基于深度强化学习的行动推演决策系统设计

针对特定行动决策无法快速获取最优策略问题,提出了一种基于深度强化学习的综合性决策优化机制。通过量化评估行动方案的效果、代价、风险、时效等多元性能,进行权重分配和聚类分析的专家决策融合,并利用强化学习的最大化累积奖励机制评估行动成功概率、战果战损比等要素,实现快速匹配特征矩阵并优选最佳预案,从而显著提升行动决策的速度和准确性,具有重大工程应用价值。

军事行动推演系统通用建模机制研究

军事行动推演系统在军事行动中的应用日益广泛,开发同类系统往往需要重新进行建模,耗时耗力。为解决此类系统建模实用性和重用性差的问题,提出基于Agent和离散事件序列混合仿真的通用建模机制。首先利用分层Agent进行军事行动实体建模,论述Agent的实体描述方法,构造松耦合的行动实体和行为能力建模框架;在此基础上针对军事行动流程提出时空离散事件序列模型,构成军事行动推演的完整链条;最后结合具体应用对系统建模机制做了进一步阐述。通过在阅兵活动推演系统和反恐军事行动推演系统中的运用,证实上述机制可有效解决重复建模问题,提高开发效率,具有很强的实用价值。

面向兵棋系统的卫星导航对抗行动推演模型研究

随着信息化作战体系对天基时空基准的依赖逐渐增强,卫星导航对抗快速发展为夺取天基定位、导航和授时信息优势的主要作战行动。以构建卫星导航对抗行动推演模型为目标,在分析相关研究现状的基础上,设计了导航信息环境计算模型和导航对抗行动仿真模型,探索了兵棋系统导航信息环境可视化和高分辨率仿真计算模型代替低分辨率概率效果模型的实现途径,支撑了在天基导航信息支援下的战前筹划和战时评估,实现了导航对抗行动的兵棋推演。

兵棋推演在警务执法行动中的应用研究

兵棋推演起源于军事战争,随着现代社会信息技术的快速发展,广泛地应用于政治外交、商业策划、应急管理等非军事领域,并发挥着重要作用。而兵棋推演在警务执法领域的应用则较为少见。因此深入研究兵棋和兵棋推演,通过把握兵棋推演的定义和特点,分析兵棋推演应用于警务执法行动的必要性与可行性,进而研究兵棋推演对警务执法行动的应用价值,尝试构建警务执法行动兵棋推演系统,为兵棋推演在警务执法行动领域的应用提供有益参考。