亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

數字工程和數字設計是美國空軍（USAF）的一個新興重點領域，尤其是在現代復雜系統中的應用。高復雜性系統的一個例子是優先進行廣域搜索和多視角目標確認的網絡合作自主彈藥群（NCAM）。首先，本研究討論了在基于模型的系統工程（MBSE）工具中建立行為模型的方法。然后，本研究介紹了 NCAM 在兩個環境中的并行建模工作：Cameo 系統建模器中的 MBSE 模型和高級仿真、集成和建模框架（AFSIM）中的基于物理的模型。環境中的每個數字模型都能為設計過程中的利益相關者帶來不同的好處，因此模型必須呈現一致且平行的信息。因此，這項研究還提出了在模型之間轉換設計信息的自動化方法。總之，這對協同工作的模型通過系統認知和數字場景模擬了解自主流程，從而與決策當局建立信任。

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，可生成有助于戰區感知和戰斗識別的數據。多種傳感器網絡配置可收集大量數據，從而導致 "數據豐富、信息貧乏"（DRIP）的無效局面。可操作信息的理想解決方案是協調高價值單元（HVUs），以支持識別和瞄準等行動。目前，對未知信號的及時探測不足以在戰術層面保持對態勢的了解。很少有分析人員具備有效利用現有數據所需的經驗和數據訪問能力。有經驗的分析人員也不夠接近邊緣，無法為戰術和作戰層面的作戰提供支持。將經驗豐富的分析人員的工作流程和過程自動化，并與新的人工智能和建模技術相結合，將能更好、更及時地從數據中提取重要信息，支持更好的態勢感知和戰術決策。對戰斗和目標識別進行分析的動機源于通常需要做出快速、有效和知情決策的巨大壓力。目標識別的目標是分析潛在目標的威脅，以便就與目標交戰做出明智決策。利用這些基于圖形的方法的好處包括：通過自動化工具提高態勢感知能力，提煉出戰術和作戰層面的背景信息。

項目概述

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，可生成有助于戰區感知和戰斗識別的數據。多種傳感器網絡配置可收集大量數據，從而導致 "數據豐富、信息貧乏 "的無效局面。可操作信息的理想解決方案是協調高價值單元，為識別和瞄準等行動提供支持。目前，對未知信號的及時探測不足以在戰術層面保持對態勢的了解。很少有分析人員具備有效使用現有數據所需的經驗和數據訪問能力。而那些有經驗的分析人員也不夠接近戰爭邊緣，無法為戰術和作戰層面提供支持。將經驗豐富的分析人員的工作流程和過程自動化，并與新的人工智能和分析建模技術相結合，將能更好、更及時地從數據中提取重要信息，支持更好的態勢感知和戰術決策。對戰斗和目標識別進行分析的動機源于通常需要做出快速、有效和知情決策的巨大壓力。目標識別的目的是分析潛在目標的威脅，以便就與之交戰做出明智決策。利用這些基于圖形的方法的好處包括：通過自動化工具提高態勢感知能力，提煉出戰術和作戰層面的背景信息。

利用機器學習算法、人工智能、知識圖譜和圖形識別技術，主要結果令人鼓舞：如果我們將預先訓練好的數據集應用于先前加權的神經網絡算法，那么機器學習算法的第一次迭代或歷時的準確率為 20.2%。隨后的迭代會顯示出更顯著的準確率增長，在五個或更多迭代之后，準確率會達到 94.9%。雖然結果顯示準確率很高，但運行深度卷積神經網絡算法的大型數據集需要大量時間，有時需要多個小時才能完成。如果所需信息的時間至關重要，則需要專用的高功率計算。要評估本報告所述方法的實際功效，可能需要進行實際測試。在未來的研究中還可以應用其他方法，例如用目標的基帶調制同相和正交分量代替視覺表示，將其應用到知識圖譜中，可能會提高作戰目標識別的效率和準確性。

研究背景

神經網絡的協同和自組織如何影響復雜網絡傳感器的效率和作戰識別？我們能否通過信息的動態形成形成弱聯系和強聯系以支持新知識？圖機器學習和建模技術（概率圖模型、神經網絡和聚類算法）可應用于射頻（RF）信號數據的知識圖譜。因此，本研究的主要目的是了解自組織和復雜自適應系統是否會產生新的特性，從而更好地探測、識別和分析潛在目標，以便進行戰斗識別。研究假設必須考慮新知識的可信度、不確定性和準確性等關鍵因素。將對收集數據的方法（如時間和位置屬性、關系強度、知識圖譜的精確度和召回率）進行仔細研究。這些指標將與地面真實目標校準信號進行比較，以證明本研究在戰斗識別方面取得的進步。

