海軍任務規劃器（NMP）是一種基于優化的作戰計劃工具，適用于設計海軍部署的各級決策者，從戰區級計劃到單個航母打擊群（CSG）或驅逐艦中隊（DESRON）。調度人員的任務過多，卻沒有足夠的艦艇來完成這些任務。該輔助決策系統采用多任務能力艦艇，在給定的規劃范圍內將其分配到任務中，目標是最大限度地提高完成任務的總價值，同時考慮到任務集的地理位置以及艦艇的能力和局限性。以前的版本使用獲得許可的商業軟件和求解器進行優化，并對可供選擇的艦艇部署進行有限的列舉。本論文的重點是通過使用開源軟件和求解器，使所有海軍人員都能使用海軍任務規劃器。此外，它還在優化過程中提供了持久性，允許調度人員在規劃期限內重新配置計劃，并將對之前公布的計劃的改動降到最低。我們還開發了兩種部署規劃方法，即隨機路徑枚舉和網絡流表述，這兩種方法都提高了海軍任務規劃器的任務完成水平。此外，我們還創建了一個 "兵力比護航"參數，允許非作戰艦艇在多艘具備防御能力的艦艇護航下通過危險區域。

執行總結

海軍任務規劃器（NMP）是一個基于優化的決策支持系統，適用于從海上聯合部隊作戰指揮官（JFMCC）作戰視角到驅逐艦中隊（DESRON）和航母打擊群（CSG）戰術視角的各級海軍規劃決策者。在考慮到多艘艦艇、它們的多種任務能力以及從一個地理區域轉運到另一個地理區域所需的時間之前，在整個規劃范圍內規劃任務已經是一項極具挑戰性的任務。我們還必須考慮到任何需要與支援任務同時完成的前提任務。確定后勤支持，預測在同一規劃范圍內何時何地艦船需要更多燃料和其他補給，也是一項挑戰。這對于 JFMCC 或海上行動中心 (MOC)、DESRON 或 CSG 來說，仍然是一個人工和耗時的過程。

NMP 接收用戶輸入的信息，包括任務、地理區域、可用艦船、綜合任務能力、按任務和艦船能力劃分的商品消耗率。NMP 將有能力的艦船分配到執行任務的地區，從而最大限度地提高完成任務的總價值。NMP 包括一個作戰后勤部隊（CLF）規劃要素，能夠跟蹤艦艇的物資水平，并就何時何地與客戶艦艇開展海上補給（RAS）活動提出建議。NMP 還提供護航和近距離護航選項，允許非戰斗艦艇由防御戰斗艦艇護航，可以是同一區域的一艘防御艦艇護航所有非戰斗艦艇（護航），也可以是同一區域的防御艦艇和非戰斗艦艇一對一護航（近距離護航）。

本研究探討了改進 NMP 的方法，即從未獲批準在海軍陸戰隊互聯網（NMCI）計算機、保密互聯網協議（SIPR）計算機或其他保密網絡上使用的昂貴的特許專有軟件轉向開源軟件。通過將 NMP 轉換為開源代數建模語言，我們消除了所有成本，而且該軟件已被批準或可被批準在安全計算機上使用。求解器也從特許優化軟件轉為開源混合整數編程求解器。

我們還將研究如何改進船舶在區域之間的轉運方式，并增加一種對之前公布的時間表影響最小的時間表變更方式。

NMP 以前計劃從一個區域到另一個區域的船只部署的方法涉及基于堆棧的部分枚舉，這限制了船只探索區域的多樣性。在這項研究中，我們將重點放在通過兩種額外的方法來改變這種區域間探索的多樣性。第一種是隨機路徑生成法；與基于堆疊的部分枚舉法類似，這種方法為每艘戰艦生成一定數量的部署路徑。但是，船只的部署路線是隨機的，這就增加了船只交替路線的多樣性。隨機路徑生成通過增加完成任務的數量來改進 NMP，并通過讓艦船到達 RAS 事件所需的位置來大大減少對商品消耗的懲罰。

