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

美軍在戰術層面的組織、能力和授權方面存在差距，無法在信息環境（OIE）中開展行動。本論文通過分析和應用從空地一體化中汲取的經驗教訓，確定了潛在的解決方案：空地一體化是戰爭的一個層面，曾是可與現代信息、網絡和太空相媲美的新概念。空地一體化從第一次世界大戰中的戰略偵察發展到現代攻擊直升機、手動發射的殺手級無人機和戰術聯合終端攻擊控制員（JTACs）。如今，聯合終端攻擊控制員為地面指揮官提供了一名處于戰術邊緣的空地一體化專家，該專家裝備有致命和非致命能力，其權限因地點和行動類型而異。JTAC 的資格得到了整個聯合部隊和北約的認可，并最大限度地減少了地面單元所需的飛行員數量。本論文認為，建立一個與 JTAC 相當的信息、網絡和空間管制員可使聯合部隊更有效地開展戰術 OIE。這種多域終端效應控制員（MDTEC）將獲得聯合認證、資格和指定，就信息環境向地面指揮官提供建議，使用戰術信息工具，并利用聯合信息、網絡和空間資產創造效應。

本文認為，仿照聯合終端攻擊控制員（JTAC）建立 "多域終端效果控制員（MDTEC）"模型，將使戰術部隊能夠更有效地實施 OIE。MDTEC 將作為戰場戰術邊緣的 OIE 使用專家，為地面指揮官提供建議，規劃信息效果，操作信息能力，并向作戰和國家級 OIE 部隊請求效果。模擬 JTAC 計劃的認證、資格和指定方面，將創建整個聯合部隊和北大西洋公約組織 (NATO) 標準化的 MDTEC，使 MDTEC 和 OIE 部隊之間具有一定程度的信任和互操作性。

MDTEC 的能力和權限也可參照 JTAC 的模式。為 MDTEC 配備自主信息能力將使地面部隊能夠識別信息目標，傳遞準確的位置信息，并實施有限的 OIE 效果。MDTEC 應能隨時操作這些設備，而無需上級指揮部的批準。將任何進一步 OIE 行動的授權保留在較高級別，可為協調和目標審查留出更多時間，而將授權推向較低級別則可加快行動節奏。不過，MDTEC 將接受培訓并配備裝備，以識別敵方目標，并在獲得適當級別指揮官批準后開展 OIE 行動。

無人駕駛飛機將繼續成為美國國防的關鍵。《美國國防戰略》優先考慮對人工智能（AI）、機器學習和自主功能進行投資，以保持軍事競爭優勢。本研究基于大規模作戰行動（LSCO）的嚴酷性，以及在開發利用人工智能的技術時采取果斷行動和遵守道德規范的必要性。研究采用定性研究的方法，分析了技術發展和作戰概念中存在的四種類型的自主無人駕駛飛機。研究采用了一項關于美國和大國軍事能力的非機密案例研究，并應用了包括專業定性訪談在內的多種分析形式。雖然分析發現所有四種類型的自主無人駕駛飛機都很有用，但它建議優先考慮完全自主的彈藥和半自主的環形載人技術，以滿足以 2035 年為中心的聯合部隊規劃時間表。研究結果還表明，需要改進數據收集和處理、云和網狀網絡以及數據和網絡系統的安全性。研究還發現，人工智能和自主功能具有提高人類性能和決策的潛力，保持有人駕駛飛機和無人駕駛飛機的組合可使美國管理作戰風險。

根據美國《國家安全戰略》和《國防戰略》，戰略和作戰環境已經發生了變化。具體地說，與大國競爭重新抬頭，導致軍事戰略和規劃考慮因素發生變化。《國防戰略》（NDS）指出，"國家間的戰略競爭，而不是恐怖主義，現在是美國國家安全的首要問題"。由于這種競爭，聯合軍種已將重點轉移到大規模作戰行動的準備狀態和未來能力上。這種類型的沖突是致命的、激烈的和殘酷的，歷史表明，這種規模的作戰行動更加混亂、激烈和具有破壞性。所有這一切都使得未來戰斗的作戰環境更加復雜，多個作戰領域（如空中、太空、網絡空間、陸地和海上）隨時都會影響戰斗空間。這種環境導致美國的大國競爭對手投資于各領域的能力，以縮小美國軍事優勢的差距。

