人工智能技术在作战筹划系统中的应用研究

近年来，人工智能技术取得了突破性进展。各国都意识到了人工智能技术的战略意义，从国家战略层面加快布局，加强人工智能在军事上的研究和应用。美国认为人工智能是一种颠覆性技术，它“改变了游戏规则”。美国国防部已经明确将人工智能作为第三个“抵消战略”的重要技术支柱。该战略侧重于对抗中俄之间的不对称制衡，旨在建立智能作战系统和开发颠覆性的尖端技术。

根据美国军方的作战理论JP 5-0 《联合作战计划》，美国军方的联合作战计划流程(JOPP)包括:接收任务、任务分析、行动计划生成、行动计划分析、演绎和评估，以及行动计划执行。目前，美国陆军已将人工智能技术广泛应用于作战规划的全过程。例如，美国陆军的“深绿色”系统已经将人工智能技术应用于从接收任务到生成行动计划的三个步骤。美国空军阿尔法人工智能空战仿真系统已经将人工智能技术应用于仿真环境下的作战规划的全过程。本文梳理了各种可用于作战计划过程的人工智能技术。

1.人工智能用于任务分析

在任务分析阶段，分析师需要处理和融合信息，以生成一个通用操作图。为了完成这项任务，分析师需要对收到的信息进行分类，并确定当前情况，以构建动态更新的COP。此外，他们还需要检测自己的系统是否被欺骗。借助信息融合技术，战术级系统可以根据收到的情报报告的顺序自动生成战术级作战指挥系统。任务分析过程中的信息处理可以分为三种类型:发现信息、编辑信息和检测信息中的异常。

1.1 发现信息

通常，查找信息需要找到与特定主题相关的类似文档。如果所有文件都有与主题相关的元标签，则过程会更快。元标签的标记过程可以使用半监督学习自动执行。Salakhutdinov和Hinton提出了一种使用深度学习算法将高维文档输入向量转换成深度自动编码器形式的低维特征向量空间的方法，其中相邻向量对应于相似的文档。自动编码器的学习过程可以以无监督学习的形式实现。少量标有主题的样本可用于定义特征向量空间中的特定聚类，这些聚类可用于构建自动元标记算法。

图1深层语义哈希算法

1.2 编辑信息

在发现信息后，可以使用人工智能算法来确定与文档中特定主题相关的实体。例如，提取与后勤有关的项目和数字可以加快部队调动的规划进程。在自然语言处理中，这个问题被称为指定实体识别。将神经网络与指定实体字典相结合可以产生良好的效果。

图2识别实体算法

1.3 探测异常信息

异常检测信息通常基于深度自动编码器技术。正常数据点位于自动编码器构造模型的非线性低维嵌入坐标中，因此自动编码器解码正常数据点时重建误差较小，而异常信息的重建误差较大。该方法可用于各种问题，包括检测接收到的传感器数据中的异常和标记异常报告。此外，最近的研究结果也可以区分这两个句子之间是否有冲突。

图3异常检测算法

2.人工智能用于行动方案(COA)生成

对于规划过程，人工智能与仿真环境相结合的方法比较成熟，深度强化学习算法可以用来制定行动计划。该算法可以在仿真环境中进行试错实验，以衡量不同方案的预期效果。模拟环境应尽可能接近现实，反映战场上各种作战行动的影响，以及道德、后勤和难民等其他因素的影响

3.人工智能用于行动方案分析和推演

在计划过程中，可以使用定性方法来分析计划。对于质量行动计划分析，当不同的规划小组提出了几个行动计划时，概念框架可以用来记录领域专家对这些行动计划的意见。这些专家使用模板创建结构化的评论，并系统地评估不同coa的各种特性。之后，可以使用一个能够区分不同辩论模式之间的异同的框架来选择和总结不同领域的专家对不同行动纲领的意见。该方法可以实现对备选辅酶a的结构分析。

除了对辅酶a进行定性分析，还可以使用定量分析方法。阿巴斯和本德在《计算红蓝对抗：过去、现在和未来》年提出，人工智能和多智能体系统可以结合起来进行红蓝对抗。这种方法可以使指挥员了解各种行动计划的优缺点以及动态推演过程中可能的事件进展，评估各种行动计划的优缺点，了解敌人的行动。

此外，北约最近开发了一个使用数据培养技术(如大规模并行仿真、数据分析和可视化)进行决策支持的数据培养系统，该系统可以分析地面作战计划中不同仿真系统产生的数十万个仿真输出结果。这是一种将模拟与大数据分析相结合的方法。

4.人工智能用于计划执行

4.1 为指挥官生成备选行动方案

在执行计划时，人工智能技术可以用来快速融合和分析战场信息，以便将结果发送给指挥官。在高压战场环境下，指挥官需要准确的信息来做出关键决策，但指挥官通常会获得大量的信息，这容易带来信息过载的风险。当信息不以逻辑、简洁和有意义的形式提供给指挥官时，问题很容易出现。在计划实施过程中，随着战场形势的迅速变化，原计划可能随时失效，因此指挥官需要更快的重新计划能力。人工智能技术可以为指挥官提供及时的替代方案。

机器学习可以用来发展战斗策略。然而，许多机器学习算法不足以在空战中找到最佳策略。q学习是一种强化学习算法，可用于空战目标分配。该算法可以在不使用大数据集或推理信息的情况下学习最优代理的状态和行为组合。

有时人工智能算法需要一系列类似场景的行为原则。在这种情况下，转移学习可以用来减少学习时间。例如，当在不同的2比2空战场景中学习作战规则时，可以使用已经有2比1空战场景经验的代理。实验研究表明，这种智能体具有操作优势，因为它可以最大限度地减少进一步的学习过程。使用迁移学习可以在新场景中快速发展代理的行为。

4.2 简化参谋工作流程

人工智能技术可用于在计划执行期间自动生成报告摘要。在层级命令结构中，上级需要从下级接收信息。如果没有报告摘要，上级会收到过多的信息。传统的摘要报告需要复制并粘贴原始文档中的相关内容。目前，可以使用序列到序列深度学习算法和摘要生成方法对报告进行总结，以加快报告的报告速度。此外，还可以使用将语音转换成文本的方法，目前的人工智能技术已经可以实现相对准确的语音识别能力。