《基于兵棋数据分析来确定关键决策点》340页

当今的军队利用最新技术，在全球各地参与复杂的冲突和行动。这些不同的行动可能在同一战区同时发生。要在一次交战或多个地点和交战中处理各种行动，需要一支能力超强的部队。然而，由于现代战场上因果关系模糊不清，导致规划困难重重，无法最有效地利用这种能力。

联合作战规划过程往往是数据、人力和时间密集型的，行动方案（COA）必须在敌方决策周期内规划和执行，同时为下级指挥层留出规划时间。这意味着计算负担会随着现代作战空间中系统和行动者数量的增加而急剧加重。此外，规划过程中最耗时的部分是 COA 分析和兵棋推演。这就凸显了我们的研究目标：开发一种方法，利用新的流程来分析和评估 COA 备选方案，从而为军事规划人员提供帮助。

这种方法将借鉴动态适应性规划的优点，即利用反应性和预测性方法调整规划，以保持作战效能。具体做法是通过分析模拟兵棋推演数据，确定监测作战空间的先行指标和衡量标准。通过分析战斗空间内地形、系统和行动者之间的交互影响，假设与特定战场配置相关的先行指标和度量标准将有助于识别战场启发式方法。

从模拟数据中获取可操作知识的愿望给这一问题带来了特定的挑战。兵棋推演不同的场景将导致需要分析的异构数据库，因为模拟规划的变化会对模拟行动的时间长短产生影响。此外，这些异构数据具有时间性，其中的指标是与模拟战场上发生的事件相关的时间序列。利用这些数据限制来开发方法，选择了分层聚类法，并使用动态时间扭曲算法进行相似性测量。此外，还创建了一种新的聚类验证方法，利用树枝图的相似性高度和聚类内结果的统计意义来确定不同链接算法之间的相对价值。

为验证本论文提出的假设，进行了一系列实验。第一个实验是测试聚类数量对通过使用 HSig 指数提供的链接方法排名的影响。下一个实验的目的是验证假设，即除了传统的 MOE 和 MOP 外，还需要 CAP 数据来识别 CDP。此外，在从数据和 CDP 分析中提取众所周知的国际象棋启发式方法时，将展示从与特定战场配置相关的领先指标和衡量标准中识别战场启发式方法的能力这一总体假设的可操作性。

随着棋子数量、棋盘大小或场景中参与者数量的增加，分支因子也会增加。最后的实验将通过将该方法应用于两个缩小的数据集来研究问题的规模会对该方法产生什么影响。对于复杂的组合问题，可能无法获得详尽的数据集。做这个实验是为了显示数据的大小和性质对方法论的影响。这有助于在进行分析前了解数据投资的水平。

在实验 1、2 和 3 的相关实验竞争下，从蓝方智能体的角度出发，在蓝方和红方智能体之间的地面战斗场景的基于智能体的模型中使用了该方法。这样做是为了说明该方法从兵棋推演模拟转向基于智能体的全面建模和模拟兵棋推演套件的优点。模拟战场的特定数据被用来影响智能体的运行，因为它们试图实现目标。此外，还开发了 COA 组件，作为与红色智能体交战路线和顺序的变化。共模拟了 600 次 COA，每次模拟都收集了能力和位置数据。对每项指标都采用了 CADRe 方法，并尝试识别 COA 和 CDP。

本论文的主要贡献是对兵棋推演数据进行了增强的 COA 分析，从而确定了决策点和启发式方法。其动机是希望提供识别成功 COA 评估指标模式的能力。在这里，利用 CADRE 方法成功地实现了这一目标。通过制定和实验，这项工作帮助创建了考虑内部群组相似性和情景结果统计意义的群组验证指数。此外，这项工作还通过确定元素数量和基本兵棋推演的复杂性比例对联系算法、HSig 指数、决策点识别和启发式方法的选择和性能的影响，进一步拓宽了分析范围。这促使下一个贡献，即在不同分辨率下分析数据的过程，称为 HSig 优化。

对数据的形式和复杂性的影响进行了调查。这是为测试该方法而进行的实验的结果，实验发现该过程的输出、COA 和 CDP 的质量各不相同。这种影响背后的主要驱动因素取决于数据检索过程的相关因素。

接下来，利用 CADRE 方法对度量敏感性的影响进行了调查。这项调查确定了度量标准中的这种敏感性，并在这项工作中进行了介绍。因此，作为额外的贡献，该方法能够分析性能指标对作战空间和相关决策空间的敏感性。

为比较 CADRE 方法的结果，确定了一个基线分析。结果表明，利用 CADRE 方法所获得的洞察力是无法单独通过基线分析案例来确定的。没有其他方法可以从基线案例中获得群集信息。结果表明，在MOPs的传统散点图上使用特定群组信息的能力使 CADRE 信息能够从多个维度进行观察。因此，可以利用 CADRE 方法进一步加强传统的决策范式，或将其作为一种独立的范式。