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

本研究提出了一個基于 MOOS-IvP 中間件的自主水下航行器控制算法構建框架。側掃聲納傳感器（SSS）通常用于生成聲納圖像，在圖像中可以識別類似地雷的物體。這里實施的基站社區可維護 SSS 的覆蓋置信度地圖，并為用戶提供二維和三維模擬以及實施高級控制方案的能力。開發可分三個階段進行： 1) 最簡配置，僅使用必要的應用程序來開發和測試外環控制；2) 包含模擬硬件的配置；3) 包含實際硬件的配置，該配置應從第 2 階段平滑、輕松地擴展而來。這樣做的好處是使用方便、開發速度更快、減少硬件測試和成本。

圖 1. 自動潛航器路徑及其側視聲納覆蓋的相應區域示例。

多智能體框架

在擬議的 MAS 框架中，每個 AUV 和基站分別有一個獨立的社區。每個群落上都運行著幾個應用程序，其中一些包含在 MOOS-IvP 發行版中，另一些則由作者自行開發。

在擬議框架中，有三種可能的配置：1) 加速開發高級控制和規劃策略的簡約配置；2) 在最底層用變量替代實際傳感器和執行器數據的模擬配置[12]；3) 實際硬件實施。

圖 6. 配置 1：2 個自動潛航器群落和 1 個基站群落，應用極少。

圖 8. 配置 2：硬件模擬包括所有傳感器和致動器應用。

本論文探討了支持分布式海上作戰（DMO）的兩種不同通信架構的選項。這兩種架構分別是星形網絡和無線網狀網絡。為本研究開發場景模型的目的是幫助讀者更好地理解緊密結合的數據類型、數據速率和所需網絡功能對網絡設計的影響。本研究針對需要視頻、語音和數據鏈路組合的場景中的各種資產，對每種架構進行了評估。它深入分析了每種設計所固有的信息傳遞延遲，并評估了每種網絡的可靠性。研究發現，利用機載路由功能的低地球軌道衛星星形和網狀網絡可提供最低的定時延遲。研究還發現，通過專用通道提供視頻饋送時，網絡抖動最小。最后，網狀網絡的可靠性略高于傳統的星形網絡，這是因為數據鏈路具有冗余性，而且缺少一個可能易受攻擊的中心樞紐。因此，利用特設無線網狀通信網絡將支持在分布式海上作戰進行有限的進攻性聯合火力打擊期間部署自適應部隊包。

圖 1. 星形網絡拓撲（左）和全網狀拓撲（右）。

在任何戰斗環境中，良好的通信都是取得勝利的關鍵。即使是在擁有堅實通信基礎設施的地理位置，如果戰地指揮官不能及時收到來自戰地資產的正確信息報告，也會造成混亂。在海戰中，尤其是在近海，通信基礎設施充其量也是微乎其微。

為響應美國防部長關于改進聯合火力（JF）行動的號召，本畢業設計探討了支持分布式海上行動（DMO）的兩種不同通信架構的選項。這兩種架構分別是星形網絡和無線網狀網絡。

為本研究開發情景模式的目的是幫助讀者更好地理解緊密耦合的數據類型、數據速率和所需網絡功能對網絡設計的影響。這有助于突出已實施網絡的設計限制。模擬結果用于定義基準參考和可追溯數據要求，以支持為 JF DMO 設計的戰術網絡。

A. 戰術通信網絡拓撲結構

網絡設置通常用拓撲結構來描述，拓撲結構是網絡內節點排列和通信的物理方式（美國陸軍工程部，1984 年，7）。本研究評估了圖 1 左側所示的傳統星形網絡和圖 1 右側所示的多層網狀通信網絡，并量化了這些鏈路的排列可能對操作產生的影響。

1.星形網絡

最廣泛使用的無線網絡拓撲結構是星形幾何模式。星形拓撲結構包括一個中心節點，所有信息都通過該節點流動。在星形格式中，所有信息都必須從每個參與資產發送和接收，并通過中心樞紐路由。這種配置中的中心節點是單點故障。如果中央節點離線，整個網絡就會癱瘓。

2.無線網狀網絡

多層戰術無線網狀網絡是指在網絡內共享信息的過程。網狀網絡描述了一種配置，其中每個節點都具有通信能力，可以相互發送和接收信息。在網狀網絡中，節點是自組織的，可根據需要通過路由算法自動建立（Shillington 和 Tong，2011 年）。

B. 結論

本研究的設計要求側重于網絡配置、對信息定時延遲的影響、網絡抖動和可靠性。研究發現，使用具有機載路由功能的低地球軌道（LEO）衛星的星形和網狀網絡可提供最低的定時延遲。研究還發現，在提供視頻饋送專用通道時，網絡抖動最小。最后，網狀網絡的可靠性略高于傳統的星形網絡，這是因為數據鏈路具有冗余性，而且沒有潛在的易受攻擊的中心樞紐。因此，在分布式海上行動的有限進攻性聯合火力打擊中，利用特設無線網狀通信網絡將支持部署自適應部隊包。

