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

模擬作戰需要了解友軍和敵軍在既定友軍目標和可信敵軍目標方面的進展情況。在美國防部（DoD），這些目標的結構是分層的，從國家戰略層面一直到戰術層面。軍事評估旨在回答兩個主要問題： 1）是否創造了所期望的效果？對模擬作戰評估方法的研究很少。一些主要的評估應用領域是教育和游戲，它們為模擬軍事作戰評估提供了有益的借鑒。本研究從美國防部政策和這些領域的研究中總結出模擬作戰評估方法的幾個理想特征。在根據這些特征建立價值層次結構之后，本論文提供并評估了幾種可用于模擬作戰的候選方法--貝葉斯企業分析模型（BEAM）中現有的 "戰斗力與戰斗脆弱性 "方法、貝葉斯網絡、價值思維和線性規劃。每種替代方案的評估都是通過其在小型作戰模擬中的應用來進行的。然后，從 "價值思維 "和 "線性規劃 "中創造出一種替代方案，其評估結果優于其他四種方案。論文最后對線性規劃進行了總結，并提出了未來研究的想法。

與真實戰爭類似，作戰模擬需要了解友軍和敵軍的進展情況。這種知識將潛在的模擬停止條件擴展到時間之外，并允許分析與時間、資金和資產態勢相關的進展情況。雖然記錄資產的損毀和消耗品的使用情況可能會提供有價值的分析結果，但指揮官通常更關心的是一個更廣泛的問題，即這一場景是贏了還是輸了？要回答這個問題，模擬必須包含一定的勝負定義。要做到這一點，最簡單的辦法就是完成既定目標。戰斗模擬必須能夠評估作戰環境，并報告實現或未實現這些目標的進展情況。從具體的目標（如摧毀敵方所有港口）到較為抽象的目標（如實現海軍優勢），模擬中的單一作戰評估方法應具有足夠的通用性，以便在面對多種不同的勝負定義時，為勝負問題提供答案。本論文提供了這樣一種方法，可用于模擬戰爭的戰役級戰斗評估。

評估的一個直接定義是 "使用數據來證明既定目標和目的是否真正實現的過程"（1，第 554 頁）。在國防領域，美國參謀長聯席會議（JCS）將評估定義為 "在軍事行動中衡量運用聯合部隊能力的整體有效性的持續過程"（2）。一般來說，評估是一個用于持續或不斷反饋的詞，旨在改進一個過程。在更正式的場合，評估分為兩類：總結性評估和形成性評估。總結性評估，或有些人稱之為評價，是對表現進行事后審查。總結性評估的例子包括簡單的評分和與基準的比較，以及從過程產出中獲取比較結果的統計或其他分析方法。終結性評估的 "外部"（3，第 19 頁）特征自然會導致其結果的呈現是遙遠的和/或靜態的。終結性評估的一些例子包括年度人事審查和評估、學生考試和業務指標報告。相反，形成性評估關注的是持續的學習過程，目的是在特定過程中提供反饋（4）。在教育領域，形成性評估包括學生與評估者之間的合作，以 "積極創造[學生的]最佳表現"（5，第 242 頁）。形成性評估在本質上是互動的，它的目的是在一個過程結束之前提高學生的表現，利用數據（或經驗）為被評估方提供定制化的幫助。因此，形成性評估還可能包括進度跟蹤或報告。本論文重點關注戰役級模擬戰爭背景下的形成性評估方法。我們對 "如何在計算模擬中進行戰役級戰斗評估 "這一問題提出了建議。

