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

武器-目標分配（WTA）問題旨在將一組武器分配給若干資產（目標），從而使幸存目標的期望值最小。WTA 問題是一個非線性組合優化問題，已知具有 NP 難度。本文應用了幾種現有技術來線性化 WTA 問題。其中一種線性化技術（Camm 等人，2002 年）通過凸片斷線性函數逼近 WTA 問題的非線性項，并為 WTA 問題提供啟發式解決方案。不過，從計算角度來看，這種近似問題相對容易解決，即使對于大規模問題實例也是如此。O'Hanley 等人（2013 年）提出的另一種方法將 WTA 問題精確線性化，但代價是要加入大量額外的變量和約束條件，這使得許多大規模問題實例變得難以解決。受這些現有求解方法計算實驗結果的啟發，我們開發了一種專門的新精確求解方法，即分支-調整法。所提出的求解方法涉及 WTA 目標函數的緊湊片線性凸下逼近，并能精確求解 WTA 問題。該算法建立在任何現有的分支-切割或分支-約束算法之上，可以使用最先進的混合整數線性規劃求解器提供的工具來實現。數值實驗證明，所提出的專門算法能夠處理多達 1,500 件武器和 1,000 個目標的超大規模問題實例，并能在兩個小時的計算運行時間內獲得最優性差距高達 2.0% 的解決方案。

武器與資產（目標）的最佳位置問題被稱為 "武器-目標分配（WTA）"問題，是一個與國防作戰研究特別相關的問題。該問題屬于非線性分配問題的一個大家族，由其他各種問題組成，如設施定位問題（Camm 等人，2002 年；O'Hanley 等人，2013 年）、媒體分配問題（Cetin 和 Esen，2006 年）和輻射處理問題（Esen 等人，2008 年）。這意味著，在一個應用領域中開發和使用的現有解決方法可應用于該系列中的其他問題。

1.1. 文獻回顧

WTA 問題可追溯到 20 世紀 50 年代末，此后一直被廣泛研究。在 Merrill Flood 于 1957 年 3 月 13-15 日在普林斯頓大學線性規劃會議上對該問題進行非正式描述后，Manne（1958 年）正式提出了該問題。曼恩在論文中指出，在所有可用武器都相同的假設條件下，可以設計出該問題的線性規劃方案。不久之后，小登布羅德等人（1959 年）開發了一種算法，通過將武器依次分配給生存概率邊際遞減最大的目標，對曼恩提出的問題進行了最優分配。這種算法被稱為最大邊際收益算法。戴伊（1966 年）對問題的維度和復雜性進行了進一步研究，通過將分配問題分解為較小的目標選擇問題，為解決較大的目標選擇問題提供了信息，從而大大降低了問題的維度。

到 20 世紀 60 年代末，Matlin（1970 年）對這一問題及其變體的文獻進行了全面回顧，對各種模型假設的復雜性進行了分類。作為補充，Eckler 和 Burr（1972 年）以及 Murphey（2000 年）進一步詳細介紹了其變體，并描述了 WTA 的進攻和防御形式，以及如何將所有武器的單一分配（稱為靜態 WTA）擴展到動態 WTA，即在幾個離散的時間點進行分配。Chang 等人（1987 年）提出了一種算法，用于獲得大規模武器目標分配問題的近似最優解。假設每個目標最多只能分配到一種武器，那么就可以得到整個問題的近最優分配。Wacholder （1989 年）對基于神經網絡的靜態 WTA 算法進行了模擬，結果證明，該算法的收斂結果非常接近全局最優解。

Metler 等人（1990 年）提出了一套求解算法，使用啟發式算法將問題分解為兩個階段的子問題分別求解。隨后，Ahuja 等人（2007 年）提出了幾種下界方案作為構造啟發式算法，并通過大規模鄰域搜索加以改進。針對 WTA 問題還提出了其他各種啟發式求解算法，參見 Sonuc 等人（2017 年）及其中的參考文獻。最近，Lu 和 Chen（2021）提出了一種基于列生成思想的 WTA 問題精確解算法。關于武器目標分配模型和求解算法的全面綜述可參見 Kline 等人（2019）。

1.2. 問題描述

文獻中對 WTA 問題有多種表述，每種表述都有細微的修改和不同的假設。Matlin （1970 年）對各種 WTA 問題進行了全面評述，他在評述中表達了簡化完整模型的必要性。他還解釋了假設如何決定模型之間的差異。他將問題分為四個子模型：武器系統、目標綜合體、交戰和損傷模型。在每個子模型中，都有不同的假設。

武器系統子模型描述了可用的武器類型是單一還是多種。它還定義了是否所有武器都能到達每個目標，以及武器的傷害是確定性的還是概率性的。目標綜合體以目標類型為特征。類型取決于單一武器能否攻擊目標，以及目標的值或權重。例如，目標可能具有相等或不相等的值，也可能按優先級排序。傷害子模型決定傷害是部分傷害還是整體傷害（確定性傷害還是概率性傷害）。當目標值可能部分累積時，就會出現部分損害。當可以觀察到目標在攻擊后要么存活要么被摧毀的狀態時，就會使用全面損壞假設。交戰子模型定義了武器摧毀目標的概率。該概率取決于武器和目標，以及防御系統，即可能攔截指定武器攻擊的系統。

WTA 問題可以在防御或進攻環境下提出。對于防御性問題的表述，可以考慮資產受到攻擊的情況。需要用防御武器攔截進攻性武器，從而保護資產。在這種情況下，目標可能是通過將防御武器分配給攻擊資產的導彈，最大限度地降低資產的預期損失。這里假設每種防御武器都有特定的可靠性，即成功攔截攻擊武器的概率。同樣，未被攔截的武器也可能以某種其他概率摧毀資產。顯然，在這個問題的最簡單例子中，防御者可以先觀察哪些資產受到攻擊，并找出相應資產的生存概率，然后再將防御武器分配給進攻武器。這樣，防御者就能更有把握地保存最有價值的資產。這個問題的變種包括不知道哪些資產正在受到攻擊或不知道未攔截武器將造成的預期破壞的情況。

對于進攻型問題，可以考慮將一系列不同類型的可用武器發射到某些目標上。假定提供了每個目標的數值以及用每種類型的單一武器摧毀每個目標的概率。然后，我們的目標是確定將哪些武器分配給哪些目標，從而在不超出可用武器數量的情況下，使預期造成的破壞最大化。這就是本文所要解決的問題。該問題的一個變種可能包括關于統一武器的假設，即假設所有可用武器都是相同的。正如小 denBroeder 等人（1959 年）所證明的那樣，這一假設簡化了求解過程。另一種更現實的模型可能會為每種武器引入適當的射程，這樣并非所有武器都能擊中所有目標。