本文通過機器學習方法提出了一種雷達任務選擇的主動方法，并將其設計在雷達調度流程之前，以提高雷達資源管理過程中的性能和效率。該方法由兩個過程組成：任務選擇過程和任務調度過程，其中任務選擇過程利用強化學習能力來探索和確定每個雷達任務的隱藏重要性。在雷達任務不堪重負的情況下（即雷達調度器超負荷工作），將主動選擇重要性較高的任務，直到任務執行的時間窗口被占滿，剩余的任務將被放棄。這樣就能保證保留潛在的最重要任務，從而有效減少后續調度過程中的總時間消耗，同時使任務調度的全局成本最小化。本文對所提出的方法進行了數值評估，并將任務丟棄率和調度成本分別與單獨使用最早開始時間（EST）、最早截止時間（ED）和隨機偏移開始時間EST（RSST-EST）調度算法進行了比較。結果表明，與EST、ED和RSST-EST相比，本科學報告中提出的方法分別將任務丟棄率降低了7.9%、6.9%和4.2%，還將調度成本降低了7.8倍（EST為7.8倍）、7.5倍（ED為7.5倍）和2.6倍（RSST-EST為2.6倍）。使用我們的計算環境，即使在超負荷的情況下，擬議方法所消耗的時間也小于 25 毫秒。因此，它被認為是提高雷達資源管理性能的一種高效實用的解決方案。

雷達資源管理（RRM）對于優化作為飛機、艦船和陸地平臺主要傳感器的現代相控陣雷達的性能至關重要。報告》討論了雷達資源管理，包括任務選擇和任務調度。該課題對國防科技（S&T）非常重要，因為它與現代相控陣雷達的大多數應用相關。它對當前的海軍雷達項目尤為重要，該項目探索了雷達波束控制的人工智能（AI）/機器學習（ML）方法。所提出的算法有可能升級未來的艦船雷達，從而做出更好的決策并提高性能。

美國陸軍對人工智能和輔助自動化（AI/AA）技術在戰場上的應用有著濃厚的興趣，以幫助整理、分類和澄清多種態勢和傳感器數據流，為指揮官提供清晰、準確的作戰畫面，從而做出快速、適當的決策。本文提供了一種將作戰模擬輸出數據整合到分析評估框架中的方法。該框架有助于評估AI/AA決策輔助系統在指揮和控制任務中的有效性。我們的方法通過AI/AA增強營的實際操作演示，該營被分配清理戰場的一個區域。結果表明，具有AI/AA優勢的模擬場景導致了更高的預期任務有效性得分。

引言

美國陸軍目前正在開發將人工智能和輔助自動化（AI/AA）技術融入作戰空間的決策輔助系統。據美國陸軍機動中心稱，在決策輔助系統等人工智能/輔助自動化系統的協助下，士兵的作戰效率可提高10倍（Aliotta，2022年）。決策輔助工具旨在協助指揮官在作戰場景中減少決策時間，同時提高決策質量和任務效率（Shaneman, George, & Busart, 2022）；這些工具有助于整理作戰數據流，協助指揮官進行戰場感知，幫助他們做出明智的實時決策。與使用AI/AA決策輔助工具相關的一個問題是，陸軍目前缺乏一個有效的框架來評估工具在作戰環境中的使用情況。因此，在本文中，我們將介紹我們對分析框架的研究、設計和開發，并結合建模和仿真來評估AI/AA決策輔助工具在指揮和控制任務中的有效性。

作為分析框架開發的一部分，我們進行了廣泛的文獻綜述，并與30多個利益相關者進行了利益相關者分析，這些利益相關者在人工智能/AA、決策輔助、指揮與控制、建模與仿真等領域具有豐富的知識。根據他們對上述主題的熟悉程度，我們將這些利益相關者分為若干焦點小組。我們與每個小組舉行了虛擬焦點小組會議，收集反饋意見，并將其用于推動我們的發現、結論和建議（FCR）。同時，我們還開發了一個逼真的戰場小故事和場景。利用該場景和我們的FCR輸出，我們與美國陸軍DEVCOM分析中心（DAC）合作開發了一個功能層次結構，通過建模和仿真來測量目標。我們將假設的戰斗場景轉移到 "一個半自動化部隊"（OneSAF）中，該模擬軟件利用計算機生成部隊，提供部分或完全自動化的實體和行為模型，旨在支持陸軍戰備（PEOSTRI, 2023）。使用分析層次過程，我們征詢了評估決策者的偏好，計算了功能層次中目標的權重，并創建了一個電子表格模型，該模型結合了OneSAF的輸出數據，并提供了量化的價值評分。通過A-B測試，我們收集了基線模擬和模擬AI/AA效果的得分。我們比較了A情景和B情景的結果，并評估了AI/AA對模擬中友軍任務有效性的影響。

文獻綜述

分析評估框架可針對多標準決策問題對定量和/或定性數據進行評估。定性框架，如卡諾模型（Violante & Vezzetti, 2017）、法式問答（Hordyk & Carruthers, 2018）和定性空間管理（Pascoe, Bustamante, Wilcox, & Gibbs, 2009），主要用于利益相關者的投入和頭腦風暴（Srivastava & Thomson, 2009），不需要密集的計算或勞動。定量評估框架以數據為導向，提供一種數學方法，通過衡量性能和有效性來確定系統的功能。分析層次過程（AHP）適用于我們的問題，因為它使用層次設計和成對的決策者偏好比較，通過比較權重提供定性和定量分析（Saaty，1987）。雖然AHP已被廣泛應用，但據我們所知，該方法尚未被用于評估人工智能/自動分析決策輔助工具，也未與A-B測試相結合進行評估。

指揮與控制（C2）系統用于提供更詳細、更準確、更通用的戰場作戰畫面，以實現有效決策；這些C2系統主要用于提高態勢感知（SA）。研究表明，使用數字化信息顯示方法的指揮官比使用無線電通信收集信息的指揮官顯示出更高水平的態勢感知（McGuinness和Ebbage，2002年）。AI/AA與C2的集成所帶來的價值可以比作戰斗視頻游戲中的 "作弊器"：它提供了關于敵方如何行動的信息優勢，并幫助友軍避免代價高昂的后果（McKeon，2022）。對C2系統和SA的研究有助于推動本文描述的小故事和場景的發展。

