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。

“聯合規劃過程”是一份描述巴西武裝部隊使用準則的文件。軍隊也可以將這些準則用于教育目的，在和平時期培訓參謀人員。巴西國防部打算模擬軍事力量的運用，以加快決策周期，增加行動成功的機會。更好地規劃行動，更好地評估風險。作戰方案（COA）兵棋推演模擬了每個友軍的作戰方案與可能的敵軍作戰方案。然而，理論過程缺乏描述如何進行作戰方案推演的信息。因此，理論上的知識僅限于系統化的分析。COA兵棋推演一直是主觀的，并且依賴于隱性知識。這項工作的目的是提出一種實施COA兵棋推演的方法，以及構建COA兵棋推演的概念模型，以便能夠進一步使用計算機系統來支持其進行。兵棋推演的概念啟發了這個游戲的設計。兵棋推演被定義為合成環境中沖突的建模或模擬，涉及敵對勢力，玩家根據規則、程序和信息做出決策。將COA兵棋推演改進為一個教育性兵棋推演工具，可以模擬軍事計劃，支持玩家建立有效的戰略，支持教官分析玩家的決定和裁判交戰，并建立一個技術框架來收集決策數據，以便將來應用于知識管理和人工智能。

研究方法

設計科學（DS）的認識論范式是這項研究的基礎。DS專注于建立知識的過程，并產生與全球實踐和研究社區相關的結果（Johannesson & Perjons, 2014）。DS包括對設計一個新的人工或改進現有人工制品以解決一個問題或一類問題的項目的研究（Dresch等人，2015）。

設計科學研究（DSR）是我們用來計劃、執行和監督研究的策略。DS建議當目標是開發一個人工制品時，采用DSR來操作研究。基于問題的描述，DSR指導研究設計和評估工件，對一個給定的系統進行改變，并改造情況以實現改進（Dresch等人，2015）。DRS的步驟包括確定問題、定義需求和設計、開發、演示和評估人工制品。

數據收集為人工制品的設計提供了要求。由于單一方法不足以回答研究問題，我們采用了混合方法。文件（Johannesson & Perjons, 2014）是我們的第一個數據來源。我們搜索了其他國家和軍事組織的軍事理論中包含的明確知識。我們在這項工作中研究和引用的所有文件都是不保密的。我們使用的其他方法是觀察和訪談（Johannesson & Perjons, 2014）。我們還搜索了巴西軍官的隱性知識，以了解他們如何進行COA兵棋推演，特別是在教育活動中。

接下來，我們收集并分析了數據，以設計人工制品。我們應用基礎理論（Pandit, 1996）作為定性數據分析的方法。我們設計了一個進行COA兵棋推演的方法和一個概念模型，它描述了COA兵棋推演的結構。數據分析使我們能夠確定關于COA兵棋推演的概念、類別和主張（Pandit, 1996）。建議的人工制品提出了關于跨類別命題的假說。經過幾個周期的數據收集和分析，我們達到了每個工件的目標。在每個周期中，藝術品中提出的假設都由軍事計劃和戰爭游戲的專家進行評估。

以下各小節描述了我們在這項工作中所進行的活動，其中包括審查軍事文件，直接觀察總參謀部軍事學校的兩次訓練演習中的COA戰爭演習，以及采訪參加這些演習的軍官。

圖5:作戰方案兵棋推演概念框架

從歷史上，美國作戰測試與評估主任（DOT&E）網絡評估計劃（CAP）已經證明了其對美國防部的獨特價值，它收集了國防部網絡紅隊（模仿對手）和國防部網絡防御者之間的網絡沖突的地面真實戰術數據。這些評估通常在作戰司令部或軍種一級演習期間進行，也是國防部高級官員之間戰略互動的特征。然而，由于必須確保指揮官的訓練目標得到實現，并且由于法律或風險因素禁止國防部網絡紅隊在商業、民用和社會媒體網絡和應用程序上進行破壞性活動，因此對行動層面的決策審查得不太徹底。

DOT&E指示IDA開發一個網絡兵棋，使美國防部組織能夠探索有關網絡空間部隊雇傭和網絡安全態勢的作戰級決策。IDA設計的兵棋推演，即“網絡演習、行動和戰斗：一款知識型兵棋（CMOCKW）”，真實地模擬了作戰網絡沖突的性質，有一個動態的對方部隊（OPFOR）有機會 "贏"，一個雙盲的方法，通過向每一方透露有限的信息來復制網絡的不確定性，一個部隊對部隊的方法，使用分配給友好和敵人單位和網絡的能力值來促進半隱藏的、隨機的裁決，以及一個不現實地限制對方部隊的 "手套 "方法。

CMOCKW可以根據需要在SECRET或更高的機密級別上進行計劃和執行，在一小時的游戲回合中模擬一周的 "真實場景時間"，可以根據 "客戶 "所需的決策和網絡空間地形進行定制和擴展，并且在計劃、教學和執行方面相對簡單和 "輕便"。

IDA于2021年4月開始開發CMOCKW，并已進行了四次游戲測試，參與者來自CAP和其他國防部合作伙伴。在DOT&E的熱情支持下，IDA于2022年7月27日在連接美國2022年戰爭游戲會議上介紹了CMOCKW的概況。