在上述防御和進攻問題的表述中，隱含的意思是它們是靜態的。考慮到概率，如果首先觀測到資產或目標的價值，然后再分配武器以優化目標，那么問題就是靜態的。因此，只需解決單一時間段內的單一分配問題。但在動態 WTA 問題中，分配是在多個時間段內進行的（Murphey，2000 年）。這種問題的一個例子是 "射擊-觀察-射擊 "戰略，在分配了全部可用武器的一個子集后，可以在分配剩余武器之前觀察其影響。這樣，攻擊者就可以觀察目標是否在第一次攻擊中幸存下來，并為幸存的優先目標分配新的武器，同時對任何不準確的射擊進行調整。

1.3. 本文的貢獻

本文在以下方面對文獻有所貢獻。鑒于 WTA 問題是一個非線性整數優化問題，本文簡要介紹了如何應用現有的幾種方法將該問題線性化，并比較了它們的優缺點。最重要的是，本文進一步開發了一種專門的精確算法，僅使用非線性目標函數的緊湊凸下逼近來解決 WTA 問題。該算法的主要創新思想是使用 WTA 目標函數的緊湊片面線性下近似值來尋找下界和引導分支，同時在分支-約束框架中求助于非線性 WTA 目標的精確值來進行約束。因此，只需在現任節點上對目標函數進行簡單的手動調整，就能在任何分支與邊界算法的基礎上構建該算法。因此，該算法更準確的名稱應該是 "分支-調整-約束"，為簡潔起見，我們將其簡化為 "分支-調整"。所提出的求解方法可以使用最先進的混合整數線性優化軟件來實現，并能處理非常大規模的 WTA 問題實例。當它不能在規定的時間內將問題實例求解到最優時，它提供了一個非常合理的最優保證，即在獲得的最佳解上有一個很小的最優差距。據報道，Lu 和 Chen（2021 年）的求解方法可處理多達 400 種武器和 400 個目標的問題實例，與之相比，我們實驗中提出的算法可在幾分鐘的計算機時間內將多達 400 種武器和 800 個目標的實例求解到最優，并在兩小時的計算機時間內將更大的實例求解到差距很小的次最優。此外，所提出的求解方法具有通用性，可成功應用于 WTA 以外的其他應用領域。

本文的組織結構如下。第 2 節將 WTA 定義為非線性優化問題，第 3 節和第 4 節介紹了該問題的兩種線性化方法，第 5 節提出了一種混合線性化方法，該方法融合了現有的兩種線性化方法。最后，第 6 節介紹了一種解決 WTA 問題的新精確算法，第 7 節展示了解決 WTA 問題實例的所有計算實驗結果。第 8 節為結論。

本文概述了一種評估和量化與集成大型語言模型（LLMs）生成海軍作戰規劃有關風險的方法。其目的是探討大型語言模型在這方面的潛在優勢和挑戰，并提出一個全面風險評估框架的方法。

大型語言模型（LLM）是一種先進的人工智能系統，它在龐大的數據集上經過訓練，可以處理和生成文本，使其能夠執行從簡單的問題解答到復雜的內容創建等各種任務。大型語言模型，如 ChatGPT 和 Bard，在理解、解釋和生成人類語言方面已顯示出非凡的能力。它們在海軍作戰中的潛在用途可提供顯著的戰略優勢，如增強決策支持、情景分析和作戰計劃效率。然而，在敏感的軍事環境中部署這些先進的人工智能技術會帶來一些關鍵的風險問題，包括潛在的偏見、作戰安全問題以及人工智能生成戰略的可靠性。

這項研究的意義在于其重點關注大型語言模型在海軍作戰計劃生成中的整合。通過研究潛在風險并制定評估這些風險的框架，本研究旨在促進在這些海軍作戰環境中安全、戰略性地使用人工智能技術，同時使技術進步與作戰安全和有效性保持一致。

對現有文獻的回顧顯示，專門針對軍事應用中大型語言模型的全面風險評估框架存在空白。有關大型語言模型的研究主要集中于其技術能力和在民用環境中的應用。然而，軍事行動的獨特挑戰，尤其是在海軍環境中，需要一種專門的風險評估方法。本研究試圖通過開發一種基于海軍作戰計劃的具體要求和復雜性的方法來彌補這一差距。

研究方法

本研究的理論框架以貝葉斯網絡為基礎，貝葉斯網絡提供了一種結構化方法，用于模擬與 LLM 部署相關的各種風險因素之間的復雜關系。由于貝葉斯網絡能夠處理不確定性和概率關系，因此特別適合用于這一目的，使其成為評估海軍行動中 LLM 集成的多方面風險的理想工具。

本研究吸收了 Lauría 和 Duchessi（2007 年）概述的方法論中的見解，采用類似的結構化方法來構建貝葉斯網絡，并以實證數據收集和分析為基礎。我們的方法首先是編制和管理一份調查問卷，其答復將作為初始數據源，用于確定與海軍作戰計劃風險相關的變量之間最有可能存在的關系。這一過程為我們的貝葉斯網絡中每個節點的條件分布設置了后續參數。通過這種方法，我們旨在建立一個穩健的貝葉斯網絡模型，以準確反映與 LLM 生成的作戰計劃相關的風險的復雜相互依存關系和概率性質，并在分析更多作戰計劃和整合更多經驗數據時進一步完善我們的模型。

本研究的方法包括以下幾個關鍵步驟

• 問卷編制與管理

• 數據收集與分析

• 貝葉斯網絡建模

• 風險分類和評估

• 問卷編制和管理 將設計一份詳細的調查問卷，以便從海軍人員、人工智能專家和軍事戰略家等廣泛的利益相關者那里收集信息。問卷將包含各種海軍作戰計劃，其中一些由 LLM 生成，另一些則由作戰規劃人員編寫，以確定這些計劃中的潛在風險途徑。

• 數據收集與分析 將收集和分析調查問卷的答復，以確定海軍作戰計劃的關注領域。這一分析將為確定與作戰計劃相關的關鍵風險因素以及由 LLM 生成的計劃所特有的風險因素奠定基礎。

• 貝葉斯網絡建模 將使用貝葉斯網絡對確定的風險因素進行建模，以了解其相互依存關系和這些風險的概率性質。該模型將作為一種動態工具，用于評估和直觀顯示這些生成的業務計劃的復雜風險狀況。

