《开发威胁和能力协同进化矩阵：应用于塑造分布式海上作战的灵活指挥和控制组织结构》美海军NPS 18页报告

美国负责采购和维持的国防部副部长办公室（OUSD A&S）的任务是快速和低成本地向作战人员和国际合作伙伴提供和维持安全和有弹性的能力。现在迫切需要开发适应性采购框架（AAF），以加快软件开发和采购流程，加强作战概念（CONOPS），如分布式海上作战（DMO）。国防部（DoD）必须利用与国防战略和全球威胁的性质相联系的数据驱动的分析来塑造AAF，并扩展新的能力来应对新的威胁。威胁和能力共同演化矩阵（TCCM）解决了这一要求。威胁是一种能力试图处理的问题。一种能力是代表威胁的问题的解决方案。共同进化算法探索了一些领域，其中一个能力或能力组合的质量由其成功击败一个威胁或威胁组合的能力决定。TCCM有可能在新的和有争议的环境中系统地优化、推荐和共同演化能力和威胁。我们展示了一个关于帮助项目执行办公室（PEO）使用从公开来源汇编的非机密数据对特定领域DMO的能力和威胁进行战役的用例。

引言

不仅美国防部负责采购和维持的副部长办公室（OUSD A&S）有必要制定采购战略，而且整个国防部也有必要应用数据驱动的分析以及与国防战略和全球威胁的性质相联系的创新和适应性作战概念（CONOPS），并为作战人员扩展新的能力。

例如，为了提高部队的总体战备能力，并在广泛的行动和冲突频谱中随时投射战斗力，海军需要灵活的指挥和控制（C2）组织结构来满足CONOPS。例如，DMO是海军的一个CONOPS，而远征先进基地作战（EABO）是美国海军陆战队（USMC）的一个CONOPS。DMO和EABO都是海战现代化的新兴作战概念。PMW 150是PEO C4I的C2系统项目办公室，也是C2解决方案的主要提供者，它的工作重点是将作战需求转化为海军、海军陆战队、联合部队和联军作战人员的有效和可负担的作战和战术C2能力。PMW150的任务是 "以创新的方式满足相关能力的操作要求，使作战人员能够保持C2的优势"（Colpo，2016）。

另一方面，美国舰艇的海上行动，特别是在沿海地区，将继续存在争议和危险；因此，当务之急是发展DMO和EABO，以实现统一的行动愿景。DMO的目的是在有争议的环境中支持国家和战略目标。DMO的概念不仅将进攻性打击视为在战斗中获胜的主要战术，而且还将欺骗和迷惑敌人的能力确定为在有争议的环境中获得成功的关键任务。目前的工作重点是将现有的平台、系统和能力与DMO的具体战术相结合，以实现海上战略和作战目标。DMO被定义为 "通过使用可能分布在遥远的距离、多个领域和广泛的平台上的战斗力来获得和保持海上控制所必需的作战能力"（海军作战发展司令部[NWDC]，2017）。

DMO作为海军和海军陆战队资产运作的一个概念，其发展源于分布式杀伤力（DL）模型（Popa等人，2018）。DMO的概念采用了DL的扩展观点，由三个支柱组成：通过网络射击能力提高单个军舰的攻击力，将攻击能力分布在广泛的地理区域，并为水面平台分配足够的资源，以实现增强的作战能力（Rowden, 2017）。DMO还强调在所有领域，包括空中、地下和网络战，都需要更有弹性和可持续性的水面平台。DMO的未来观点是成为以舰队为中心的战斗力，通过整合、分配和机动性，允许在多个领域（有争议的空中、陆地、海上、太空和网络空间；国防部，2018）同时和同步执行多种能力和战术，以便在复杂的有争议的环境中战斗和获胜（Canfield，2017）。因此，DMO不仅包括传感器、平台、网络和武器的传统战争能力，而且还延伸到随着新技术发展的其他战术。DMO概念使用涉及ISR、机器学习（ML）和人工智能（AI）的先进探测和欺骗，特别是使用无人系统来增强进攻性战术行动的能力；因此，通过潜在地利用平台、传感器、武器、网络和战术的不同组合，可以在所有海上领域放大一支多样化但统一的部队的战斗力。

DMO的概念包括详细的能力，如反措施、反目标和反介入的战术。反措施是旨在转移威胁的防御性能力。反目标可能是进攻性能力、欺骗性战术和转移威胁的作战演习。欺骗性战术包括无人资产群、机械和物理反措施、电子干扰和限制电磁辐射，或排放控制（EMCON）。反介入是为了消除威胁。

传统上，基线部队结构由一组固定的友军舰艇和飞机组成，排列成行动组，包括航母打击组（CSG）、远征打击组（ESG）、水面行动组（SAG），以及各种独立的可部署单位，如EABO的远征海军部队。

DMO的行动要求包括能力、人力、维护和供应等资源，需要仔细分析、计划和执行，这需要正确的数据战略、分布式基础设施和深度分析。威胁与能力协同进化矩阵（TCCM）的技术概念解决了DMO和EABO行动的要求。威胁是一种能力试图处理的问题，包括其复杂性和紧迫性。一种能力是代表威胁的问题的解决方案。来自ML/AI社区的协同进化算法探索了一些领域，其中能力或能力组合的质量由其成功击败威胁或威胁组合的能力决定。战争游戏模拟中使用的协同进化算法类似于国防应用中广泛使用的蒙特卡洛模拟，只是它们参与了预测和预报、优化和博弈（minmax）算法等ML/AI。DMO和EABO概念要求处理不断变化和发展的威胁的能力和资源网络的灵活性和进化。