建模與仿真（M&S）是對系統或過程的簡化表示，使我們能夠通過仿真進行預測或了解其行為。M&S生成的數據允許人們根據特定場景做出決策和預測（TechTarget，2017）。這使得陸軍能夠從已經經歷過的作戰場景和陸軍預計未來將面臨的作戰場景中生成并得出結論。模擬有助于推動陸軍的能力評估。測試和評估通常與評估同時進行，包括分析模型以學習、改進和得出結論，同時評估風險。軍隊中使用了許多不同的M&S工具。例如，"步兵戰士模擬"（IWARS）是一種戰斗模擬，主要針對個人和小單位部隊，用于評估作戰效能（USMA, 2023）。高級仿真、集成和建模框架（AFSIM）是一種多領域M&S仿真框架，側重于分析、實驗和戰爭游戲（West & Birkmire, 2020）。在我們的項目范圍內，"一支半自動化部隊"（OneSAF）被用于模擬我們所創建的戰斗情況，以模擬在戰場上擁有人工智能/自動機優勢的效果。

如前所述，人工智能/AA輔助決策的目標是提高決策的質量和速度。人工智能可用于不同的場景，并以多種方式為戰場指揮官和戰士提供支持。例如，人工智能/AA輔助決策系統可以幫助空中和地面作戰的戰士更好地 "分析環境 "和 "探測和分析目標"（Adams, 2001）。人工智能/自動機輔助決策系統可以幫助減少人為錯誤，在戰場上創造信息和決策優勢（Cobb, Jalaian, Bastian, & Russell, 2021）。這些由AI/AA輔助決策系統獲得的信息分流優勢指導了我們的作戰小故事和M&S場景開發。

本文方法

• 行動示意圖和場景開發

在我們的作戰小故事中，第1營被分配到一個小村莊，直到指定的前進路線。營情報官羅伊上尉（BN S2）使用AI/AA輔助決策系統（即助手）準備情報態勢模板（SITTEMP），該系統可快速收集和整合積累的紅色情報和公開來源情報衍生的態勢數據。然后，它跟隨瓊斯少校和史密斯上尉，即營行動指揮員（BN S3）和S3助理（AS3），使用AI/AA輔助決策系統制定機動行動方案（COA），以評估 "假設 "情景、 她根據選定的機動方案開發指定的利益區域（NAI），然后在其內部資產和上層資源之間協調足夠的情報、監視和偵察（ISR）覆蓋范圍。假設時間為2030年，雙方均不使用核武器或采取對對方構成生存威脅的行動，天氣條件對藍軍和紅軍的影響相同，時間為秋季，天氣溫暖潮濕。

• 利益相關者分析和功能層次開發

作為解決方案框架背景研究的一部分，我們與32位民用和軍用利益相關者進行了接觸，他們都是AI/AA及其對決策和仿真建模的貢獻方面的專家。我們進行的利益相關者分析過程如下： 1）定義和識別利益相關者；2）定義焦點小組；3）將利益相關者分配到焦點小組；4）為每個焦點小組制定具體問題；5）聯系利益相關者并安排焦點小組會議；6）進行焦點小組會議；7）綜合并分析利益相關者的反饋；以及8）制定FCR矩陣。我們利用FCR矩陣的結果來繪制功能層次圖，其中包括從模擬場景中生成/收集的目標、衡量標準和度量。然后根據這些目標、措施和指標對任務集的重要性進行排序。這為使用層次分析法（如下所述）奠定了基礎。

• 層次分析法和A-B測試

AHP是托馬斯-薩蒂（Thomas Saaty）于1987年提出的一種方法，它利用專家判斷得出的一系列成對比較，將功能層次結構中的每個功能和子功能放入一個優先級表中。然后通過有形數據或專家定性意見對各種屬性進行排序。如表1所示，這些排序被置于1-9的范圍內。在賦予每個屬性1-9的權重后，再賦予標準和次級標準權重，以顯示其相對重要性（Saaty，1987）。

一體化防空反導系統(IAMD)資源管理可以適用于當今現代軍隊中的許多不同裝備。本文討論的是雷達資源，它是用于用相控陣雷達探測、跟蹤和辨別目標的射頻能量和時間片段。IAMD的雷達資源可以在離散的停留水平和宏觀任務水平上進行管理。本文的第一部分介紹了一種IAMD雷達調度算法，該算法使用間隔和 "最早-最后 "調度的變體，在滿足固定任務期限的情況下，有效地實現所需的搜索幀時間。文章的后半部分接著討論了一個用于長期彈道導彈防御任務的軌道協調算法的設計。這兩個概念都適用于多功能相控陣雷達，并被設計為在滿足現有性能參數的同時提高效率。

1 引言

一體化防空反導系統(IAMD)是一套對飛機、巡航導彈和彈道導彈提供分層防御的能力。IAMD的資源管理是管理任何綜合防空導彈作戰系統或部隊的有限資源的一套作戰系統和系統的能力。圖1顯示了一個多任務（包括IAMD）雷達的各種預期能力和功能的例子。