我們的第二種方法在 NMP 中添加了網絡流部署模型，允許艦船探索從區域到區域的所有可能路線。與其他路由模型相比，網絡流大大縮短了 NMP 的運行時間，并為我們提供了一個接近最優甚至是最佳的解決方案。我們將隨機路徑生成和網絡流部署模型與基于部署堆棧的枚舉法進行了比較，在我們的韓國行動區域場景中，我們有 695 項任務需要在 15 天的規劃期限內完成。

這項研究專門為航空母艦或兩棲攻擊艦增加了額外的護航功能，因為它們在一個區域內需要不止一次護航。這種兵力配比要求每艘非戰斗艦艇在通過高危區域時都要由多艘具備防御能力的艦艇護航。我們在 NMP 的一個新場景中測試了這一功能，即一支從關島經菲律賓海前往菲律賓宿務的有防御能力的 CLF 護航艦隊。

最后，這項研究為 NMP 增加了優化的持久性，這一調度功能允許用戶在規劃期內隨時隨地增加或減少任務和/或艦船，并且只需對原有調度進行少量修改即可完成任務。這極大地減少了因命令過多艦船進行過多計劃調整而造成的動蕩、信息傳遞和混亂。

隨機部署路徑生成、網絡流部署模型和持久性的加入使 NMP 有了顯著的改進。隨機部署路徑生成顯示，在某些情況下，目標函數的增幅高達 45%，而對 500 萬條可能路徑的采樣率不到 1%，即對 1,058,826,559,993 條可能部署路徑的采樣率為 0.000019%。我們的網絡流部署模型探索了超過一萬億條可能的部署路徑，取得了最佳結果，使我們在某些情況下的目標值提高了 50%。與基于堆棧的枚舉法和隨機路徑生成法相比，網絡流部署模型的求解時間最快，大多數場景的求解時間都在一小時之內。

美國空軍的電子戰綜合重新編程（EWIR）項目旨在在電磁頻譜（EMS）檢測對手威脅情報（特別是雷達和干擾器），并配置電子戰軟件和硬件，使飛機或其他資源能夠對EMS環境的不利變化做出反應和/或回應。隨著美國對手的電子戰資產的日益進步，使復雜多樣的EMS能力成為可能，識別、跟蹤和應對這些威脅需要比現有EWIR企業的設計速度快得多的更新。研究小組進行了四項相互關聯的技術案例研究，它們共同構成了創建近實時、自主、機上軟件重新編程能力所必需的基本要素，更具體地說，是人工智能支持的認知電子戰能力--使用機器學習算法，使平臺能夠學習、重新編程、適應并有效地應對飛行中的威脅。研究小組還強調了現有EWIR企業的重要持續作用，即使美國空軍正朝著認知型的未來發展。

研究問題

• 電子戰中的對手能力是如何演變的？
• 電子戰相關軟件的重新編程需要多快才能跟上威脅的步伐？
• 目前從情報到重新編程的過程中存在哪些障礙？
• 需要哪些先進技術來實現必要的改進？

主要發現

• 為了保持競爭力和適應不斷變化的威脅，美國空軍（USAF）在EMS中運行的系統必須能夠快速重新編程（包括評估環境、檢測對手的活動和合成適當的反應），至少在幾秒鐘到幾分鐘的時間內，以便對最先進的威脅做出有效反應。
• 敏捷的軟件解決方案、硬件升級、數據工程以及與其他系統的互操作性都是實現所需速度的必要條件。
• 同時還需要在政策、組織任務調整、人員和計算機可用性以及人員專業發展方面進行相應的改變。

