知识牵引与数据驱动的兵棋AI设计及关键技术

在分析知识推理型与数据学习型兵棋人工智能(artifical intelligence, AI)优缺点的基础上, 提出了基于知识牵引与数据驱动的AI设计框架。针对框架中涉及的基于数据补全的战场态势感知，基于遗传模糊系统的关键点推理，基于层次任务网的任务规划、计划修复与重规划，基于深度强化学习的算子动作策略优化等关键技术进行深入探讨。结果表明，所提框架具有较强的适应性, 不仅能够满足分队、群队、人机混合等兵棋推演的应用需求, 而且适用于解决一般回合制或即时策略性的博弈对抗问题。     

层次任务网络中的重新规划研究综述

层次任务网络(hierarchical task network, HTN)作为智能规划技术的重要组成部分,已成功应用于无人平台任务规划、应急方案制定等各领域中。由于日益增加的不确定因素对计划执行效果的影响,迫切需要重新规划技术,因此基于HTN的重新规划技术成为近年来的研究热点。首先,通过对当前研究现状的总结梳理,提出了基于HTN的3层重新规划框架。然后,分别从框架中的计划修复、局部重规划和全局重规划3个层次阐述了相应的技术路线与实现细节,针对不同层次指出了目前方法的优势与不足。最后,对该问题未来的研究方向进行了展望,并提出了待解决的关键问题及解决思路。     

层次任务网络中的重新规划研究综述

层次任务网络(hierarchical task network, HTN)作为智能规划技术的重要组成部分,已成功应用于无人平台任务规划、应急方案制定等各领域中。由于日益增加的不确定因素对计划执行效果的影响,迫切需要重新规划技术,因此基于HTN的重新规划技术成为近年来的研究热点。首先,通过对当前研究现状的总结梳理,提出了基于HTN的3层重新规划框架。然后,分别从框架中的计划修复、局部重规划和全局重规划3个层次阐述了相应的技术路线与实现细节,针对不同层次指出了目前方法的优势与不足。最后,对该问题未来的研究方向进行了展望,并提出了待解决的关键问题及解决思路。     

基于遗传模糊系统的兵棋推演关键点推理方法

近年来,基于人工智能技术的自动化作战推演越发受到重视,但是由于有效地采集作战推演数据难度较大,许多依赖数据学习的人工智能技术效果不佳。在结合专家知识和作战推演数据的基础上研究作战推演中的人工智能技术,是一种可行的替代方案。为此,立足兵棋推演设计了关键点推理遗传模糊系统(genetic fuzzy system, GFS)框架,有效整合了对兵棋专家知识的建模和对兵棋复盘数据的学习,从而提高了关键点的推理质量。进一步以安全点为例,构建了安全点推理GFS,在初始化模糊系统规则库的基础上,通过合理设计遗传算法中的参数编码、适应度函数、遗传算子等,实现了安全点推理模糊系统的遗传调优算法。最后,通过实验仿真展示了所提方法的可行性和实用性。