作战筹划
作战筹划 人工智能 辅助决策 强化学习 迁移学习 方案推演 指挥控制
概念
所谓作战筹划，就是对战争进行的运筹谋划，主要运用批判性、创新性思维，对战略意图和敌我情况及战场环境加以深刻理解，对战役和战术行动做出总体构想，进而制定出符合实际的行动策略和方法以破解作战问题；时效性、精确性、科学性、创新性。
而作战任务规划，则是适应信息化战争的特点，围绕“任务式指挥”的主线，用智能化和工程化的方法设计战争，将作战行动明确化、具体化、精确化，以便快速生成作战方案、行动计划及任务指令，从而提高指挥员及其指挥机关的指挥效能。
前者体现了用哲学思维对战争进行构思的过程，后者侧重于用智能化和工程化的技术提供战争设计的方法和手段。从作战指挥理论上讲，作战筹划的范畴似乎覆盖作战任务规划，但是传统意义上的作战筹划更多体现的是概略性、思辩性和指导性，没有涉及工程化的筹划方法与手段的运用。随着西方国家军队作战任务规划系统和作战方案计划制定流程的规范化应用，作战筹划正在以战役设计的理念和方法融入作战任务规划之中。
流程
作战任务筹划和作战任务规划，按照时机通常区分为预先筹划、临战筹划和战中筹划。
预先筹划（美军称之为周密计划）是平时基于对战略形势的分析判断，为有效应对战争威胁或突发事件，利用任务规划系统预先进行方案计划的制定，因而作战任务规划时间比较充裕。作战筹划的前提是对未来作战情况的分析预测，起点是上级机关已明确战略意图并已展开总体方案的制定。为使方案计划能够适应各种可能情况，通常按照一场战争多种预案、一种样式多套战法进行筹划，作战任务规划系统可独立于指挥控制系统进行离线作业；
临战筹划（美军称之为危机行动计划）是预见到危机即将来临或者出现战争征候，使用任务规划系统对平时制定的方案计划进行条件匹配和临机修订，快速生成战时可执行的作战方案、行动计划和任务指令。作战任务规划的前提是对当前战场情况或态势演变的分析，起点是危机事件将要发生或者已经发生，上级指挥机构已下达预先号令，或者上级指挥员已定下初步决心，甚至下达了作战命令，因而可供本级筹划的时间相对紧迫，作战任务规划系统与指挥控制系统联为一体并且进行在线闭环作业；
战中筹划（美军称之为当前计划），是在作战实施过程中，基于对战场实时态势以及情况判断，使用指挥信息系统对当前行动、后续行动和情况处置进行的滚动作业，与态势分析、临机决策和行动控制交织在一起，往往将作战任务规划功能嵌入指挥信息系统实施一体化作业。
关键技术
任务分析阶段
- 发现信息：利用无监督学习自编码器，或深度语义哈希算法，为文档添加元标签，从而更快发现与特定主题相关的类似文档。
- 编辑信息：基于自然语言处理的实体识别方法。
- 异常探测：利用自动编码器对信息进行编解码，异常信息会有较多重建错误，这种方法可用于各种问题，包括探测接收的传感器数据中的异常和标记异常报告。除此之外，近期的研究成果还可区分两句话是否存在冲突。
行动方案（COA）生成
对于计划过程而言，人工智能与仿真环境相结合的方法较为成熟，可使用深度强化学习算法来制定行动方案，这种算法可在仿真环境中执行试错实验以度量不同计划的期望效应。仿真环境应尽可能贴近现实，反映战场上各种作战行动所带来的效应，以及道德、后勤供应和难民等其他因素对作战行动的影响。
2008年，美国防高级研究计划局（DARPA）开发了一个被称为“深绿”的军用战术指挥与控制系统，该系统可为指挥官生成行动方案，以便其更主动地管理作战行动，2013年，DARPA已经将该项目转交给了美国陆军。
行动方案分析与推演
在计划制定过程中，可使用定性方法来分析计划。对于定性COA分析而言，当不同的计划小组提出了几种COA后，可使用概念框架来登记领域专家对这些COA的评论，这些专家使用一个模板来创建结构化评论并系统地评估不同COA的各方面特征。之后，可使用一种能够区分各种辩论模型间相同和不同之处的框架来选择和总结各领域专家对不同COA的评论，这种方法可实现对备选COA的结构化分析。
除了定性分析COA外，还可使用定量分析方法。Abbass和Bender在《计算红蓝对抗：过去、现在和未来》一文中提出，可采用将人工智能与多智能体系统进行组合，开展红蓝对抗。这种方法可使指挥官了解各种行动方案的优缺点与动态推演过程中可能存在的事件进展，评估各种行动方案的优缺点和了解敌方行动。
此外，北约最近利用数据耕耘技术（如大规模平行仿真、数据分析和可视化）开发了用于决策支持的数据耕耘系统，该系统可分析不同仿真系统对地面作战计划产生的几十万个仿真输出结果。这是一种将仿真与大数据分析相结合的方法。
计划执行
生成备选行动方案
在执行计划时，可利用人工智能技术快速融合和分析战场信息以便将结果发送给指挥官。指挥官在高压战场环境下需要准确的信息来做出关键决策，但是指挥官通常会获得大量信息，容易产生信息过载的风险。当信息不是以一种符合逻辑、简洁和有意义的形式提供给指挥官时就容易产生问题。在计划执行期间，伴随着战场态势的快速变化，原计划可能会随时失效，因此指挥官需要较快的重新计划能力。人工智能技术可为指挥官及时提供备选方案。
机器学习可用于开发作战战术。但是很多机器学习算法的运算速度不够快，难以使智能体在空战这样的环境中发现最优作战策略。Q学习是一种强化学习算法，可用于空战目标分配。该算法可在不使用大型数据集或推理信息的情况下学习最优智能体的状态和行为组合。
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，可使用迁移学习来减少学习时间。例如，在不同的2对2空战场景中学习作战规则时，可使用已经具备2对1空战场景经验的智能体。实验研究表明，这类智能体具备作战优势，因为这样可最小化进一步的学习过程。使用迁移学习可快速开发一个智能体在新场景中的行为。
简化参谋工作流程
在计划执行过程中，人工智能技术可用于自动生成报告总结。在层级指挥结构中，上级需要接收下级的信息，如果没有报告总结，上级将接收过量的信息。传统的总结报告需要从原始文档中复制和粘贴相关内容，目前可利用序列到序列深度学习算法和摘要生成式方法来总结报告，从而加快报告的上报速度。此外，还可利用将讲话转换为文本的方法，目前的人工智能技术已经可以实现较为准确的语音识别能力。
参考文献
若有收获，就点个赞吧
0 人点赞