建議

• 美國空軍應該從今天開始工作，加速和整合實現認知電子戰所需的技術。步驟包括：支持向更新的軟件架構轉變，如容器化的微服務，這將允許更快地部署能力和所需的更新，以提高重新編程的速度，并為未來在平臺上部署認知電子戰算法提供支持；加強機載高性能計算；擴大實驗和早期技術采用；優先考慮將允許更好的數據收集、標準化、分類、訪問和整合過程的政策和技術；鑒于關鍵技術之間高度相互依賴，確保協調投資和實施這些活動。
• 美國空軍還應該立即采取措施，采用新的軟件部署架構，以使能力更快地投入使用，并在戰區實施快速和空中任務數據文件更新。這就需要改變現有的政策；人員專業發展；審查需求；以及投資于軟件架構標準、機載處理以及任務期間飛機的計算和連接。

目錄

第一章

簡介

第二章

對當前EWIR企業的評估

第三章

對未來EWIR的展望

第四章

認知型電子戰的操作化

第五章

云整合和數據工程

第六章

飛行程序軟件和容器化微服務

第七章

機載高性能計算

第八章

設想未來的電子戰能力。小插曲分析

第九章

建議

附錄A

研究任務和方法

附錄B

關于情報挑戰的其他信息

進行的研究

摘要

在擬議的研究中，我們為海軍規劃系統的智能、主動和自動決策支持開發了軟件和相應的算法。這些算法是為多域戰爭的戰斗空間管理提供行動建議的渠道。此外，我們還研究了人類與人工智能的共生關系，以通過有效的人機混合工作分配來加強算法，使決策與指揮官的意圖、人類的偏好和動態環境達到最大程度的一致。

引言

人力是海軍日常運作的實際驅動力。開發和實施能提高人力效率的戰術決策輔助工具，能使穿制服的人更快、更聰明地完成他們的工作。這項研究針對的主要差距是在潛艇水面行動中避免碰撞的問題。

水域管理

沖突識別工具，在此被稱為CONFIDENT，旨在自動執行防止相互干擾（PMI）在空間和時間上的任何或所有潛艇操作當局（SUBOPAUTHs）的水空間。開發該工具的目的是幫助官員了解不斷變化的水域，并減輕防止相互干擾行動的負擔和工作負荷。

目前的效應任務分配方法經常考慮到基本的資產-任務分配，假設在有限的資源能力限制下進行同步交戰。然而，故意忽略由時間限制或交戰順序/序列可行性驅動的戰術復雜性可能會導致實踐中的解決方案不可行。在這份科學報告中，提出了一種適應復雜戰術武器-目標分配問題設置的創新效應任務分配方法。它定義了一個新的開環反饋調度決策模型問題表述，旨在異步分配n個效應器為m個任務/目標提供服務，以使預期任務（失敗）值最大化，但要遵守資源能力和邊際約束，時間范圍不斷縮小。因此，我們提出了一個新的近似二次規劃決策模型。它受傳入請求、累積預期目標值、正在進行的資源承諾、剩余資源能力和前一階段的計劃執行反饋的制約。該方法采用了一種新的緊湊的效應圖表示，以方便地捕捉可行的效應器路徑計劃。借用典型的高質量解決方案，近似決策模型特意限制了一個任務的訪問次數，大大減少了搜索空間的探索。所提出的數學公式也有利于自然利用權威的商業優化工具，在運行時提供有價值的優化差距信息，以便有效地指導問題的解決和減少計算。

對國防和安全的意義

本科學報告提出了新的效應任務決策支持技術概念，為支持戰術聯合火力的數字化指揮與控制（C2）解決方案鋪平了道路。這些新概念完全符合加拿大陸軍陸軍需求局（DLR）2的意圖，即實現戰術決策-行動周期的自動化和優化。這項工作旨在及時向DLR2和聯合火力現代化資本采購項目的定義階段通報戰術邊緣新的自動化和優化效應任務技術概念，并確定有希望的研究方向。新的預先規劃概念為敏感瞄準、動態效應任務/再任務、效應器整合以及新的自動化非近視效應任務解決方案的可行性和價值帶來了不同的視角。這種方法構成了對科學和技術的創新貢獻，最終推薦了具有接近最佳傳感器效應任務解決方案的使能者。擬議的核心概念計劃在適當的國家和國際場所，如關鍵的選定的軍事演習和/或技術合作計劃（TTCP），逐步和有機會地展示。這將為其他 "五眼 "國家提供所需的能見度，并為適當的驗證提供機會窗口，同時獲得對加拿大感興趣的有競爭力的最新技術。