這與當前有關美國防部行動的研究有重大關聯。將通過適當的艦隊實驗來考慮適當和可行的以數據為中心的方法，從而實現 JADC2 的作戰概念，如 "感知、理解和行動"。戰術態勢感知（TACSIT）、遠征高級基地作戰（EABO）、分布式海上作戰（DMO）和有爭議的環境都是提供交戰決策所需知識的因素。必須在正確的時間、正確的地點提供所需的適當數據，以實現決策優勢。本研究將重點關注利用戰區現有傳感器、參考發射器和多信息協調解決方案（MIOS）架構進行聯合作戰識別。JADC2 概念、數據結構和信息共享格式將是調整的主要參考方案。在美軍方面，基于圖形的技術能夠以一種新的方式來解決高置信度超視距估算問題，以確定任務風險和部隊風險。

在方法論方面，當前的研究利用已知的飛機圖片作為訓練數據集，同時應用機器學習算法。我們的測試使用了 14,806 張經過驗證的圖片，這些圖片被分成一個個小塊，稱為 "類"。研究說明了我們對深度神經網絡的測試結果，因為它們與戰斗識別應用有關。測試使用的 Python 代碼加載了各種分析庫，如 NumPy、Pandas、Seaborn、Efficient Net 和 Tensor Flow Keras。加載了一個包含 14 806 張圖片的大型數據集，該數據集可以隨機分割或拆分為訓練集和測試集。這兩組數據會被進一步分割成更小的數據塊進行處理，例如以 40 張圖片為一批。在訓練和驗證過程中，對準確率和信息損失進行測量。訓練過程在 20 個神經元層上多次重復和迭代。每次迭代或歷時的結果都會反饋到下一輪迭代中。具體來說，權重被保存并用于下一輪迭代。然后使用測試數據集上的最佳迭代結果進行預測。

結果和結論

復雜傳感器網絡是一套龐大而昂貴的系統、軟件、傳感器和發射器，會產生大量數據，如果能對這些數據進行快速有效的分析，就能提供戰斗空間感知和戰斗識別。由于目前的方法不足以在戰術層面保持流暢高效的態勢感知，因此提供可操作信息和及時發現未知信號的高效解決方案意義重大。這項研究考察了使用機器學習和知識圖譜的各種算法，以評估能否提高效率和準確性。研究結果表明，使用圖形文件識別目標是可行的，但要獲得更高的準確度，必須進行多次迭代。例如，如果采用標準的非加權快速算法，運行視覺數據集的準確率為 5.6%。但是，如果使用先前加權的神經網絡來啟動這一過程，第一個迭代的準確率就會達到 20.2%。使用這些初始權重，在隨后的五個epoch后，準確率大幅提高至94.9%。運行大型數據集的主要問題是深度卷積神經網絡的運行時間。一個只有 14,806 張圖片的中等數據集，5 個epochs 可能需要 3 個半小時以上。因此，如果時間要求很高，就需要專用的高功率計算。此外，除了運行時間外，深度神經網絡的局限性還在于需要多次迭代，在迭代過程中，任何低級別的準確度和精確度類類型都需要用更好的圖片來替換。建議下一步可以進行實際測試，以確定本報告所述方法的實際功效。

進一步研究的建議

根據研究結果，建議采取的下一步措施包括使用實際生活中的連續數據流，既包括圖形文件格式，也包括其他類型的識別數據，如使用同相和正交（I&Q）數據，其中數據已預先分配了預檢測和預解調信息。在通信系統中，大多數信號都被基帶調制成同相（I）和正交（Q）子分量。然后通過射頻（RF）頻譜進行傳輸。在另一端，接收器對信號的 I&Q 子分量進行解調，并利用預先訓練的數據對先前確定的戰斗進行識別，從而進一步提高探測的速度、準確性和效率。可以利用知識圖譜和圖形距離誤差測量方法，以一定的概率快速確定目標是敵是友。