傳統的武器系統是受限制的；對新的威脅和復雜環境的反應，這些系統最初并不是為其設計的，必須用傳統的硬件、計算機和網絡來解決，增加了能源、時間和系統的復雜性。新的IAMD系統在應對同樣的挑戰時，其資源受到的限制較少，但卻不同。然而，無論系統的現代化程度如何，美國海軍永遠不會有足夠的資源將能源和金屬扔到太空中，而不考慮這些資源在未來可能被需要并有效協調其應用。本文介紹了兩種用于IAMD雷達資源管理的算法。第一種算法是一個單一雷達的調度算法。第二種算法是針對多個雷達的協調算法。

圖1. IAMD雷達所需的性能和功能。

2 背景

IAMD從根本上說是一個多層面的優化問題。IAMD雷達控制系統的一個目標是在受到硬件能力和其他限制的情況下，在給定的時間內執行最大數量的功能，如搜索和跟蹤。考慮的因素包括占空比、峰值輸出功率、信號處理吞吐量、瞬時帶寬、接收鏈靈敏度和陣列結構。雷達控制算法根據優先考慮的事件隊列，在重復的雷達調度間隔（RSI）中安排雷達任務，同時遵守上述的限制。對于每個RSI，傳統的算法將從最高優先級的隊列開始，只有當高優先級的隊列為空且RSI中仍有空缺時，才會轉移到低優先級的隊列。這種方法可以被描述為 "貪婪的調度器"，因為RSI是固定的（不是靈活的），資源的應用只是為了安撫優先級，而不是為了實現效率。

高效的IAMD資源管理應用了基于優化理論的技術，特別是組合優化。這個特殊的數學優化分支將樣本和解決方案集視為離散。雷達任務或 "駐留 "可以被認為是離散事件，必須適合一個固定的容器--RSI。目標是用雷達事件完全填滿RSI，而不在時間軸上留下空隙。開源文獻中的組合優化例子，如knapsack問題和區間調度，特別適用于雷達調度。區間調度是計算機科學中的一個問題，其中必須選擇具有固定開始和結束時間的最大的區間（任務）集合在給定的時間段內執行。間隔調度問題有一些變體，將任務放入組中，并對每組的任務安排數量設定目標，或者根據優先級對組進行加權，目標是使安排的任務的加權值最大化。這最后的變化與系統設計者通常提出的IAMD資源管理問題非常相似。最后，中央處理器（CPU）的設計提供了一個高效動態調度算法的例子，即earliestdeadline-first（EDF）調度。如果每個任務可以用到達時間（隊列中的順序）、執行要求（持續時間）和最后期限（請求時間）來表征，那么EDF將選擇最后期限最接近當前時間的任務。

3 IAMD調度算法

一個雷達調度器必須滿足以下標準：

• 實現特定的搜索幀時間（名義上是重新訪問空間中每個點的時間，或者說，每個波束位置之間的時間）。
• 執行特定的跟蹤功能，同時盡量減少放棄的跟蹤更新事件。(軌跡更新是指雷達波束傳送到預計有目標的位置，加上隨后對該目標的探測，"更新 "其估計位置）。
• 最大化雷達占用率（調度器效率）。

讓雷達要安排的任務是兩種類型之一：固定的或靈活的。固定任務有一個特定的請求執行時間。靈活任務沒有具體的請求時間，但它們被認為是由預先確定的序列組成的持續任務，目標是以某種最低速度完成每個序列。固定任務和靈活任務可能有不同的優先級，這取決于由整體任務決定的系統目標。任務根據提出請求的時間被放在隊列中。

固定任務有一個指定的單一事件（或 "停留"）的最佳請求傳輸時間，由固定任務管理器決定。固定任務通常有少量的松弛時間，即計劃時間可以偏離請求時間的最大時間（提前或推遲）。松弛量將根據雷達任務的類型而變化。雷達固定任務的例子包括跟蹤、辨別、導彈通信和提示性獲取事件。

靈活任務有一組確定的事件，以特定的順序或模式執行。分配給每個靈活任務的事件可能有不同的長度。盡管這些事件沒有具體的要求時間，但整個模式將有必須執行的最低和最高時間段。靈活任務模式將被系統無限期地重復，直到被命令停止。所有與隊列中特定任務相關的靈活任務請求將具有相同的優先級。靈活任務的例子是體積搜索、雜波映射和基本測試功能。

所提出的調度算法是間隔調度和EDF的一個變體。在組成動態RSI時，它使用EDF方法來選擇固定任務（有截止日期的雷達事件），但隨后使用啟發式方法來設置靈活任務（沒有截止日期但對該任務隊列有執行目標的雷達事件）的動態優先級。該算法包括將固定任務安排在或接近其要求的時間，然后用靈活的任務事件填補固定任務之間的間隔。靈活任務的選擇不是基于優先級，而是基于動態地重新計算的模式率。這種單通道的算法設計假定所有的雷達事件都是符合責任因素的，而且固定任務總是比靈活任務有優先權。由于雷達硬件、算法設計和系統性能的限制，這些假設對于美國IAMD雷達如AN/SPY-1、-3、-4和-6并不總是成立。然而，這種調度算法是一種基于抽象原則的方法，與所有雷達調度算法有關。

IAMD調度算法利用固定任務的屬性來組成一個動態RSI（DRSI）。圖2描述了固定任務的屬性。固定任務必須在某個時間段內執行。要求的時間是最初要求開始執行的時間。長度是任務將消耗的時間段（占用）（即從任務開始到另一個任務或事件可能被安排的下一個時間之間的時間段）。閑置時間是指該任務在請求時間前后可接受的調度窗口。最早的可能開始時間是請求的時間減去領先的松弛時間。最晚的可能開始時間是所請求的時間加上尾部的時間差。前期和后期的松弛可以是相同的時間，但不要求是相同的時間。DRSI是一個固定任務結束與下一個固定任務結束之間的間隔。該算法將試圖把靈活的任務事件放在DRSI中。