這些投資帶來了能力上的進步，創造了強大而具有挑戰性的場景，需要更好的態勢感知和更快的人工決策。此外，在這種環境下可用的數據量對于當前的系統和決策者來說是難以承受的，而人工智能（AI）、機器學習（ML）和自主系統功能方面的進步則有望跟上行動的步伐并保持競爭優勢。

特別是，為了有效利用剩余能力并達到預期效果，需要在作戰空間內加快數據處理速度，以提高對態勢的感知能力，并加快各級決策的制定。空軍歷來使用 OODA（觀察、定向、決策、行動）循環的條令概念來加速作戰行動中的決策制定。OODA 循環被視為一種決策戰略，可在競爭激烈的環境中創造優勢。它最初由美國空軍上校約翰-博伊德（John Boyd）提出，是一個實用的概念，目的是在混亂和令人困惑的情況下創造理性思維。觀察步驟的重點是盡可能準確地全面了解情況。東方階段包括兩個子階段：破壞和創造。破壞包括將情況分析為更小的組成部分或問題，以便更好地了解情況。決策者會對問題進行分解，直到熟悉或接近可以制定計劃的情況為止。熟悉是通過教育、培訓、經驗和指導獲得的。然后，將問題和計劃的組成部分 "創造 "成一個整體行動計劃。決定 "階段只是合乎邏輯的下一步，是收集足夠數據以做出明智決定的結果。行動是 OODA 循環過程的執行階段。

人工智能有可能加速每個戰術、戰役和戰略層面的 OODA 循環。例如，可以利用更多可用數據構建態勢圖，從而進行更準確的觀察。然后，通過人工智能和機器學習對局勢數據進行提煉，為決策者指明方向，以便更快更好地制定行動計劃。我們需要人工智能來協助處理和分析現有的大量數據。這將導致更快、更明智的決策和行動，在戰場上創造巨大優勢。

隨著美國的大國競爭對手利用全球范圍內取得的進展，商業部門也越來越迫切地實施這些新興技術。這導致對手發現了通過將人工智能的使用整合到自己的軍事力量中來對抗美國軍事力量的方法。例如，對手的綜合防空系統通過集成更多使用人工智能的自主功能，在目標探測和交戰方面變得更加高效。

除人工智能外，全域聯合作戰（JADO）也是一種技術和概念，聯合軍種職能部門和作戰領域正在利用這種技術和概念來同步開展工作并產生協同效應。這一概念通過提高各領域的效力來減少脆弱性。我們的對手也在推進和使用全域作戰，這給我們的部隊帶來了挑戰和機遇。全域作戰的推進創造了一個競爭日益激烈的環境，這將使 LSCO 的指揮和控制更具挑戰性。因此，國防部創建了聯合全域指揮與控制（JADC2），以空軍為牽頭機構，將各軍種的傳感器連接起來。

美國空軍還在開發 "下一代空中優勢"（NGAD），這是一種有人、無人和可選有人平臺的混合能力，在概念上依賴于人工智能、機器學習和人機協同技術與無人平臺。這些技術使無人平臺具有不同類型的自主能力，并與人類進行不同程度的互動（例如，人在環中、環上和環下）。一種理論認為，具有致命能力的資產在執行致命行動時應 "環內有人"。一個更常見的擔憂是，有爭議的作戰條件會對人與機器之間的衛星鏈路造成干擾，在這種情況下，人工智能系統將如何行動尚不清楚。空軍認識到這是一個需要解決的重要問題，并已開始研究防止人工智能失靈的方法。具體而言，正在為使用人工智能的系統開發一個子項目，稱為 "復雜環境下的自主測試"（TACE），該項目正在調查、測試和推進人工智能保障措施。