虛擬環境（VE）技術的最新進展，以及虛擬環境在治療和培訓個人方面的應用的增長，為在安全和豐富的環境中進行演練開辟了新的可能性。研究表明，虛擬環境可用于治療創傷后應激障礙（PTSD）患者，但很少有研究提出創建有效環境的良好指導原則。本研究旨在為系統設計提供參考，讓退伍軍人在實際進入該環境之前，在安全的環境中演練潛在的壓力體驗。我們調查了退伍軍人對虛擬環境特定設計組件的反應，以幫助開發對退伍軍人有效的系統。評估了對建議的六種刺激的反應，以及兩種類型的系統視角：第一視角和第三視角。采用的測量方法包括參與者的行為、主觀不適單元（SUD）以及包括心率、心率變異性和呼吸頻率在內的生理反應。對于患有創傷后應激障礙的退伍軍人來說，最有效的系統應該包括一套初始刺激，這些刺激可以進行配置，以便關注個人所經歷的特定創傷，或許還可以改變刺激強度。這些刺激應包括擁擠的房間和驚嚇噪音場景。第一人稱視角和頭戴式顯示器是首選的設計，除非是曾經有過暈動癥的人。這些人應該先在中性的第一人稱 VE 環境中接受網絡暈動癥測試，然后再在演練環境中接受測試。結果表明，創傷后應激障礙患者的心率反應與非創傷后應激障礙患者有明顯不同，創傷后應激障礙患者的 SUD 分數變化提供了有關個人對每種刺激的反應的有用信息。創傷后應激障礙患者在 VE 中也會表現出回避刺激等行為。本研究的結果表明，除虛擬戰斗區域外，其他虛擬環境也能引起創傷后應激障礙患者的行為、情緒和生理反應，因此應進一步研究這些類型的環境是否適用于創傷后應激障礙退伍軍人。

從聲納數據集中對未爆彈藥（UXO）和地雷等水下物體進行分類是一個難題。使這些物體分類復雜化的因素包括：操作和環境條件的變化，存在空間變化的雜波，目標形狀、組成、方向和埋藏條件的變化。此外，在各種背景條件下收集大量具有代表性的真實數據進行訓練和測試非常困難，在很多情況下也不切實際。在本論文中，我們以之前的研究成果[1]為基礎，其中基于稀疏重構的分類模型是在合成生成的聲納數據集上進行訓練，從而在真實數據集上進行分類。雖然這項早期工作有助于解決水下獵雷問題所固有的數據貧乏問題，但在這項工作中，我們改變了方向，將重點放在對此類模型的調整上。特別是，我們將研究如何調整基于稀疏重構的分類器（SRC）的線性和核化形式，使其在終身學習環境中發揮作用，以便在環境參數不斷變化的情況下執行分類，同時不影響在以前遇到的環境中的性能。

在這篇論文中，試圖解決幾個關鍵問題，以便設計出穩健的分類器，用于在終身學習環境下從低頻聲納中對未爆炸彈藥和彈藥進行分類。這些問題包括 (1) 有哪些最可行的機制可使無人潛航器在不犧牲舊環境性能的情況下，積累并將新的標記或未標記數據納入其目標識別系統？(2) 有哪些最可行的機制可使水下自動跟蹤系統在不同環境條件下提取類標簽？(3) 基于壓縮傳感的目標識別方法（如帶增量字典的改進型 MSC）與流行的替代方法（如多任務學習方法）相比，有哪些優勢、不足和主要區別？ (4) 如何擴展[1，2]中的改進型 MSC 框架，以便以高效的方式實現內核化解決方案？

在這項工作中，我們提出了幾種新算法，以解決壓縮傳感系統的內核化問題，并將這些系統過渡到高效的增量學習，而不依賴于所有訓練樣本的全內核矩陣。通過對稀疏重構分類器進行內核化，可以將樣本的稀疏表示和非線性嵌入的優勢結合起來。本論文提出的新算法包括：一種增量線性化內核嵌入（LKE），它利用 Nystrom 近似[3-5]對嵌入空間進行有用的幾何解釋；一種更新增長內核矩陣特征分解的新算法，它利用快速箭頭矩陣特征分解；以及一種針對 Mary 識別任務優化自定義內核函數的方法。這項工作要解決的一個主要技術問題涉及匹配子空間分類器（MSC）[2, 6]是否能成功地進行核化并轉換成自適應形式，以便在終身學習環境中使用。

全面測試增量核化 MSC 并將其應用于使用低頻聲納的彈藥分類是這項工作的另一個主要目標。為此，我們測試了一個假設，即從各種物體的聲納反向散射中提取的聲學顏色（AC）數據[2,7,8]中捕獲的非線性映射光譜特征顯示了獨特的特征，與標準特征相比，這些特征在不同類別的被探測物體之間提供了更優越的分辨能力。在這篇論文中，我們介紹了使用核化 MSC 的三種變體進行分類的新結果，包括使用均勻和脊平均分數（RLS）采樣的增量線性化核嵌入（LKE）MSC，以及 [2] 中改進的 MSC 線性版本的增量版本。這些分類系統應用于真實聲納數據集（即 TREX13 和 PondEX09-10），以測試分類器的泛化能力，這些分類器的基線訓練是在由快速射線模型（FRM）（也稱為目標環境響應模型（TIER）[8, 9]）生成的合成（即模型生成）聲納數據集上進行的。在增量情況下，當進入一個新的運行環境時，利用數量非常有限的標記樣本來增強信號模型。

