17 / 2023-06-18 22:55:48

基于异质图强化学习的大规模杀伤网快速构建方法

异质图；图神经网络；深度学习；强化学习；组合优化；杀伤网

装备体系与作战运用 > 6. 体系杀伤链网络作战管理与仿真评估

自1996年美军提出杀伤链概念以来，杀伤网及全域作战理论被不断丰富和完善，多武器协同的跨域联合作战逐渐成为信息化战争中新的、更先进的作战样式，杀伤链作为联合作战体系中不可或缺的核心组成部分，承担着融合作战力量和精准释放能量的重要职责。在未来高度对抗、高技术作战场景中，战场形势瞬息万变，多域作战空间中存在着大量的作战元素和武器装备，实现动态可组、灵活重构的杀伤网，是有效提升战斗力，增强体系作战能力的关键所在。杀伤网构建的核心问题是多种武器装备的组合选择，然而面临武器装备种类多样、系统模型复杂、作战场景动态不确定、问题规模巨大、决策实时性要求高等诸多现实难题，传统优化算法在决策时间和决策质量上都不尽如人意，难以实现复杂军事问题的快速求解和在线优化。如何有效实现大规模杀伤网的实时构建、在线规划是目前亟待解决的问题。本文以实时作战决策的重大需求为牵引，聚焦杀伤网构建中的大规模异构装备节点组合选择问题，以传统数学规划理论为基础，综合利用人工智能先进理论方法，开展基于深度强化学习的大规模异构节点组合选择方法研究，突破大规模复杂优化问题的深度强化学习网络模型设计、模型训练等关键技术，提出利用异质图神经网络处理复杂多维的异质节点属性和网络边属性，利用深度神经网络将武器装备网络信息映射为节点选择概率向量，最后通过多步自回归解码生成杀伤网构建方案，其中强化学习方法作为模型训练方法可以通过参数的自我学习实现策略参数的收敛。本文所提出的深度强化学习模型通过“离线学习，在线决策”的运行模式，为杀伤网的构建提供高效、可靠的求解技术，实现规划能力从小时级、分钟级决策向秒级决策的提升，支撑上层作战任务规划系统建设。经过仿真实验验证，本文所提出的基于异质图强化学习的大规模杀伤网快速构建方法能够在一秒内对上百节点的杀伤网构建问题进行有效求解，求解速度和求解精度相比于传统遗传算法都大大提升。