近年來，由于機器人技術所依賴的各種技術的進步所帶來的推動力，人們對機器人技術的興趣越來越大。在機器人技術發展的所有方面中，最相關的一個是與自主機器人技術有關的，即機器人能夠在最小的人為干預下執行指定任務。一個簡單的例子是現在常見的無人駕駛飛行器（UAV），它能夠在各點之間飛行，而不需要人去執行駕駛任務。這種在最小的人類干預下執行指定任務的能力，在那些在惡劣的、危險的、甚至遙遠的環境中執行的任務中具有主要優勢。

使用這種類型的機器人的通常工作方式是從定義一些目標開始的，這就是所謂的任務。定義一個計劃來實現任務目標。在這種情況下，計劃的定義僅限于機器人必須執行的一系列行動，沒有其他的執行分支。當有可能控制執行計劃的環境條件時，這種方法是可以接受的。然而，對使用自主機器人更感興趣的環境，如有危險或相當遠的距離，通常是開放的。這意味著在這些環境中可能會出現妨礙正確執行計劃的情況，有必要使任務適應這些情況。

傳統上，當出現阻礙計劃執行的情況時，任務的調整有兩種方式：

1.將適應能力委托給機器人。

2.更新任務計劃，要么調整它，要么為發現的情況創建一個新的計劃（重新規劃）。

這兩種選擇都有其缺點。一方面，授權并不總是可能的，遠非易事。而且，即使在那些可以將某種適應能力委托給機器人的情況下，仍然有可能出現機器人無法適應的情況。另一方面，更新任務計劃是一個耗時的過程，這將對任務的完成產生負面影響。此外，如果幾個機器人合作參與一項任務，有可能其中一個機器人檢測到的情況需要為其他人調整計劃。而無論是授權，還是重新規劃或計劃修復都不包括這種可能性。

此外，在執行任務的過程中還可以檢測到其他類型的情況，這些情況并不意味著需要調整計劃，而是意味著存在著實現其他理想目標的機會。

本論文提出了在物聯網（IoT）框架內對合作機器人的任務規劃調整的貢獻，其目標如下：1）定義一個改進的規劃結構，與它的經典定義兼容，并允許使用現有的知識來預測可能的調整，以及識別原始計劃之外的機會；2）定義一個任務管理的參考中間件架構，使用之前的結構，作為特定系統的具體架構設計的指南。

所定義的新結構，在本論文中稱為 "戰略"，包含了規劃的經典結構，并輔以對構成規劃的行動可能進行的分層分解，包括決策節點，以及對已確定的機會的備選計劃的考慮。這個結構由一個任務管理的通用參考架構的建議來補充，在本論文中稱為 "CoMMMA"。CoMMMA包括必要的功能，以促進對事件的適應和對機會的檢測，與物聯網（IoT）參考模型保持密切的關系。

作為概念的證明和建議的驗證，該模型已被用于為SWARMs歐洲研究項目的架構定義一個任務管理器組件。SWARMs項目旨在擴大水下和水面自主機器人的使用，使用自主車輛在滿足危險和距離條件的水下環境中執行任務。管理者組件采用了適用于該項目的具體要求的必要的CoMMMA概念，它已經在該項目的最終演示器中成功測試，獲得了有希望的結果。

本論文提出的CoMMMA模型也被用于歐洲研究項目AFarCloud的架構的任務管理組件的設計中，該項目是在精準農業領域的框架下進行的，在撰寫這些行文時正在等待評估。