本文介紹的方法迄今已提供了極具前景的結果，在 TREX13 和 PondEX09-10 中，基于 LKE 的增量 MSC 系統在每次決策使用七個方面（AC 特征）時，PCC = 94.6%，PF A = 5.4%，PCC = 99.3%，PF A = 0.7%。

圖 2.4：使用 LSAS 模型生成的非未爆炸物體聲學顏色圖與 TREX 數據對比。

本論文為有限時間范圍內的魯棒性分析和綜合提供了理論和計算工具。這項工作的動機之一是對導彈攔截系統性能進行可靠評估，這也將有助于此類系統的穩健設計。典型的性能指標具有無限時間范圍的性質，以穩定性為中心，并依賴于頻域概念，如增益/相位裕度。對于在有限時間范圍內運行的系統（如許多發射場景），這些指標可能不夠充分。相反，本論文側重于時域指標，例如，在考慮干擾、模型不確定性/可變性和初始條件的影響的同時，對系統在視界最后時間的狀態進行約束。建議的方法是沿軌跡對動力學進行數值線性化，以獲得線性時變（LTV）系統。然后在線性化系統上進行分析或綜合，該系統可捕捉到標稱軌跡周圍的一階擾動。與原始非線性模型相比，這種方法犧牲了一些精度，但卻能使用線性系統工具。建議的最壞情況 LTV 分析還提供了具體的不良干擾和不確定參數，可在高保真非線性仿真中進一步研究。

導彈防御： 威脅環境正在以許多前所未有的方式迅速演變，這主要是由于現有導彈能力的增強和無人駕駛飛行器的更加靈活。任何導彈防御系統的首要目標都是保護國土、文明和戰略資產（如航空母艦）。這些復雜的工程系統必須探測、跟蹤和攔截來襲的威脅導彈，在它們到達各自目標之前將其摧毀。目前，最常見的方法之一是使用攔截導彈，通過與威脅導彈碰撞（即命中摧毀）或在其附近爆炸（即定向破片）使其失效。

目前的局限性： 單一攔截器與威脅交戰的性能可能會因多種因素而下降，包括外部干擾（如陣風）、未建模的靈活動態、傳感器噪聲、跟蹤不準確、致動器飽和、威脅的規避機動等。這對單個攔截器系統的精度造成了極大的影響。因此，需要發射多個攔截器來提高成功的可能性。然而，這并不總是可行的；例如，一艘小型海軍艦艇可能只有有限的艦載導彈資源。替代方法包括反火箭、火炮和迫擊炮（C-RAM）系統或 CIWS 雷達控制速射炮，發射多發炮彈，直到成功識別并摧毀威脅。當同時受到多個威脅的攻擊時，這種防御能力很容易被壓垮。有些威脅導彈具有很強的機動性，可使用多種誘餌和反制手段，因此很難被攔截。此外，如果不能在短時間內做出反應，可能會造成災難性后果。總之，目前的多層導彈防御系統嚴重缺乏性能保證。

目標：這項研究的主要目標是開發理論和計算工具，用于對在有限時間范圍內運行的系統進行魯棒性分析。重點是快速可靠地計算適當的魯棒性指標，以確定最壞情況下的性能。這種分析可用于補充現有的蒙特卡洛方法，以便在設計迭代的早期發現邊緣情況，或確定二元結果（如任務成功或在最壞情況下失敗）。

挑戰： 總體而言，由于存在許多不確定性、干擾和參數變化，最壞情況分析問題是非線性和非凸的。目前還沒有任何數值上可靠的工具可用于此類分析。即使存在這樣的工具，其適用范圍也很可能有限，因為它們要么計算速度很慢，無法保證收斂，要么只適用于學術范例。例如，考慮在 F-16 飛機上應用非線性動力算法進行最壞情況軌跡分析[8]。這種算法不僅缺乏收斂性保證，而且計算速度很慢。得出最壞情況下的參數和陣風組合所需的時間（4 到 4.5 小時）與蒙特卡洛模擬所需的時間大致相同。

方法： 方法主要是沿標稱軌跡對系統的動態進行數值線性化，并評估由此產生的線性時變（LTV）系統的穩健性。這種線性化系統只捕捉標稱軌跡周圍的一階擾動。我們利用系統的線性特性，通過解決凸優化問題，為 LTV 性能提供正式保證。然而，這需要犧牲原始不確定非線性系統的精度（即以精度換取計算效益）。這種近似分析只需要一次非線性模擬，速度明顯更快。擬議的有限視界線性化分析還提供了最壞情況下的性能證明（如特定的 "壞 "干擾、參數等），可在非線性模擬中進一步分析。