海上作業航行安全是一個高度優先的問題。在新加坡高性能計算研究所 (IHPC)和新加坡理工學院（SP）最近的合作中，開發了一個基于人工智能的行為能力評估工具原型，以幫助教官評估值守人員進行導航的軟技能能力，并在SP的新加坡海事學院（SMA）培訓模擬器上進行了概念驗證演示。使用我們的工具可以通過提供詳細的特定行為分析來幫助教官進行評估，從而有助于消除人為偏見。

基于人工智能的行為能力評估工具

一個基于人工智能的行為能力評估工具原型被開發出來，它使用來自模擬器的視頻資料，自動生成對學生行為能力的評估，并以定量的方式進行客觀評估。生成的報告提供了培訓課程的摘要，其中有按時間索引的事件，教員可以用來向學生匯報，并允許教員輕松地放大特定事件，以進行更深入的審查和更有效的指導。

基于人工智能的行為能力評估工具原型（如圖1所示）是一個軟件，包括：

• 一個行為學習和理解模塊，它從訓練模擬器的攝像機中獲取視頻，并使用計算機視覺和機器學習從學生執行導航任務的行動中檢測和識別關鍵的行為指標。對識別的行為指標進行行為學習，以自動捕捉與每個行為能力相關的行為，并將其編碼為行為腳本。

• 能力評估模塊通過識別學生使用學習到的行為腳本表現出來的行為來進行績效分析，并生成一份學生績效報告，量化觀察到的關鍵行為指標和觀察到的行為的時間過程。根據國際海事組織和行業出版物[2][3]中頒布的行為能力評估和驗證（BCAV）指南中的一套行為指標，通過分析也為每個學生生成一個數字性能分數。

圖 1. 態勢感知能力評估工具原型示意圖

不僅要準確分析友軍目標定位工作對敵軍作戰系統造成的損害，而且要利用這些知識來全面評估敵軍剩余影響友軍行動的能力。不幸的是，美陸軍條令中缺乏一個標準化的戰損評估（BDA）程序，這阻礙了部隊制定有效的BDA框架的能力，迫使部隊依靠個人經驗、指揮官的指導以及試驗和錯誤來訓練G-2分析員如何在大規模戰斗行動（LSCO）中收集、完善和評估BDA。本文作為美陸軍條令的補充，描述了BDA的所有要素，以幫助分析員向指揮官提供更多的信息。它提供了關于如何訓練和組織G-2T部門的建議，并強調了進行BDA的最有效方法，以支持目標定位和指揮官的決策過程。

美國海軍陸戰隊（USMC）正在進行組織和行動上的變革，以適應當今世界新的作戰要求。《美國海軍陸戰隊部隊設計2030》描述了新的概念，如遠征先進基地作戰（EABO），重點是偵察/反偵察和海上攔截。為了檢查和評估新的作戰概念、部隊結構、武器系統、戰術、技術和程序，以及其他對這些行動的調整，美國海軍陸戰隊需要能夠代表與這些預期變化相關的全部變化的模型和模擬。21世紀聯合武器分析工具（COMBATXXI）是由美國海軍陸戰隊和美國陸軍共同開發的戰斗模擬，用于支持建模和分析。在過去的20年里，COMBATXXI擁有研究這些新概念所需的許多基本能力，但目前在一些關鍵領域缺乏真實的表現，如研究海上攔截的新角色的關鍵方面所需的海上水面作戰人員。這種表現需要平臺的識別、瞄準和評估損害，從而確定其繼續執行作戰任務的能力。本研究的目的是檢查與EABO有關的新作戰概念，并利用COMBATXXI模擬確定相關的建模方法。該研究描述了一種建模方法，該方法在COMBATXXI中的初步實施，以及對該模型在支持與美國海軍陸戰隊新作戰概念相關的情景和研究方面的效用的初步評估。研究最后提出了后續工作的建議，以進一步改進或運用所開發的能力。

引言

A. 背景介紹

美海軍陸戰隊作戰發展司令部（MCCDC）作戰分析局（OAD）運行海軍陸戰隊研究系統（MCSS），該系統每季度向整個海軍陸戰隊征求研究提名。每年都有幾項研究需要用高分辨率的戰斗模擬進行建模。21世紀聯合武器分析工具（COMBATXXI）是一個高分辨率的分析性戰斗模擬，自1998年以來，由OAD和美國陸軍白沙導彈發射場研究和分析中心（TRAC-WSMR）共同開發。聯合武器模擬代表了從戰術層面上的單個實體（即車輛、飛機、步兵、艦艇、登陸艇等），直至加強營級單位的行動。

COMBATXXI提供了跨越多個領域的建模能力，包括兩棲作戰、聯合武器作戰和綜合防空。該模擬可用于進行詳細的傳感器到射手的分析，包括直接和間接射擊以及關鍵的指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）的相互作用。對多領域作戰平臺的詳細分析和聯合武器作戰是COMBATXXI的主要功能。這種能力已經由OAD在兩棲戰車（ACV）備選方案分析（AoA）、殺傷人員地雷/集束彈藥（APL/CM）研究、有爭議環境中的兩棲攻擊研究、未來垂直升降能力集3 AoA、ACV中炮能力研究和先進偵察車（ARV）AoA中進行了展示。

