态势估计模型的研究与实现

态势估计属于数据融合中的二级融合，它的目标就是在一级融合的基础上，通过对各个作战对象行为、状态、事件、企图及其关系的分析，给出参战各方力量部署、作战能力、效能尽可能准确、完整的军事态势估计和感知，并对战术画面进行解释，辨别敌方意图。但现代战争涉及到的作战对象多、协同关系复杂、战术机动频繁，建立一个完善的态势估计模型存在很多困难。该文提出了基于态势觉察、态势理解和态势预测的三级态势估计功能模型；给出了基于模板的计划识别推理框架，重点讨论了基于多级分层黑板模型在态势估计中的应用。     

基于多Agent的战场目标分群方法

针对陆战场的态势识别问题,提出一种用于多Agent的态势识别系统战场目标分群方法。在陆战场目标分群过程中,管理Agent与实体Agent相互协作,以相似度计算作为分群的依据,考虑每个实体Agent的地形、相互间机动性能等因素,提出各自的分群方案,由管理Agent分发数据并合并结果。模拟结果表明,该方法能够解决传统方法在地形分割中的分群错误问题。     

Agent系统软件体系结构形式化建模方法

基于Agent技术为复杂分布式问题提供了求解方法。软件体系结构是控制软件复杂性、提高软件系统质量、支持软件开发和复用的重要手段之一。软件体系结构设计可用于描述Agent与Agent之间的交互和组织结构的规划,因此Agent系统能从良好的体系结构设计中受益。该文整合了图表句法理论和层次谓词变迁网理论,提出一种形式化建模方法,从抽象层(架构)和实现层(动态行为)两方面来构建Agent系统的软件体系结构。模型具有可验证和追踪性,为Agent系统软件体系结构分析与评估提供了良好的基础。     

Multi-Agent系统中Agent知识获取的合作模型

Agent的知识是Agent计算的前提.在动态、不确定的Multi-Agent系统中,Agent必须具备及时有效地获取所需知识的能力以求解问题.现有的知识获取模型不能有效地支持在动态、不确定的Multi-Agent系统中Agent对知识获取的要求,Agent的知识获取能力比较有限.提出一个系统的、用于Agent知识获取的合作模型KACM(knowledge-acquiringcooperationmodel)系列,包括被动模型、主动终止模型和主动非终止模型.基于言语行为理论和以分枝时序逻辑为基础的形式化框架,讨论了KACM所涉及的Agent通信行为,分析了Agent如何响应这些通信行为以完成知识交互,定义了各通信行为以及KACM的满足语义,最后讨论了研究工作的意义.     

C2组织行动过程识别的概率推理模型

评估和识别敌方行动过程是未来分布式网络化指挥控制的一个新问题.以假设检验原理为基本原则,在任务计划、平台资源、任务状态形式化描述的基础上,对敌组织结构和行动过程进行分析.建立了任务状态影响模型和任务状态观测模型,设计了以任务状态后验概率最大为目标函数、最大似然估计确定任务的概率推理模型.针对概率推理模型特点,利用改进的快速模拟退火算法(VFSA)求解该模型.案例仿真结果表明,该模型能够有效识别敌方行动过程,退火算法能在有限时间内求解出当前状态下的敌最高概率行动.     

多Agent系统规划协作过程研究

在多Agent问题求解方面,一个明显的问题是如何规划Agent组的活动.多Agent规划是指通过Agent调整的行为朝着一个共同目标来增强系统中多个Agent协作的强度,从而提高系统的一致性.从协调一致性原理的角度来说明多Agent系统规划协作的过程,并将其划分为发现协作潜力、调解协作请求、构建协作团队、制订协作计划、实现协作行动及评估行动结果6个阶段,对各个阶段进行了说明.并对一种主从式层次结构的多Agent系统协作过程进行了阐述,构建了基于这种结构协作的基本模型.     

基于智能规划的计划识别模型

为了解决战场态势评估问题,提出了一个基于智能规划的军事计划识别模型,给出了基于一阶谓词逻辑的计划识别模型描述方法,论述了基于该模型的计划假设识别方法。模型可以根据世界模型和作战目标的要求实时生成新的计划,来满足当前计划识别的需要,克服了Kautz计划识别框架的不足。     

基于个性的群体强化学习算法

本文以RoboCup为平台,提出群体强化学习算法,该算法将个性行为绑定到信息Agent上,让具有不同个性的Agent充当合适的角色,基于共同的目标,Agent可能产生共同的意图,规划出共同的行为,使追求个体目标与整体目标能合理协调,性能分析表明本文算法适用于动态、实时、有干扰、对抗的环境中.     

基于DS算法的雷达目标识别方法研究

主要目的是为解决干扰存在下不同类型传感器、不同格式信息之间的融合问题,设计了一种较为有效的融合算法,来对敌方的危险目标进行识别;主要方法是把神经网络改进的BP算法与Dempster-Shafer(D-S)证据理论相结合,将来自于各种传感器探测设备多次观察所得到的数据,经过神经网络后,得到基本概率附值,然后利用DS证据理论进行实时的时域和空域融合,从而达到准确的目标识别;仿真结果表明该算法在有效提高识别概率的基础上,大大提高学习速度,结果可行.     

大系统理论简评

研究大系统的理论和方法目前主要来自系统工程和控制理论。系统工程是关于系统规划设计与组织管理的技术和思想方法,它处理诸如总体设计、经营管理、计划协调等复杂问题。系统工程的主要理论方法是运筹学,它包括线性规划、非线性规划、动态规划、网络和流程理论、对策论、决策论、排队论等等。控制理论是分析和控制系统动态行为的理论与方法,它研究动态系统的建模、性质分析(稳定性、可控性、可观性等)、控制、信号滤波、