多智能體系統（MAS）已經在不同的環境和框架中得到了利用，因此已經成功地應用于許多應用中，以實現不同的目標。事實證明，與建立一個具有任務可能需要的所有能力的單一智能體相比，多智能體系統更具有成本效益。此外，成本并不是采用MASs的唯一驅動因素，例如，安全是另一個重要方面。在惡劣或極端的環境中部署一組智能體，而不是一個人類團隊，可以減少安全風險。此外，與單一智能體的解決方案相比，MAS提供了更多的靈活性和穩健性。靈活性來自于將資源分成不同的小組，而穩健性則來自于一個智能體的關鍵錯誤不一定會危及任務的成功這一事實。請注意，一個任務可能有許多不同的約束和方面，然而，最微不足道的情況是只有一個智能體和一個任務。

這些類型的任務可以由人類操作員計劃，監督任務，而不需要自動計劃器。另一方面，更復雜的任務，即利用大量的異質智能體和任務，以及約束條件（優先權、同步性等），對人類操作員來說并不是那么簡單的計劃。這些復雜的問題給制定一個可行的計劃帶來了巨大的挑戰，更不用說是最好的計劃了。此外，機器人系統中可用的計算平臺的功率增加，允許利用并行任務執行。更具體地說，它允許在傳感、計算、運動和操縱任務中可能的并行性。這反過來又有一個好處，即允許創建更復雜的機器人任務。然而，它的代價是增加了優化任務分配問題的復雜性。為了規避這些問題，需要一個自動規劃器。這些類型的問題是出了名的難解決，而且可能需要太長時間才能找到一個最佳計劃。因此，優化和產生計劃所需的計算時間之間的平衡變得非常重要。

本論文涉及兩個特殊的多機器人任務分配（MRTA）問題配置的正式定義，用于表示多智能體任務規劃問題。更具體地說，本論文的貢獻可以歸納為三類：

首先，這項工作提出了一個模型，以結構化的方式表示不同的問題配置，也被稱為任務。這個模型被稱為TAMER，它還允許以更系統的方式增加新的維度，與以前提出的MRTA分類法相比，擴大了可以描述的問題的數量。

其次，本論文以混合整數線性問題的形式，定義并提供了兩種不同的問題形式，即擴展的彩色旅行推銷員問題（ECTSP）。這些模型在CPLEX優化工具中對選定的問題實例進行了實施和驗證。此外，還設計了一個解決這些復雜問題的次優方法。提出的解決方案是基于遺傳算法（GA）的方法，并與最先進的（和實踐中的）求解器，即CPLEX獲得的解決方案進行比較。與經典方法相比，使用GA進行規劃的優勢在于它具有更好的可擴展性，使其能夠找到大規模問題的解決方案。盡管這些解決方案在大多數情況下是次優的，但它們比其他精確方法獲得的速度要快得多。另一個優勢體現在 "隨時停止 "選項的形式上。在時間緊迫的操作中，重要的是可以選擇停止規劃過程，并在需要時使用次優的解決方案。

最后，這項工作涉及到MRTA問題的一個維度，這個維度在過去沒有引起很多研究的關注。特別是，包括多任務（MT）機器人在內的問題配置被忽視了。為了克服上述問題，首先，對可能實現任務并行的情況進行了定義。此外，還介紹了物理和虛擬任務之間的區別以及它們在并行任務執行方面的相互關系。我們提出并比較了兩個模型。第一個模型以ILP的形式表達，并在CPLEX優化工具中實現。另一個被定義為限制性規劃（CP）模型并在CP優化工具中實現。兩種求解器都在一系列的問題實例上進行了評估。

執行摘要

A. 項目摘要

本項目的目的是深入了解影響飛行員認知負荷的因素，以幫助了解未來垂直升降機（FVL）的任務自動化要求。研究人員利用學術文獻來開發對影響飛行員認知負荷因素的理解。接下來，研究人員對陸軍旋轉翼飛機飛行員進行了半結構性訪談，以獲得認知負荷數據。之后，研究人員對所獲得的數據進行了定量和定性分析，開發了一個影響圖，對飛行員的認知負荷及其影響因素進行建模。最后，研究人員利用該模型和飛行員數據，為FVL任務自動化要求和未來研究需求提出建議。