目前，OAD正在支持2030年部隊設計（2020年海軍陸戰隊司令部）的幾個方面。帶有概念性戰術、技術和程序（TTPs）的新場景正在被用來進行各種分析。需要包含各種威脅和戰術情況的復雜行為。

海軍研究生院（NPS）建模、虛擬環境和模擬（MOVES）研究所擁有獨特的技術專長，以支持和擴展OAD對COMBATXXI的分析使用。多年來，MOVES開發了創新工具，極大地提高了分析人員使用COMBATXXI模擬的效率和效果。國家核安全局MOVES研究所的任務是通過開發和維護所需的功能，提供技術支持以進行OAD研究和分析技術培訓，提高OAD更充分地運用COMBATXXI的分析能力。MOVES支持OA開發、維護和增強工具和能力，如Behavior Studio、Workbench、Observer/Sensor工具、實體和單位行為，以及Monterey Extensions軟件包。OAD提供COMBATXXI模擬、現有行為、數據、測試方案和文件，作為政府提供的信息（GFI）供NPS使用。分配任務的場景和相關數據庫可以達到營級登陸隊（BLT）或海軍陸戰隊遠征部隊（MEF）的水平，并且可以包括所有海軍陸戰隊空地特遣部隊（MAGTF）的能力（例如，指揮部（CE）、地面戰斗部（GCE）、空中戰斗部（ACE）和后勤戰斗部（LCE））。

B. 范圍和目標

2030年部隊設計包括新的組織，如海上瀕海團（MLR）和新的作戰概念，如遠征先進基地作戰（EABO），重點是偵察/反偵察和海上攔截。本項工作的目的是研究與EABO有關的新概念，并利用COMBATXXI模擬確定相關建模方法。該研究描述了一種建模方法，該方法在COMBATXXI中的初步實施，以及對該方法在支持與美國海軍陸戰隊新作戰概念相關的情景和研究方面的效用的初步評估。

C. 問題陳述

美國海軍陸戰隊（USMC）正在進行組織和行動上的變革，以適應當今世界新的作戰要求。美國海軍陸戰隊部隊設計2030描述了新的概念，如遠征先進基地作戰（EABO），需要對部隊結構、任務和作戰能力進行審查。為了檢查和評估新的作戰概念、部隊結構、武器系統、戰術、技術和程序，以及其他適應這種行動的措施，美國海軍陸戰隊需要能夠代表與這些預期變化有關的全部變化的模型和模擬。在過去的20年里，COMBATXXI擁有許多研究這些新概念所需的基本表現，但在一些關鍵領域缺乏現實的表現，例如在研究海上攔截的新作用的關鍵方面所需的海上水面戰斗人員的表現。這種表述需要對這些平臺進行識別、瞄準和評估損害，以確定其繼續執行作戰任務的能力。需要開展工作，審查與EABO有關的新概念，并利用COMBATXXI模擬確定相關的建模方法。

D. 技術方法

為滿足這一需求，本研究對EABO概念進行了研究，并描述了一個能捕捉到這些概念的關鍵方面的名義情景。本研究審查了當前COMBATXXI的能力，以確定需要哪些額外的或修改的能力來解決新概念。該研究描述了一種建模方法（COMBATXXI需要的能力），在COMBATXXI中的初步實施，以及對該模型在支持與美國海軍陸戰隊新作戰概念相關的情景和研究方面的效用的初步評估。研究的結論是對后續工作的建議，以進一步改進或運用所開發的能力。

在贊助商的指導下，如果技術上可行，開發的新功能應在不修改現有Java代碼的情況下實施。NPS MOVES必須提前通知OAD研究主辦方并獲得批準，任何需要新代碼或修改COMBATXXI核心模型現有代碼的開發工作。這種通知使 OAD 有機會與 TRAC-WSMR 和 COMBATXXI 配置咨詢委員會協調潛在的代碼修改。

E. 本文件的組織

第一章是本研究的介紹，提供了關于工作基礎、研究范圍和目標、問題陳述和一般技術方法的背景信息。第二章概述了EABO，作為研究的概念基礎，并描述了一個名義上的情景，目的是確定必須達到的功能能力，以代表感興趣的操作條件，如海上攔截（如船舶代表，瞄準船舶能力，評估船舶能力的損害，并根據所受損害確定持續的任務有效性）。第三章展示了如何在COMBATXXI中實現表示概念場景所需的能力。第四章介紹了在COMBATXXI中執行概念情景的例子，并確定了研究變體的樣本，以檢驗新增能力的應用。第五章提出了研究結論和后續工作的建議。附錄A是報告中使用的術語和縮略語的詞匯表。附錄B提供了用于啟動COMBATXXI中的分層任務網絡（HTN）進程的python腳本清單，以執行概念情景中的實體行為。

人工智能有望徹底改變預測、理解和管理國際危機的方式。具體來說，人工智能系統可以在危機時期為外交官和決策者提供幫助，幫助他們了解正在發生的事情（描述性分析），繪制危機演變的可能趨勢或模式（預測性分析），以及評估應對策略的有效性（規定性分析）。然而，人們不太了解的是，這些模型如何在實踐中發揮作用，以及人工智能模型需要滿足哪些條件才能產生效果。該研究以俄羅斯在烏克蘭的侵略戰爭所產生的國際危機為例，提出了一個將人工智能應用于危機管理的框架，并討論了將人工智能納入外交決策的機會和挑戰。