問題陳述

現代戰爭越來越傾向于全領域作戰，需要同時進行交戰，以便在多個或所有領域產生效果。在過去幾十年中，美軍在每個作戰領域都享有無可爭議的優勢。在未來與大國競爭者的沖突中，情況將不會是這樣。此外，在以反叛亂為中心的環境中，我國持續時間最長的武裝沖突影響了大規模作戰行動的軍事準備。這一問題加上快速的技術變革，以及我們的對手在各個作戰領域日益增加的挑戰，創造了一個新的戰略安全環境，而美國目前尚未做好作戰準備。此外，重新崛起的大國競爭者正在利用技術的快速傳播，產生新的戰爭概念和技術，如數據分析、人工智能、自主化和機器人技術。鑒于戰略環境和快速的技術進步，《國防戰略》已將投資列為優先事項，以進一步發現人工智能、ML 和自主性的軍事應用。美軍的優勢是削弱還是加強，取決于這些新技術的整合方式，以及我們是否比對手更有效地實施這些技術。聯合部隊領導層已明確表示，將致力于利用和發揮最佳形式的人工智能，以更快的速度和更高的精度完成所有任務集。我們必須利用人工智能、自主功能和人機協作來滿足這一需求，以更快的速度、更高的精度和更強的殺傷力應對更復雜、節奏更快的 LSCO 環境。考慮到所有這些因素，聯合部隊現在應確定無人平臺所需的人工智能自主功能類型，以滿足 2035 年聯合規劃時限內大規模作戰行動的需求和要求。

研究問題

本研究試圖回答的首要問題是，在非許可的大規模作戰環境中，利用人工智能和人類協同技術的致命無人駕駛飛機應該能夠在指揮和控制方面應對哪些挑戰，實現哪些類型的自主功能？

次要問題

1.無人駕駛飛機是否應具備致命的自主功能？

2.哪些關鍵任務需要人工智能（AI）和人類協同能力？

3.聯合部隊應投資哪些類型的有人和無人資產？

4.什么是有人駕駛飛機和無人駕駛飛機的正確組合，以實現所需的未來能力，從而超越我們的對手？

5.在高致命性的大規模作戰環境中，以無人機為主的部隊有何優勢？

6.為保障指揮與控制通信鏈路，需要進一步開發哪些類型的技術？

近年來，隨著機器人技術和電子技術的發展，無人駕駛飛行器（UAV）的體積越來越小，價格越來越低。由于無人飛行器易于購買和控制，人們開始越來越頻繁地使用它們。在本研究中，我們將從網絡的角度研究無人機群。一般來說，多架無人機可以組成一個蜂群網絡。每個無人機都是一個網絡節點。無人機之間的鏈接被視為網絡數據鏈路。在第 2 章中，我們將設計一種新穎的雙層 MAC： 我們將設計支持同步、并發多波束傳輸/接收的上層 MAC 層，以及與 802.11 兼容但充分發揮多波束天線優勢的下層 MAC 層；我們建議調整兩個 MAC 層的參數，以支持不同的任務優先級。在第 3 章中，我們為典型的機載網絡提出了一種吞吐量最優、異構（同時具有計劃通信和隨機通信）的介質訪問控制（MAC）策略。我們提出的 MAC 方案允許無人機使用上行/下行 MAC 方案與飛行器通信。我們的仿真結果表明，與傳統的 MAC 協議相比，性能有了顯著提高。在第 4 章中，我們針對機載網絡中的 MAC 設計問題提出了以下建議： (1) 長距離 Ku 波段鏈路。(2) 多波束天線。(3) 全雙工通信。我們的 MAC 設計具有 3ent 特性，即彈性、高效和智能。特別是，通過在每個波束中對流量進行編碼，它可以抵御干擾攻擊。此外，它還通過整合全雙工流量控制和多波束數據轉發實現了高吞吐量的通信。在第 5 章中，我們提出了一個采用 USRP-RIO 的多波束智能天線無線網狀網絡硬件測試平臺。我們測試了天線的方向性，實現了全雙工傳輸系統和中繼系統。此外，USRP還實現了MBSA的兩個重要特征CPT和CPR。

在過去幾年中，無人機蜂群受到了廣泛關注，但對對抗性無人機群（即競爭性無人機群對無人機群游戲）的研究則較少。本文研究了團隊對團隊無人機空戰場景中的影響因素，闡明了交戰空間中兵力集中和對手分散的影響。具體來說，本論文有以下貢獻：

1.戰術分析： 確定了在小到 2 vs.-2 和大到 10 vs.-10 的交戰中，明確協調戰術或分散、貪婪戰術的優勢條件，并研究了這些模式如何隨著團隊武器質量的變化而變化；

