陆军一直认为有必要将其决策建立在行之有效的作战研究方法的基础上,这些方法旨在为指挥部提供决策过程中的替代方案,从优化战役到战略评估和成本经济学。战斗伤亡是军事行动研究的一个主题,它应用数学模型来量化胜利与失败的概率。特别是,已经提出了不同的方法来模拟战斗过程。然而,这些方法都不能为高层指挥提供足够的决策支持。为了克服这种情况,本文提出了一个颠覆性的框架,它克服了传统模型的大多数局限性,支持最高指挥层的决策:战略层和战役层,将确定战斗力水平的衰减(通常称为减员(损失))作为评估决策的机制。该框架采用自适应和预测控制工程方法,根据战斗变化进行动态调整,同时考虑到对手的能力和演习以及产生的效果。此外,它还包括一个学习机制,以改进高不确定性条件下的决策。

引言

兰彻斯特(Lanchester)在战斗动力学建模方面的开创性工作[1]启发了对战斗抽象发展的重要研究,以支持不确定条件下的军事决策,追求如何在战斗中取得优势。长期以来,兰彻斯特的原始模型及其不断演化的扩展模型[2]一直主导着常规陆军力量平衡的动态评估,被主要机构(如美国陆军、国防部长办公室等)用于评估各种问题(如评估战区平衡[3, 4]、指导武器装备选择决策[5]等)。

然而,值得注意的是,兰彻斯特模型有其重要的局限性,例如,它们只进行了过于简单的单面处理,而没有考虑对手的能力,并且不能用于分类交战[6]。

另一个需要考虑的问题是决策程序所支持的抽象层次。军事理论通常将指挥层次分为以下三个等级:

1.战略层次从最抽象的角度研究冲突,从整体上考虑战争的最终结果。它涉及军事力量的整体规划、资源分配和组织。此外,它还确定并支持国家政策。

2.战役层面涉及战役和主要行动的设计、安排和执行。

3.战术层面在战场上实施战役行动。

有趣的是,大多数决策方法,包括非兰彻斯特的决策方法,都集中在战术指挥层面[6,7]。换句话说,现有决策系统对作战和战略指挥层面的支持不足。

本文提出了一个创新框架,它克服了兰彻斯特模型的大部分局限性,并支持最高指挥层的决策:战略层和作战层。我们的框架应用了自适应和预测控制工程方法,以动态适应战斗中的变化,同时考虑到对手的能力和演习以及产生的效果。此外,它还包括一个学习机制,以改进高不确定性条件下的决策。

最后,本文报告了我们的框架在克里特岛战役、硫磺岛战役和库尔斯克战役中的实证评估。这本身就是一个相关的贡献,因为大多数关于军事决策的文献都缺乏足够的实验验证。特别是,大多数验证都是按照非现实的假设[8]或依赖于简单化的编造例子[9]的数学程序进行的。

本文的其余部分按以下顺序组织。第2节描述了我们的框架工作,第3节报告了其经验验证。最后,第4节提供了一些结论性意见并讨论了未来的挑战。

支持战役战略决策的框架

在经典的兰彻斯特模型之外,还有两种主要的战争分析机制:(i)随机模型和(ii)确定性模型,其中一 些是传统的兰彻斯特模型[10,11]。目前,智能代理等其他方法正获得巨大发展[12,13]。这些新模型的目的是扩展能力[6,9]和减少以前方法的缺点[14,15]。然而,它们无法成为高层决策的适当基准。

本框架克服了兰彻斯特原著的局限性,[16, 6]中对这些局限性进行了深入探讨,将战斗视为一个因果过程,该过程根据兰彻斯特方程的动态变化和外部行动而演变。为此,我们的方法应用了[17]中介绍的自适应和预测控制理论,并结合了不确定性建模技术。我们的方法架构由一系列模块组成,这些模块协同工作,确保按照军事理论协调一致地进行决策。特别是,一组顺序阶段触发了适用战略的定义、不同可能行动方案(COA)的评估和选择,以及模型对行动演变的适应。

图中x(t)和y(t)分别表示每一瞬间x部队和y部队的战斗员数量,x(t+1)e和y(t+1)e表示下一瞬间的估计战斗员数量。

图1. 我们框架的架构设计。每个模块都代表了军事思维的机制,即:(i)评估战斗事件,以确定应遵循的战略并选择完成任务的COA;(ii)确定执行任务所需的资源;最后(iii)适应结果。

实施需要逻辑过程能力,并应模拟从预测到行动的决策过程。在此背景下,我们制定并测试了新的框架(如果其在实际对抗中的应用在性能和一致性方面符合预期,则该框架将是稳健的)。

图2 新框架中通过顺序模型触发选择特定COA的主要因素。

图2显示了迭代触发特定COA选择的基本要素。预测模块产生预测演变。自适应模块根据输出信号(实际情况)与预测信号之间的差异调整组成模块的参数,并根据最后执行的COA进行适当更新。专家模块通过调度模块试图改变预测模块所定义的趋势,从而根据战斗需要改变行动路线。值得注意的是,设定点与完成任务有关,行动发展时间是操作时间,在最好的情况下,可用的冲突信息数据库通常以天为单位表示。

成为VIP会员查看完整内容
87

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《可信深度强化学习用于多效协同防御作战:综述》
专知会员服务
58+阅读 · 2023年6月19日
《自动化支持下的军事战役-战略决策》154页博士论文
专知会员服务
109+阅读 · 2023年3月8日
《探讨未来军事技术的可能性》美国陆军2022最新52页报告
专知会员服务
86+阅读 · 2022年12月28日
国家自然科学基金
25+阅读 · 2015年12月31日
国家自然科学基金
22+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
34+阅读 · 2014年12月31日
国家自然科学基金
44+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
41+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2023年9月1日
Arxiv
145+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
362+阅读 · 2023年3月31日
Arxiv
10+阅读 · 2020年11月26日
VIP会员
相关VIP内容
《可信深度强化学习用于多效协同防御作战:综述》
专知会员服务
58+阅读 · 2023年6月19日
《自动化支持下的军事战役-战略决策》154页博士论文
专知会员服务
109+阅读 · 2023年3月8日
《探讨未来军事技术的可能性》美国陆军2022最新52页报告
专知会员服务
86+阅读 · 2022年12月28日
相关资讯
相关基金
国家自然科学基金
25+阅读 · 2015年12月31日
国家自然科学基金
22+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
34+阅读 · 2014年12月31日
国家自然科学基金
44+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
41+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员