引言

"人工智能"（AI）一詞最早是由美國計算機科學家約翰-麥卡錫在1956年提出的，他將AI定義為 "制造智能機器，特別是智能計算機程序的科學和工程"（麥卡錫，2011）。雖然在過去的幾十年里，對人工智能的探索經歷了多個 "希望和絕望的季節"（Bostrom，2014年，第6-11頁），但越來越多的人認為現階段的人工智能發展有了質的變化。由于復雜的機器和深度學習算法的快速發展，人工智能應用現在已經達到了無需明確編程就能使用統計模型和類似神經網絡自行學習的程度（Collins, 2021）。因此，人工智能的破壞可能會對危機管理產生強烈的影響，特別是因為數字平臺已經成為協助決策者在數字時代管理危機的關鍵工具。它們已經幫助大使館和外交部實時了解事件的性質和嚴重性，簡化決策過程，管理公眾的期望，并促進危機終止（Bjola & Coplen, 2022）。同時，需要非常謹慎地使用它們，因為事實的不準確、協調的差距、不匹配的披露水平和不良的信號做法很容易破壞危機管理的數字努力（Bjola, 2017）。

正如其他地方詳細討論的那樣，人工智能系統可以在危機時期幫助外交官，幫助他們了解正在發生的事情（描述性分析），確定危機演變的可能軌跡（預測性分析），并規定可能的應對策略（規定性分析）。人工智能已經被譽為預測地緣政治事件（Morstatter等人，2019年）、預測暴力事件的爆發并探究其原因（Guo等人，2018年）或改善有關在復雜社會環境中使用強制和非強制策略的戰略情報評估的可能解決方案（Frank，2017年）。人工智能的主要挑戰是要做出的決定的半結構化性質。鑒于危機決策的高度不確定性，以及一旦出錯不可避免的審查和問責要求，人工智能的整合只有在人類對該過程保持一定程度的控制時才能發揮作用。正如SIPRI的一項研究指出的那樣，當人工智能系統面臨的任務或環境與它們接受的訓練略有不同時，可能會出現驚人的失敗。人工智能算法也是不透明的，這往往使人類難以解釋它們是如何工作的，以及它們是否掩蓋了可能導致有問題--如果不是危險--行為的內在偏見（Boulanin，2019）。

在這些文獻的基礎上，本文試圖通過對外交官在危機時期面臨的挑戰進行理論分析，并開發一個原型模型，以了解如何實時監測、分析和應對正在發生的危機，從而推動關于人工智能可以為危機時期的外交決策產生機會的辯論。為此，本文將首先解釋決策者在危機時期面臨的不確定性挑戰，然后介紹可能有助于解決上述挑戰的人工智能原型模型，最后對該模型的優勢和局限性進行簡短討論。

人工智能建模與危機管理

本文提出的論點是，人工智能可以幫助外交部應對 "戰爭迷霧"，通過調整在危機時期有助于減少或增加不確定性的因素的影響。借鑒數據分析中用于區分描述性、預測性和規定性模型的類型學（Lepenioti等人，2020），本文提出了將人工智能納入危機決策的概念模型，該模型基于圖1所示的三個部分。

圖 1：數據分析：描述性 - 預測性 - 規范性模型

第一個組成部分，即描述性分析，涉及到背景映射和相關信息的提取，可以提供問題性質的準確描述。這一部分所要回答的關鍵問題是正在發生什么？在危機的背景下，MFA對檢測可能表明管理危機的潛在挑戰或機會的模式感興趣。回顧烏克蘭戰爭的案例，多邊金融機構可能會問的問題是，參與沖突的各方及其主要支持者的立場是如何實時演變的？他們優先考慮哪些方面？這些立場的一致或分歧程度如何？第二部分，預測性分析，是指通過測試和驗證對問題的性質和原因的某些假設，預測可能的行動方案及其可能的影響（會發生什么？） 鑒于情況的變化，參與危機的各方的立場可能如何演變？X國是否可能支持歐盟對俄羅斯石油和天然氣的禁令？如果是這樣，在什么條件下？最后一個部分，即規范性分析，鼓勵決策者整合在前幾個步驟中收集到的信息，并利用結果來確定要采取的最佳行動方案（應該做什么？） 行動方案A與行動方案B會對外交部與其他國家的關系產生什么影響？X國應否在國際上帶頭努力，以解除俄羅斯對烏克蘭在黑海的糧食的封鎖？這樣的決定可能會影響歐盟或北約成員之間的外交團結？