圖2.固定任務屬性。

該算法還要求對靈活任務模式的狀態進行監控。一個模式最后開始的時間是模式開始時間（PST）。如果模式中的所有元素都被執行了一次，那么一個框架（模式的周期）就完成了。模式中所有事件長度的總和是模式長度（PL）。完成一幀圖案的所需時間長度被指定為所需幀時間（DFT）。PL和DFT通常是不一樣的（否則，靈活的任務將要求完全占用）。

圖3. 調度算法步驟。

在當前時間安排的模式的期望量是PL除以DFT，再乘以當前時間和PST之間的差異。靈活任務赤字（FTD）是在當前時間安排的模式的期望量減去已經為當前周期的模式執行安排的事件長度的總和。例如，一個靈活任務的DFT是8秒，當前時間和PST之間的差值是4秒。如果靈活任務的PL是3.2秒，那么當前時間安排的模式的期望量是1.6秒。假設當前周期的模式安排的事件長度之和是1.4秒，因此FTD是0.2秒。FTD在調度算法中被用來動態地優先考慮當前DRSI的那個靈活任務隊列。

該算法分四步執行，如圖3所示，有一些靈活任務類型的例子。首先，選擇下一個固定任務（NFT）來創建DRSI。其次，計算FTD，以確定哪些靈活的任務事件應該首先被安排，以及應該安排多少個來盡可能地填滿DRSI并減少最大的FTD。靈活任務按其FTD的順序考慮，較長的FTD具有較高的優先權。第三，靈活任務事件被安排到NFT，每個事件之間沒有空隙。第四，NFT被安排在最早的開始時間（在這種情況下，可能會有間隙），通過使用可用的松弛時間，或緊隨先前安排的靈活任務事件（不留間隙）。選擇NFT的算法也允許調度固定任務，中間沒有間隙。當固定任務可以在時間線上相鄰放置時，可以獲得較長的DRSI，并且可以安排較長的靈活任務。這個特點解決了靈活任務的一個隊列不能前進的情況，因為DRSI太短，不能從該隊列中插入一個事件。

每個固定任務隊列中最早的固定任務請求填充到NFT候選池中。選擇算法首先在候選者的松弛度允許的范圍內，盡可能晚（向右）移動每個候選者（圖4）。對于情況1（最高優先級的任務有最早的最后期限），選擇算法選擇最高優先級的固定任務作為NFT。該算法試圖更早地移動NFT，使其與先前安排的固定任務相鄰，中間沒有間隙。如果NFT不能更早轉移，那么它將被盡可能地推遲，下一個DRSI被定義為當前時間和所選NFT結束之間的間隔。圖5描述了任務A創造了一個DRSI，靈活的任務被安排在任務A之前，接著是任務B，它被安排在任務A之后，沒有間隙。

圖4. NFT的選擇。

圖5. NFT案例1，沒有沖突的優先順序。

一旦所有的事件都被放置在DRSI中，通常會有一個缺口，即DRSI中最后安排的靈活任務和固定任務的開始之間的未填充部分。固定任務在時間線上被提前移動，直到間隙被關閉或達到松弛的最早限度。在案例1中，任務A被稍稍提前移動，以便它和前面的靈活任務事件之間沒有間隙。

如果一個較低優先級的任務比一個較高優先級的任務更早開始，并且有足夠的松弛，使較低優先級的固定任務可以在最高優先級的固定任務之前開始和結束，那么該算法就選擇一個較低優先級的任務作為NFT。較低優先級的任務形成了DRSI，較高優先級的任務被安排在較低優先級的任務之后。這就是案例2，如圖6所示。

情況2還安排了任務B和A，使DRSI中不存在間隙。但是，如果任務B的松弛的最早限度會達到，以至于它不與前面的靈活任務事件相鄰，那么缺口就不可能被關閉。當缺口發生時，缺口的長度會被制成表格，以便在計算調度器效率時使用。調度器的效率是總時間減去間隙的總和除以總時間。

最后，如果有一個優先級較高的固定任務必須被調度，而優先級較低的固定任務要么太長，要么沒有足夠的松弛時間被容納，那么該算法就不會調度一個優先級較低的固定任務。這就是案例3，如圖7所示。

當沖突出現時，較高優先級的固定任務被選為NFT。在這種情況下，較低優先級的固定任務被退回給任務管理器。請注意在這個特殊的例子中，靈活任務是如何被選擇的。該算法在每次建立DRSI時都會計算隊列中的FTD。因為這是一個單程算法，具有最大FTD的隊列的事件被首先安排。當一個優先級較低的靈活任務具有較大的FTD時，就會發生靈活任務調度中的 "優先級 "倒置。該算法將最大FTD隊列中的事件填入DRSI，這些事件是將FTD減少到零所必需的，或者是在DRSI中可以容納的。該過程以赤字順序重復，直到DRSI被填滿或所有隊列都被解決。靈活任務的優先級繼承自靈活任務參數（DFT和PL）。

圖6. NFT案例2，由于最早的截止日期，優先順序反轉。

圖7. NFT案例3，無法解決的固定任務沖突。

通過模擬，我們發現了兩個額外的、必要的算法特征。第一個特征是對NFT選擇算法的調整，限制了最大的DRSI。DRSI必須被限制在一個最大值，這樣，如果一個新的固定任務到達隊列，它可以被安排，而不會因為執行一個長的DRSI而出現延遲或拒絕服務。如果符合條件的NFT將創建一個超過最大DRSI的DRSI，那么當前的DRSI將用一個靈活的任務而不是一個固定任務關閉。第二個特征是一個中斷動作，將允許新的關鍵固定任務搶占當前的DRSI。關鍵固定任務的特征是高優先級，請求時間與當前時間接近，并且沒有松弛。如果一個關鍵的固定任務發生，固定任務和靈活任務事件將從DRSI返回到它們的隊列中。