遙控飛機執行的軍事任務類型不斷擴展到包括空對空作戰在內的各個方面。雖然未來的視距內空對空作戰將由人工智能駕駛，但遙控飛機很可能將首先投入實戰。本研究旨在量化延遲對高速和低速交戰中一對一視距內空對空作戰成功率的影響。研究采用了重復測量實驗設計，以檢驗與指揮和控制延遲相關的各種假設。有空對空作戰經驗的參與者在使用虛擬現實模擬器進行的一對一模擬作戰中受到各種延遲輸入的影響，并對每次交戰的作戰成功率進行評分。這項研究是與美國空軍研究實驗室和美國空軍作戰中心合作進行的。

因變量 "戰斗得分 "是通過模擬后分析得出的，并對每次交戰進行評分。自變量包括輸入控制延遲（時間）和交戰起始速度（高速和低速）。輸入延遲包括飛行員輸入和模擬器響應之間的六種不同延遲（0.0、0.25、0.50、0.75、1.0 和 1.25 秒）。每種延遲在高速和低速交戰中重復進行。采用雙向重復測量方差分析來確定不同處理方法對戰斗成功率的影響是否存在顯著的統計學差異，并確定延遲與戰斗速度之間是否存在交互作用。

結果表明，在不同的潛伏期水平和交戰速度下，戰斗成功率之間存在顯著的統計學差異。潛伏期和交戰速度之間存在明顯的交互效應，表明結果取決于這兩個變量。隨著潛伏期的增加，戰斗成功率出現了顯著下降，從無潛伏期時的 0.539 降至高速戰斗中 1.250 秒潛伏期時的 0.133。在低速戰斗中，戰斗成功率從無延遲時的 0.659 降至 1.250 秒延遲時的 0.189。最大的遞增下降發生在高速潛伏期 1.00 至 1.25 秒之間，低速潛伏期 0.75 至 1.00 之間。高速交戰期間戰斗成功率的總體下降幅度小于低速交戰期間。

這項研究的結果量化了視距內空對空作戰中戰斗成功率的下降，并得出結論：當遇到延遲時，希望采用高速（雙圈）交戰，以盡量減少延遲的不利影響。這項研究為飛機和通信設計人員提供了信息，使他們認識到延遲會降低預期作戰成功率。這種模擬配置可用于未來的研究，從而找到減少延遲影響的方法和戰術。

本論文利用強化學習（RL）來解決空戰機動模擬中的動態對抗博弈問題。空戰機動模擬是運籌學領域常見的一種順序決策問題，傳統上依賴于智能體編程方法，需要將大量領域知識手動編碼到模擬環境中。這些方法適用于確定現有戰術在不同模擬場景中的有效性。然而，為了最大限度地發揮新技術（如自動駕駛飛機）的優勢，需要發現新的戰術。作為解決連續決策問題的成熟技術，RL 有可能發現這些新戰術。

本論文探討了四種 RL 方法--表式、深度、離散到深度和多目標--作為在空戰機動模擬中發現新行為的機制。它實現并測試了每種方法的幾種方法，并從學習時間、基準和比較性能以及實現復雜性等方面對這些方法進行了比較。除了評估現有方法對空戰機動這一特定任務的實用性外，本論文還提出并研究了兩種新型方法，即離散到深度監督策略學習（D2D-SPL）和離散到深度監督 Q 值學習（D2D-SQL），這兩種方法可以更廣泛地應用。D2D-SPL 和 D2D-SQL 以更接近表格方法的成本提供了深度 RL 的通用性。

貢獻

本文有助于以下研究領域：

• 設計獎勵信號以推動空戰機動領域的學習，以及確定最有效信號的相應評估。
• 第 6 章中介紹的結合 RL 和監督學習的新方法，可加速深度 RL 并超越基準算法。考慮到 RL 的訓練是一項非常昂貴和資源密集型的操作，這些縮短學習時間的新方法是本論文最重要的貢獻。
• 優于單目標智能體的多目標 RL 智能體，在第 7 章中介紹。這是一個非常重要的貢獻，因為它證明了多目標 RL 這一相對較新的發明可以在不增加學習時間的情況下超越單目標 RL 的性能。
• 用于訓練和測試單目標和多目標 RL 智能體的開源框架。