當然，所有這三個部分都可以在沒有人工智能的協助下進行處理。事實上，多邊金融機構應該能夠在危機時期進行這樣的分析，而且他們已經利用內部和委托的專家定期這樣做。據推測，人工智能所能增加的是實時洞察力，以及對各方相互交換的信號的實質和可信度的更準確評估。人工智能可能無法完全化解 "戰爭迷霧"，但它們可能能夠為在危機時期用于決策的信息的價值提供足夠或可操作的信心。要做到這一點，人工智能模型需要考慮到能夠模糊危機信號的因素，并盡可能地減少它們所引起的不確定性水平。如圖2所示，人工智能模型始于外交部及其使館網絡從靜態（如宏觀經濟指標、社會人口數據）和動態來源（如社交媒體信息、官方聲明、報紙報道）收集的數據匯總過程。然后，如此產生的數據集將被分成兩個子集（通常70%為訓練，30%為測試），用于訓練和測試用人工智能算法創建的模型。在運行和微調競爭性的話題、社交網絡和參與度分析模型后，將選擇一個最佳的人工智能模型來提供洞察力以協助決策。該模型應該能夠指出一組主題、影響者網絡以及能夠最有效地捕捉沖突中相關行為者所傳達的信號的參與形式。該框架還可以包括評估整合來自合作國家或國際組織的其他人工智能模型（圖中標有*）的可行性，以努力進一步減少 "戰爭迷霧 "引起的不確定性。然后，從數據分析中獲得的洞察力可以轉化為一個行動計劃，為官方對危機的反應和政策回應提供參考。這個過程繼續進行，新一輪的數據收集直接反饋到數據分析中，使決策者能夠在危機中實時追蹤和應對新的發展。

圖 2：基于人工智能的危機管理模型

雖然圖2中的模型同樣適用于上面討論的三個分析組件中的任何一個，但應該注意的是，人工智能建模的復雜性以及延伸到危機決策的分析價值在描述性、預測性和規定性格式之間有很大的差異。主要區別在于為每個部分的機器學習（ML）技術提供動力所需的數據質量，以及這些技術的復雜程度。追蹤和分析危機演變所需的數據更容易獲得，可以使用相對傳統的ML算法進行處理。之所以如此，是因為描述性分析依賴于已經作出的決定和已經實施的行動。一旦人工智能系統被要求預測可能的行動路線并評估應對策略的可行性，情況可以說變得更加復雜，因為產生這種反應所需的信息是基于尚未作出的決定和尚未實施的行動。因此，關于人工智能在危機管理中的應用的討論必須密切關注描述性、預測性和規定性的順序，以便在每種情況下開發的知識可以適當地告知其他情況下的人工智能解決方案的開發。出于這個原因，以下部分將重點了解人工智能在第一部分（描述性分析）的應用條件，希望從這個階段學到的經驗可以隨后應用和擴展到開發人工智能解決方案，以支持危機管理的預測性和規定性分析。

摘要

兵棋模擬是一種決策工具，可以為利益相關者分析的場景提供定量數據。它們被廣泛用于制定軍事方面的戰術和理論。最近，無人駕駛飛行器（UAVs）已經成為這些模擬中的一個相關元素，因為它們在當代沖突、監視任務以及搜索和救援任務中發揮了突出的作用。例如，容許戰術編隊中的飛機損失，有利于一個中隊在特定戰斗場景中勝利。考慮到無人機的分布可能是這種情況下的決定性因素，無人機在超視距（BVR）作戰中的位置優化在文獻中引起了關注。這項工作旨在考慮敵人的不確定性，如射擊距離和位置，使用六種元啟發法和高保真模擬器來優化無人機的戰術編隊。為紅軍蜂群選擇了一種空軍經常采用的戰術編隊，稱為line abreast，作為案例研究。優化的目的是獲得一個藍軍蜂群戰術編隊，以贏得對紅軍蜂群的BVR戰斗。采用了一個確認優化的穩健性程序，將紅軍蜂群的每個無人機的位置從其初始配置上改變到8公里，并使用兵棋方法。進行了戰術分析以確認優化中發現的編隊是否適用。

索引詞：優化方法，計算機模擬，無人駕駛飛行器（UAV），自主智能體，決策支持系統，計算智能。

I. 引言

兵棋是在戰術、作戰或戰略層面上模擬戰爭的分析性游戲，用于分析作戰概念，訓練和準備指揮官和下屬，探索情景，并評估規劃如何影響結果。這些模擬對于制定戰術、戰略和理論解決方案非常有用，為參與者提供了對決策過程和壓力管理的洞察力[1]。

最近，無人駕駛飛行器（UAVs）作為一種新的高科技力量出現了。利用它們來實現空中優勢可能會導致深刻的軍事變革[2]。因此，它們的有效性經常在兵棋中被測試和評估。

由于具有一些性能上的優勢，如增加敏捷性、增加過載耐久性和增加隱身能力，無人機已經逐漸發展起來，并在許多空中任務中取代了有人系統[3]。然而，由于戰斗的動態性質，在視覺范圍之外的空戰中用無人系統取代有人平臺是具有挑戰性的。在空戰中，無人機可以被遠程控制，但由于無人機飛行員對形勢的認識有限，它將在與有人平臺的對抗中處于劣勢。然而，這種限制可以通過自動戰斗機動[4]和戰術編隊的優化來克服。此外，使用無人機可以允許一些戰術編隊和戰略，而這些戰術編隊和戰略在有人駕駛的飛機上是不會被考慮的，例如允許中隊的飛機被擊落，如果它有助于團隊贏得戰斗。文獻中最早的一篇旨在優化超視距（BVR）作戰中的飛機戰術編隊的文章[5]表明，空戰戰術是用遺傳算法（GA）進行優化的候選方案。該實施方案采用分層概念，從小型常規作戰單位建立大型編隊戰術，并從兩架飛機的編隊開始，然后是四架飛機，最后是這些飛機的倍數。在模擬中沒有對導彈發射進行建模。當一架飛機將其對手置于武器交戰區（WEZ）的高殺傷概率（Pkill）區域內一段特定時間，簡化的交戰模擬器就宣布傷亡。事實證明，所提出的方法的應用是有效的，它消除了團隊中所有沒有優化編隊的飛機，并為整個優化編隊的飛機團隊提供了生存空間。