• 風險分類和評估 通過調查問卷和貝葉斯網絡模型確定的風險將根據其對海軍行動的潛在影響進行分類和評估。這一步驟包括對每個風險因素進行全面評估，同時考慮其可能性和嚴重性。

分析

研究的分析階段包括對大型語言模型生成的假設計劃和人類戰略家創建的計劃進行比較研究。這種比較旨在突出 LLM 生成的計劃的優勢、局限性和潛在風險。此外，研究還將探討降低已識別風險的策略，如納入制衡機制、提高透明度和確保持續驗證 LLM 的產出。

這項研究預計將產生幾項重要成果：

• 從利益相關者反饋和貝葉斯網絡分析中得出的與海軍作戰規劃中使用大型語言模型相關的風險因素綜合清單。
• 評估已確定風險的結構化框架，為決策者評估和減輕將大型語言模型納入作戰規劃的潛在挑戰提供依據。
• 對大型語言模型生成的計劃和人工創建的計劃進行比較分析的結果，為了解大型語言模型在業務規劃方面的能力和局限性提供了寶貴的見解。
• 降低已識別風險的建議，確保在將大型語言模型納入實際行動時，既能實現最大效益，又能將潛在弊端降至最低。

初步結果

在此，使用 ChatGPT 生成了一個基于以下指揮官意圖的虛構作戰計劃樣本： "我的意圖是支持菲律賓武裝部隊在菲律賓中部受災地區開展人道主義援助和災難響應（HA/DR）行動。我們將提供一切可用的援助，以減輕人類痛苦并恢復正常狀態"（圖 1）。

圖1:ChatGPT生成的行動計劃

LLM 為菲律賓中部地區虛構的 HA/DR 行動制定的行動計劃展示了該模型構建全面響應戰略的能力。不過，它也凸顯了與 LLM 生成的計劃相關的幾個潛在風險。

該計劃概述了在帕奈島建立一個前沿行動基地，但沒有考慮該島目前支持此類行動的能力或對當地社區的潛在影響。這種疏忽可能會使當地資源緊張或擾亂地方當局正在進行的恢復工作。

使用無人機進行即時空中勘測的假設是，可以快速、準確地確定最需要幫助的地區。然而，這種方法可能無法考慮快速變化的天氣條件或評估后出現的新緊急情況，從而可能導致資源分配不當。

如果出現不可預見的技術問題，或同時需要直升機執行多項緊急任務，那么依靠海軍直升機在公路無法到達的地區進行空投可能會出現問題。這凸顯出可能會過度依賴特定資產，而不考慮替代或后備交付方法。

恢復階段建議協助恢復關鍵基礎設施，但沒有詳細說明參與范圍或開始撤出海軍資產的標準。這種不具體的做法可能導致過早撤離或超出海軍行動能力的長期參與，影響恢復工作的整體效果。

對這個由 LLM 生成的作戰計劃的審查不僅說明了人工智能在提高作戰計劃能力方面的潛力，而且也表明了我們為 LLM 生成的海軍作戰計劃開發綜合風險模型的研究工作的必要性。識別人工智能方法中固有的特定風險因素--如對當地基礎設施能力的假設、對技術的依賴以及計劃執行和完成標準的模糊性--表明需要一個能夠有效評估這些風險的框架，以便在使用這些工具時能夠考慮到這些風險。研究旨在通過使用方法來評估、分類和管理與在復雜作戰環境中部署大型語言模型相關的風險，從而彌補這些差距。通過整合這些風險模型，我們可以更好地確保負責任地利用大型語言模型的創新能力，提高作戰計劃的有效性和可靠性。

Palantir AIP（人工智能平臺）是將人工智能系統（包括許多依賴大型語言模型的能力）整合到運營環境中的尖端方法。雖然利用這些先進的工具可以讓組織利用人工智能系統的大型能力，但在 Palantir AIP 等平臺中使用大型語言模型清楚地表明，亟需對所有潛在的相關風險因素進行全面研究。隨著這些人工智能驅動的系統被部署到運營規劃的越來越多的重要方面進行協助和自動化，人工智能生成的內容的特殊細微差別成為重要的關注領域。

展望大型語言模型在海軍行動中的部署，會暴露出另一個風險途徑，特別是在支持此類技術所需的基礎設施方面。大型語言模型需要大量的計算和數據傳輸，還需要實時數據處理和無縫通信，以執行人工智能驅動的作戰計劃，這就要求網絡基礎設施不僅要有彈性，還要有很強的適應性。這就是軟件定義網絡（SDN）的潛在整合意義所在。SDN 以其靈活性和可配置性著稱，是一種先進的網絡框架，有可能支持 LLM 部署的要求。然而，SDN 的引入也帶來了關于現有海軍網絡基礎設施是否已準備好適應此類先進技術的問題，這突出了我們在海軍行動中引入人工智能能力時需要考慮的另一個領域。

本研究的預期結果對大型語言模型的戰略整合對未來海軍行動具有重大影響。通過提供一個全面的風險評估框架，本研究旨在促進在海軍行動中明智決策和負責任地使用人工智能技術，為在更廣泛的軍事背景下負責任地使用人工智能技術奠定基礎。此外，這項研究填補了文獻中的重要空白，有助于加深對海軍行動中整合 LLM 所帶來的挑戰和機遇的理解。

本研究概述了評估將大型語言模型納入海軍作戰計劃相關風險的綜合方法。通過開發結構化風險評估框架并探索部署 LLM 的潛在益處和挑戰，本研究旨在為在軍事行動中負責任地、有效地使用人工智能技術做出貢獻。未來的研究方向包括根據實證研究結果完善風險評估框架，探索大型語言模型在更廣泛軍事環境中的其他應用，以及制定在敏感作戰環境中合乎道德地使用人工智能的指導方針。

本文介紹了一種獨特的方法，即由一個裝有網的飛行機器人對不合作的無人駕駛飛行器進行中空自主空中攔截。本文提出了一種名為 “快速響應比例導航（FRPN）”的新型攔截制導方法，旨在依靠機載狀態估計和跟蹤捕捉靈活機動的目標。在使用 100 個不同復雜度的目標軌跡（包括近 14 小時的飛行數據）進行的仿真中，將所提出的方法與最先進的方法進行了比較，結果表明 FRPN 的響應時間最短，攔截次數最多，而這正是敏捷攔截的關鍵參數。為了能夠從理論和仿真穩健地轉移到實際應用中，我們的目標是避免過度擬合目標的特定假設，并解決攔截未知總體軌跡目標的問題。此外，我們還發現了與目標狀態的跟蹤和估計有關的幾個經常被忽視的問題，這些問題會對系統的整體性能產生重大影響。我們建議使用基于交互多模型濾波器和新測量模型的新型狀態估計濾波器。模擬實驗表明，在考慮一般軌跡時，與常用的卡爾曼濾波法相比，所提出的解決方案能顯著提高估計精度。在這些結果的基礎上，我們采用所提出的濾波和制導方法實現了一個完整的自主攔截系統，該系統在現實模擬中得到了全面評估，并在與機動目標進行的真實世界實驗中得到了測試，其性能遠遠超出了任何最先進解決方案的性能。

