兵棋推演空中任务智能预测方法研究

　　摘要：对战场敌空中目标作战任务进行高效、准确地自动判断，是态势认知的基础和辅助作战资源分配的关键。本文结合前馈深度神经网络和长短时记忆网络模型计算特点，设计了两个针对性基指标学习器，然后根据基指标交叉熵进行加权组合，用于进一步学习器训练评价指标，既能有效防止模型过拟合，又能提高模型训练效率。测试结果表明，所提模型能较好防止模型过拟合，并能以较高的准确率判断战场敌目标作战任务。

　　关键字：空中任务;深度学习;态势认知;兵棋推演;资源分配

　　张大永; 杨镜宇; 吴曦 系统仿真学报 2021-12-05

　　未来联合作战，态势演进加快，博弈复杂剧烈。空中任务顺利实施，是争取战场主动，达成以快制慢，快速灵活聚能，准确适时释能的有效依托。智能预测对手空中作战任务，对于指挥员战场态势认知，辅助调配资源，部署作战行动具有重要意义。兵棋推演是对未来战争的预实践，受到越来越多重视。一直以来，战场态势认知都是研究的热点。美国著名信息融合专家 J.L.Linas 将战场态势分为观测态势(OS，observational situation)、估计态势(AS，assessment situation)和预测态势(PS， predictive situation)三级态势，较好阐述了态势内涵。文献[1]结合战场态势三级结构和“OODA 环” 提出了“态势能力演化模型”，认为真正推动态势发展的是对抗双方的行动，指导行动的是对态势的判断和预测。

　　兵棋推演空中任务预测是基于具体行动的预测。目前已有不少研究文献，基于模板匹配、专家系统和贝叶斯网络等经典方法组合[2-4]，以及深度学习等流行人工智能方法[5][6]，实现不同作战背景下战术层级的对手任务预测。这些方法主要为满足战术需要而设计的模型，在联合战役层面应用时仍有一些局限：一是模板匹配、专家系统和贝叶斯网络等需要抽象领域专家经验知识，在知识表示和工程实现方面难度大，比如模板库建立，贝叶斯网络概率分布构建等。二是一些基于深度学习设计的智能方法，考虑战术细节过多，且只针对同一场数据，在联合战役层级应用时，一方面数据冗余，另一方面没有充分利用以往推演数据，加大了模型训练难度，降低了模型的有效性/准确性。同时，对抗条件下的作战行动如果采用纯人工预测，不仅对预测人员能力要求比较高，且不能输出稳定的预测结果，更不适宜大范围推广使用。本文从兵棋推演的角度，研究对抗条件下空中任务智能预测方法。以联合战役级兵棋推演对抗环境为基础，对有关概念进行界定，设计了兵棋推演空中任务预测的两层神经网络模型，第一层包括目标资源特征信息的多层感知机[7]和目标时序特征信息留存的长短时记忆 LSTM 网络[8]两个模型，第二层设计了针对第一层两个模型训练得出的特征信息进行加权综合的多层感知机。通过实验验证了兵棋推演空中任务智能预测模型的有效性。

　　1 问题描述

　　兵棋推演空中任务预测，是从动态演变推演态势中捕获提取对手空中目标状态和时序信息，结合作战经验推测其执行空中任务的过程。目标状态信息包括空中目标的机型数量组合等资源类信息，时序状态信息包括空中目标位置、留空时间、方向和速度等环境交互类信息。如图 1 所示，可以将问题抽象为 两 个 二 部 图