Keshi等人[6]使用了與[5]相同的分層概念，從由兩架飛機組成的元素中構建大型戰術編隊。模擬退火遺傳算法（SAGA）被用來優化編隊，使其能夠克服對局部最優解的收斂。對16架飛機的編隊進行了優化，提出的最優解表明SAGA比基本的GA更有效。最后，為了探索一個穩健的SAGA，對不同的馬爾科夫鏈進行了比較，事實證明自調整馬爾科夫電流更適合所提出的問題。

Junior等人[7]提出使用計算機模擬作為一種解決方案，以確定BVR空戰的最佳戰術，使擊落敵機的概率最大化。在低分辨率下使用通用參數對飛機和導彈進行建模，并改編了名為COMPASS的模擬優化算法，模擬了兩架飛機對一架飛機的BVR戰斗。低分辨率模型假定在水平面的二維空間內有一個均勻的直線運動。使用優化的戰術表明，擊落敵機的平均成功率從16.69%提高到76.85%。 Yang等人[8]提出了一種方法來優化飛機對一組目標的最佳攻擊位置和最佳路徑。該工作考慮到飛機能夠同時為每個目標發射導彈，并將飛機與目標有關的攻擊性和脆弱性因素作為評價攻擊位置的指標。一個高保真模擬被用來模擬每個導彈的飛機、雷達、導彈和WEZ的動態特性。這項工作并沒有解決在BVR戰斗場景中優化一組飛機對另一組飛機的編隊問題。

Li等人[9]提出了一種基于指揮員主觀認識的編隊優化方法，即在空戰中目標設備信息不確定的情況下選擇飛機編隊的問題。首先，計算戰斗機的戰斗力，這是通過指揮員的主觀認識評估目標戰斗力的基礎。戰斗機的戰斗力以能力的形式表現出來，包括攻擊、探測、生存能力、通信、電子戰、預警系統等。因此，通過采用前景理論和綜合模糊評估來優化空戰訓練。最后，一個應用實例證明了該方法在小規模空戰中的可行性。作者聲稱，利用戰斗力評估戰斗情況的能力為優化空戰訓練提供了一種新的方法。

?zpala等人[10]提出了一種在兩個對立小組中使用多個無人駕駛戰斗飛行器（UCAVs）進行空戰的決策方法。首先，確定兩隊中每個智能體的優勢地位。優勢狀態包括角度、距離和速度優勢的加權和。在一個團隊中的每個智能體與對方團隊中的每個智能體進行比較后，每個航空飛行器被分配到一個目標，以獲得其團隊的優勢而不是自己的優勢。為一對對立的團隊實施了一個零和博弈。對許多智能體參與時的混合納什均衡策略提出了一種還原方法。該解決方案基于博弈論方法；因此，該方法在一個數字案例上進行了測試，并證明了其有效性。

Huang等人[11]開發了新的方法來處理UCAV編隊對抗多目標的合作目標分配和路徑規劃（CTAPPP）問題。UCAV的編隊是基于合作決策和控制的。在完成目標偵察后，訓練指揮中心根據戰場環境和作戰任務向每架UCAV快速傳輸任務分配指令。UCAV機動到由其火控系統計算出的最佳位置，發射武器裝備。合作目標分配（CTAP）問題通過增強型粒子群優化（IPSO）、蟻群算法（ACA）和遺傳算法（GA）來解決，并在歸因、精度和搜索速度等方面進行了比較分析。在進化算法的基礎上發展了UCAV多目標編隊的合作路徑規劃（CPPP）問題，其中提供并重新定義了獨特的染色體編碼方法、交叉算子和突變算子，并考慮燃料成本、威脅成本、風險成本和剩余時間成本來規劃合作路徑。

Ma等人[12]開展的工作解決了在BVR作戰場景中優化兩組（R和B）無人機對手之間的優勢地位問題。一個無人機ri∈R對一個無人機bj∈B的優勢是通過ri和bj之間的距離、ri的導彈發射距離的下限和上限、ri的高度和bj的高度之差以及ri的最佳發射高度來估計的。決定性的變量是無人機在兩組中的空間分布和每架飛機在這些組中的目標分配。無人機在三維作戰空間BVR中的可能位置被簡化（離散化），通過立方體的中心位置來表示。每個無人機組都有一組立方體。優化問題被建模為一個零和博弈，并被解決以獲得納什均衡。