圖 1：使用擬議系統成功自主攔截移動目標的拼圖。從 t1 到 t4 的機動時間約為 2 秒。

這項工作研究了在任務式指揮設備中嵌入模擬器的實用性和有效性。其目標是僅使用戰區作戰計劃作為模擬輸入，向操作員隱藏所有模擬器細節，使其無需學習新工具。本文討論了一種原型功能，該功能可根據 SitaWare 中生成的作戰計劃以及嵌入式無頭 MTWS 和 OneSAF 模擬器的模擬結果，生成行動方案（COA）分析。在輸入作戰計劃后，指揮官選擇要執行的模擬運行次數，并按下按鈕啟動模擬，模擬在后臺的運行速度比實時運行更快。模擬運行完成后，指揮官可通過圖形和圖表查看結果，對多次運行進行比較。預計未來的能力將允許指揮官模擬任何梯隊和命令，用于訓練和兵棋推演。

近年來，槍支暴力事件急劇增加。目前，大多數安防系統都依賴于人工對大廳和大廳進行持續監控。隨著機器學習，特別是深度學習技術的發展，未來的閉路電視（CCTV）和安防系統應該能夠檢測威脅，并在需要時根據檢測結果采取行動。本文介紹了一種使用深度學習和圖像處理技術進行實時武器檢測的安防系統架構。該系統依靠處理視頻饋送，通過定期捕捉視頻饋送中的圖像來檢測攜帶不同類型武器的人員。這些圖像被輸入一個卷積神經網絡（CNN）。然后，CNN 會判斷圖像是否包含威脅。如果是威脅，它就會通過移動應用程序向保安人員發出警報，并向他們發送有關情況的圖像。經過測試，該系統的測試準確率達到 92.5%。此外，它還能在 1.6 秒內完成檢測。

指揮與控制（C2）活動涉及國防、應急響應、警務和危機管理等多個領域。這些領域的問題通常具有復雜性，即種類繁多。根據控制論，控制器（C2 系統）的多樣性必須等于或超過作戰環境中受控系統的多樣性。足以控制特定系統的多樣性程度被定義為必要多樣性。

本文旨在將外部和內部多樣性可操作化，縮小高層抽象描述與具體解決方案之間的差距，以便在設計 C2 系統時提出切實可行的建議。C2 系統由方法、技術、人員和組織構成。在這項工作中，我們將重點放在人員和組織方面。我們特別關注人員組成部分中的能力變量。我們根據以往對多樣性等方面的研究，討論了在開展 C2 活動以應對復雜性時，能力變量的哪些方面可能最為重要。

然而，大量的 C2 研究也表明，快速決策對于應對來自對手的問題非常重要。我們詳細闡述了高度內部多樣性的潛在代價，即由于團隊溝通需求的增加，它可能會延遲 C2 團隊的決策。最后，我們介紹了一種調查方法，其中包括模擬外部復雜性，要求由具有不同能力（內部多樣性）的 C2 團隊進行動態決策。

圖 1. 任務響應系統由 C2 系統和執行系統（圖中最右邊的灰色實體）組成。C2 系統由三級指揮系統組成，而三級指揮系統又包括通信、數據提供、定向和規劃等遞歸的通用活動[7，第3頁]。

在本文中，我們將首先對作戰環境或工作空間進行總體描述，包括其特征和與這些特征相關的典型需求。特征和潛在問題之間的多樣性將被稱為外部多樣性。

我們對 C2 的看法是系統性的，這意味著任務響應系統由 C2- 系統和執行系統組成（見圖 1）。我們對 C2 的定義是 C2 是為實現目標而努力解決（軍事）問題的人類活動或系統。C2 過程產生的關鍵產品是指揮和協調[7]。

C2 方法空間可視為對真實 C2 系統關鍵方面的抽象或理論描述。C2 方法空間由三個相互依存的維度構成：a) 信息分配；b) 互動模式；c) 決策權分配[8]。表示具體 C2 系統的一種方法是列出其組成部分：方法、組織、人員和技術[7，第 14 頁]。C2 方法空間的維度與 C2 系統中的組織、方法和技術類別之間存在聯系。每個類別內部的潛在多樣性以及這些類別之間的組合影響著整個 C2 系統控制的潛在多樣性。

然而，在 C2-方法空間中，人員部分并不明顯。我們選擇將工作重點放在人員部分，主要有兩個原因。首先，它可能是 C2 研究中對 C2 系統研究最少的部分。但最近一個值得注意的例外是 Valaker 等人[9]。其次，在我們看來，它是 C2 系統中最具影響力的因素，這主要是因為 C2 與決策密切相關。盡管人工智能（AI）有了長足的發展，但決策仍主要是人類的活動。

當然，人員部分還可以進一步細分為幾個不同的子部分，如個人的人口特征（如性別、年齡、種族）和功能或任務相關的多樣性方面（如知識、技能和專業知識/能力）。在本文中，我們將主要討論能力因素，更具體地說是任務/使命能力[10，第 105-182 頁]。因此，在描述 C2 系統內部多樣性時，能力因素將是我們的主要關注點。

因此，在本文中，我們開發了一種方法，用于更精確地研究多樣性與速度之間的平衡性質及其如何影響性能。歷史事件清楚地表明，如果任務響應系統沒有足夠或必要的多樣性，其代價可能是災難性的。一個著名的例子是 1415 年的阿金庫爾戰役，當時法國裝甲騎士對英國長弓手發動騎兵攻擊，但被有效阻止。這場戰役的結果對法軍來說是一場災難，標志著騎士時代的終結[18]。博伊德（Boyd）提供的經驗中描述了一個速度不夠（關于瞬時機動）的典型例子，在朝鮮戰爭中，由于瞬時機動速度出眾，美國 F-86 戰斗機對俄羅斯米格-15 的殺傷率達到了 10:1[19，第 41 頁]。

