演系统的功能扩展能力。最后对兵棋推演系统建模技术的下一步工作和发展做出了展望。     

基于攻防行动链的网络对抗推演系统

网络对抗推演是在网络对抗中进行任务规划、评估决策的重要环节。针对网络对抗广维度、多目标、短猝发的特点，传统的推演系统已不能完成网络对抗推演的要求。为了解决该问题，本文设计基于攻防行动链的网络对抗推演系统。系统架构由数据库、可视化平台、攻防链构设、推演控制引擎、模型构建、应用层等子系统构成，各子系统的模块之间相互配合，驱动整体网络对抗推演系统按照推演剧情进行，并形成具有攻防博弈性的链式行动想定或构设，称之为攻防行动链。攻防行动链的提出，使推演系统能够更好地进行推演过程中的调度和决策，也为网络攻防对抗推演提供了一个参考的研究方向。     

CGF在海上机动编队一体化训练模拟系统中应用研究

计算机生成兵力(CGF)技术在水面舰艇编队智能化生成和仿真方面有着十分广阔的应用前景.该文从计算机生成水面舰艇编队兵力(CGSF)实体模型入手,研究了水面舰艇单舰及战斗编队、舰载直升机和潜艇等海上机动编队兵力一体化训练的作战模拟,构建了CGSF在执行作战任务过程中的战术机动仿真模型和攻防对抗智能决策仿真模型体系,重点介绍了编队队形变换和武器通道组织仿真模型的建立.通过在一体化训练模拟系统中应用表明,采用CGF可以提高水面舰艇编队兵力生成和仿真的智能化程度,比较逼真地实现人机攻防对抗训练.最后分析了在训练模拟系统中应用存在的主要问题及解决思路.     

作战辅助决策多智能体系统体系结构

针对现代战争中作战节奏越来越快、决策问题越来越复杂、越来越多的问题无法抽象成数学模型等特点,设计一种分层的基于多智能体的作战指挥辅助决策系统。系统分为决策层、决策辅助层和数据平台层,以通用信息处理平台为支撑,提供情报分析处理、方案评估、计划推演等功能,直接面向用户进行决策交互;并采用协同机制、驱动和知识学习机制等多智能体技术,确保系统反应快速灵活,决策实时正确,实现人机智能结合。     

基于MAS的智能决策支持系统研究

为了使多Agent系统的研究和日益强大的网络技术为建立人机一体化的智能决策支持系统提供新的途径和方法，文中在分析了多Agent系统(MAS)体系结构的基础上，对智能决策支持系统(IDSS)进行了探讨，提出一种在网络环境下，基于MAS的智能决策支持系统模型，并给出了其决策支持过程描述、形式化定义。该模型能够为智能决策支持系统提供新的途径和方法，不仅丰富了智能决策理论，而且能够对实际决策提供有效的支持。     

计算机兵棋中兵力并行化机动的实现

在传统的计算机兵棋以及手工兵棋中,机动命令的实现采取串行模式,即:只有当前机动命令从起始六角格执行到达最终格,下一条机动命令才得以执行.这样的机动模式对传统意义上的回合制兵棋游戏来说尚可,但对于具有实战仿真意义的兵棋推演来说则会引起严重的失真问题,从而导致推演结果不可信、无参考价值.论文针对上述问题,提出了一种基于时间片的并行化机动算法.经过实践检验,算法不仅解决了上述问题,而且大大提高了机动推演的效率.     

计算机兵棋中基于GA的补给中心选址研究

补给中心是兵棋中后勤补给的关键,合理地为补给中心选址影响着整个兵棋推演效果。基于兵棋的概念,针对计算机兵棋中后勤补给的特点,应用层次分析法分析了补给中心选址的影响因素,列出了补给中心选址原则。针对兵棋中后勤补给特点和补给中心选址影响因素,结合补给中心选址原则,建立了补给中心的优化选址模型,并应用遗传算法进行模型求解。应用实例通过MATLAB进行仿真计算,结果表明,证实方法能得到良好的选址方案,为兵棋推演和计算机生成兵力(CGF)仿真提供参考。     

MWGM:基于兰彻斯特方程的微观兵棋推演模型

传统兵棋推演需要过多的人工干预,因此存在诸多主观干扰,并且很难实现全局实验.为解决上述问题,提出了基于兰彻斯特方程的微观兵棋推演模型,给出了该模型的主要系统结构、内部数据结构以及运行流程等.该模型采用消息驱动方式提高推演系统运行的全局性和时效性,并实现仿真对象的联动;用兰彻斯特模型生成描述敌我损耗关系,并生成微观战场态...