調度算法采用四步單通道方法，沒有超前看。追蹤FTD的特點是將過去的性能納入下一個DRSI的目標，并防止一個任務僅僅由于優先權而支配時間線。這個特點也允許進程優雅地退化。該算法有時可能無法實現增量目標，但平均而言，在較長的時間跨度內，DFT一般都能實現，很少有固定任務丟失（超時），除非他們所要求的時間會阻止一個更優先的固定任務被執行。請注意，該算法的性能仍然取決于適當的固定和靈活的任務參數輸入，如松弛量和DFTs。在重載條件下，請求可能還需要進一步的優先級；這種優先級將涉及調整靈活任務的DFT和可能的模式內的事件參數，以及整個模式的長度。

圖8. 沒有協調的概念冗余跟蹤。

4 彈道導彈防御軌道協調算法

用于IAMD的部隊級雷達資源管理（FLRRM）是海軍研究辦公室的一個未來海軍能力項目，目的是建立通過協調雷達任務產生增強防御性能的技術。盡管該項目中的廣泛努力正在研究雷達任務管理的許多方面，但由于彈道導彈防御（BMD）跟蹤任務的固有壓力，該項目重點關注彈道導彈防御的協調。

對BMD跟蹤的協調解決了目前部隊規劃和執行的局限性。沒有任務重疊的友軍布局（如分區防御設計）會限制突襲性能，因為從單一發射區進行的BMD突襲可能超過單艦能力。任務重疊的友軍布局也有局限性，因為重疊的雷達搜索理論或提示性獲取將導致重復跟蹤，如果沒有某種形式的干預協調，可能會導致過度交戰。盡管人工形式的協調是可能的，但突襲間隔時間使其失去了作用（圖8）。

FLRRM跟蹤協調（FTC）的目的是通過減少BMD的冗余跟蹤來提高突襲被殲滅的概率，并通過多艘艦艇之間的協調來保持艦艇自衛能力。FTC的形式是廣義分配問題（GAP）和多臂強盜（MAB）問題。前一類問題繼承自組合優化。MAB則是從概率論中得到的。關鍵的區別在于，組合優化要求對每個 "機會 "進行分配，而MAB則不需要。因為BMD軌道協調不允許棄權，所以它更自然地采用了類似于多重背包問題的GAP方法。

GAP公式如圖9所示。軌道的數量為N，傳感器的數量為M。一個傳感器-軌道對用ij表示。ij對的利潤和權重（成本）分別為pij和wij。傳感器i的總容量用wi表示。分配向量為xij；如果xij為1，則解決方案中要使用配對ij（即傳感器i是軌道j的首選）。典型的解決方案涉及一個動態程序或一個近似算法。然而，彈道導彈跟蹤的性質和可用的通信機制進一步制約了這個問題。每次有新的彈道導彈被其中一個傳感器探測到或被遠程報告時，協調問題必須重新解決。但是，如果傳感器軌道分配xij在引入新的軌道后發生變化，那么每個系統的火力控制回路可能會受到不可修復的干擾。換句話說，一旦彈道導彈被分配到一個系統，它就必須留在那里。該算法只能在考慮已知（現存）彈道導彈軌道的當前狀態的同時，協調每個新彈道導彈軌道的行動。此外，協調必須發生在跟蹤階段的早期，在這個階段對彈道導彈的類型和目的地知之甚少。因此，需要一個簡單而有效的利潤函數，該函數基于從MIL-STD-6016消息集中容易獲得的信息，以便可以實施分布式算法。結果是一個具有傳感器可用性和確認信息的先入先出的分布式貪婪啟發式算法。

FTC算法在美國海軍IAMD平臺（主要是宙斯盾巡洋艦和驅逐艦）之間提供分布式、可控的BMD軌道協調。圖10描述了一個使用FTC的名義上的部隊協調結果。通過避免對鏈路信息和雷達的修改，FTC保持了一個定義明確的范圍，是可以負擔得起的，并且可以擴展的。在每個啟用的平臺上，FTC從通過BMD通信鏈路傳達的Link 16信息中輸入空間軌跡圖；在宙斯盾武器系統內的指揮和決策元素中進行處理；然后向操作者輸出建議。信息交換要求限于現有的MIL-STD-6016信息和交換，由宙斯盾BMD 5.1計劃認可，以及操作員和武器系統之間的配置和監督控制信息。圖11描述了宙斯盾武器系統中修改后的功能。

算法研究表明，在各種突襲環境中，FTC比無協調的傳感器網絡極大地增加了交戰目標的數量。戰術相關場景的結果表明，有能力提供接近理想協調的高概率突襲殲滅。協調的好處廣泛適用，包括只有兩艘船參與的情況。

FLRRM已經過渡到導彈防御局宙斯盾BMD（MDA/AB）項目辦公室，并將在一個記錄程序中進行進一步的改進、整合和關鍵實驗。預計FTC將在2020年投入使用。使用新的傳感器和通信鏈路的改進也正在探索之中。

