一、计算机生成兵力中的人工智能技术（论文文献综述）
张卿,刘金[1]（2021）在《国外典型作战仿真系统综述》文中指出国外以建模仿真技术为支撑,构建了纵向贯穿战略、战役、战术、技术层次,横向覆盖作战分析、军事训练和装备采办多个领域的作战仿真系统,有力支撑了作战概念开发、作战方案推演评估、武器装备作战效能评估、装备与作战人员训练演习等。面向武器装备在全体系、全生命周期的作战仿真需求,本文梳理了国外典型的战区/战役级、任务/作战级和工程/交战级等不同层级的作战应用与推演仿真系统的进展及应用案例,分析了下一代作战仿真系统发展趋势,并给出了相关启示与建议。
唐宇波,沈弼龙,师磊,易星[2]（2021）在《下一代兵棋系统模型引擎设计问题研究》文中研究表明未来兵棋推演将面对更加复杂的战争体系,需要广泛应用人工智能技术来弥补人的不足,这是下一代兵棋系统模型引擎研发必须考虑的因素。结合长期兵棋系统研发和运用经验,提出了下一代兵棋模型引擎的框架雏形,针对结构和计算复杂度问题讨论了体系解耦方法,研究了基于数字孪生的人机融合架构,探索了可以降低模型开发门槛、提升效率的建模技术手段,提出了支持机器学习的引擎机制,并针对分布式硬件环境提供了软硬一体化设计思路。
杨杰,张琪,曾俊杰,尹全军[3]（2021）在《进化行为树方法研究综述》文中研究指明进化行为树方法是一种利用进化算法自主生成和优化行为树模型的智能体行为建模方法。从介绍行为树、进化算法相关背景知识入手,阐述了基于遗传编程、语法演化、混合算法三类进化行为树算法以及相应改进算法,分析比较不同算法的优劣;梳理总结了进化行为树方法在作战仿真、游戏人工智能、机器人等领域的具体应用;从搜索能力、泛化能力、行为树优化、多智能体应用方面提出并探讨了未来的发展趋势。
朱宁龙,佟骁冶[4]（2021）在《基于强化学习的作战辅助决策建模研究》文中进行了进一步梳理传统的辅助决策方法中,专家系统通常由固定知识表达,完全依赖领域专家知识,不具备学习能力。为了弥补专家系统的局限性,利用对智能体进行训练的方法自动生成决策方案。分析了自动机和行为树等过程性建模方法的优缺点,提出了基于Petri网和Q学习的CGF行为与决策建模方法。介绍了模型的基本结构和强化学习机制。在虚拟场景中,设计了决策模型实现方法和学习规则,通过对比实验,证明了此方法的可行性。
聂文兵[5]（2021）在《步兵分队侦察模拟训练系统构建》文中进行了进一步梳理针对步兵分队侦察训练存在地形受限、战斗情境失真、训练条件构设难等问题,本文在系统分析军事需求的基础上,采用软、硬结合的虚拟仿真技术对步兵分队侦察模拟训练系统框架、体系结构、物理结构、内外接口和应用模式进行了详细分析设计,并对关键技术进行了剖析,该系统方案设计已应用于步兵分队侦察模拟训练系统建设,并投入到院校教学训练中。实践表明,系统通过逼真的视、听一体化实现了高度沉浸式的训练,以现实地形和敌情的高度仿真与灵活组合,满足了步兵分队侦察技能训练对多样化战场环境、实战化目标设置的特殊要求,大大提升了步兵分队地形侦察、敌情侦察及综合对抗训练效益。
冯利[6]（2021）在《深度Q网络在炮兵连智能作战演练中的研究与应用》文中研究说明计算机仿真已经成为当前炮兵火力打击训练领域的主要技术手段。在基于深度强化学习的炮兵作战演练系统的研究中,由于作战场景大且战场态势复杂,若只采用强化学习获取炮兵智能体机动策略,计算机将面临着难以存储庞大的状态表从而出现维度灾难的难题;而直接采用深度强化学习来获取炮兵智能体机动策略则存在训练过程难以收敛以及训练耗时长等问题。针对以上所面临的问题提出了一种基于优先回放的竞争深度Q网络决策方法。具体的研究内容如下:（1）设计了基于深度Q网络（DQN）的炮兵智能决策系统。将复杂的战场态势数据进行离散化处理,采用DQN算法对其神经网络训练,最终使炮兵智能体具备基本的环境感知、火力感知、机动等智能行为,继而完成火力打击演练任务。（2）提出了基于双深度Q网络（DDQN）的炮兵智能决策。由于DQN算法在训练中存在过高估计值问题,因此在DQN算法的基础上改进目标Q值计算方法,采用DDQN算法对其进行训练。