随着美国防部努力将机器学习(ML)和人工智能(AI)等先进技术纳入决策支持产品,仅靠计算机科学不足以说明系统的复杂性以及创建系统的科学家和工程师的偏见。此外,作战人员需要有能力收集、分析和可视化基于社会行为的数据,以支持对复杂的战斗环境进行及时和有效的决策,如多域作战管理指挥和控制(MD BMC2)。填补这一空白的尝试之一是基于建模和仿真(M&S)的美国防部军事演习。然而,兵棋推演并没有有效地利用技术,如AI/ML,来协助预测红蓝军对动态变化的反应,如交战规则(ROE)的变化。需要一种新的任务工程方法来解决这些问题。
在本文中,我们提出了这样一种任务工程方法和系统,即利用计算社会科学(IWACSS)影响作战人员的行动,以填补传统美国防部兵棋推演和新兴计算社会科学的空白。IWACSS将社会领域纳入战斗管理,其中需要实时分析以支持及时决策。我们对以前的文献和专利进行了广泛的研究,发现尽管以前的兵棋推演已经纳入了社会科学的各个方面,但这些尝试未能提供基于数学预测的计算结果,这些预测考虑了社会参数对战斗结果的影响(例如,一阶、二阶和三阶影响)。事实上,对于这些方法来说,基于人类社会行为的感知随机性,应用预测技术的概念是有限的。IWACSS通过应用基础的随机数学和CSS技术与强化学习(RL)相结合,克服了这一局限性,改善了及时的决策,并提供了包括置信度的预测结果。
IWCSS方法使终端用户能够完成以下复杂的任务工程功能:
使用IWACSS原型对三种备选的COA产生了初步的结果。对这些结果进行了比较,看它们如何满足指挥官对选定指标的标准,包括任务成功概率(Psuccess)及相关的置信区间、成本、附带损害和归属。在模拟战斗中,RL被用来对COA进行动态调整以应对RoE的变化。结果以决策矩阵的形式呈现给最终用户,其中每个作战行动被赋予了一个加权分数,以帮助任务规划者和指挥官确定修改后的作战行动是否带来了更好的计划。