装备学习能力评估方法研究

为把握装备学习能力的边界,推动装备更好地学习如何在动态复杂的环境中完成作战任务,需开展对装备学习能力的评估实践。提出“分析学习赋能点—设计任务场景—构建评估指标体系—评估实施”4步骤评估方法,以学习效果、学习效率、学习可靠性、学习可解释性、学习迁移性作为主要评价指标。以某小型光学情报侦察类无人机的学习能力评估为例进行分析,验证了所提方法可用于对智能化装备学习能力的评估。

基于PREA&OODA的边缘指挥控制模式框架及关键技术

针对智能时代战争复杂系统所面临的不确定性(uncertainty)、多样性(diversity)和复杂性(complexity),提出一种基于PREA&OODA的边缘指挥控制(command and control,C2)模式架构,架构的核心组成部分是“中心平行C2”和“边缘自主C2”.中心“中心平行C2”连接现实指挥中心和边缘作战体系,C2过程以PREA环主导;“边缘自主C2”对组织边缘作战单元处理突发应急事件或任务,其载体为边缘作战单元,C2活动过程在PREA和OODA之间切换.设计了基于PREA&OODA的边缘C2模式架构,包括现实C2中心的集中C2、云端中心平行C2和边缘自主C2,模式架构支持边缘作战单元行动执行与C2两种角色的转换和共存,能够维持全局体系运行的连续性和稳定性,增强其适应性.这一模式框架可指导“多域战”、“决策中心战”和“马赛克战”等新作战概念的实施,尤其是在关键要素——C2上,为新一代指挥信息系统的构架设计融入人工智能技术,接入无人作战单元、自主或半自主系统,提供理论和方法指导.

基于强化学习的无人机集群动态任务规划算法

针对无人机集群动态任务规划问题,本研究提出一种基于强化学习的无人机集群动态任务规划方法。该方法将无人机集群动态任务规划划分为任务分配和路径规划2层进行求解,首先通过任务分配得到各个无人机所负责的任务集合,然后在各个任务集合内通过路径规划得到无人机的飞行路径。在任务分配层面,根据大规模无人机集群任务分配存在的规模性和动态性特点,设计基于注意力机制的强化学习算法对其进行求解,该算法在深度强化学习算法的基础上引入注意力机制网络,使得算法能够高效处理无人机数目和任务数动态变化。在路径规划层面,采用基于Gurobi的最优化算法求解最优飞行路径,保证强化学习训练效果与求解结果质量。实验结果表明,在多种规模的动态任务规划中,本研究所提出的算法任务完成度较对比算法提升26.9%~59.9%,方案变化量较对比算法减少12.8%~19.8%,且求解时间在1 s以内。