DDQN算法是将动作选择和策略评估分开进行,从而获得更稳定有效的策略,实验结果证明DDQN算法可有效提高训练的稳定性。（3）提出了基于优先经验回放的竞争深度Q网络（Dueling DQN-PR）的炮兵智能决策。为了节省训练时间并提高训练效率,进一步提出Dueling DQN-PR算法对其神经网络进行训练。该算法采用动作优势函数的平均值代替其最大值求解Q值,同时对时序误差绝对值大的样本赋予更大的优先级来加快算法收敛,实验结果证明Dueling DQN-PR算法在保证性能的同时更进一步提高了训练的稳定性。实验结果表明,利用DQN算法来获取炮兵智能体机动策略可以有效解决RL存在的维度灾难问题,但其训练过程难以收敛、耗时长;采用Dueling DQN-PR决策方法,在炮兵智能体火力打击的测试中训练时间大幅缩减、训练稳定性有着显着的提高。
高志霖[7]（2021）在《AORBCO模型开发平台研究与实现》文中认为人工智能是研究机器智能并用于模拟和扩展人类智能的学科,但目前与人类智能相比还具有较大差距。为此AORBCO模型基于唯识心理学的八识结构,分析了人工智能目前所存在的问题,并对Agent的智能模型进行认知架构建模,使Agent具有与人类相似的行为产生过程。经过十余年的发展,该模型在理论方面趋于完善,但该模型一直停留在理论层面。因此本文针对该模型,以AORBCO模型这一智能模型为基础,基于JADE开发平台,设计了 AORBCO模型开发平台,用以开发符合该模型的智能体。首先,针对原模型中对环境信息的处理方式未进行详细描述,本文在原AORBCO模型的基础上,通过模拟人类认识世界的方式,以及分析了目前软件工程中采用面向对象开发方式,一旦类定义后,便会对后续类和对象的修改造成不便这一弊端,提出了先对象后类的思想,对行为控制机制的工作原理进行了改进和完善。改进后的模型使用行为控制机制中的感知器对环境进行感知,生成感知对象,再通过理解模块计算该感知对象与已知客体的相似度并动态地创建相应关系,实现对象和信念中客体关系的动态建立。其次,本文设计了 AORBCO模型的信念、能力、愿望、规划以及行为控制机制五部分的运行机制,并对平台进行了设计和开发。其中信念线程利用Neo4j图数据库作为存储引擎,并对信念的管理,实现了 AORBCO模型知识间互表性、模糊性的特性;能力线程通过解析用户配置的XML文件来添加Ego能力,并通过WSIG框架将Ego能力发布为Web Service以及通过WSIG框架将熟人能力学习为Ego的能力,实现Ego能力学习的功能。愿望和规划线程负责控制Ego执行所要达到的状态以及为了达到目标状态所要执行的能力序列;行为控制机制线程将前述模块整合为一个系统,负责调度各个模块之间信息的传递,以及通过FIPA-ACL消息格式的通讯语言与熟人通讯,并执行规划中的能力序列,实现了 Ego与外界环境的交互。模型的五个部分在JADE中以线程的形式存在,组成一个多线程系统,相互协同合作共同形成了 AORBCO模型的开发平台。最后,本文利用本开发平台构建了采用对象优先数据处理方式的Ego和熟人模型,并以此为案例,模拟了 Ego与熟人之间的通讯行为,以及调用熟人能力来解决Ego问题等行为。通过实验验证了 Ego的行为控制机制、Ego能力添加以及与Ego熟人的交互等功能,结果显示本开发平台符合预期目标。
谢旭,邱晓刚,段红,黄柯棣[8]（2021）在《作战仿真知识体系的初步探索》文中研究指明作战仿真提供一个虚拟战场空间来再现各类战场实体的对抗过程,是现代军事领域研究与实践的重要途径。随着作战仿真应用的推广,作战领域的仿真知识也日益扩展。基于作战仿真相关专着和教材所包含的知识内容,提出作战仿真的相关知识构成有3个层次;对其中的作战仿真基础知识所包含的11个知识领域进行了初步分析;同时讨论了对3种作战仿真人才的知识要求。
