军事；任务规划；任务分配；路径规划；机器学习；启发式优化算法
任务规划相关理论发展主要经历了3个阶段,第1阶段以军事运筹学、控制理论等相关理论为基础,主要目标是实现辅助计算;第2阶段以专家系统、智能优化等相关理论为基础,主要目标是实现辅助决策,降低人的工作负荷;第3阶段以深度学习、数据挖掘等人工智能领域的最新理论成果为基础,主要目标是实现决策的自主化和智能化.
什么是路径域、目标域、预演域、终段域
基于面向作战应用的任务规划技术主要解决4个域的实际问题:路径域、目标域、预演域、终段域。 在路径域含任务分配、航迹规划问题; 目标域含目标分析、毁伤计算、突防分析问题; 预演域含仿真推演、攻防对抗问题; 终段域含远程管控、效能评估问题. 以路径域为例,对于路径域的任务分配技术,首先出现的是基于线性规划和整数规划的任务分配方法[18],随着智能优化算法的发展,合同网络[13,19]、蚁群算法[20]、遗传算法[21]等一系列智能优化算法被用来解决任务分配问题.对于路径域的航迹规划技术,基于Voronoi图的路径规划方法、基于共同进化的规划方法等,基本属于数学规划方法层面,后逐步演变为一般优化算法、启发式优化算法、决策树模型等。其典型技术发展路线图如图所示。
采用算法
任务分配
启发式优化算法
用于解决NP问题。
NP问题：P就是在多项式时间内可以解决的，比如你对这个程序的输入量为N，那么那可以在N^k（N的k次方）解决，并且k是一个固定的常数，而剩下的问题可以归为NP问题。
蚁群算法
蚁群算法 (ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。生物学启发：各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找到食物以后，它会向 环境释放 一种挥发性分泌物pheromone (称为信息素,该物质随着时间的推移会逐渐挥发消失，信息素浓度的大小表征路径的远近)来实现的，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物。有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果另开辟的道路比原来的其他道路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。
蚁群算法的主要特点就是：通过正反馈、分布式协作来寻找最优路径。这是一种基于种群寻优的启发式搜索算法。它充分利用了生物蚁群能通过个体间简单的信息传递，搜索从蚁巢至食物间最短路径的集体寻优特征，以及该过程与旅行商问题求解之间的相似性。得到了具有NP难度的旅行商问题的最优解答。旅行商问题：一个售货员必须访问N个城市。如果把问题模型化一个具有N个顶点的完全图，就可以说这个售货员想做一次巡回旅行，或经过哈密顿回路，恰好访问每个城市一次，并最终回到了出发的城市。从城市i到城市j的费用记做C（i，j），旅行商希望整个旅行的费用最低。
遗传算法
遗传算法（Genetic Algorithm, GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。
遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。
粒子群算法
粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。PSO的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
基本思想：粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。下面的动图很形象地展示了PSO算法的过程：
[
](https://blog.csdn.net/daaikuaichuan/article/details/81382794)
模拟退火
模拟退火算法(Simulated Annealing, SA)的思想借鉴于固体的退火原理，当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趋于有序，最终，当固体处于常温时，内能达到最小，此时，粒子最为稳定。模拟退火算法便是基于这样的原理设计而成。
模拟退火算法是一种通用的优化算法，其物理退火过程由加温过程、等温过程、冷却过程这三部分组成。
Agent技术
Agent的研究起源于分布式人工智能。Agent是模拟人类的行为和关系、具有一定智能并能够自主运行和提供相应服务的程序。
多Agent：分布式人工智能（DAI）是人工智能研究领域的一个重要分支，也是当前人工智能和分布式系统研究最为活跃的方向之一。分布式人工智能系统由多个Agent组成，每个Agent又是一个半自治系统，这些Agent之间以及Agent与环境之间都是并发的，需要进行交互，DAI研究工作大致分分布式问题求解（DPS）和多Agent系统（MAS）两个方向。
移动Agent：随着网络技术的发展，可以让Agent在网络中移动并执行，完成某些功能，这就是移动Agent（Mobile Agent）的思想。移动Agent具有很多优点，移动Agent技术通过将服务请求Agent动态地移到服务器端执行，使得此Agent较少依赖网络传输这一中间环节而直接面对要访问地服务器资源，从而避免了大量数据地网络传送，降低了系统对网络带宽的依赖。
