军事智能博弈对抗系统设计框架研究
发布时间：2021-10-05 18:20
在军事领域,人工智能提供了一种新路径来建立和维护军事优势。随着深度学习、强化学习算法的巨大突破,如何在复杂多变的战场环境下制定高效的军事策略并进行及时调整成为新的研究方向,人工智能技术在博弈对抗领域的应用价值和前景也越来越高。将人工智能技术集成到计算机兵棋推演和作战模拟仿真系统中形成军事智能博弈对抗系统,提出一种适应于军事博弈对抗系统智能应用研究的通用设计框架,适用于AI智能体实现跨系统、跨平台的泛化应用,为指挥训练提供技术支撑。
【文章来源】：火力与指挥控制. 2020,45(09)北大核心CSCD
【文章页数】：6 页
【部分图文】：
智能博弈对抗系统通用设计架构
习自我博弈的AI智能体，将会更快检验出该武器的作战效能。相对于前两种AI，强化学习自适应AI具有更强的迁移能力，但也需要进行重新训练。并且两种想定条件下的情报获取及算子操作动作相似度越高，则强化学习迁移模型收敛的可能性就越大。本文采用强化学习自适应型AI，将深度神经网络和强化学习博弈优化决策理论和作战指挥行为知识相结合，结合数据驱动和知识驱动的学习，进行对抗空间特征提娶态势认知和策略优化，并利用生成对抗网络自动生成大量高质量对抗数据，通过强化学习自我博弈提高对弈水平。其实现结构如图2所示。4军事智能博弈对抗系统的发展思路针对军事智能博弈对抗系统的发展，提出几点思路：1）加强相关军事活动的数据采集。数据是支撑军事智能博弈对抗系统的基础，加快训练数据采集系统研发，在各种武器平台和训练设施设备中嵌入数据采集模块，是智能博弈对抗系统的推广基矗为了获得比较全面的数据，数据采集通常要贯穿对抗的整个过程。2）研发适合我军使用的智能博弈对抗模型。着眼未来战场和我军实际，制定和完善相应规则，融入云计算、人工智能、虚拟现实等先进技术理论，走出具有我军特色的智能博弈对抗发展之路。3）重视AI智能体培养和相关军事数据积累。开展AI智能体研究，通过持续的对抗推演对人工智能系统和各类无人化作战平台进行培养训练，是提升战斗力的重要方式。长期实测数据的积累同样不可或缺，为训练和培养智能体提供真实的数据源。4）建立符合我军实际的博弈对抗想定设计、算子数学模型和量化赋值体系，注重在兵器性能、作战要素等诸多方面进行长期的数据量化和信息积累，实现各类军事数据采集、存储和应用。5）运用推演结果验证计划方案，助力完善战略战术。将人工智能技术运用?
【参考文献】：
期刊论文
[1]人工智能在军事领域中的应用及其发展[J]. 蔡亚梅. 智能物联技术. 2018(03)
[2]基于深度学习的军事智能决策支持系统[J]. 张晓海,操新文. 指挥控制与仿真. 2018(02)
[3]军用信息系统智能化的挑战与趋势[J]. 郭圣明,贺筱媛,胡晓峰,吴琳,欧微. 控制理论与应用. 2016(12)
[4]美军联合作战指挥体制及其指挥控制系统[J]. 周海瑞,李皓昱,介冲. 指挥信息系统与技术. 2016(05)
[5]AlphaGo技术原理分析及人工智能军事应用展望[J]. 陶九阳,吴琳,胡晓峰. 指挥与控制学报. 2016(02)
[6]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[7]计算机兵棋推演系统研究[J]. 韩志军,柳少军,唐宇波,景民. 计算机仿真. 2011(04)
[8]HLA Evolved规范研究分析[J]. 钟蔚,龚建兴,郝建国,黄柯棣. 系统仿真学报. 2011(04)
[9]现代兵棋推演技术分析[J]. 彭春光,鞠儒生,杨建池,黄柯棣. 系统仿真学报. 2009(S2)
[10]军事建模仿真中概念模型定义比较[J]. 吴永波,何晓晔,谭东风,沙基昌. 火力与指挥控制. 2007(11)
本文编号：3420284
【文章来源】：火力与指挥控制. 2020,45(09)北大核心CSCD
【文章页数】：6 页
【部分图文】：
智能博弈对抗系统通用设计架构
习自我博弈的AI智能体，将会更快检验出该武器的作战效能。相对于前两种AI，强化学习自适应AI具有更强的迁移能力，但也需要进行重新训练。并且两种想定条件下的情报获取及算子操作动作相似度越高，则强化学习迁移模型收敛的可能性就越大。本文采用强化学习自适应型AI，将深度神经网络和强化学习博弈优化决策理论和作战指挥行为知识相结合，结合数据驱动和知识驱动的学习，进行对抗空间特征提娶态势认知和策略优化，并利用生成对抗网络自动生成大量高质量对抗数据，通过强化学习自我博弈提高对弈水平。其实现结构如图2所示。4军事智能博弈对抗系统的发展思路针对军事智能博弈对抗系统的发展，提出几点思路：1）加强相关军事活动的数据采集。数据是支撑军事智能博弈对抗系统的基础，加快训练数据采集系统研发，在各种武器平台和训练设施设备中嵌入数据采集模块，是智能博弈对抗系统的推广基矗为了获得比较全面的数据，数据采集通常要贯穿对抗的整个过程。2）研发适合我军使用的智能博弈对抗模型。着眼未来战场和我军实际，制定和完善相应规则，融入云计算、人工智能、虚拟现实等先进技术理论，走出具有我军特色的智能博弈对抗发展之路。3）重视AI智能体培养和相关军事数据积累。开展AI智能体研究，通过持续的对抗推演对人工智能系统和各类无人化作战平台进行培养训练，是提升战斗力的重要方式。长期实测数据的积累同样不可或缺，为训练和培养智能体提供真实的数据源。4）建立符合我军实际的博弈对抗想定设计、算子数学模型和量化赋值体系，注重在兵器性能、作战要素等诸多方面进行长期的数据量化和信息积累，实现各类军事数据采集、存储和应用。5）运用推演结果验证计划方案，助力完善战略战术。将人工智能技术运用?
【参考文献】：
期刊论文
[1]人工智能在军事领域中的应用及其发展[J]. 蔡亚梅. 智能物联技术. 2018(03)
[2]基于深度学习的军事智能决策支持系统[J]. 张晓海,操新文. 指挥控制与仿真. 2018(02)
[3]军用信息系统智能化的挑战与趋势[J]. 郭圣明,贺筱媛,胡晓峰,吴琳,欧微. 控制理论与应用. 2016(12)
[4]美军联合作战指挥体制及其指挥控制系统[J]. 周海瑞,李皓昱,介冲. 指挥信息系统与技术. 2016(05)
[5]AlphaGo技术原理分析及人工智能军事应用展望[J]. 陶九阳,吴琳,胡晓峰. 指挥与控制学报. 2016(02)
[6]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[7]计算机兵棋推演系统研究[J]. 韩志军,柳少军,唐宇波,景民. 计算机仿真. 2011(04)
[8]HLA Evolved规范研究分析[J]. 钟蔚,龚建兴,郝建国,黄柯棣. 系统仿真学报. 2011(04)
[9]现代兵棋推演技术分析[J]. 彭春光,鞠儒生,杨建池,黄柯棣. 系统仿真学报. 2009(S2)
[10]军事建模仿真中概念模型定义比较[J]. 吴永波,何晓晔,谭东风,沙基昌. 火力与指挥控制. 2007(11)
本文编号：3420284
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3420284.html