美國海軍正在重組其艦隊結構。美海軍正在探索使用無人潛航器 (UUV) 平臺來補充艦隊的可行性。目前的 UUV 只能提供最低限度的監視和水雷探測能力；一種解決方案是在 UUV 平臺上增加攻擊性和增強型探測能力。本研究采用基于模型的系統工程（MBSE）方法，在聯合戰區模擬級全球作戰環境中探索具有增強能力的 UUV 的效果。該方法包括概念原型開發過程、作戰概念、效果衡量標準、不同的 UUV 因素（速度、組成和聲納類型）以及實驗設計。在對 540 次模擬運行的輸出結果進行分析后，結果證明所有三個因素對 UUV 的作戰性能都有重要影響，并表明使用先進的 UUV 可以提高特遣部隊的能力。此外，實驗還揭示了 UUV 的組成與探測和交戰速度之間的強相關性，并證實了使用主動聲納在作戰中的優勢，從而形成了 UUV 功能的交換空間。這項研究證明了 MBSE 在為未來艦隊進行可行性評估方面的實用性。

2016 財年，美國參議院軍事委員會下令海軍將艦隊規模擴大到 355 艘。然而，建造設施的缺乏阻礙了這一工作。負責預算的海軍副助理部長布萊恩-盧瑟少將估計，355 艘艦艇的目標要到 2050 年代才能實現（Larter 2018）。因此，美國海軍正在探索潛在的艦隊重組方案。海軍對用無人系統來補充傳統的有人海軍資產非常感興趣。無人潛航器 (UUV) 就是這樣一種系統。由于高層對艦隊和無人系統都很感興趣，海軍研究辦公室（N9）要求提供測試 UUV 未來能力的方法和流程，以及開展此類研究的實驗環境或工具。此外，目前的無人潛航器主要用于支持水雷戰和小型監視任務（美國防部，2007 年），因此還不了解其對其他角色的影響。

本研究的目的是在計算機輔助兵棋推演中使用基于模型的系統工程（MBSE）方法，特別是聯合戰區級模擬全球行動（JTLS-GO），以探索先進的 UUV 能力作為未來美國海軍艦隊資產的影響，以及作為日益減少的潛艇部隊的替代品的影響。

MBSE 方法是一個多步驟過程，從頭至尾探索整個項目。通過這種方法，我們開發出了一種先進的 UUV 概念和 "眼鏡蛇黃金 2018"（CG18）小插圖或作戰概念（CONOP），這是一種六國（太平洋司令部主辦）指揮所演習（CPX）。小插圖的創建允許對 CG18 進行反復檢查，以確定 UUV 可以解決的能力不足問題。在這種情況下，虛擬演習的重點是敵方（索諾拉）特遣部隊與盟軍特遣部隊（包括 USS Benfold (DDG-65) 和 RSS Endurance (LS-207)）之間的互動。實際演習的結果包括上述艦艇的傷亡。造成這些傷亡的原因是缺乏態勢感知和進攻火力。這些問題為在模擬中注入 UUV 以增強傳感器和火力提供了機會和動力。隨后，確定和建立新能力的作戰要求和限制的過程隨之展開。新的模擬 UUV 設計必須能夠提供額外的進攻和偵察能力。衡量無人潛航器的性能如何以及哪些屬性需要改變，從而制定了效能衡量標準（MOE）和性能衡量標準（MOPs）。這些衡量標準有助于指導實驗設計（DOE）的制定，從而指導名義 UUV 的實驗和評估。

性能指標包括探測效果和敵方減員。關注的性能因素（屬性）包括 UUV 速度、UUV 數量（UUV 艦隊組成）和聲納類型（主動或被動）。DOE 包括對這些因素在三個不同值（水平）下的測試。不同水平的因素組合產生了 18 個設計點。

JTLS-GO 模型是由 Rolands and Associates 設計的事件驅動兵棋推演模擬，用于測試多方聯合戰役和行動（Rolands and Associates 2018）。該項目測試戰爭的多個層面，包括政治、戰略、作戰和戰術層面。

雖然 JTLS-GO 在模擬交戰方面很有用，但根據 Cayirci 和 Marincic（2009 年）的說法，其功能是培訓總部人員更有效地指揮和控制單元。因此，僅使用 JTLS-GO 測試未來概念是不可行的，因為這需要大量資源。為了充分利用 CG18 的人的反應和結果，作者在 NPS 仿真實驗和高效設計（SEED）中心的幫助下，將原始 JTLS-GO 仿真程序轉換為自動化計算機輔助兵棋推演（CAW）仿真。這種轉換允許對未來能力進行多次重復模擬，以便進行統計分析。