Ma等人[12]提出的工作沒有使用高保真模擬來分析無人機空間分布的選擇和分配給它們的目標對BVR作戰的影響。高保真模擬對飛機、雷達、導彈及其導彈的WEZ的動態特性進行建模。這些動態特性也影響到BVR作戰時每架飛機的行動觸發，因此也影響到最終的結果。例如，如果在兩組無人機之間第一次沖突后的時間窗口內考慮高保真BVR作戰模擬，新的沖突可能會發生，直到模擬結束。因此，每個在交戰中幸存的無人機將能夠選擇一個新的目標，這取決于可用目標的優勢值。在[12]中沒有考慮與無人機行為有關的不確定性。有關敵方無人機在戰術編隊中的確切位置及其導彈發射距離的信息是行為不確定性的例子。這兩個信息和上面描述的其他信息在BVR戰斗中是相關的：它們直接影響飛機之間的交戰結果。

在這項研究中，我們試圖解決文獻中發現的一些局限性，如低分辨率模擬、與敵人有關的不確定性的處理以及缺乏對優化解決方案的穩健性的確認，旨在提高兵棋結果的質量。我們的目標是驗證哪些藍色蜂群的戰術編隊可以在BVR戰斗中戰勝紅色蜂群。作為一個案例研究，RED蜂群使用了空軍經常采用的戰術編隊，稱為line abreast[13]。為了評估BLUE蜂群解決方案的穩健性，我們解決了新的問題，改變了RED蜂群每架飛機的位置，目的是估計新的RED蜂群編隊對BLUE蜂群的優化戰術編隊的效率的影響。

我們使用自主智能體和高保真計算機模擬來優化BVR戰斗中的無人機戰術編隊，考慮與敵人相關的不確定性，如戰術編隊中的位置誤差和導彈發射距離。統一行為框架（UBF）被采納為創建自主智能體的基礎。飛機和導彈在三維環境中用六個自由度（DoFs）建模。

該程序將在接下來的章節中進一步討論。

當前的海軍作戰要求水手們根據動態作戰環境中的不確定態勢信息做出時間緊迫和高風險的決策。最近的悲慘事件導致了不必要的傷亡，海軍行動中涉及決策復雜性，并特別突出了 OODA 循環（觀察、定向、決策和評估）中的挑戰。涉及使用武器系統的殺傷鏈決策是 OODA 循環中一個特別緊張的類別——具有難以確定的意外威脅、縮短的決策反應時間和致命的后果。有效的殺傷鏈需要正確設置和使用船上傳感器；未知接觸者的識別和分類；基于運動學和智能的接觸意圖分析；環境意識；以及決策分析和資源選擇。

該項目探索了使用自動化和人工智能 (AI) 來改進海軍殺傷鏈決策。該團隊研究了海軍殺傷鏈功能，并為每個功能制定了特定的評估標準，以確定特定 AI 方法的功效。該團隊確定并研究了 AI 方法，并應用評估標準將特定的 AI 方法映射到特定的殺傷鏈功能。

圖：利用人工智能改進海軍殺傷鏈的作戰概念

總結

當前的海軍行動通常是快節奏的、關鍵的，并且需要做出高風險的決策，這些決策有時基于非常動態的戰區中的不確定信息。許多例子強調了提高決策效率的必要性以及減輕觀察團隊負擔的必要性。缺乏上述情況的例子包括 2017 年的菲茨杰拉德號航空母艦 (DDG 62) 和 MV ACX Crystal相撞，以及 2009 年皇家港口號航空母艦 (CG 73) 的擱淺。一些根本原因是相關人員缺乏經驗、疲勞和壓力.

上述事故展示了軍事行動的難度，并展示了 OODA（觀察、定向、決策和評估）循環中的挑戰（Jones 等人，2020 年）。人為錯誤、人的認知限制和海軍作戰固有的決策復雜性導致了 OODA 循環中的挑戰，更具體地說，是殺傷鏈過程中的挑戰。

現代戰斗空間由來自常規陸地、空中和海洋等多個領域以及來自太空和網絡空間的大量數據組成。決策者需要考慮許多因素，包括交戰規則 (ROE)、要使用的武器、傳感器和意圖評估。發現、修復、跟蹤、瞄準、參與、評估 (F2T2EA) 殺傷鏈模型緩解了該過程的一些困難（參謀長聯席會議，2013 年）。人工智能 (AI) 和機器學習 (ML) 可以通過分析備選方案和使用評估標準將 AI 方法映射到殺傷鏈功能，從而幫助海軍在戰術領域做出殺傷鏈決策。這是在本報告的五個章節中分三個階段完成的。

本報告利用了數百個資源，主要利用了美海軍研究生院 AI-OODA 團隊在其 Capstone 報告（2020 年）中進行的先前研究，“利用人工智能 (AI) 進行空中和導彈防御 (AMD)：以結果為導向的決策援助。”他們將他們的工作與 John Boyd 的觀察、定向、決定和行動決策框架相結合。作為他們分析的初步步驟，AI-OODA 團隊將特定的 OODA 功能明確且緊密地耦合到特定的 F2T2EA 功能。然而，本報告斷言 OODA 循環是一個決策循環，它嵌套在殺傷鏈的每個功能中，而不是在高壓力或低壓力情況下專門映射到一個或多個殺傷鏈功能。團隊基于 F2T2EA 模型開發了一組 28 個殺傷鏈功能。

