WARGAME野战生存运动研究

通过资料检索和实地调查,对WARGAME运动(生存游戏、野战运动、战争游戏)的起源、发展概况、体育价值及其在我国发展的制约因素进行全面分析。WARGAME具有丰富的时代价值,无论是心理还是生理均对于全民健身、学校体育、竞技运动等领域有较大的推动力,一定程度上也能改变现今盛行的"伪娘"等畸形社会风气。但其发展也同时面临诸多困境,应从规范管理、扩大宣传、提高认识、开拓视野等方面入手,促进WARGAME运动在我国依法、规范、有序的开展。

面向兵棋推演复盘分析的机器学习数据集构建

运用机器学习进行兵棋推演复盘分析,首先要解决的是数据集构建问题。由于机器学习对数据结构的规范化要求,以及算力和存储限制,通过兵棋推演数据构建机器学习数据集,在如何描述兵棋推演状态,如何描述推演过程,如何处理高维数据,如何数据保真等方面,还面临不少问题。针对此类问题,构建了兵棋推演过程数据向机器学习数据集映射模型,在总体框架上对数据集构建的映射流程、态势描述数据范围和数据统计计算规则进行规范,并从时间关联数据、地理空间关联数据和高维数据降维3个视角设计针对性处理方法,以保证构建数据集的数据结构统一、高维数据降维需求和数据集保真要求。通过数据集构建实验进行了验证,结果表明:在时间分辨率和地理空间分辨率适中情况下,所构建数据集映射模型,既能较好对兵棋推演高维数据进行降维,又能较好防止构建的数据集失真。

作战方案驱动的可学习兵棋推演智能体研究

为了使智能体能够应对兵棋推演中的复杂作战场景和作战目的,提出作战方案驱动的可学习兵棋推演智能体架构。剖析智能体对兵棋系统的“依附特性”和“松耦合特性”,得到智能体的可学习要求;在智能体框架设计中,使用作战方案压减智能体学习范围。通过有限状态机对应作战方案中的作战阶段知识,依据作战方案框架确定智能体决策空间,设计可学习的深层神经网络实施关键决策空间探索,神经网络采用先验知识模仿学习模式和深度强化学习模式。该架构能迭代探索人类难以充分梳理清楚的多棋子最优部署和协作问题。

对抗环境下的智能兵棋系统设计及其关键技术

智能博弈对抗领域已成为当前研究的热门领域之一。侧重在兵棋推演系统的体系构建和模块设计,分析了兵棋推演系统的建模要素,包括兵棋要素、兵棋规则及智能接口设计,构建了智能兵棋推演系统的整体架构。通过A3C强化学习智能算法对系统设计进行可行性验证。其中,改进了强化学习训练过程的奖励设置,明确智能兵棋环境的状态输入、算法驱动过程及动作输出过程,通过自主实现的智能兵棋推演系统,验证了所提的系统理论与工作。该工作为基于强化学习的智能博弈系统的设计与实现提供了可行路径,并为以后基于强化学习的智能博弈对抗研究提供了基础平台。

任务级兵棋智能决策技术框架设计与关键问题分析

在梳理总结当前兵棋智能决策方法研究现状的基础上,明确指出了开展任务级兵棋智能决策研究的8项难点,从博弈活动中智能体定位、信息流转与知识流转等问题出发,设计给出了任务级兵棋智能博弈框架、智能策略生成优化框架以及多智能体策略协同演进框架,进而分析了高维度下长时序的态势信息数据综合、异步策略分布式学习优化、基于语义模板的任务指令生成、多智能体训练营博弈调度等4项关键问题,并给出了基本解决方案,点明了开展任务级兵棋智能决策研究的技术要点与基本路线,为后续任务级兵棋智能体设计提供了有益参考。