圖11. 美國聯邦貿易委員會對宙斯盾武器系統(AWS)的修改

本報告記錄了通過利用深度學習（DL）和模糊邏輯在空間和光譜領域之間整合信息，來加強多模態傳感器融合的研究成果。總的來說，這種方法通過融合不同的傳感器數據豐富了信息獲取，這對情報收集、數據傳輸和遙感信息的可視化產生了積極的影響。總體方法是利用最先進的數據融合數據集，為并發的多模態傳感器數據實施DL架構，然后通過整合模糊邏輯和模糊聚合來擴展這些DL能力，以擴大可攝入信息的范圍。這項研究取得的幾項進展包括：

• 將DL模型實施到片上系統（SoC）硬件中
• 高光譜圖像（HSI）數據的DL
  • 1.在HSI上建立DL，以獲得水的特性和底層深度
  • 2.在HSI上使用開放集識別方法
• 框架內融合方法的消融研究
• 使用DL和模糊聚合的HSI和LiDAR多模態傳感器融合的新框架
• 探討神經模糊邏輯在遙感數據中復雜場景的不確定性下自動推理的作用和實用性

出版物[1, 2, 3, 4, 5]進一步詳細介紹了取得的進展。

近幾十年來，國防系統的規劃已經演變成基于能力的規劃（CBP）過程。本文試圖回答兩個問題：首先，如何表達一個復雜的、真實世界的能力需求；其次，如何評估一個具有交互元素的系統是否滿足這一需求。我們建議用一套一致的模型以可追蹤的方式來表達能力需求和滿足該需求的解決方案。這些模型將目前的能力模型，具體到規劃級別和能力觀點，與系統思維方法相結合。我們的概念模型定義了環境中的防御系統，數據模型定義并組織了CBP術語，類圖定義了CBP規劃元素。通過給出一個能力參數化的例子來說明這個方法，并將其與DODAF能力觀點和通用CBP過程進行比較。我們的數據模型描述了能力在行動中是如何退化的，并將該方法擴展到能力動態。定量能力定義的目的是支持解決現實世界中相互作用的子系統，這些子系統共同實現所需的能力。

能力規劃問題的定義

在本節中，能力被定義為執行任務的效果或功能并作為系統時，我們討論CBP；在1.2小節中進一步討論Anteroinen的分類中的第三和第五類。為了專注于軍事系統或軍事單位的結構定義和未來的數學建模，只考慮系統的物理組成部分，即人員和物資，以及他們與能力的關系。環境的影響--天氣條件、地形、周圍的基礎設施和其他軍事單位--被省略，以關注兩種力量之間的相互作用；盡管在實踐中，環境和其他更廣泛的系統問題顯然是相關的。通常情況下，CBP過程定義了環境的相關方面和軍事行動的類型，為能力需求定義、能力評估和解決方案選擇制定了可能的規劃情況集合。

一個軍事單位或一個組織由其人員和物資組成。經過組織和訓練的人員配備了適當的物資，代表、擁有或產生能力。當兩個軍事單位相互作戰時，他們會啟動自己的能力，以造成敵人的物資和人員的退化。為了定義能力需求并計劃如何作為軍事單位或系統來實施，需要解決的問題是：在與敵人的互動過程中，能力將如何演變，而敵人的能力卻鮮為人知？圖1說明了在敵人能力的作用下，自己的軍事作戰和維持能力的動態互動。我們的能力削弱了敵方的人員和物資，對敵方的能力產生了影響；而敵方的能力削弱了我們的人員和物資，對我們的能力產生了影響。外部資源，也就是供應和維持能力，維持著被削弱的人員和物資。如因果循環圖所示，敵方的能力可以與我方的能力對稱地表示。第3節的進一步建模集中在我們自己的能力上，由圖1中的虛線表示，以便更純粹地表示。

對我們自己的能力的定義說明，由人員和物資提供，表明了復雜的結構和與能力有關的功能和元素之間的相互作用。此外，真正的軍事單位，通常由較小的編隊組成，有幾種能力，由大量不同的物資和人員組成，并與環境互動。

現有的能力模型

• 軍事能力是外交政策的工具
• 作為軍事單位戰斗力的能力
• 作為執行任務效果和功能的能力
• 作為武器系統或平臺的能力
• 作為系統的能力

軍事背景下能力規劃的概念模型架構描述

架構被定義為 "一個系統在其環境中的基本概念或屬性，體現在其元素、關系以及設計和進化的原則中"。因此，架構描述是一種表達架構的工作產品。架構框架是在一些應用領域或社區應用架構描述的基礎。架構框架為網絡系統的復雜性管理提供了結構化的方法，使利益相關者之間能夠進行溝通，并支持未來和現有系統的系統分析和設計。企業架構的Zachman框架是這類通用框架的一個例子。DoDAF、MODAF和NAF是用于國防系統分析和定義的架構框架，特別是用于指揮、控制、通信、計算機、情報、監視和偵察系統（C4ISR）。這些架構框架由觀點組成，定義了代表特定系統關注點的一組架構視圖的規則。架構視圖由一個或多個模型組成。架構框架基礎的元模型定義了不同視點中元素之間的關系。DoDAF元模型DM2有一個概念數據模型圖（DIV-1），用來向管理者和執行者傳達架構描述的高層數據構造的概念。MODAF元模型詳細定義了每個架構視圖的數據模型。

