《优化合成战区作战研究模型的情报、监视和侦察（ISR）输入》美国海军研究生院2022最新论文

本文考虑使用卫星上的传感器将观察结果分配到一个离散网格化地理区域的情况。重要的是，至少要在所有网格单元浏览一次，以看到整个行动区域；因此，我们希望获得最大的覆盖范围。其次，我们希望通过任何额外的观察来重新审视高优先级的网格单元。传感器产生一个二维带，在每次经过地理区域时，它可以寻找网格单元，我们将其称为 "扫描"。我们用来观察网格单元的分辨率决定了观察的有效性。我们可以选择使用高分辨率，使我们在更细的细节上有更少的观察，或者使用低分辨率，使我们在粗略的细节上有更多的观察。这使我们可以选择准确地观察少数地方，或不准确地观察许多地方。

这篇论文是在与作为五角大楼联合参谋部一部分的J8局的密切协作下产生和发展的。J8在部队结构、资源和评估方面向参谋长联席会议主席（CJCS）提供建议。这个问题已被提炼为一般的情报、监视和侦察（ISR）问题，但延伸到J8在名为STORM的战区级战役模型中遇到的真正问题。STORM使用一种启发式方法来确定哪些网格单元接受观察。STORM的启发式方法往往会产生不理想的结果，即大面积的兴趣区域被忽略。我们希望改进搜索资产能够执行的网格单元覆盖率。

在这篇论文中，我们制定了一个新颖的、大规模的、混合整数的优化模型，以超越STORM的启发式搜索ISR的表现。该模型被称为SOM，使用间隙指数对自上次查看每个网格单元以来的扫描次数进行惩罚。我们希望避免收集这些惩罚，这促使我们重新访问网格单元。目标函数最小化了这种产生间隙的惩罚。我们使用几个约束条件来维护、重置和跟踪间隙计数器，一个访问所有网格单元的软约束条件，以及一个对网格单元施加最小分辨率的约束条件。SOM的一个独特的特点是它是事件驱动的，在战斗空间上掠过，不以时间为基础。SOM使用实际的STORM数据，有1300多行代码，包括在R中收集数据，在Pyomo中处理和实现模型。

我们在STORM中未分类的Punic21场景上实现了这个模型。在这个场景中，有两个战斗人员。红方和蓝方。我们可以从任何一个角度来实现SOM，每个战斗人员都产生他们自己的变量和约束。为了说明SOM的大规模，在Punic21中，红方搜索蓝方的网格单元，并在92个区域内进行优化，这相当于48小时的时间，我们有超过2500万个变量和1500万个约束。

案例研究以计算和操作结果为中心。计算结果表明，我们可以通过在国际商业机器ILOG CPLEX Optimization Studio（CPLEX）的算法中实施不同的选项来减少运行时间。最重要的选项是提供一个热启动，使用没有外观发生的最坏可能的解决方案。例如，当我们用默认的CPLEX选项在一个有超过200万个变量和100万个约束条件的单处理器上运行SOM时，它需要超过1400分钟，而且没有产生一个解决方案。我们确定了定制的CPLEX选项，减少了运行时间，并在不到5分钟内解决了这个实例。这使我们能够将问题的规模增加到超过2200万个变量和1100万个约束条件，并在不到50分钟的时间内实现11%的优化差距。业务案例研究结果显示，与STORM相比，SOM提供了平均54.6%和中位数22.8%的覆盖率。额外的选项，是SOM原生的，在STORM中不具备的，确保SOM将超过STORM，快速达到最大的覆盖率，随后集中精力将目光分配到最重要的网格单元。

我们看到，根据操作结果，优化模型优于STORM的启发式，并允许我们平衡所有单元的搜索，而启发式则倾向于集中在重要的单元。与STORM的启发式方法重复搜索相同的网格单元相比，SOM指导卫星在哪里寻找，以允许访问每个网格单元并避免大的重访间隙。