《基于深度强化学习与可解释AI的战斗机导航与作战研究》

本文开发了一种基于人工智能的战斗机智能体，通过定制化Pygame模拟环境实现多目标任务求解。该智能体采用深度强化学习（DRL）算法，核心功能包括环境高效导航、目标点抵达、选择性接敌/避敌。研究通过奖励函数平衡多目标优化，结合超参数调优提升学习效率，实现超过80%的任务完成率。为增强决策透明度，采用事实-反事实对比分析方法：通过比较智能体实际选择动作（事实动作）与替代动作（反事实动作）的奖励差异，揭示其决策逻辑。本研究表明DRL与可解释AI（XAI）在多目标问题求解中的协同潜力。

近年来，AI技术快速发展，已在多个领域展现变革性力量。从1997年国际象棋超越人类，到攻克复杂围棋博弈，AI逐步实现高风险战略任务的自主执行。强化学习（RL）作为AI子领域，通过试错机制使智能体自主探索有效行动策略，摆脱了对人类专家数据的依赖。

在战机导航与作战领域，已有研究存在以下局限：仿真模型聚焦空战场景模拟，缺乏DRL算法设计与奖励函数优化；虽涉及强化学习，但未通过事实-反事实分析实现决策可解释性，且未阐明智能体效率提升机制；飞行员训练系统侧重训练场景构建，其奖励机制局限于训练目标导向，未实现效率与资源管理的复杂平衡；采用简单奖励函数（如击落目标/规避坠毁），难以支持长短期决策权衡的精细化学习

本研究针对上述缺陷进行系统性改进，主要贡献包括：

1. 多目标平衡奖励框架：融合效率优化、资源管理与智能决策的复合奖励机制
2. 可解释性增强方法：通过事实-反事实对比分析，提升智能体决策透明度与逻辑可溯性

研究分为以下几个主要部分：首先，开发了一个定制的模拟环境。接下来，使用双深度 q 学习（DDQN）算法训练战斗机智能体做出战略交战决策。然后，重点优化任务资源，并通过事实和反事实情景解释智能体的决策过程。通过解决优先级排序、自适应行为和风险评估等挑战，这项研究旨在推动复杂多目标场景下智能自主系统的发展，最终增强人工智能在高风险环境中的作用。