利益相關者需要適當的支持，以促進他們彼此之間以及與規劃專家團體的溝通，從而從CBP方法中獲益。軍事專家的作用不是參與復雜的工具和方法，而是為規劃過程提供重要的領域專業知識。架構框架是一個很好的工具，可以定義當前的防御系統，確定能力需求，并描述系統解決方案。不幸的是，架構框架和相關元模型的精確但復雜的機制與復雜的符號并不一定能以明顯的方式解釋能力觀點和要素之間的關系。因此，架構觀點和典型的CBP流程并沒有明顯的聯系。因此，參與能力規劃的軍事專家和決策者很少能夠加深理解，或者在沒有專門掌握這些工具和方法的人員的情況下，通過應用架構框架確定解決方案。需要對能力進行更簡單的定義，與流程兼容。

能力模型框架

圖2提出了一個高層次的數據模型，它代表了能力定義問題的抽象。數據模型描述了能力模型類型及其關系，作為能力和防御系統建模的框架。符號的選擇是為了保持信息量，但對更多的人來說是可讀的，因此它不遵循任何特定的方法，但與SODA的認知圖譜有一些共同點。

能力的現實世界實例在圖的左邊，而概念模型類型在右邊。該模型的第一個版本已經被Koivisto和Tuukkanen應用于一個基于研發的自下而上的過程和概念性的未來系統，即認知無線電。原始模型描述，系統模型定義了物資、戰斗力和功能能力。實際上，這是一種雙向的關系：在所需能力和所需資源的驅動下建立系統模型，然后用系統模型來預測特定環境和實例中的結果。

防御系統和能力——上下文模型

防御系統由系統、系統要素及其相互作用組成，其突發屬性由系統、系統要素和它們的相互作用界定。圖3中的模型代表了系統層次結構中的防御系統層次。防御系統可以被看作是SoS，但我們應用一般的系統術語來保持模型的可擴展性，并為防御系統層次結構的較低層次提供合適的術語。在國防系統層次結構的任何一級，系統代表一個由系統元素組成的軍事單位：人員和物資。

圖3 國防系統在其背景下的概念系統模型。防御系統，即利益系統（SOI），被環境和其他行為者的系統所包圍。這些系統包括相互作用的系統要素人員（P）和物資（M）。子系統和系統元素之間的聯系是示范性的。

能力模型類型和術語——高級數據模型

除了系統元素和它們的組織之外，還要定義功能和相應的輸出，以獲得更全面的系統定義。我們將能力定義為執行任務的效果或功能，是一種功能能力。在CBP過程中，功能能力定義了一些當前或計劃中的軍事單位或由物資和人員組成的系統的能力潛力。最終，能力發展過程必須以現實世界的軍事單位來定義系統的實施。力量要素的概念定義了最終的系統結構，也就是要生產的現實世界的軍事單位的組織。在我們的數據模型中，功能能力被安排在SOI內部，以代表系統的涌現屬性。當這種潛力或涌現被計劃為引起某種效果時，系統，具體來說是其功能能力，在計劃過程中被分配到一個任務中。此外，當軍事單位執行任務時，效果就會產生。高層數據模型的作用，如圖4，是將關鍵的術語及其關系可視化。

圖 4 基于能力的規劃中術語及其關系的高級數據模型表示

基于能力的規劃元素——UML類圖

圖5中的類圖將圖3所示的概念系統模型中確定的國防系統規劃要素與圖4中的能力模型類型結合起來。由于我們關注的是國防系統，國家權力和軍事力量的要素被認為是其環境的一部分，不在圖中。然而，我們建議，國家權力也可以通過效應來表示。

圖 5 基于能力的規劃元素的統一建模語言 (UML) 類圖表示

本文概述了北約應用車輛技術小組下的AVT-331技術小組的工作，該小組正在研究通過應用于車輛設計的多重保真方法。該小組的目標是了解多重保真方法在車輛設計中的潛在好處，并使用該小組開發的通用基準套件記錄不同的多重保真方法的相對優勢和劣勢。該基準套件有多個層次的復雜性，從具有公認屬性的分析函數開始，最后是具有代表性的空中和海上車輛基準。該套件還包括與空中、海上和空間飛行器相關的中等復雜度的基準。基準的特點在這里被編入目錄，包括對基準目標的描述和再現車輛級結果所需的啟用軟件，以及分析基準的實驗設置。總結了整個團隊所使用的主要多德爾方法，并對AVT-331所發表的大量論文進行了列表。該表格記錄了所采用的方法和所研究的問題之間的映射關系。最后，描述了在8個評估類別中評估不同的多重保真方法的相對優勢和劣勢的過程。本文不包括多重保真方法的結果，但在四份研討會文件中單獨詳細說明。

本文考慮對空軍機群規劃中軍用戰斗機選擇的戰略、戰術和作戰決策的多標準決策分析方法進行比較分析。指導決策分析過程的評價標準是由現有的三種軍用作戰飛機的文獻確定的。在多標準決策分析中，軍用戰斗機選擇問題采用 "參考理想方案的偏好分析（PARIS）"方法進行結構化。

與現有的多準則決策分析方法（PARIS，和TOPSIS）進行了系統的比較，以驗證所獲結果的穩定性和準確性。提出的綜合多標準決策分析系統方法有望解決飛機選型過程中遇到的問題。比較分析結果表明，所提出的方法是一個有效而準確的工具，可以幫助分析人員做出更好的戰略、戰術和行動決策。

關鍵詞——飛機、軍用戰斗機選擇、多標準決策、多標準決策分析、平均重量、熵權、MCDMA、PARIS、TOPSIS。

本文的其余部分的結構如下。第二章介紹了多準則決策分析方法，包括均值法、熵權法、PARIS法和TOPSIS法。第 3 章介紹了所提出方法的數值應用，包括平均權重、熵加權 PARIS 和 TOPSIS 計算的研究結果以及討論。最后，第四章給出結論。