唐迪[9]（2021）在《基于Unity3D引擎的第一人称射击游戏设计与实现》文中指出现阶段,我国拥有世界上最大规模的玩家群体,游戏产业也发展迅猛。随着网络技术的升级换代,单机游戏和单人模式这类单调的游戏体验已经不能满足玩家们的期待,玩家更看重游戏的体验、操作习惯、流畅度等。本文按照软件工程的指导思想,从需求、设计、开发、测试等几个阶段着手,基于网络使用Unity3D工具开发一套第一人称射击游戏,同时提供功能比较完备的游戏后台管理平台。系统在开发过程中引入ISO2000信息技术服务管理体系,使用UML统一建模语言对系统各个阶段的设计进行描述,强化项目组成员之间对项目的理解。系统采用面向服务的设计思想,在游戏客户端使用C#语言编写脚本完成动作和控制,引入有限状态机、寻路系统、战斗系统等提升游戏的体验;在服务后端采用了SpringBoot开发框架提供WebApi服务,服务符合RESTFul的标准;在存储方面,使用MySQL提供数据存储服务;系统开发完成后部署在Cent OS系统中。通过本文的设计和实现,在一定程度上理清了游戏系统运行中各种人员角色的职责和任务,包括玩家和游戏管理人员。同时,系统能够主动收集游戏客户端中运行数据、玩家聊天数据等日志类数据并对文字进行检查,在系统故障或文字敏感等问题发生时生成系统报警数据,提高系统的可靠性。
许凯,曾俊杰,杨伟龙,秦龙,尹全军[10]（2021）在《面向计算机生成兵力的认知行为模型架构研究综述》文中进行了进一步梳理为规范和促进计算机生成兵力各类认知行为模型的标准化开发,对面向计算机生成兵力的认知行为模型架构进行综述研究,以计算机生成兵力的意图识别行为为例,探讨了一般认知行为在标准认知架构基础上的功能实现方式。论证结果表明,良设计的认知行为模型架构对于复杂认知行为建模具有很强的指导意义。还提出了需求分析、设计实现、理论基础、协作机制四个方面具体的研究建议。
二、计算机生成兵力中的人工智能技术（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、计算机生成兵力中的人工智能技术（论文提纲范文）
（2）下一代兵棋系统模型引擎设计问题研究（论文提纲范文）
| 引言 |
| 1 下一代兵棋推演面临的新问题挑战 |
| 1.1 体系复杂性问题 |
| 1.2 高层级推演问题 |
| 1.3 知识积累和学习问题 |
| 2 松耦合的模型引擎架构优化 |
| 2.1 大小循环时空解耦 |
| 2.2 异构引擎逻辑解耦 |
| 2.3 超网结构层级解耦 |
| 3 基于数字孪生的人机融合建模 |
| 3.1 基于数字孪生的虚实结合技术 |
| 3.2 人机融合的即时通信服务 |
| 3.3 面向智能开发的融合环境 |
| 4 高扩展性的智能引擎支撑 |
| 4.1 组件化低代码建模 |
| 4.2 面向智能训练的引擎功能扩展 |
| 4.3 支持云-边-端智能矿场云引擎 |
| 5 结论 |
（4）基于强化学习的作战辅助决策建模研究（论文提纲范文）
| 1 引言 |
| 2 模型结构与学习方法 |
| 3 实验设计 |
| 3.1 网模型的表示方法 |
| 3.2 状态设置 |
| 3.3 行为设置 |
| 3.4 奖励函数设置 |
| 3.5 模型训练 |
| 4 实验结果 |
| 5 结语 |
（5）步兵分队侦察模拟训练系统构建（论文提纲范文）
| 1 引言 |
| 2 系统需求分析 |
| 3 系统方案设计 |
| 3.1 系统框架设计 |
| 3.2 体系结构设计 |
| 3.3 物理结构设计 |
| 3.4 系统接口设计 |
| 3.4.1 外部接口 |
| 3.4.2 内部接口 |
| 3.5 应用模式设计 |
| 3.5.1 集团作业模式 |
| 3.5.2 远程个人作业模式 |
| 3.5.3 编组作业模式 |
| 4 关键技术 |
| 5 结语 |
（6）深度Q网络在炮兵连智能作战演练中的研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 深度强化学习技术发展趋势和研究现状 |
| 1.2.2 军事智能演练系统的发展趋势和研究现状 |
| 1.3 本文主要研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第二章 智能决策系统的相关技术 |