這項工作涉及 540 次模擬運行，耗費了 810 個小時的計算機時間。通過回歸分析、趨勢分析和分區樹分析，得出了以下結論：

1.通過在 JTLS-GO 中的 CG18 自動版本中建立建模和實驗環境，MBSE 方法為評估未來 UUV 能力對作戰的影響提供了途徑。

JTLS-GO 中的 CG18 提供了一個框架，利用 MBSE 方法來定義操作差距、創建 UUV 原型、定義測量方式和內容（MOE 和因素）并快速進行實驗。MBSE 所要求的有條不紊和一絲不茍的努力表明，應用這一過程有利于探索 UUV 的未來能力，同時也表明它如何為考察未來艦隊的一系列能力提供機會。

2.UUV 的存在為提供態勢感知和攻擊火力提供了額外的能力，減少了水面的脆弱性。

即使增加了效果最差的因子組合的 UUV，也產生了積極的結果：3 個 "索諾蘭 "單元被擊斃，60% 的單元被發現。采用首選探測因子值的 UUV 使 RSS Endurance (LS-207) 在 30 次模擬中擊沉了 12 次。與此同時，USS Benfold (DDG-65) 在使用這些 UUV 的 30 次模擬演習中只擊沉了 2 次。當環境中存在具有優先損耗因子值的 UUV 時，RSS Endurance (LS-207) 在 30 次模擬中擊沉了 10 次，USS Benfold (DDG-65) 在 30 次模擬中擊沉了 2 次。因此，UUV 的性能導致模擬環境中盟軍傷亡人數減少。

3.主動聲納提高了殺傷力和探測能力，但在速度和 UUV 艦隊組成方面，并不是越多越好。

表 ES-1 列出了實驗中最佳和最差的 UUV 配置。根據該表，推薦的最佳組合是一支中等規模的 UUV 艦隊，以 8 節的速度航行并配備主動聲納。這種配置平均可摧毀近 88% 的敵方目標。

采用自動 JTLS-GO 仿真軟件包的 MBSE 方法所得出的結果可為先進的 UUV 性能提供深入見解，而無需投入大量人力和物力。海軍在規劃其未來架構的過程中，應考慮使用此類工具對平臺進行評估。此外，海軍還應考慮增加先進的 UUV 平臺以補充艦隊。

由于其復雜性，城市地區對于地面戰來說是一個具有挑戰性的多維環境。最近的技術進步使軍隊能夠利用不同大小的無人地面車輛（UGV）來支持各種任務。本論文介紹了為一些通用 UGV 蜂群開發的搜索和殺傷任務制導算法，這可能是一個有吸引力的應用，特別是對于在城市環境中運行的小型 UGV。研究通過一系列計算機模擬，評估了算法在室內和室外城市環境中執行此類任務的可行性和有效性。所開發的模擬可以改變許多參數，從而在使用不同的環境、平臺、傳感器和武器時接近真實情況。本文介紹的計算機模擬還可幫助軍事領導人選擇關鍵任務參數，以最大限度地提高未來潛在交戰的結果。

圖：美國防部陸軍UGV戰役計劃

圖：美國防部陸軍UGV能力時間表

由于多層結構、新的交戰條件以及對軍民關系的考慮，城市地區的戰斗極其復雜和具有挑戰性。最近的技術進步使軍方能夠采用機器人平臺，如爆炸物處理、重型物品裝載、火力下的地面狀況修復等，幫助克服城市環境中的作戰挑戰（Gage，1995 年）。軍用機器人領域的一個新興趨勢是蜂群機器人技術。根據美國國防部（DoD）機器人系統聯合項目辦公室（RS JPO）2011 年發布的無人地面系統路線圖報告，計劃在未來 25 年內開發出具有作戰能力的武裝 UGV（國防部，2011 年，41）。

本論文評估了三種算法（表 1），即最小訪問單元（LVC）制導、高級最小訪問單元（ALVC）制導和粒子群優化（PSO）算法在三種不同環境?open space、室外和室內?，以滿足 UGV 搜索和摧毀任務的適用性。UGV 的任務分為兩個階段。第一階段是搜索階段，其有效性的衡量標準是區域覆蓋。第二階段是跟蹤和交戰階段，其效果衡量標準是結束交戰所需的時間（迭代次數）以及藍方和紅方部隊的傷亡人數。