模擬戰爭中的評估方法，尤其是用于軍事訓練或分析的模擬戰爭，應模仿實際決策者對戰爭努力的評估。在實際作戰環境中，軍事下屬和分析人員會準備一份評估報告，供指揮官了解態勢。指揮官利用評估結果為操縱作戰環境提供進一步指導。當我們在模擬作戰中模擬戰爭努力時，評估部分實際上應是下級/分析員評估與指揮官反饋相結合的模型。在第 3.1 節中，我們將這一概念納入了作戰模擬評估方法的價值層次中。此外，我們還提出了一個必要的特點，即評估方法應簡單易懂，便于向指揮官和其他決策者介紹。將評估結果歸納為不同類別（如勝利或失敗）對簡單交流非常有用，第 3.1 節將對此進行更詳細的討論。

作為聯合部隊行動的權威資料，美國聯合司令部的 "聯合出版物 3-0"(2)提供了模仿決策類型的見解。聯合司令部最關心的是 "行動評估"，即 "衡量完成任務、創造條件或效果以及實現目標的進展情況 "的過程（2，第 II-9 頁）。聯合司令部聲稱，行動評估應 "從任務式指揮分析開始，由指揮員和參謀人員考慮衡量什么和如何衡量"（2，第 II-9 頁）。對于實戰中使用的計算模型而言，這一步將發生在模型運行之前，分析人員將在運行過程中設定初步目標和任何初始參數。此外，本定義中的 "目標 "是指指導行動方案的目標。目標可以是一個短語，如國防部的國家戰略目標，也可以是單項軍事任務的目標。無論如何，模擬戰爭評估方法中的目標決定了代理指揮官的注意力在哪里，以及他們建議的行動方向。

圖 1 提供了不同層次的戰爭與相應目標之間的嵌套關系。在軍事應用中，圖 1 中紫色箭頭所示的評估框架通常被稱為 "從戰略到任務 "框架（6；7；8）。在該框架中，目標之下是可評估的效果。效果 "是 "行動的結果、成果或后果"（2，第 GL-9 頁）。任務 "被視為軍事行動的最小單元，小到摧毀敵方資產，大到運送物資。有些任務本身就是目標，有些任務支持相應的目標，沒有中間影響。然而，如圖 1 所示，上級目標為下級目標提供依據，而下級目標又指導各級軍事行動。同時，評估是用于提供自下而上反饋的機制。在提供反饋時，評估應回答兩個關鍵問題： 1）"我們是否在[作戰環境]中創造了我們所期望的效果或條件？"和 2）"我們是否按標準完成了任務？(2，第 II-11 頁）。

這兩個核心評估問題的重點自然而然地將模擬戰爭的作戰評估引向形成性領域。盡管分析人員傳統上使用總結性評估方法對這些問題進行追溯性回答，但如果將形成性評估與回答這兩個關鍵問題的意圖結合起來，則可實現被動的模擬作戰環境。利用形成性評估方法，模擬環境（或指揮官）可收到與特定目標相關的作戰環境狀態的實時更新。與進行事后分析相比，形成性評估更接近于實時戰爭工作，即評估對友軍造成的戰損，以及任務匯報和關于敵方單元的情報報告。因此，本論文側重于形成性評估方法。

本論文的其余部分致力于將聯合司令部的作戰評估要求綜合為一個連貫的結構，以便在作戰建模模擬環境中有效部署評估方法。Gallagher 等人（9）利用分辨率定義了不同層次的作戰：系統/工程、交戰、任務、戰役、國防企業和整個政府。聯合司令部的條令規定，每個層次的戰斗分辨率都要分層評估。本論文并不試圖將評估范圍縮小到任何特定的交戰決議；相反，我們提出了一般結果，試圖盡可能廣泛地應用于國防部的各種應用。本研究的重點是回答兩個研究問題：

研究問題

1. 程序化/計算機化模擬的作戰評估方法需要具備哪些特征？

2. 如何在程序化戰爭模擬中進行戰斗評估？

下一章將通過其他主要應用領域介紹評估方法。根據第二章的經驗教訓和聯合司令部的評估指南，我們在第三章構建了一個價值層次。在第四章中，我們介紹了幾種可供選擇的評估方法，并在小型作戰模擬中對其機制進行了研究。然后，我們在第五章對這些替代評估方法在模擬戰爭中的應用進行評估。第五章最后提出了模擬作戰評估方法的建議。我們在第六章中提出了一些結束語和進一步研究的建議。

