基于多任务优化和人工智能赋能态势感知技术的作战任务管理

作战任务管理

随着作战任务和系统的复杂性不断增加，在正确的时间做出正确的作战决策需要（1）实时态势感知，以及（2）提供自动建议的决策支持系统。这两项功能是作战任务管理系统（MMS）的核心。

态势状态

作战任务管理系统（MMS）提供的态势包括在作战任务背景下与我军及其周围战场的当前状态有关的信息。例如，最新态势信息可包括：

我方部队和系统的状态，以及友军和敌军部队的状态。
与我方部队和系统有关的各种任务性能参数，包括过去的性能以及当前和未来的估计性能。
我方系统行为的异常情况，可能由故障、干扰或相互干扰、天气条件等造成。
有关敌方部队和系统的最新情报。
敌方活动的异常情况，包括其行动概念（CONOPS）和系统参数。

上述态势通常来自对各种信息源数据的分析，例如

传感器输出，包括雷达、信号情报系统、光学/电光传感器、声学传感器等。
指挥与控制（C2）输出。
人类情报信息。

可以使用启发式算法等传统方法和机器学习（ML）和人工智能（AI）算法等最新方法进行分析。

自动建议

作战任务管理系统（MMS）会根据先验情报信息（任务开始前）或任务期间的最新情况提出自动建议。这些建议的重点是部队和系统可以采取的行动，例如可以包括

改变部队部署。
平台位置/轨迹变化。
系统配置更新，如频率分配修改。
系统资源重新分配，即改变传感器、效应器、发射器或平台对目标和感兴趣区域/体积的分配。

作战任务管理系统的决策支持部分通常基于模拟和优化工具的结合。模拟用于估计在各种情况下会发生什么，而优化过程则决定应检查哪些情况，并选择最合适的配置。

此外，作战任务管理系统的决策支持组件还可以采用逻辑算法，针对一组预定义事件提出建议的应对措施。例如，如果地基雷达测得某一空间区域和特定频率范围的噪声水平增加，即使没有干扰源的具体信息，也可以采取一些措施来缓解这一问题。这些措施可包括，例如，改变雷达的发射频率、调整搜索模式或对某些角度范围禁用轨迹初始化。逻辑算法可利用文献中已知的方法，如决策树和随机森林。

多任务优化

目前可用的作战任务管理系统大多针对单一任务。然而，多任务作战任务管理系统(MM-MMS) 可以提高作战任务的性能，因为它们可以管理多个任务共享的资源。

最突出的共享资源是电磁频谱，它被任何发射或接收电磁辐射的系统所使用。这些系统包括无线通信系统、全球导航卫星系统（GNSS）接收器、雷达、信号情报系统、电子战系统等。当今大多数作战任务都严重依赖无线通信网络和/或全球导航卫星系统接收器，因此很容易受到相互干扰、干扰或欺骗。确保持续共存的唯一方法是进行实时频谱管理，同时考虑到区域内所有依赖频谱的系统，这些系统可能用于多项任务。

共享资源的另一个例子是军用运输车，它可以为不同地点的不同单元服务，但在特定时间只能有一条路径。

多任务作战任务管理系统(MM-MMS)的主要技术挑战是多任务优化。多任务优化的特点是

必须同时优化的自由度数量非常大，导致计算复杂度和内存需求高。
不同自由度背景下的多样性。传统的优化算法通常处理单一类型的问题，如部署、轨迹规划或资源分配。多任务优化通常需要同时解决两类或多类问题。

此外，定义目标函数对于多任务优化尤其困难。优化目标函数通过为每个检查方案提供性能评分，决定了优化过程试图优化的内容。对于多任务作战任务管理系统(MM-MMS)，目标函数可能会考虑任务优先级和任务相互影响等问题。为了获得有意义的结果，目标函数通常要通过广泛的运筹学研究来校准。强化学习也可用于使目标函数适应作战团队的需要。

基于人工智能的态势感知

如上所述，使用人工智能算法可以获得态势感知。

在作战任务管理系统中，人工智能算法必须支持使用小型数据集进行模型训练，以便灵活应对战场上的快速变化。此外，算法应基于最少的假设，以减少模型失配并产生准确的结果。常见的人工智能算法通常只符合其中一项要求。例如，深度神经网络（DNN）只需要很少的先验信息，但却需要大量的训练数据集。

与此相反，高斯混合模型（GMM）和支持向量机（SVM）基于特定的模型假设，但小规模的训练集通常就足够了。

Omnisys 是为以色列国防和国土安全提供任务优化解决方案的领先供应商，其开发的专有算法套件之一被称为 "敏捷统计建模"（ASM）。它是根据上述要求开发的。此外，ASM 还是一种白盒方法，即其模型易于可视化和手动调整。这一特性在处理战略任务时非常重要，因为战略任务的误差往往是不可接受的，而提前估计系统在各种情况下的性能的能力则至关重要。