B. 背景

美國陸軍正在開發新一代的飛機，作為FVL計劃的一部分。陸軍的意圖是通過開發新的平臺和作戰概念，在航空技術和能力方面實現一代人的飛躍，以便在競爭日益激烈和充滿挑戰的戰斗空間中取得成功。FVL計劃的核心是整合革命性和顛覆性的新技術，以推動陸軍航空的機械、方法和機組人員領域的變化。如果不增加自動化，由于FVL平臺上新技術、數據流和態勢感知工具的注入，飛行員達到認知過載的可能性增加。因此，FVL項目正在重新評估哪些任務應該被自動化，以避免飛行員的認知過載。

C. 研究結果和結論

這個項目表明，影響圖是一個有效的工具，用來模擬影響飛行員認知負荷的因素和因素關系。研究人員希望本項目的影響圖和數據能夠為未來關于飛行員認知工作負荷和FVL任務自動化需求的研究提供參考。

本項目最重要的成果是簡單和復雜的醫療救援任務情景下的認知負荷數值的顯著差異，如表ES-1所示。數據表明，飛行員的負荷根據任務的操作條件有很大的不同，在復雜的任務中飛行員的認知負荷特別大。這清楚地表明，在復雜情況下需要自動化來協助飛行員。

表ES-1. 簡單和復雜MEDEVAC情況下的參與者認知負荷值。

對主要因素影響的高層次分析，如表ES-2所示，表明隨著任務需求的增加和情景變得更加復雜，任務需求成為認知負荷的最大影響因素。此外，當從一個不太可能出現認知過載的場景（即簡單場景）過渡到一個可能出現認知過載的場景（即復雜場景）時，環境因素占認知負荷的最大增幅。因此，應該發展自動化，以減少任務要求和環境條件對認知負荷的影響。

表ES-2. 簡單和復雜MEDEVAC情景的主要因素權重中位數。

與主要因素分析相比，表ES-3中顯示的影響性子因素的排序列表提供了對自動化有意義的任務的更集中的洞察力。為了幫助避免認知過載，飛行員在復雜情況下最需要自動化，因為那是他們認知負荷最大的地方。拋開目前不適合自動化的子因素（如飛行員經驗），數據表明，受光照因素、飛行內協調要求和任務復雜性影響的任務應該被自動化。這將導致在高峰需求情況下最大的潛在認知負荷減少。

表ES-3. 在復雜的MEDEVAC情況下對認知負荷影響最大的8個子因素。

最后，參與者在后續訪談中表示，他們期望自動化能減少他們的認知負荷。雖然預期減少的幅度不同，但參與者普遍認為，在最有可能出現認知過載的復雜情況下，自動化將有助于減少飛行員的認知負荷。

總的來說，本研究的數據顯示，沒有一個子因素是如此的主導和有影響力，以至于它的自動化就可以大大減少飛行員的認知負荷。相反，研究人員評估說，可能需要在許多子因素領域實現自動化，以有意義地減少飛行員的認知負荷。

D. 對未來研究的建議

雖然這種方法的定性產出提供了有用的見解，但主要的收獲是確定了未來研究應該更深入地探索的領域，以告知有限的任務自動化要求。基于通過訪談和數據分析得到的信息，研究小組對未來的研究有三個建議。

首先，研究人員建議完成一項任務分析，以確定哪些有限任務會影響本研究中確定的影響因素和子因素。這些結果可用于評估任務自動化對飛行員認知負荷的潛在影響，使用離散事件建模和模擬工具，如改進性能研究集成工具（IMPRINT）。

第二，研究人員建議測量飛行員認知過載的經驗閾值，并用于補充本項目中確定的飛行員認知負荷的自我評估。這將允許開發更準確的認知工作負荷模型，并對任務自動化帶來的認知工作負荷減少的幅度提供更多的洞察力。

最后，研究人員建議評估低能力飛行員（即飛行經驗最少的飛行員）的認知工作負荷能力。這方面的知識將有助于告知哪些任務應該自動化，以避免最有可能出現認知過載的用戶群的飛行員認知過載。