2.協調戰術： 介紹并演示了一種深度強化學習框架，該框架使智能體學會利用自身和隊友的情境來決定在什么情況下采用哪些預先設定的戰術，以及在整個交戰過程中與哪些隊友（如果有的話）進行協調；在 N 對 N 的交戰中，在 N 小到 2、大到 64 的情況下，使用在此框架內訓練的神經網絡的智能體在與采用基線戰術的智能體團隊的交戰中的效能優于基線戰術；

3.生物啟發協調： 通過基于 Monte-Carlo 智能體的模擬發現，不僅要優先集中團隊力量對付威脅最大的對手智能體，還要通過部署較小的防御力量和防御高優先級威脅之外的低處罰威脅來保留一些資源，從而最大限度地利用防御團隊燃料庫中的剩余燃料。

圖 4.7：測試集模擬的注釋劇照（藍隊獲勝）。請注意，在有注釋的智能體集群中，藍隊的智能體（左側為 PSCE（4-vs.-4 訓練有素的 GS））將目標分散到所有靠近的紅隊成員身上，而對手（右側為 16 個 GS，紅色）則瞄準了最前面的 PSCE 智能體。與 GS 相比，訓練有素的 PSCE 智能體更善于將力量集中分散到對手的智能體中。

通過與被稱為計算機生成兵力（CGF）的虛擬對手進行訓練，受訓戰斗機飛行員可以積累空戰行動所需的經驗，而其成本僅為使用真實飛機訓練的一小部分。但實際上，計算機生成兵力的種類并不豐富。這主要是由于缺乏 CGF 的行為模型。在本論文中，我們研究了空戰訓練模擬中 CGF 的行為模型在多大程度上可以通過使用機器學習自動生成。空戰領域非常復雜，在該領域內運行的機器學習方法必須適合該領域帶來的挑戰。我們的研究表明，動態腳本算法極大地促進了空戰行為模型的自動生成，同時又具有足夠的靈活性，可以根據挑戰的需要進行調整。然而，確保新生成行為模型的有效性仍是未來研究的一個關注點。

生成空戰行為模型

人工智能（ai）領域可以為行為建模過程提供一種替代方法，并通過糾正上一節中提到的兩種后果來提高模擬訓練的效果。這種替代方法是通過機器學習生成行為模型。機器學習程序在各種任務中的表現都優于人類，例如信用卡欺詐檢測、云計算資源分配，以及玩撲克和圍棋等游戲。對于此類任務，機器學習程序能夠通過以下三種特性的結合產生創造性的解決方案：（1）計算速度；（2）精確的約束滿足能力；（3）巧妙的學習算法。利用這三個特性并將其應用于行為模型的開發，我們就能獲得以下能力：(1) 以更快的速度開發行為模型；(2) 開發出比目前更多變化的行為模型。因此，使用機器學習程序開發行為模型有可能消除當前行為建模過程對訓練效果造成的兩種影響。

不過，在將機器學習應用于空戰模擬之前，我們必須先考慮空戰領域。空戰領域十分復雜，在這一領域內運行的機器學習方法必須適合該領域帶來的挑戰。五項挑戰：(a) 形成團隊合作，(b) 對 cgf 行為進行計算評估，(c) 有效重用已獲得的知識，(d) 驗證生成的行為模型，以及 (e) 生成可訪問的行為模型。這五大挑戰并非空戰領域所獨有。但是，這些挑戰需要適合該領域的解決方案。

研究問題

研究問題 1：能在多大程度上生成能產生團隊協調的空戰行為模型？

動態腳本使用獎勵函數來評估使用生成的行為模型的空戰 cgf 所顯示的行為。獎勵函數產生的獎勵用于調整新生成的行為模型，以尋找最佳模型。如前所述（見挑戰 b），空戰行為評估存在兩個問題。在文獻中，這兩個問題分別被稱為獎勵稀疏和獎勵不穩定（見第 4 章）。不過，文獻中提出的空戰行為獎勵函數并不總是考慮到這兩個問題。然而，這樣做可能會產生更理想的行為模型。這就引出了第二個研究問題。

研究問題 2：能在多大程度上改進空戰 cgf 的獎勵功能？

動態腳本將 cgf 在整個學習過程中積累的知識以權重值的形式存儲在規則庫中的規則上。每條規則的權重值表示該規則相對于規則庫中其他規則的重要性。就重復使用而言，在一個空戰場景中構建的知識也有可能在另一個空戰場景中得到有效應用。我們將知識重用置于遷移學習的背景下，即讓一個 cgf 在一個場景中學習，然后將其知識遷移到一個新的、未見過的場景中。這就引出了第三個研究問題。