在制定將 AI 方法映射到殺傷鏈的評估標準時，很難確定一個好的決策，這對于決策評估至關重要。在評估決策時，必須考慮選擇行動時的知識意識狀態以及解釋能力。使用了幾種對決策進行評分的方法，從定義和優先考慮感興趣的“武器-目標”到制定評分標準和報告評估結果，以供其他人審查。

目前，人工智能的狀態非常廣泛，必須對其進行解釋，以了解人工智能對殺傷鏈中功能的適用性。本報告討論了所選 AI 方法的高級概述，并突出顯示了部分最流行的方法。首先，沒有普遍接受的定義，這很難定義人工智能。其次，人工智能與機器學習 (ML) 存在差異。 ML 允許在準確性和可預測性方面取得增量收益； AI 接收數據并通過算法提供輸出。人工智能的歷史從 1940 年代艾倫·圖靈 (Alan Turing) 的加密機器到 1980 年代美國政府在戰略計算計劃中的使用，再到今天在聯合人工智能中心 (JAIC) 中的人工智能戰略五個支柱，從領先的人工智能人力到安全和倫理。美國國防高級研究計劃局 (DARPA) 在 3-wave 框架中描述了 AI 的發展方向，分為手工知識 (Wave 1)、統計學習 (Wave 2) 和上下文推理 (Wave 3) 在 1-4 個維度內情報參數的屬性（Launchbury 2017）。這些屬性包括感知、推理、抽象和學習。

人工智能涉及可以根據輸入值預測結果的監督學習。有幾種使用監督學習進行學習的技術。包括線性回歸和分類。此外，許多數值方法可以分析發生的學習有效性，例如 F-score 和 Accuracy score。人工智能還可以使用無監督學習，它使用算法來發現未標記數據集中的數據模式或分組。在分析未知（y）響應以揭示標記（x）數據中的模式時，無監督學習是有益的。數據分析界的一個著名例子是鳶尾花（Iris flower）數據集。僅使用標記的數據，可以看到響應聚集在一起，并且可以確定響應中存在模式（花的種類）。無監督學習的方法包括聚類和 K-means，但還有其他方法。強化學習有一個代理能夠接收來自環境的反饋并理解基本目標。此外，正如 Sutton 和 Barto 在（2018 年）中解釋的那樣，探索和開發之間存在權衡。最后，生成對抗網絡 (GAN) 利用無監督學習和強化學習，通常用于神經網絡 (NN)。神經網絡是機器學習算法的極好來源，它有大量的輸入，而這些輸入又會產生大量的計算。 NN 非常適合用于模擬、自然語言處理、博弈論和計算機視覺。 NN 只是一種將輸入映射到輸出的簡單方法，可以在此過程中進行學習。然而，NN 可以被描述為一種“黑盒”學習技術，因為很難解釋正在發生的事情，并且通常需要一種可解釋的 AI (XAI) 技術。 XAI 的三個主要組成部分是可解釋模型、解釋界面和解釋心理學（Gunning 2019）。數據安全必須與“大數據”一起考慮，“大數據”是指非結構化、復雜和大型數據集，具有五個 v 特征：數量、速度（數據量隨時間變化的增加）、多樣性、真實性和價值。其他理論包括決策理論、模糊邏輯和效用函數

使用上述文獻綜述，該團隊開發了一個框架，用于將 AI/ML 映射到 AMD（空中導彈防御）殺傷鏈。采取了四個步驟：1) 建立模型框架，2) 確定決策點，3) 應用 AI/ML 方法，以及 4) 分析結果。該團隊確定了以下用于殺傷鏈映射分析的 AI/ML 方法：線性回歸、邏輯回歸、聚類、關聯、隨機森林、神經網絡、GAN 和樸素貝葉斯。評估標準被稱為“決策點”并提出四個問題：（1）所需輸出的類型是什么，（2）所需的學習類型是什么，（3）可解釋性（XAI）是什么水平需要，以及 (4) 需要多少個預測變量？該團隊通過基于一組決策點和評分過程評估每個殺傷鏈功能的每種方法來執行映射。對于被認為非常適合某項任務的方法，得分為+1，如果該方法適合但次優，則為0，如果該方法不適合該任務，則為–1。

該團隊進行了映射分析，根據與殺傷鏈的 28 個功能中的每一個功能相關的評估標準（決策點）分析 AI 方法。該團隊使用評分方法來確定每個殺傷鏈功能的最佳整體 AI/ML 分數。團隊的映射顯示為 0。

該團隊的 AI/ML 映射到殺傷鏈功能為國防部和海軍提供了兩個關鍵好處。首先，映射本身是設計和開發支持殺傷鏈決策的人工智能戰術決策輔助工具的重要起點和基礎。其次，該團隊將 AI 方法映射到殺傷鏈的分析過程可用于了解 AI 在許多其他軍事和非軍事領域的應用。識別適當的人工智能方法、制定評估標準和評分過程以及制定過程功能以進行分析映射的過程對于支持許多不同人工智能系統的工程具有深遠的潛力。

表1：AI/ML方法到殺傷鏈的映射