本文提出了一種基于古代戰爭策略的新型元啟發式優化算法。所提出的戰爭策略優化（WSO）基于戰爭期間陸軍部隊的戰略移動。戰爭策略被模擬為一個優化過程，其中每個士兵都朝著最優值動態移動。所提出的算法模擬了兩種流行的戰爭策略，即攻擊和防御策略。士兵在戰場上的位置會根據所實施的戰略進行更新。為了提高算法的收斂性和魯棒性，引入了一種新的權重更新機制和一種弱士兵遷移策略。所提出的戰爭策略算法實現了探索階段和開發階段的良好平衡。介紹了該算法的詳細數學模型。在 50 個基準函數和四個工程問題上測試了所提算法的有效性。該算法的性能與十種流行的元啟發式算法進行了比較。各種優化問題的實驗結果證明了所提算法的優越性。

戰爭策略優化

古代王國擁有一支軍隊，以抵御其他王朝的進攻。王國的陸軍由步兵、戰車、大象等各種力量組成。在戰爭中，每個王國都會設計一種被稱為 "Vyuha "的戰略來攻擊對方的陸軍，以取得戰斗的勝利，從而確立自己的霸主地位。Vyuha 是戰爭中用于征服對方王國的各種陸軍部隊的模式或排列[69]。為了確保自己的陸軍達到預定目標，實現目標，皇帝和各單元的指揮官會按照特定的模式協調部隊。戰爭戰略是根據任務的目標、威脅、困難和前景制定的。戰爭戰略是一個持續的動態過程，在這個過程中，武裝力量只需協調并與對手作戰。隨著戰爭的進展，這種戰略可以適應不斷變化的條件。國王和指揮官的位置對陸軍士兵的位置有著持續的影響。國王和陸軍指揮官戰車頂部的旗幟代表他們的位置，所有士兵都能觀察到。團隊中的士兵接受訓練，根據鼓聲或其他樂器的聲音來制定策略。當一名軍事指揮官死亡時，戰略就會發生變化，其他每名指揮官都必須學會如何重建和繼續戰爭戰略的建立。國王的目標是征服對方的國王/首領，而陸軍士兵的主要目標則是攻擊對方隊伍，并在軍銜上取得進步。

戰爭戰略的各個步驟如下：

A. 隨機攻擊

在戰場上，陸軍部隊以戰略方式隨機分布在整個戰場上，攻擊對面的軍隊。軍隊中攻擊力最強的人員被視為陸軍首領或指揮官。國王是各軍團長的領導者。

B. 攻擊戰略

該戰略的主要目標是攻擊對方。國王帶頭并指導陸軍部隊。陸軍部隊找出對手的薄弱位置（有希望的搜索空間）并繼續進攻。國王和指揮官乘坐兩輛不同的戰車，戰車頂端插有戰略旗幟。士兵根據國王和指揮官的位置動態改變自己的位置。如果士兵成功提高攻擊力（體能值），他的軍銜就會提高。隨著士兵的晉升，他將成為其他人的好榜樣。但是，如果新的位置不適合作戰，士兵就會回到原來的位置。戰爭初期，陸軍部隊向四面八方移動，大步流星地改變自己的位置。

C. 鼓聲信號

國王會根據戰場上的局勢動態地改變戰略。因此，一群士兵會有節奏地擊鼓。士兵們會根據鼓聲的節奏改變策略，調整位置。

D. 防御戰略

這一戰略的主要目標是在不輸掉戰斗的情況下保護國王。指揮官或陸軍首領帶頭，利用陸軍部隊形成像鎖鏈一樣的包圍圈，將國王團團圍住。因此，每個士兵都會根據附近士兵的位置和國王的位置改變位置。陸軍部隊在戰爭中會嘗試探索大面積的戰場（搜索空間）。為了迷惑對方軍隊，陸軍會不時動態改變策略。

E. 薄弱士兵的替換/轉移

在戰斗中，戰斗技能最低的士兵或受傷的士兵可以與敵軍士兵同等對待。由于他的表現不佳，陸軍的威信完全受到威脅（算法效率）。戰爭中死亡的士兵很少，這可能會影響戰爭的結果。在此，陸軍有兩種選擇。一是用新兵替換受傷/體弱的士兵。第二個選擇是重新安置體弱的士兵。因此，他將受到所有其他士兵的引導（所有士兵的平均位置）和隔絕，以保護他，從而保持陸軍的士氣，使其在戰爭中獲勝的幾率很高。

F. 對方的陷阱

對方陸軍會根據自身的能力采用各種策略，迫使前軍向錯誤的方向移動或到達錯誤的目標（局部最優）。

現代空對空導彈依賴于通過數據鏈更新的目標位置和速度數據，直到其自身的尋的器能夠鎖定目標。數據鏈目標數據的質量取決于位置和速度更新的誤差、更新延遲和更新丟失。本文介紹了一個分析這些數據利用情況的模擬框架。該框架由描述目標、導彈和生成數據鏈目標更新的模型組成。文中介紹的多功能模擬實驗分析了數據鏈數據質量對不同空對空導彈性能的影響。性能的衡量標準是殺傷概率。模擬結果表明，在嘗試過渡到使用導彈的尋的器之前，最終更新的質量對性能的影響最大。除非很大比例的目標更新丟失或尋的器鎖定目標延遲，否則導彈通常可以在致命失誤距離內擊中目標。本文提出的框架適用于評估所有類型制導武器的性能。

1. 導言

飛機的作戰生存能力取決于對敵方探測和火力的控制。因此，現代空戰幾乎全部使用超視距導彈（BVR）。因此，現代空戰幾乎都使用超視距導彈（BVR）。要提高生存能力，就必須努力提高導彈的運動射程。設計人員試圖通過進一步開發導彈火箭發動機和采用空氣呼吸導彈發動機來實現這一改進。本文討論的現代空對空導彈（AAM）使用主動雷達或被動光電紅外尋的器。Stillion、Fleeman、Eichblatt、Norman 和 Watson 的著作中包括了這類導彈的實例。受可用空間和電力以及成本因素的限制，尋的器的探測距離仍然大大低于導彈的運動距離。因此，在目標進入尋的器的探測范圍之前，需要持續的外部目標數據為導彈提供支持。

由目標位置和速度更新組成的數據通過數據鏈路發送。目標數據可能來自單個傳感器，也可能來自多個空基、地基或空基傳感器，它們相互補充測量結果。使用獨立的傳感器平臺可使發射平臺在發射導彈后離開交戰區。主要傳感器是雷達和紅外搜索與跟蹤系統（IRST）。一旦射手確定了目標軌跡，就可以從自身或導彈傳感器的探測范圍和萬向限制之外發射導彈。在導彈飛行過程中，網絡成員可重新瞄準導彈或中止交戰。圖 1 是空戰場景的一個簡化示例。

