作戰(zhàn)任務管理

隨著作戰(zhàn)任務和系統(tǒng)的復雜性不斷增加，在正確的時間做出正確的作戰(zhàn)決策需要 （1） 實時態(tài)勢感知，以及 （2） 提供自動建議的決策支持系統(tǒng)。這兩項功能是作戰(zhàn)任務管理系統(tǒng) （MMS） 的核心。

態(tài)勢狀態(tài)

作戰(zhàn)任務管理系統(tǒng) （MMS）提供的態(tài)勢包括在作戰(zhàn)任務背景下與我軍及其周圍戰(zhàn)場的當前狀態(tài)有關的信息。例如，最新態(tài)勢信息可包括：

我方部隊和系統(tǒng)的狀態(tài)，以及友軍和敵軍部隊的狀態(tài)。

與我方部隊和系統(tǒng)有關的各種任務性能參數(shù)，包括過去的性能以及當前和未來的估計性能。

我方系統(tǒng)行為的異常情況，可能由故障、干擾或相互干擾、天氣條件等造成。

有關敵方部隊和系統(tǒng)的最新情報。

敵方活動的異常情況，包括其行動概念（CONOPS）和系統(tǒng)參數(shù)。

上述態(tài)勢通常來自對各種信息源數(shù)據(jù)的分析，例如

傳感器輸出，包括雷達、信號情報系統(tǒng)、光學/電光傳感器、聲學傳感器等。

指揮與控制（C2）輸出。

人類情報信息。

可以使用啟發(fā)式算法等傳統(tǒng)方法和機器學習（ML）和人工智能（AI）算法等最新方法進行分析。

自動建議

作戰(zhàn)任務管理系統(tǒng) （MMS）會根據(jù)先驗情報信息（任務開始前）或任務期間的最新情況提出自動建議。這些建議的重點是部隊和系統(tǒng)可以采取的行動，例如可以包括

改變部隊部署。

平臺位置/軌跡變化。

系統(tǒng)配置更新，如頻率分配修改。

系統(tǒng)資源重新分配，即改變傳感器、效應器、發(fā)射器或平臺對目標和感興趣區(qū)域/體積的分配。

作戰(zhàn)任務管理系統(tǒng)的決策支持部分通常基于模擬和優(yōu)化工具的結合。模擬用于估計在各種情況下會發(fā)生什么，而優(yōu)化過程則決定應檢查哪些情況，并選擇最合適的配置。 此外，作戰(zhàn)任務管理系統(tǒng)的決策支持組件還可以采用邏輯算法，針對一組預定義事件提出建議的應對措施。例如，如果地基雷達測得某一空間區(qū)域和特定頻率范圍的噪聲水平增加，即使沒有干擾源的具體信息，也可以采取一些措施來緩解這一問題。這些措施可包括，例如，改變雷達的發(fā)射頻率、調(diào)整搜索模式或對某些角度范圍禁用軌跡初始化。邏輯算法可利用文獻中已知的方法，如決策樹和隨機森林。

多任務優(yōu)化

目前可用的作戰(zhàn)任務管理系統(tǒng)大多針對單一任務。然而，多任務作戰(zhàn)任務管理系統(tǒng)(MM-MMS) 可以提高作戰(zhàn)任務的性能，因為它們可以管理多個任務共享的資源。 最突出的共享資源是電磁頻譜，它被任何發(fā)射或接收電磁輻射的系統(tǒng)所使用。這些系統(tǒng)包括無線通信系統(tǒng)、全球導航衛(wèi)星系統(tǒng)（GNSS）接收器、雷達、信號情報系統(tǒng)、電子戰(zhàn)系統(tǒng)等。當今大多數(shù)作戰(zhàn)任務都嚴重依賴無線通信網(wǎng)絡和/或全球導航衛(wèi)星系統(tǒng)接收器，因此很容易受到相互干擾、干擾或欺騙。確保持續(xù)共存的唯一方法是進行實時頻譜管理，同時考慮到區(qū)域內(nèi)所有依賴頻譜的系統(tǒng)，這些系統(tǒng)可能用于多項任務。 共享資源的另一個例子是軍用運輸車，它可以為不同地點的不同單元服務，但在特定時間只能有一條路徑。 多任務作戰(zhàn)任務管理系統(tǒng)(MM-MMS)的主要技術挑戰(zhàn)是多任務優(yōu)化。多任務優(yōu)化的特點是

必須同時優(yōu)化的自由度數(shù)量非常大，導致計算復雜度和內(nèi)存需求高。

不同自由度背景下的多樣性。傳統(tǒng)的優(yōu)化算法通常處理單一類型的問題，如部署、軌跡規(guī)劃或資源分配。多任務優(yōu)化通常需要同時解決兩類或多類問題。

此外，定義目標函數(shù)對于多任務優(yōu)化尤其困難。優(yōu)化目標函數(shù)通過為每個檢查方案提供性能評分，決定了優(yōu)化過程試圖優(yōu)化的內(nèi)容。對于多任務作戰(zhàn)任務管理系統(tǒng)(MM-MMS)，目標函數(shù)可能會考慮任務優(yōu)先級和任務相互影響等問題。為了獲得有意義的結果，目標函數(shù)通常要通過廣泛的運籌學研究來校準。強化學習也可用于使目標函數(shù)適應作戰(zhàn)團隊的需要。

基于人工智能的態(tài)勢感知

如上所述，使用人工智能算法可以獲得態(tài)勢感知。 在作戰(zhàn)任務管理系統(tǒng)中，人工智能算法必須支持使用小型數(shù)據(jù)集進行模型訓練，以便靈活應對戰(zhàn)場上的快速變化。此外，算法應基于最少的假設，以減少模型失配并產(chǎn)生準確的結果。常見的人工智能算法通常只符合其中一項要求。例如，深度神經(jīng)網(wǎng)絡（DNN）只需要很少的先驗信息，但卻需要大量的訓練數(shù)據(jù)集。 與此相反，高斯混合模型（GMM）和支持向量機（SVM）基于特定的模型假設，但小規(guī)模的訓練集通常就足夠了。 Omnisys 是為以色列國防和國土安全提供任務優(yōu)化解決方案的領先供應商，其開發(fā)的專有算法套件之一被稱為 "敏捷統(tǒng)計建模"（ASM）。它是根據(jù)上述要求開發(fā)的。此外，ASM 還是一種白盒方法，即其模型易于可視化和手動調(diào)整。這一特性在處理戰(zhàn)略任務時非常重要，因為戰(zhàn)略任務的誤差往往是不可接受的，而提前估計系統(tǒng)在各種情況下的性能的能力則至關重要。

結論

在現(xiàn)代戰(zhàn)場上，作戰(zhàn)任務管理系統(tǒng)正逐漸成為成功完成作戰(zhàn)任務的關鍵，而現(xiàn)代戰(zhàn)場的特點是變化迅速，有無數(shù)的系統(tǒng)要滿足眾多的作戰(zhàn)需求。基于人工智能的態(tài)勢感知和多任務優(yōu)化是這些系統(tǒng)持續(xù)發(fā)展的兩個關鍵驅動因素。

審核編輯：黃飛