作战推演中智能博弈对抗算法水平评估模型研究

发布时间：2021-06-23 15:47

　　在作战推演中,决策者需要确定使用哪个智能博弈对抗算法参与作战推演。此时,决策者要了解智能博弈对抗算法的对抗水平,以及其做出的决策是否可用、可信。因此,需要制定一套客观、公正、完整的智能博弈对抗算法的评价标准和评价方法。论文针对智能博弈对抗算法提出了评估指标体系构建原则、评估指标体系以及评估模型,对指导智能博弈算法的改进有着现实意义。 

【文章来源】：舰船电子工程. 2020,40(09)

【文章页数】：4 页

【部分图文】：

智能博弈对抗算法水平评估评估指标

选择抽取博弈对抗中一个指令下达时，到结束阶段战斗中的数据输入和博弈对抗后的兵力结果：时间开始时间（作战实体平台、机/舰载设备、武器作战效能、作战任务）、时间结束时间（作战实体、机/舰载设备、武器作战效能）来等构造多维特征项。将智能博弈对抗模型中输入向量维数巨大，本文采用自编码神经网络抽取输入数据的高层特征，用于后续博弈对抗算法模型的评估，同时生成一些作战水平的标签[11]。输入层的每个数据由发出指令前作战平台状态数据、指令和完成指令后作战平台状态数据，训练输出作战水平的度量，将作战水平的度量转化为一个作战水平的分类问题。作战平台状态数据由上节提到的多个评价指标数据构成。

本文采用一个三层稀疏自编码网络得到输入数据的特征向量，用于后续的评估模型的训练。首先用输入数据来训练第一个网络，通过使输出x?接近输入，可以得到第一个网络的隐藏层h(1)(k)，如图3所示。采用原始输入x(k)训练第一个自编码器，得到输入的一阶特征表示h(1)(k)，将一阶特征h(1)(k)输入到第二个稀疏自编码器，以此学习二阶特征h(2)(k)，再把这些二阶特征h(2)(k)作为第三个网络，一个softmax分类器的输入。通过上面栈式自编码的学习，可以把隐藏层h(2)(k)取出来，它就是输入数据以作战水平分类为目标降维压缩后的向量，用于后续评估模型的训练。3）评估模型构建与验证

【参考文献】：
期刊论文
[1]联合作战分析仿真系统建设运用重难点问题分析[J]. 胡艮胜,岳师光,邱晓刚,赵凯.  系统仿真学报. 2018(12)
[2]基于兵棋推演的联合作战方案评估框架研究[J]. 刘海洋,唐宇波,胡晓峰,乔广鹏.  系统仿真学报. 2018(11)
[3]发展智能指挥控制与打造博弈试验平台[J]. 金欣.  指挥信息系统与技术. 2018(05)
[4]基于深度学习的军事辅助决策智能化研究[J]. 张晓海,操新文,耿松涛,张妍莉.  兵器装备工程学报. 2018(10)
[5]基于强制稀疏自编码神经网络的作战态势评估方法研究[J]. 郭圣明,贺筱媛,吴琳,胡晓峰.  系统仿真学报. 2018(03)
[6]关于体系作战效能评估指标体系构建方法的研究分析[J]. 丁剑飞,司光亚,杨镜宇,李保强.  指挥与控制学报. 2016(03)
[7]舰艇作战方案效能的对抗仿真评估指标与方法[J]. 陈立敏,王振.  火力与指挥控制. 2013(08)
[8]基于对抗仿真数据的作战效能评估方法论研究[J]. 孙明,黄俊卿,马亚龙.  系统仿真学报. 2013(S1)
[9]径向基神经网络的联合作战方案评估仿真[J]. 刘祖煌,程启月.  火力与指挥控制. 2013(01)
[10]作战指挥效能评估指标体系的构建[J]. 李涛.  四川兵工学报. 2011(06)

硕士论文
[1]面向作战推演的博弈与决策模型及应用研究[D]. 鲁大剑.南京理工大学 2013
[2]基于指标间关系的指挥自动化系统效能评估模型[D]. 肖凡.国防科学技术大学 2006



本文编号：3245220