圖 1. 使用數據支持導彈的現代 BVR 空戰。

在圖 1 中，地基和空基傳感器平臺提供的目標數據在網絡中融合，然后通過數據鏈路發送給包括導彈在內的網絡成員。現代網絡結構中存在各種類型的平臺，網絡中可以包含更多數量的傳感器。不過，就本文而言，平臺數量最多限于四架飛機。導彈的飛行分為三個階段：發射、中段和末段。在發射階段，導彈脫離發射平臺、加速并利用彈道整形獲得勢能。在中段階段，導彈利用數據鏈更新（DLU）和機載導航系統向目標引導。這些更新本身包含誤差和延遲。射程、角度及其速率的測量精度各不相同。由于大射程、數據鏈天線模式和電磁頻譜操作的影響，導彈不可能接收到所有 DLU。一旦目標進入尋的器的探測范圍和萬向節限制之內，導彈就開始捕獲目標。DLU 的估計精度和導彈導航系統與 DLU 的延遲確定了不確定度量，導彈據此搜索目標。導彈利用不確定度量來確保獲取預定目標。對位置和速度同時使用不確定度量，可使導彈嘗試對位置接近但速度不同的目標進行分類。參與測量目標和網絡跟蹤目標數據融合的傳感器的類型、數量和位置會影響體積的形狀和大小。一旦尋的器鎖定目標并似乎能提供可靠的數據，導彈就會進入終端階段并停止使用 DLU。數據鏈目標數據的質量取決于位置和速度更新的誤差、更新延遲和更新丟失。

網絡中心戰和導彈的發展增加了數據鏈的使用。因此，必須研究如何利用數據鏈目標數據來制定空戰戰術、技術和程序（TTPs）。本文介紹了為這些研究開發的導彈數據鏈分析（MisDA）模擬框架。特別是，本文將集中分析數據鏈數據的質量因素對反坦克導彈性能的影響。這里，性能的衡量標準是殺傷概率 PK，即導彈是否能進入目標的致命失誤距離內。這個 PK 不能高于探測概率 PD，后者描述了導彈鎖定目標的能力。本文的模擬實驗結果包括 PD 和 PK，以便更精確地分析數據鏈目標數據的質量。目標數據融合的確切貢獻不在本文討論范圍之內，本文框架僅使用了一個簡單的目標數據融合模型。

關于導彈自動駕駛儀和制導法的分析與開發以及飛機對導彈的規避機動，已經發表了大量論文。然而，這些論文并未考慮使用數據鏈目標數據。此外，還研究了數據鏈導彈的最佳支持時間以及小組在空戰中對 DLU 的最佳使用。這些研究并未涉及數據鏈數據的質量問題。一項研究使用了一種輔助方法來分析導彈向終端階段的過渡。另一項研究側重于開發雷達尋的器模型，使用了數據鏈數據的隨機位置誤差和丟失的 DLU 的隨機貢獻。在上述所有研究中，導彈模型都對空氣動力學、尋的器和推進器進行了簡化。上文討論的一些研究只使用了導彈模型的三個平移自由度（3-DOF）。沒有考慮提供目標數據的傳感器的精度或不確定性量。高保真導彈模型已被用于空戰 TTPs 分析、空勤人員培訓以及武器系統的性能分析和比較。然而，目前還沒有關于使用這類模型分析數據鏈目標數據的使用情況或其質量影響的出版物。

本文有兩方面的貢獻。首先，新的仿真框架--MisDA--包含了本研究中開發的傳感器平臺、數據鏈和目標捕獲模型。像 MisDA 這樣的綜合仿真框架，能夠對現代空戰中數據鏈的使用進行透明、可控的分析，這在非保密文獻中還沒有出現過。第二個貢獻是通過多功能模擬實驗證明了 MisDA 的用途，其中分析了數據鏈目標數據的質量因素對反坦克導彈性能的影響。此外，這些實驗還包括研究使用雷達和 EO 傳感器的策略如何影響質量因素。這些戰術包括傳感器的數量和位置以及雷達傳感器的模式等。此外，本文還說明了不同類型導彈對質量因素與導彈性能之間相互聯系的影響。此類分析尚未在非保密文獻中發表過。

本文結構如下。第 2 部分介紹了 MisDA 及其模型。第 3 節介紹了仿真實驗，第 4 節討論了實驗結果。第 5 節為結束語。

2. MisDA 仿真框架

MisDA 由描述導彈、目標、發射平臺（LP）、傳感器平臺（SP）、DLU 生成和目標捕獲的模型組成。MisDA 的結構如圖 2 所示。本文描述的模型以灰色標出，之前介紹的模型以白色標出。

圖 2. MisDA 模擬框架及其模型。

發射場景是指交戰的幾何形狀和參與行動者的飛行條件。它由 LP、SP 和目標的軌跡定義。軌跡指的是位置 p(t) 和速度 v(t) 的時間 t 歷史記錄。3-DOF 軌跡子模型根據用戶給 MisDA 的輸入，通過組合直線和水平飛行、爬升和下降、協調轉彎、上拉和編織機動等片段來生成這些軌跡。模型和子模型將在以下段落中介紹。MisDA 由 Matlab 實現，可在確定性或隨機模式下使用。

近來，物聯網（IoT）技術為農業、工業和醫學等許多學科提供了后勤服務。因此，它已成為最重要的科研領域之一。將物聯網應用于軍事領域有許多挑戰，如容錯和 QoS。本文將物聯網技術應用于軍事領域，創建軍事物聯網（IoMT）系統。本文提出了上述 IoMT 系統的架構。該架構由四個主要層組成： 通信層、信息層、應用層和決策支持層。這些層為 IoMT 物聯網提供了容錯覆蓋通信系統。此外，它還采用了過濾、壓縮、抽象和數據優先級隊列系統等數據縮減方法，以保證傳輸數據的 QoS。此外，它還采用了決策支持技術和物聯網應用統一思想。最后，為了評估 IoMT 系統，使用網絡仿真軟件包 NS3 構建了一個密集的仿真環境。仿真結果證明，所提出的 IoMT 系統在性能指標、丟包率、端到端延遲、吞吐量、能耗比和數據減少率等方面均優于傳統的軍事系統。