集群式深度伪造信息攻击情报感知方法研究

[目的/意义]AIGC背景产物之一的集群式深度伪造信息由于主观恶性及难发现、难识别与难控制特点而易引发剧烈现实危害,其攻击情报感知尤为重要。[方法/过程]以GJK算法为基座设计深度伪造信息识别方案、以曼哈顿距离为依据建立集群式特征分析模型、以画像技术为框架提供情报结构化体系,实现攻击意图判定下的感知方法设计。为检验方法有效性,将其纳入以兵棋推演为支撑、以CMO软件为工具的仿真过程,在环境配置、交互式想定单元给定与应用匹配基础上予以执行。[结果/结论]仿真结果表明,方法设计能够有效实现深度伪造信息识别、集群式特征分析与情报画像提取功能。为使研究发挥更大效益,结合仿真结果探讨情报感知能力建设策略。[创新/局限]创新在于提供一套完整的集群式深度伪造信息攻击情报感知方法;不足在于,内容侧重于方法研究,未对理论问题进行过多论述。

海空跨域协同兵棋AI架构设计及关键技术分析

以深度强化学习为核心的智能博弈技术在游戏领域内的突破和进展为海空兵棋AI的研究提供了借鉴。智能体架构设计是需要解决的关键问题,良好的架构能够降低算法训练的复杂度和难度,加快策略收敛。提出基于随机博弈的海空跨域协同决策博弈模型,分析了相关的均衡解概念;在分析典型智能体框架基础上,针对海空兵棋推演决策博弈过程,提出基于多智能体分层强化学习的智能体双层架构,能够有效解决智能体间协作和维度灾难问题;从兵力协同、智能体网络设计、对手建模和训练机制共4个方面分析了关键技术。期望为海空兵棋AI设计实现提供架构指导。

考虑弹药保障能力的作战效能兵棋推演评估

目前在兵棋推演过程中很少涉及到弹药保障环节,比如弹药存储和运输对作战效果的影响。本文基于兵棋推演想定设计、仿真以及评估的规则,提出了诸如保障兵力、保障装备、储运规则等的弹药保障相关推演要素,改进了兵棋推演流程,在常规推演评估指标体系中增加了弹药保障效率、成本等评估指标体系,演示了综合弹药保障能力作战效能的评估方法。

基于影响力地图的计算机兵棋推演路径规划

兵棋推演是一种描述战争行动的作战模拟工具,兵力机动是作战行动的基础,而路径规划则是作战行动的核心内容。路径规划简化为图论中的最短路径求解。然而,战术路径不等价于最短路径。考虑到战场推演的复杂性、信息多样性和动态性等特点,战术路径采用战场态势与路径规划分离的决策方法导致作战行动失败。提出了一种能将战场态势与地图信息有效融合的战术路径规划算法,该算法在传统A^(*)算法的基础上,结合影响力地图对战场态势因子进行数值化,并采用数值化态势因子结合地形因子作为改进A^(*)算法目标函数,从而在相同算法复杂度条件下使A^(*)算法向战术最优路径收敛。通过仿真实验表明,相较于传统A^(*)算法,该算法能够支持更复杂多样的战术路径规划,战场态势信息指导路径规划能够有效降低机动时一方所受战损并提高我方进攻能力,塑造整体有利态势。

融合三支多属性决策与SAC的兵棋推演智能决策技术

近年来,将深度强化学习技术用于兵棋推演的智能对抗策略生成受到广泛关注。针对强化学习决策模型采样率低、训练收敛慢以及智能体博弈胜率低的问题,提出一种融合三支多属性决策(three-way multiple attribute decision making,TWMADM)与强化学习的智能决策技术。基于经典软表演者-批评家(soft actor-critic,SAC)算法开发兵棋智能体,利用TWMADM方法评估对方算子的威胁情况,并将该威胁评估结果以先验知识的形式引入到SAC算法中规划战术决策。在典型兵棋推演系统中开展博弈对抗实验,结果显示所提算法可有效加快训练收敛速度,提升智能体的对抗策略生成效率和博弈胜率。

基于前分类本体的信息通信兵棋算子建模研究

信息通信兵棋作为提升指挥员信息通信保障指挥与筹划水平的研究平台,发挥着重要作用。选取信息通信兵棋算子展开建模研究。首先设计了信息通信兵棋算子建模框架,明确了实体解构、属性提取、数据描述的建模步骤及对应产品,然后提出了基于前分类本体的信息通信兵棋算子建模方法,定义了实体单元的基础分类、不同实体的本体模型和算子的计算机语言描述,最后以岛屿进攻战役信息通信保障为例,借助本体建模软件Protégé对基于前分类本体的信息通信兵棋算子建模方法进行了实验分析,验证了该方法的可行性与科学性。