美國陸軍認識到對手在戰略上正在整合信息作戰（IO）、網絡空間作戰和新興技術，挑戰美國在所有領域的機動自由，從而帶來了持續的威脅。因此，美國陸軍正在為向多領域作戰的理論轉變做準備，這將增加信息在戰爭中的作用。在此過程中，美國陸軍在設計和實踐中面臨著信息輸入方面的挑戰和差異。目前美國陸軍的信息輸入學說、術語和整體結構是不充分的，沒有促進概念上的共同理解。這導致了戰術單位在信息環境中的系統表現不佳，以及在戰略和計劃中對信息交流的次優整合。同樣地，美國陸軍的信息產業從業者群體也面臨著身份危機，這降低了該行業的凝聚力、影響力和有效運作的整體能力。為了克服這些挑戰，首先需要對美國陸軍IO的設計和實踐進行嚴格審查，以揭示差異的范圍。然后，社會網絡分析和社會認同理論的應用揭示了在IO培訓、教育和組織方面的潛在解決方案，這將使美國陸軍在信息環境中變得更具競爭力。這項投資將提高陸軍在當前和未來沖突中無縫整合和執行信息戰的能力。

這篇文章回顧了機器人技術和 "無人駕駛 "或 "不載人"（有時是 "遙控"）系統在一些相關沖突環境中的軍事和安全用途，這反過來又提出了對外交和國內政策舉措有重大影響的法律和道德問題。本文處理方法適用于自主無人平臺在戰斗和低強度國際沖突中的使用，但也為美國國內越來越多地使用遙控和完全自主的無人駕駛航空、海洋和地面系統進行移民控制、邊境監視、毒品阻截和國內執法提供指導。本文概述了有關 "機器人道德 "和道德認知的計算模型的新辯論，并研究了這一辯論對未來可能被部署在國內和國際沖突情況下的自主系統（無論是武器化還是非武器化）的可靠性、安全性和有效性的影響。同樣，討論了國際機器人軍備控制委員會（ICRAC）試圖取締或禁止使用帶有致命武器的自主系統，以及耶魯大學知名倫理學家Wendell Wallach提出的另一項建議，即帶有致命武器的自主系統可能能夠獨立于任何人類監督做出目標決定，根據國際法特別指定為 "本身無效"。然而，按照Marchant等人的做法，本文總結了迄今為止在這場辯論中所吸取的教訓和達成臨時共識的領域，其形式為 "軟法（soft-law）"規則，反映了關于此類武器的適當使用和治理的新興規范和日益增長的國際共識。

如今的建設性戰斗模擬不能自動生成現實的戰斗計劃。造成這種情況的一個原因是缺乏一個火力支援規劃算法來支持一個給定的機動計劃。我們提出了一種對火力支援規劃問題進行建模的方法，假定有一個戰術風險的數字定義。解決方案的空間似乎很難窮盡搜索，因此提供了一種火力支援規劃算法，該算法可以在多項式時間內產生一個合理的、盡管是次優的計劃。

問題定義

我們用單元（unit）這個詞來指任何由一個或多個模擬戰斗人員組成的團體，他們作為一個單一的編隊一起移動和戰斗。一個單元的移動是按照路線進行的，而路線是由一系列的航點或三維空間中的位置定義的。單元沿著地表以現實的、已知地形類型的速度向他們的下一個節點直線行進。在這個問題上，有任務的機動部隊的路線是預先確定的和固定的。沒有任務的機動部隊被認為是火力支援部隊。

