基于人工智能深度增强学习的装备维修保障兵棋研究

发布时间：2020-12-17 18:13

　　为提升装备维修保障兵棋系统的学习能力和对抗水平,前沿性的将人工智能领域相关理论技术应用到系统中,通过运用马尔科夫决策过程（MDP）与神经网络等方法,在系统内部建立环境感知反馈、过程在线学习等通道,进一步扩展、增强和延伸系统中AI的角色能力,并随着推演次数的增加充分挖掘系统数据资源潜能,同步增强AI的推演行动反馈及战术策略应用能力,提升利用效率,实现推演-学习-推演的有效循环,以此来逐步提高兵棋系统的对抗推演水准,同步带动装备指挥员谋略决策能力的进一步提升,达到向实战化靠拢的要求。 

【文章来源】：兵器装备工程学报. 2018年02期 北大核心

【文章页数】：5 页

【文章目录】：
1 增强学习原理
    1.1 基本原理
    1.2 深度Q学习流程
        1.2.1 准备阶段
        1.2.2 训练阶段
        1.2.3 应用阶段
2 增强学习过程
    2.1 状态与动作量化
    2.2 状态转移概率与回报值
    2.3 深度学习的应用
3 增强学习意义


【参考文献】：
期刊论文
[1]基于人工智能的兵棋推演作战分析研究与设计[J]. 钟剑辉,傅调平,邓超.  舰船电子工程. 2015(01)
[2]基于兵棋推演的作战效能评估方法研究[J]. 吴伟,吴琳.  军事运筹与系统工程. 2013(02)
[3]维修分队战时装备维修能力评估方法研究[J]. 刘平,高崎,黄照协,葛阳.  装备环境工程. 2012(05)
[4]基于虚拟现实的导弹维修训练系统[J]. 杨宇航,李志忠,傅焜,董巍,郑力.  兵工学报. 2006(02)



本文编号：2922459