表1 本文研究的輸入參數綜述。

本論文中開發的 LVC 制導算法在空地、室外和室內城市行動這三種行動中都能很好地發揮作用。引入 PSO 算法后，在跟蹤和交戰階段定位目標所需的時間進一步縮短了約五倍。然而，PSO 算法在室內行動中遇到了困難，因為它無法克服 UGV 智能體與被探測到的敵方智能體之間的障礙。由于 PSO 算法不會改變交戰順序或殺傷概率，因此不會影響傷亡人數。作為對 LVC 制導的改進而開發的 ALVC 制導算法運行良好，對區域覆蓋有顯著影響，但僅限于搜索階段。與 PSO 算法類似，ALVC 制導算法無法克服障礙物，因此不適合室外和室內城市行動。因此，需要進一步修改 PSO 和 ALVC 制導算法。

對模擬結果的分析表明，增加 UGV 的數量將有助于在更短的時間內定位目標，并提高跟蹤和交戰階段的獲勝概率。分析還表明，提供進入作戰區域的多個入口點是有益的，因為這可以讓 UGV 在更短的時間內確定敵人的位置。此外，引入非整體性約束的結果表明，非整體性驅動提高了區域覆蓋率，從而使 UGV 能夠在更短的時間內定位目標。但事實證明，非整體性約束對于跟蹤移動目標的 UGV 來說是一個不利因素。增加探測距離更為有利，因為 UGV 對態勢有更好的感知，可以更早地啟動 PSO 算法，從而縮短總的交戰時間。

影響傷亡人數的三個輸入參數是殺傷概率、殺傷距離和殺傷順序。藍軍傷亡人數的增減取決于這三個因素。如果紅軍的擊殺概率越高，藍軍的傷亡人數就越少，藍軍需要的擊殺距離就越長，而且藍軍最先參戰。

建模概念遵循網格系統，其中作戰區域被劃分為 100×100 個單元。在每次迭代中，每個智能體都會通過評估緊鄰的八個周邊單元來確定自己的下一個位置。根據輸入參數（如非自主駕駛行為和避免碰撞）和環境條件（如障礙物），周圍的一些單元會受到限制。根據算法的選擇，一些不受限制的單元會比其他單元更受青睞。UGV 智能體與敵方智能體之間的交戰被模擬為概率事件。

作為分布式海上作戰（DMO）的一個關鍵原則，盡管有人和無人、水面和空中、作戰人員和傳感器在物理時空上都有分布，但它們需要整合成為一支有凝聚力的網絡化兵力。本研究項目旨在了解如何為 DMO 實現有凝聚力的作戰人員-傳感器集成，并模擬和概述集成實施所需的系統能力和行為類型。作為一個多年期項目，本報告所述的第一項工作重點是建立一個適用于 DMO 建模、模擬和分析的計算環境，尤其側重于有人和無人飛機的情報、監視和偵察 (ISR) 任務。

在半個世紀的建模和仿真研究與實踐（例如，見 Forrester, 1961; Law & Kelton, 1991），特別是四分之一世紀的組織建模和仿真工作（例如，見 Carley & Prietula, 1994）的基礎上，獲得了代表當前技術水平的計算建模和仿真技術（即 VDT [虛擬設計團隊]；見 Levitt 等人, 1999）。這種技術利用了人們熟知的組織微觀理論和通過基于代理的互動而產生的行為（例如，見 Jin & Levitt, 1996）。

通過這種技術開發的基于代理的組織模型在大約三十年的時間里也經過了數十次驗證，能夠忠實地反映對應的真實世界組織的結構、行為和績效（例如，參見 Levitt, 2004）。此外，幾年來，已將同樣的計算建模和仿真技術應用到軍事領域（例如，見 Nissen, 2007），以研究聯合特遣部隊、分布式作戰、計算機網絡行動和其他任務，這些任務反映了日益普遍的聯合和聯盟努力。

本報告中描述的研究項目旨在利用計算建模來了解如何為 DMO 實現有凝聚力的戰斗傳感器集成，并建模和概述集成實施所需的系統能力和行為類型。作為一個多年期項目，本報告所述的第一項工作重點是建立一個適用于 DMO 建模、模擬和分析的計算環境。在這第一項工作中，將對當今的海上行動進行建模、模擬和分析，重點是有人駕駛和無人駕駛飛機的情報、監視和偵察（ISR）任務。這為與執行 ISR 任務的一個或多個 DMO 組織進行比較確立了基線。這也為與其他任務（如打擊、防空、水面戰）進行比較建立了基線。第二階段接著對一個或多個備用 DMO 組織進行建模、模擬和分析。

在本技術報告的其余部分，首先概述了 POWer 計算實驗環境，并列舉了一個實例，以幫助界定 DMO 組織和現象的計算建模。依次總結了研究方法。最后，總結了沿著這些方向繼續開展研究的議程。這些成果將極大地提高理解和能力，使能夠為 DMO 實現戰斗員與傳感器的集成，并為集成實施所需的系統能力和行為建模和概述。