提議的IoMT系統架構

IoMT 系統由一組在戰場上應組織良好的軍事設備組成。無人機、作戰基地、艦艇、坦克、士兵和飛機等這些物品應在一個有凝聚力的網絡中進行通信。在 IoMT 網絡中，態勢感知、響應時間和風險評估都會得到提高。此外，IoMT 環境應涉及對普適計算、普適管理、普適傳感和普適通信的全面認識。此外，IoMT 可能會導致傳感器等網絡事物產生超大規模的數據。此外，這類網絡所需的計算量非常大，而這些計算的結果應能實時準確地實現。因此，IoMT 系統架構應考慮上述注意事項。

因此，建議的體系結構由四層組成： 通信層、信息層、應用層和決策支持層（見圖 1）。通信層關注的是事物如何在一個大網絡中相互通信。信息層涉及軍事數據的收集、管理和分析。應用層包括控制不同通信軍事系統的應用程序。最后，決策支持層負責決策支持系統，幫助戰爭管理者做出準確、實時的決策。下文將對每一層進行深入討論。

3.1 通信層

IoMT 系統可視為物聯網的一個特殊例子。因此，IoMT 環境與物聯網環境有些相似，只是在事物類型、通信方式等方面略有不同。根據這一理念，IoMT 環境可定義為一組使用互聯網相互通信的不同網絡。這些網絡應包括軍事任務中的主動和被動事物。IoMT 系統中應構建的主要網絡包括無線傳感器（WSN）、射頻識別（RFID）、移動特設（MANET）、衛星和高空平臺（HAP）網絡。由于 WSN 在許多軍事問題中的重要性，它被納入了 IoMT 系統。WSN 通過快速收集和提供危險數據來協助戰爭行動。然后，將這些數據發送給最合適的人員，以便實時做出正確決策。因此，除了協調自身的軍事活動外，WSN 的主要目標是監測和跟蹤敵方士兵和其他敵方事物的動向。傳感器可以遠距離分布，覆蓋大片區域。這些傳感器通過控制其行為的基站進行通信。由于 RFID 網絡在軍事領域的重要性，它在 IoMT 環境中得到了體現。軍隊中最重要的問題之一就是大部分物品都要貼上標簽。在戰場上使用 RFID 可以為士兵、貨物、小型武器、飛機、射彈、導彈等提供一個具有監控功能的跟蹤系統。例如，定期掃描每個人的醫療情況和效率是戰爭中一個非常重要的問題。城域網在 IoMT 系統中的表現也是一個重要問題，因為它可以用來促進士兵、武器、車輛等的通信。城域網在軍事上有許多特別的應用，如安裝在飛機和地面站之間的網絡或船舶之間的網絡。每種特設網絡的要求都取決于軍事任務的類型。此外，在軍事應用中使用的特設設備都配備了路由場景，可以利用最佳路由路徑自動轉發數據。物聯網依賴互聯網技術來促進通信，這是一個普遍的邏輯。遺憾的是，某些作戰地點可能沒有互聯網技術。因此，尋找替代通信技術非常重要。這就是在覆蓋目標中使用 HAP 網絡的原因。軍用物資分布面積大，因此必須以可靠的方式進行覆蓋，以保證通信效率。HAP 網絡可作為互聯網之外的第二種通信策略選擇。HAP 網絡的高度有限，因此容易成為敵方的攻擊目標，其故障概率可能很高。如果 HAP 網絡出現故障，通信系統將面臨很大問題，可能會影響軍事任務的執行。因此，應構建一個衛星網絡來覆蓋故障的 HAP 網絡，并覆蓋 HAP 網絡或互聯網可能無法覆蓋的軍事事物（見圖 2）。不同網絡之間的通信難題只需使用報頭恢復技術即可解決。在這種技術中，每個網絡之間都應添加一個翻譯器，用目的節點的報頭封裝每個數據包。新的報頭使數據包可以被理解；這可以通過系統路由器來實現（見圖 3）。

圖2: 通信網絡(該圖部分摘自[23])

圖3: 報頭轉換過程

3.2 信息層

這一層非常重要，因為它代表著 IoMT 系統架構的核心。射頻識別（RFID）、傳感器等軍用設備收集的信息應以安全、珍貴、實時的方式進行傳輸、存儲和分析。這一層的首要功能是在信息處理后對收集到的信息進行組織和存儲。IoMT 系統數據的處理被認為是一個具有挑戰性的問題，因為在短時間內可以收集到 TB 級的數據。因此，應在不影響質量的前提下盡量減少這些數據。此外，IoMT 的特殊要求（如實時決策）也不容忽視。在 IoMT 系統架構中，數據處理包括四個步驟： 優先化、過濾、壓縮和抽象。下面將對優先級排序過程進行說明。數據過濾、數據壓縮和數據抽象技術在第 4.1 小節中說明。

確定優先級的步驟包括處理不同優先級的數據。對于戰爭管理者（即軍隊將領）來說，收集到的每項數據都有一定的重要程度。因此，應將數據分為若干優先級，以便在 IoMT 系統饑餓的情況下優先處理和發送高優先級的數據。隊列系統就是用來實現這一優先級劃分步驟的。由于 IoMT 系統數據分類數量龐大，因此采用了六隊列系統。因此，IoMT 系統數據將被分為六個不同的類別。第一類代表最重要的 IoMT 系統數據；第二類代表不太重要的數據，依此類推。分類過程將動態完成，因此每個類別中的數據可能會根據戰爭任務的性質發生變化。為切實實現這一步，下一代路由器應具備對 IoMT 系統數據進行分類的能力。圖 4 說明了優先級排序過程。

圖4: 數據分類過程的簡單視圖

3.3 應用層

IoMT 系統架構中的應用層包括管理、監視等戰爭任務中使用的異構應用。該層應使用一個通用應用程序管理這些應用程序的功能，同時不影響其效率。這些應用程序的統一過程應基于通信數據（信息交換）來實現。在數據通信中，一個應用系統的輸出數據可能是另一個應用系統的輸入數據。因此，確定戰爭應用程序的輸入數據和輸出數據被認為是這一層最重要的目標之一。例如，飛機或發射器的火箭發射應用的輸入需要衛星監控應用的輸出數據，而衛星監控應用可能需要 WSN 應用的數據。信息層和應用層之間的通信非常重要，因為作為輸入和輸出的數據應首先在信息層處理。因此，在設計用于管理軍事應用程序的通用應用程序時，應首先確定每個應用程序的輸入和輸出數據。然后，應確定數據處理的時間（硬、實或軟）。例如，在戰斗停止期間，某個目標的坐標突然發生變化，三個應用程序應實時交互，以完成任務并擊中新位置上的目標。這些相互作用的應用程序構成了 WSN、戰爭管理以及執行任務的飛機機艙。還應確定應用特殊應用程序的優先順序。例如，在敵方多次攻擊特定目標的情況下，防御應用程序將優先啟動。