圖1. 友軍單位1的任務是遵循一條由六個節點組成的路線，用三角形標記。敵方單位1（菱形符號）可以在風險段r2期間損害友方單位1。敵方單位2在r1和r3期間可以損害它。[0,10]標記表示火力支援資源的可用間隔，標有ci的方框是可能的火力支援地點。兩者都將在下文中描述。

• 應用火力支援任務

• 火力支援資源

貪心算法

我們提供以下貪心算法來生成一個火力支援計劃。當然，鑒于上述優化和滿足的解釋，它既不是最優的也不是完整的，但它可以有效地產生一個合理的計劃。

對于每個資源，該算法在其搜索邊界（N和M集）上保持著壓制每個敵人單位的任務。在每次通過主循環時，它選擇N∪M中最能降低總風險的任務。為了限制復雜性，不需要移動的潛在任務（N中的任務）被優先考慮。每當一個任務w被添加到當前計劃W中時，我們就從N和M中刪除w的所有兄弟姐妹，這些兄弟姐妹是由相同的可用任務產生的。然后，我們從γ給出的新的（更短的）可用性任務中為N和M生成新的選項。

當總風險足夠小或沒有任務選擇時，該算法就會終止。如果我們假設火力支援任務有一個最小的有用持續時間，例如發射一發子彈的時間，那么每次選擇任務都會移除一個持續時間為t的資源，并用兩個持續時間之和為t-或更小的資源取代它。由于所有資源持續時間的總和至少在每個循環迭代中減少，我們最終將得到一個小于的總和，這只有在邊界沒有任務，終止執行時才可能是真的。

這篇論文試圖研究能夠改善復雜軍事戰術環境中決策的人工智能（AI）技術。戰術環境在威脅、事件的節奏、突發或意外事件的因素、戰斗空間意識的限制以及潛在的致命后果方面可能變得非常復雜。這種類型的環境對戰術作戰人員來說是一個極具挑戰性的決策空間。戰術決策任務在識別決策選項、權衡眾多選項的相對價值、計算選項的預測成功率以及在極短的時間內執行這些任務方面迅速超越了人類的認知能力。海軍已經確定需要開發自動戰斗管理輔助工具（ABMA）來支持人類決策者。這個概念是讓ABMA處理大量的數據來發展戰斗空間知識和意識，并確定戰爭資源和行動方案的優先次序。人工智能方法的最新發展表明，它有望成為ABMAs支持戰術決策的重要推動者。本論文研究人工智能的方法，目的是確定在戰術決策領域的具體應用。

論文組織

本論文分為五章。第一章概述了本課題的背景，描述了本論文所探討的問題，本論文的目的，以及研究的方法和范圍。第二章對論文中討論的定義和概念進行了全面的背景回顧，包括自動戰斗管理輔助工具、決策復雜性和人工智能及自主系統的概念。第三章描述了用于協調數據采集和理解檢索數據要求的研究方法。第四章提供了分析的結果，并探討了從分析結果中得出的潛在好處和局限。本論文的最后一章包含最后的結論和對未來工作的建議。

美國海軍陸戰隊正在建設反水面作戰領域的能力，特別是在獲得地基反艦導彈（GBASM）及其相關發射平臺方面。研究為分析與這種新能力相關的部隊結構提供了一種方法。研究方法使用離散時間馬爾可夫模型對GBASM炮組和敵方水面艦艇之間的戰術級決斗進行建模。這些模型有足夠的復雜性來解決關鍵的部隊設計問題，并且對決斗的關鍵特征進行了參數化，以便進行強有力的敏感性分析。

在海軍導彈作戰中，重要的是確定所需的炮彈規模S，以使炮彈有足夠高的概率殺死敵艦。GBASM概念的獨特之處在于，與從水面艦艇上發射導彈相比，它能夠將這種炮彈分散到幾個平臺上，并以更適合特定戰術場景的方式進行發射。在這種情況下，如果有一個大小為K的禮花彈，并將該禮花彈分散到N個平臺上，那么每個平臺在特定的禮花彈中發射?枚導彈，這樣K × N = S。有了這個公式，就能夠分析平臺數量和每個平臺發射的導彈數量在這些配置的殺傷力和生存能力方面的權衡。這為成本-效益分析提供了基礎。