研究問題 3：使用動態腳本構建的知識在多大程度上可以在不同場景下的 cgf 之間成功轉移？

我們的目標是將生成的行為模型用于模擬訓練。驗證模型是實現有效使用模型的重要一步。行為建模過程中的第 4 步說明了驗證的重要性。然而，由于行為模型驗證沒有放之四海而皆準的解決方案，我們首先必須確定驗證的正確方法。這就引出了第四個研究問題。

研究問題 4：我們應該如何驗證機器生成的空戰行為模型以用于模擬訓練？研究問題 4 的答案就是驗證程序。通過該程序，我們可以確定我們在研究中生成的行為模型的有效性。所選擇的研究方法引出了第五個研究問題。

研究問題 5：通過動態腳本生成的空戰行為模型在多大程度上可用于模擬訓練？

回答了這五個研究問題，我們就能回答問題陳述。

在第 1 章中，我們介紹了問題陳述和五個研究問題。此外，還介紹了解決研究問題的研究方法。

在第 2 章中，我們提供了有關四個主題的文獻背景信息（另見第 1.1 節）： (1) 行為建模過程的詳細步驟；(2) 在模擬訓練中使用機器學習的潛在好處和缺點；(3) 過去使用機器學習生成空戰行為模型的方法；(4) 動態腳本及其在空戰模擬中的適用性。

在第 3 章中，我們介紹了團隊協調的三種方法：(1) 默契；(2) 中心；(3) 體面。我們通過實驗研究團隊協調方法的益處，然后回答研究問題 1。

在第 4 章中，我們將深入研究動態腳本編寫過程的一個特定部分，即獎勵功能。我們將展示三種不同獎勵函數的使用如何影響我們的 cgfs 的行為，然后回答研究問題 2。

在第 5 章中，我們研究了 cgf 在某種空戰場景中積累的知識在多大程度上可以成功轉移到不同空戰場景中的 cgf 上，然后回答了研究問題 3。

在第 6 章中，我們設計了一個驗證程序，通過該程序可以驗證為空戰 cgf 生成的行為模型。此外，我們還介紹了 atacc，然后回答了研究問題 4。

在第 7 章中，我們將驗證程序應用于戰斗機 4 艦模擬器中新生成的行為模型，然后回答研究問題 5。

在第 8 章中，我們將對五個研究問題的答案進行總結，從而結束本論文。最后，基于這些答案，我們提出了問題陳述的答案。之后，我們將對未來的工作提出兩點建議。

對大多數美國人來說，發動戰爭是美國在國內和國際上的行動和優先事項中最具決定性的方面之一，但對美國人來說，發動戰爭又是如何有效地淡出人們的視線的呢？本論文從人種學的角度探討了這一問題的一個方面，即美國當代戰爭的一種特殊模式，即在美國國內遙控部署無人機--大型高空飛行器。本論文基于 2010 年至 2015 年間在美國對參與空軍無人機行動部署、規劃或評估的社區進行的為期 14 個月的實地調查，其主要貢獻在于通過勞動和戰爭中的工作這一視角，重新聚焦有關無人機的批判性論述。通過研究正在進行的無人機戰爭中所涉及的勞動分工，可以對當代美國戰爭的性質以及不同類型的責任和正常化模式提出一系列更廣泛的問題和影響。

論文首先指出，作為無人機作戰特點的行動和控制權的分配既不明顯也不是必然的，而是在特定的歷史條件下才有可能形成的。這些條件使無人機行動被視為美國軍事介入的一種有效而理想的形式，并涉及二戰后軍事指揮與控制理論、數字數據、全球信息網絡的交織發展，以及對使國家暴力正當化的法律框架的依賴。論文還研究了 "無人駕駛 "和 "自主 "無人機的想象能力與當前構成和維護這些技術的實踐之間的差異，這些技術必須通過專業化的軍事話語和實踐不斷管理和構建為有效和合法的行為體。