根據上述討論，一般管理應用程序應有一個專門的數據庫。該數據庫存儲有關單個軍事應用程序的動態變化數據。這些數據與以下主題有關： 輸入和輸出、單個應用程序之間的數據流方向、硬時間軍事情況、實時軍事情況、軟時間軍事情況以及每個應用程序的優先級。這些優先級應根據戰爭形勢來確定。根據綜合管理 IoMT 應用程序的性質，IoMT 系統數據庫的設計可以是分布式的，也可以是集中式的。在分布式數據庫中，應注意數據庫服務器之間交互的復雜性，特別是在需要硬時間或實時交互的事件中（見圖 6）。 、

3.4 決策支持層

戰爭中最重要的問題之一是決策過程。在技術戰爭中，決策應具備準確性、實時性、清晰性、安全性和快速分發等諸多規格。所有這些指標都應與信息層收集的數據相關。雖然信息與軍事決策之間關系密切，但所提出的 IoMT 系統架構在信息層和決策支持層之間還有一個中間層，即應用層。短時間內收集到的大量 TB 信息需要進行分析、過濾、優先排序和壓縮。這些過程已經在信息層中完成。但是，信息層沒有能力確定信息在應用層之間的移動方向（即信息的正常順序）。這種信息順序意味著，每個數據段都應指向一個合適的應用程序，以便實現互補和平衡。這些信息將用于決策過程。例如，假設戰爭管理者有一個目標，要求以特定的安排和特定的順序處理信息，直到軍事偵察之旅取得一定的結果。該目標的完成將通過步兵和防空來實現。因此，應用層和決策支持層之間的聯系將對高精度規格的決策產生良好的影響，這將在關鍵的戰爭事件中發揮作用。

簡單地說，本文概述的決策支持流程包括五個步驟： 事件權重、解決方案識別、選擇一種解決方案、行動和輸出評估（見圖 7）。戰爭管理者可根據自身經驗水平提取事件權重。一旦對事件有了充分了解，就該確定解決方案了。在準備決策時，有許多不同的備選方案。因此，確定可用行動的范圍非常重要。接下來，應選擇備選方案，并確定每個備選方案的風險。然后，就該采取行動了。應確定實施計劃，并提供實施所選解決方案所需的資源。應預先確定執行時間，然后開始執行。最后，應對選定解決方案的執行結果進行評估。請注意，有許多決策支持系統在經過實際測試（如 [24,25]）后，可在 IoMT 中實施。

決策支持層可能面臨三大挑戰。第一個挑戰是數據過多或不足。這意味著決策支持層的輸出會延遲或不準確，這可能會造成災難，因為在大多數戰爭時期都需要實時決策。第二個挑戰是問題識別錯誤。在大多數戰爭任務中，圍繞一項決策會有許多問題。然而，有時卻無法確認這些問題的真實性。第三個挑戰是對結果過于自信。即使決策過程得到了準確執行，實際產出也可能與預期產出不完全一致。應用層將通過確定決策構建所需的準確信息、對問題的準確定義以及輸出調整來應對這些挑戰。因此，決策支持層將使用應用層的輸出。因此，在擬議的 IoMT 架構中，這些層之間的分離是一個需要考慮的重要問題。

仿真

首先，應構建一個軍事模擬環境，以測試所提議的 IoMT 架構的性能。網絡模擬器 3（NS3）是最廣泛使用的網絡模擬軟件包之一，將用于實現這一目標。軍事模擬環境由五種不同類型的網絡組成，其中包括分布在大片區域的大量節點。這五種網絡分別是 WSN、RFID、MANET、HAP 和衛星網絡。這些網絡是根據戰場需求確定的。文獻[26]中的仿真用于評估所提出的 IoMT 架構。在 WSN 仿真中，成千上萬的傳感器分布并部署在戰爭環境中。一個或多個基站將這些傳感器相互連接起來，并從中收集信息。在突發事件中，傳感器能夠向基站發送陷阱信息。然后，如果情況緊急，需要迅速做出決定，基站將直接把信息發送給執行者，如戰士、管理人員等。不過，在正常情況下，基站會將收集到的信息（詳細信息或摘要）重新發送給負責決策的管理人員。基站應該是智能的，并通過編程來實現這一目標。為了在 IoMT 中準確呈現 WSN，傳感器應具有不同的傳輸范圍。對于 RFID，美國軍方在第二次海灣戰爭中使用了最佳方案[27]。每個士兵身上都應貼有一個 RFID 標簽，以便在戰場上進行追蹤。此外，商業貨運和航空托盤等戰爭工具也應貼上 RFID 標簽，以便了解坦克和計劃等關鍵工具的最新狀態。此外，為了挽救士兵的生命，建議的模擬系統考慮了專門用于戰爭的移動醫院，并應配備 RFID 技術。此外，還利用 RFID 技術觀察軍隊的小型庫存物品，以實現更嚴格的庫存控制。對于城域網仿真，它包含戰場對象（如車輛、士兵和信息提供者）之間的臨時通信。在某些軍事情況下，很難通過數據采集中心傳遞或發送信息。因此，城域網仿真的一個考慮因素就是在數據傳輸中使用這種網絡。文獻[28]中所述的架構用于 HAP 和衛星網絡的通信。互聯網仿真使用了 [29] 中介紹的路由算法和 [30] 中介紹的物聯網混合組播架構。多媒體傳輸使用[31]，但傳統軍事系統的模擬則使用[32,33]中所述的準則。

在信息層模擬中，將隨機、動態地創建 IoMT 數據。然后，這些數據將被分類并進入隊列，每個隊列將作為一個數據類別。動態數據的創建取決于存儲在特殊數據庫中的戰爭任務。本模擬場景中使用了 [34] 中所述的壓縮技術和數據過濾技術來減少數據，這是信息層的主要目標之一。應用層模擬也取決于戰爭任務，其中包括許多模擬網絡場景。每個網絡應用程序的輸入和輸出數據都在模擬文件中預先確定。網絡應用程序與綜合管理應用程序之間的通信是通過信息傳輸實現的。文獻[35]中的仿真用于決策支持層。戰爭任務的部分建模和仿真來自文獻[36]，仿真中使用的武器的一般規格來自文獻[37]。圖 8 顯示了擬議的 IoMT 系統模擬環境的全貌。

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