對GBASM炮臺與敵方水面艦艇發生接觸的情況進行模擬。從簡單的場景開始，然后逐漸復雜化。讓GBASM發射器與一艘敵方水面艦艇進行決斗。GBASM一方被稱為藍方，水面艦艇被稱為紅方。最初假定雙方都有足夠的導彈供應，并且交換的時間是有限的，因此可以把供應視為無限的。GBASM以彈丸為單位進行發射，每個彈丸至少包括一枚導彈。在藍方的炮擊之后，紅方的水面艦艇有機會進行還擊。

在所描述的環境中，假設藍方具有首發優勢。鑒于GBASM的引入在沿岸地區造成的不對稱情況，首發優勢的假設并不是不合理的。GBASM是移動的，有可能移動到難以探測的地方，只有在準備開火時才出來。GBASM的目標是保持不被紅方船只發現，直到它成功瞄準紅方船只。一旦紅方船只成為目標，GBASM系統就會開火并移動到一個新的位置。如果沒有關于GBASM移動的完美信息，紅方艦艇將持續處于不利地位。

此外，該模型捕捉到了紅方對藍方的炮擊進行防御措施的能力。這些防御性的反措施是用參數λ來說明的，這個參數是紅方根據泊松分布可以攔截的藍方導彈的平均數量。以這種方式對紅方采取反措施的能力進行建模，說明了隨著藍方導彈規模的增加，紅方采取反措施的能力也在減弱。同樣，也說明了紅方針對藍方分布式發射器的能力下降。紅方殺死藍方分布式平臺的能力用參數?表示，根據泊松分布，紅方在還擊中可以殺死藍方平臺的平均數量。這再次說明，隨著藍方平臺數量的增加，紅方瞄準和殺死藍方的效果有限。

在對該模型的分析中，遇到了幾個關鍵的發現。首先，最重要的是確定理想的炮擊規模S，以提供足夠高的殺死敵艦的概率。這不是一個簡單的 "越多越好 "的問題，因為炮擊規模有一個收益遞減點。正如人們所期望的那樣，還得出結論，增加平臺的數量K可以提高生存能力，從而提高GBASM炮臺的殺傷力。然而，改進的幅度對其他參數很敏感，當炮彈規模足夠大時，改進的幅度通常很小。

該研究的主要產出是創建的模型和對它們進行進一步分析的能力。本論文中任何地方使用的參數值都不是由具體的GBASM系統或潛在的敵方水面艦艇的能力來決定的。因此，結果應該被看作是對參數空間可能區域的探索的概括。這些模型提供了根據有關特定系統的能力進行具體分析的能力。

目標姿態估計和目標點選擇在直接能量武器系統中至關重要，因為它使系統能夠指向目標的特定和戰略區域。然而，這是一項具有挑戰性的任務，因為需要一個專門的姿態傳感器。在新出現的深度學習能力的激勵下，本工作提出了一個深度學習模型，以歐拉角的方式估計目標航天器的姿態。深度學習模型的數據是通過實驗從三維無人機模型中產生的，其中包括大氣背景和湍流等效應。目標姿態來自于二維關鍵點的訓練、驗證和預測。有了關鍵點檢測模型，就有可能檢測到圖像中的興趣點，這使我們能夠估計有關目標的姿勢、角度和尺寸。利用弱透視直接線性變換算法，可以從三維到二維的對應關系中確定三維物體相對于攝像機的姿勢。此外，從這種對應關系中，可以確定目標上的瞄準點，模仿激光跟蹤。這項工作評估了這些方法及其在模擬真實世界環境中實驗產生的數據的準確性。