論文的后半部分更加注重人種學研究，探討了無人機行動是如何與不斷變化的兵役觀念和軍民區別相聯系的。通過研究圍繞無人機飛行員產生的緊張關系和爭議，論文介紹了參與無人機行動的空軍飛行員和指揮官如何將無人機行動的價值構建和定位為有意義和光榮的軍事服務。分析表明，雖然軍官們將自己的工作價值定位為專業和利他主義服務，但同時也存在著不可調和的緊張關系，因為無人機行動的軍事勞動與其他形式的當代文職工作越來越相似，其特點是報酬、靈活性和內部/安全等語言。論文最后提出了 "戰區"（warzone）的概念，以此來涵蓋戰爭發生的所有地點、戰場上的戰爭后果，以及戰爭的執行地點和與持續進行的戰爭有關的人、地點和實踐。論文表明，越來越多地部署無人機行動是導致大多數美國人似乎看不到戰爭的一個因素。然而，這并不一定像大多數記者和學者所說的那樣，是因為戰爭是在遠距離進行的。相反，這是因為戰爭正在美國人的后院，就在美國的近處，以被掩蓋的方式進行著，有時甚至是真實地進行著。

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。

本論文介紹了一種解決無人機群最優路徑規劃問題的方法。優化并改進了 "搜救 "或偵察任務等應用中區域探索的信息檢索。為此，采用了動態編程作為優化問題的求解方法。針對單智能體系統和多智能體系統這兩類系統的不同情況進行了研究。首先，對智能體在網格圖中的移動進行了限制，并為此計算了兩種系統的最優路徑。隨后，對動態程序設計中的兩種不同求解方法進行了測試和比較。一種是標準的貪婪法，即每個智能體從自己的角度計算最優路徑；另一種是同步求解法，即智能體根據所有智能體的角度計算最優路徑。同時求解法的性能比貪婪法更好，這也是意料之中的，因為它是一種更加群策群力的最優方法。不過，它的計算復雜度較高，與貪婪法不同，計算復雜度呈指數增長。最后，討論了允許智能體向各個方向移動以優化蜂群信息檢索的情況。在這種情況下，動態編程對于用途和目的來說有局限性。對于未來的工作，建議用多個目標函數來模擬這個問題，而不是像本論文那樣只用一個目標函數。此外，嘗試另一種解決問題的方法也很有意義。為此，舉例說明了兩種有趣的比較方法，即使用模型預測控制或基于機器學習的解決方案（如強化學習）。

無人機蜂群來了！美國、中國和俄羅斯處于無人機群開發和利用的最前沿。然而，無人機的低成本和易得性使非國家行為者能夠以富有想象力和創造力的方式利用無人機，包括蜂群。本專著的目的是要解決以下問題：無人機群為軍隊提供什么效用？無人機群提供了許多優勢，包括持續的情報、監視、偵察和目標定位；對軍事人員和組織的低風險和低成本，以及癱瘓個體和組織決策的潛力。相比之下，無人機群有其脆弱性和挑戰。脆弱性包括從對手的黑客攻擊到反蜂群武器的存在，而一些挑戰包括組織上的抵制和國際法。無人機群就在這里，而且很快就會出現在戰場上，現在是解決如何最好地運用它們的時候了。在概述了無人機群的潛在好處和局限性之后，該專著最后提出了四項建議：需要敘述、建立無人機群理論、了解人機界面以及為無人機群的使用進行組織過渡。

本報告收集了為支持將固有曲面地球模型引入下一代巡航導彈（NGCM）高保真建模與仿真（M&S）工具而進行的分析結果。這些結果用于記錄已實施的算法，預計與其他電子戰應用有關。

我們引入固有曲面地球模型的技術方法的關鍵原則是：1）確定代碼庫中與地球表面有關的計算的位置；2）重構代碼庫，將這些計算遷移到一個新的地球表面軟件對象。在其他方面，這涉及到引入一個關鍵的概念區別：以前，基座標框架和地球表面是混在一起的（地球表面和基座標系統的X-Y平面是一樣的）；我們的改變要求把基座標框架和地球表面作為不同的角色分開。

不同的地球表面對象的實現可以模擬不同的地球表面形狀。對于開發和測試，我們的計劃是按照以下策略推出這些對象：首先是平面地球，以保留傳統的行為；然后是球面地球，最簡單的曲面，以支持暴露和消除整個代碼庫中隱含的平地假設，同時受益于盡可能簡單的幾何算法；最后是扁球體，該類包括WGS84，但其許多算法明顯比球體的算法更復雜。