航迹规划
Voronoi图法
在路径规划中，需要保证在不触碰障碍物的前提下规划出最短路径。在Voronoi图方法中，对于可以近似成质点的障碍物, 规划沿着环境障碍物的Voronoi边行走； 对于不能近似成质点的障碍物，运用扩展的Voronoi图理论进行路径规划，使其触碰到障碍物的几率最低。
基于共同进化的规划方法
共同进化算法中多个物种群体组成物种群落, 群落中的各物种群体在进化过程中相互影响, 物种群落随着各物种群体的进化而进化。应用基于共生机制的共同进化算法求解问题时, 通常把问题分解为几个子问题, 每个子问题对应一个种群, 每一个进化个体仅仅对应问题的部分解, 由不同种群个体构成的一个共生体对应问题的一个完整解。种群间的相互作用通过个体适应度来评价和衡量, 从而引导各群体向着有利于相互协调共同适应的方向进化, 产生合作行为。共同进化有两种模型，即合作型和竞争型。合作型共同进化算法适用于路线决策，其实质是从每个可行路线中在现有资源状况约束下，实现调度目标。
决策树模型
决策树和很多其他的机器学习算法不同，其他的机器学习算法，有的一般只用于分类（Classification）预测，有的一般只用于回归(Regression)分析。而决策树，是既可以做分类预测，也可以做回归分析。决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶子节点代表一种类别。
树的组成：
根节点：第一个选择点
非叶子结点与分支：中间过程
叶子节点：最终的决策结果
两大特征：从根节点开始一步步走到叶子节点（决策的过程）
所以的数据最终都会落到叶子节点，既可以做分类也可以做回归。
专家系统
专家系统是人工智能领域的早期成果,其以规则的形式表达领域专家的知识,采用推理机对当前事实进行推理,在某一个狭窄领域获得与领域专家相似的能力,是任务规划系统实现自主决策的重要理论支撑。专家系统是当今人工智能，深度学习和机器学习系统的前身。从20世纪80年代至今,在工业经济、农业基础科学、航空航天科学与工程、武器工业与军事技术等相关应用领域发表了大量研究文章,在任务规划领域主要用于构建指挥决策模型,提高任务规划系统的自主化水平。重要特征
1.最高专业水平： 专家系统提供最高水平的专业知识。它提供了效率，准确性和富有想象力的问题解决方案。 2.正确的时间反应： 专家系统在非常合理的时间段内与用户进行交互。总时间必须小于专家为同一问题获得最准确解决方案所花费的时间。 3.良好的可靠性： 专家系统需要可靠，并且不能犯任何错误。 4.有效机制： 专家系统必须有一个有效的机制来管理其中现有知识的汇编。 5.能够处理具有挑战性的决策和问题： 专家系统能够处理具有挑战性的决策问题并提供解决方案。构建专家系统的过程
1.确定问题的特征
2.知识工程师和领域专家协调一致地定义问题
3.知识工程师将知识转化为计算机可理解的语言。他设计了一个推理引擎，一个推理结构，可以在需要时使用知识。
4.知识专家还确定如何在推理过程中整合不确定知识的使用以及哪种解释有用。
包括组件：
因此，专家系统的成功主要取决于高精度的知识。
专家系统的应用
用于某一特定领域内的专家系统，可以划分为以下几类： 1、 诊断型专家系统：根据对症状的观察分析，推导出产生症状的原因以及排除故障方法的一类系统，如医疗、机械、经济等。 2、 解释型专家系统：根据表层信息解释深层结构或内部情况的一类系统，如地质结构分析、物质化学结构分析等。 3、 预测型专家系统：根据现状预测未来情况的一类系统，如气象预报、人口预测、水文预报、经济形势预测等。 4、 设计型专家系统：根据给定的产品要求设计产品的一类系统，如建筑设计、机械产品设计等。 5、 决策型专家系统：对可行方案进行综合评判并优选的一类专家系统。6、规划型专家系统：用于制定行动规划的一类专家系统，如自动程序设计、军事计划的制定等。
7、 教学型专家系统：能够辅助教学的一类专家系统。 8、 数学专家系统：用于自动求解某些数学问题的一类专家系统。
9、 监视型专家系统：对某类行为进行监测并在必要时候进行干预的一类专家系统，如机场监视、森林监视等。
参考文献
[1]孙鑫,陈晓东,曹晓文,严江江.军用任务规划技术综述与展望[J].指挥与控制学报,2017,3(04):289-298.
[2]https://blog.csdn.net/Nazarite_wen/article/details/8463640
[3]https://www.jianshu.com/p/ae5157c26af9
[4]https://blog.csdn.net/daaikuaichuan/article/details/81382794
[6]许松清,吴海彬,林宜,高洪张,陈天炎.基于Voronoi图法的移动机器人路径规划[J].中国工程机械学报,2005,{4}(03):336-340.
[7]叶媛媛,闵春平.多无人机协同航路规划的共同进化方法[J].计算机仿真,2007,{4}(05):37-39+149.DOI:10.3321/j.issn:1003-8728.2005.08.011.
若有收获，就点个赞吧
0 人点赞