基于奖励塑造强化学习的智能导弹突防策略规划方法

面向未来海上分布式作战需求,以对抗环境下分布式作战场景中智能导弹齐射突防水面舰艇为背景,首先,分析了导弹突防策略规划问题;其次,设计了基于奖励塑造强化学习的智能导弹突防策略规划方法;然后,在墨子联合作战推演系统上构建导弹突防舰艇的作战想定,实验结果表明本文方法的智能导弹突防打击成功率为79%,验证了基于奖励塑造强化学习方法的有效性;最后,经过复盘发现,奖励塑造实验涌现出智能导弹的4类对舰打击突防策略:集中迂回攻击、分散突防多向攻击、分组延时攻击、巡弋探测指引攻击。

一种混合智能的作战推演应用模式研究

作战推演技术在指挥训练、作战指挥、战法研究等领域中有着广泛的应用。传统的作战推演技术过于依赖与人在环路,推演效率低下,难以覆盖真实对抗中的各种可能情况。近年来广泛研究的深度强化学习技术,只能扮演战术级以下的智能蓝军用于模拟训练,因为其即不能胜任战役级决策的复杂度,也无法融入红队指挥官的智慧。于是提出一种混合智能的作战推演应用模式,同时融入人的智慧和深度强化学习训练的智能模型,用于态势演变预测和复盘分析、方案推演评估和探索优化。结合典型应用场景开展了实例化研究与概念验证,具有一定参考价值。

基于战车和夺控点分配的智能体步兵投送策略决策方法

针对陆战兵棋开局阶段智能体如何分配战车和如何选择步兵投送点位,提出基于战车和夺控点分配的步兵投送策略决策方法。使用多目标最优规划模型将战车部署问题建模为多目标分配问题,构建目标收益函数,引入改进合同网协议算法对问题进行求解;通过分析不同理性程度智能体的行为和意图,将步兵投送点位选择问题建模为多策略分配问题,给出混合投送点位选择算法。实验证明所提方法可解释性强,同时具有一定的针对性、灵活性。

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。

基于优化PageRank算法的作战行动重要度排序方法研究

从计算机战争模拟产生的海量数据中快速、准确地找出关键行动,可以辅助导演部掌握作战过程,实现对演习评估的支撑。分析共现行动以及构建作战行动共现网络模型,并利用改进的PageRank算法对作战行动重要度排序。实验表明,优化的PageRank算法能够更好地对作战行动进行重要度排序,实现对关键行动的提取。

基于兵棋推演的联合火力打击行动进展评估

火力打击行动进展评估在联合作战中对掌握作战进程至关重要。另外,当前依据战争历史经验和数据进行兵棋推演的方式在作战指挥领域中被广泛应用,但是在联合作战的火力打击行动进展评估方面的应用研究方面涉及较少。研究主要从联合作战指挥员关注的角度入手,总结了火力打击相关的六大构成模块,并在兵棋推演数据的基础上,设计了相应的评估指标体系来综合描述火力打击行动的整体任务效能,同时采用了熵权法实现其客观评估的目的。论文中以兵棋推演实例数据对其模型的可行性和有效性进行验证分析,该体系不仅可以提高作战过程中局部细节模块的作战效能,更从整体上增强其火力打击能力动态评估的可靠性。通过研究的开展,可对作战指挥员决策具有一定参考意义。

现代兵棋推演技术分析

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。首先从兵棋概念和博弈论的角度分析了兵棋推演的本质和作用,接着比较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,设计实现了一个研讨型兵棋推演系统,并得到了初步应用。

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。

面向智能成长的兵棋推演生态系统

构建下一代智能化兵棋系统,难在不能一蹴而就,需要通过构建生态系统逐渐成长智能。界定了智能化兵棋生态系统的基本概念,提出动态开放、层次多样和协同演化的理念。借鉴人类智能成长过程和学习进化机制,构建了下一代兵棋认知智能演化成长的双螺旋模型,给出了基于观察-学习-测试-应用循环的兵棋推演生态系统体系框架;分析了数字孪生、人机融合共生、数据样本生成、智能测试评估、云原生等技术在构建兵棋推演生态系统中的应用。