現代戰術戰爭越來越復雜，需要更快和更有效的決策。為了支持這些快速決策，有人提出使用自動決策輔助工具作為解決方案（Johnson 2019, 63）。鑒于現代戰場的復雜性質，決策輔助工具需要大量的數據。為了支持決策輔助工具的發展，機器學習代表了一種支持有效決策輔助工具的潛在方法。這項研究的目標是進行實驗，探索應用機器學習來幫助作戰人員進行復雜的激光武器系統與無人機群的交戰決策。為了實現這一目標，研究了激光武器系統和無人機威脅，并選擇了一個仿真程序來生成可用于訓練機器學習算法的交戰數據。

這篇論文研究了威脅交戰方法，確定了有效操作激光武器系統必須考慮的決策因素，以及人工智能和機器學習在支持決策方面的應用。對無人駕駛飛行器或無人機的威脅進行了基礎研究，以確定風險并支持交戰方法的發展。該基礎研究支持選擇場景并將其編入兵棋和仿真軟件Swarm Commander Tactics，該軟件用于模擬戰斗。這項研究進行了一項實驗，通過建模和仿真交戰場景來開發機器學習算法的概念驗證，以收集訓練數據并使用這些數據來訓練機器學習算法。訓練算法的目的是為了確定使用模擬艦載激光武器時的生存能力和成功的交戰方法。在生成模擬交戰數據后，使用模擬交戰測試了多種機器學習技術，以確定機器學習預測是否能夠支持基于模擬數據的自動決策輔助。這項研究研究了機器學習的算法方法以及開發和訓練機器學習系統的過程。

總的來說，對多種機器學習技術進行了評估，以支持在模擬交戰中預測成功的無人機交戰方法，發現最適合的是樹狀分類技術。實驗證明了機器學習在這個問題領域的應用，通過建模和模擬，機器學習算法訓練是成功的。最終機器學習算法預測的結果，在預測基于敵人類型、數量和激光武器系統攻擊方法的交戰結果時，總體準確率為96%；假陽性預測，即算法預測的勝利是失敗的，為2.1%。這些結果表明，一個復雜的戰斗空間模擬軟件可以用來準確地訓練預測性機器學習算法。

這項研究表明，將兵棋模擬與機器學習算法相結合，為支持復雜的決策和交戰提供了一種機制，由激光武器系統來對付敵人的無人機群。通過實施訓練有素的機器學習算法，可以分析具有異質無人機群的復雜戰斗空間，從而選擇適當的交戰技術，從而優化目標交戰的生存能力和有效性。這篇論文的主要研究目標是探索機器學習方法在識別和支持模擬艦載激光武器系統的有效目標選擇和交戰方法方面的功效。這項研究是生成決策輔助工具的一個組成部分，以支持無人機群與激光武器系統的交戰。現代戰斗空間的復雜性質需要決策輔助工具來減少作戰人員的認知負擔。

強化學習在最近的學術和商業研究項目中的應用已經產生了能夠達到或超過人類性能水平的強大系統。本論文的目的是確定通過強化學習訓練的智能體是否能夠在小型戰斗場景中實現最佳性能。在一組計算實驗中，訓練是在一個簡單的總體層面上進行的，模擬能夠實現確定性和隨機性的戰斗模型，神經網絡的性能被驗證為質量和武力經濟性戰術原則。總的來說，神經網絡能夠學習到理想的行為，其中作戰模型和強化學習算法對性能的影響最為顯著。此外，在集結是最佳戰術的情況下，訓練時間和學習率被確定為最重要的訓練超參數。然而，當武力的經濟性是理想的時候，折扣系數是唯一有重大影響的超參數。綜上所述，本論文得出結論，強化學習為發展戰斗模擬中的智能行為提供了一種有前途的手段，它可以應用于訓練或分析領域。建議未來的研究對更大、更復雜的訓練場景進行研究，以充分了解強化學習的能力和局限性。