| 2.1 强化学习 |
| 2.1.1 SARSA学习 |
| 2.1.2 Q学习 |
| 2.2 深度强化学习 |
| 2.3 马尔科夫决策过程 |
| 2.4 价值函数和Bellman方程 |
| 2.5 Unity3D游戏引擎 |
| 2.6 本章小结 |
| 第三章 基于深度Q网络的炮兵演练 |
| 3.1 算法概述 |
| 3.1.1 深度Q网络算法 |
| 3.1.2 自然深度Q网络算法 |
| 3.1.3 双深度Q网络算法 |
| 3.2 算法模型结构 |
| 3.2.1 记忆回放单元的相关参数设置 |
| 3.2.2 神经网络的初始化及更新 |
| 3.3 实验结果分析与比较 |
| 3.3.1 算法训练结果 |
| 3.3.2 算法训练结果分析 |
| 3.4 本章小结 |
| 第四章 基于优先回放的竞争深度Q网络的炮兵演练 |
| 4.1 算法概述 |
| 4.1.1 优先经验回放机制 |
| 4.1.2 竞争网络结构 |
| 4.2 算法模型结构 |
| 4.3 实验结果分析与比较 |
| 4.3.1 算法训练结果 |
| 4.3.2 算法训练结果分析 |
| 4.4 本章小结 |
| 第五章 炮兵连智能作战演练系统设计与实现 |
| 5.1 系统开发的环境与工具 |
| 5.2 需求分析 |
| 5.2.1 功能性需求分析 |
| 5.2.2 非功能性需求分析 |
| 5.2.3 可行性分析 |
| 5.3 系统功能 |
| 5.3.1 系统总体架构 |
| 5.3.2 系统功能模块 |
| 5.4 系统设计 |
| 5.4.1 系统客户端设计 |
| 5.4.2 系统服务端设计 |
| 5.4.3 决策模块的设计 |
| 5.4.4 系统可视化设计 |
| 5.5 本章小结 |
| 第六章 系统测试 |
| 6.1 躲避障碍物测试 |
| 6.2 躲避火力打击测试 |
| 6.3 单兵作战测试 |
| 6.4 多兵协同作战测试 |
| 6.5 可视化演示测试 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间所取得的研究成果 |
| 致谢 |
（7）AORBCO模型开发平台研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容和研究重点 |
| 1.4 论文结构安排 |
| 2 相关理论与技术 |
| 2.1 Agent |
| 2.2 AORBCO模型 |
| 2.3 JADE开发平台 |
| 2.4 Neo4j数据库 |
| 2.5 Web Service |
| 2.6 本章小结 |
| 3 开发平台需求分析 |
| 3.1 开发平台建设目标及规划 |
| 3.2 AORBCO模型需求分析 |
| 3.2.1 信念管理 |
| 3.2.2 能力管理 |
| 3.2.3 愿望管理 |
| 3.2.4 规划管理 |
| 3.2.5 行为控制机制 |
| 3.3 开发平台需求分析 |
| 3.4 本章小结 |
| 4 开发平台设计 |
| 4.1 平台架构设计 |
| 4.2 AORBCO模型中的知识表示 |
| 4.2.1 描述性知识 |
| 4.2.2 过程性知识 |
| 4.3 知识管理设计 |
| 4.4 先对象后类数据处理 |
| 4.5 行为控制机制设计 |
| 4.6 本章小结 |
| 5 开发平台实现 |
| 5.1 平台开发环境 |
| 5.2 系统文件目录结构 |
| 5.3 信念管理线程 |
| 5.4 能力管理线程 |
| 5.5 愿望管理线程 |
| 5.6 规划管理线程 |
| 5.7 行为控制机制线程 |
| 5.7.1 感知模块 |
| 5.7.2 理解模块 |
| 5.7.3 规划模块 |
| 5.7.4 执行模块 |
| 5.7.5 学习模块 |
| 5.8 本章小结 |
| 6 开发平台测试 |
| 6.1 测试环境 |
| 6.2 Ego能力、感知器的开发测试 |
| 6.2.1 领域知识构建 |
| 6.2.2 能力的开发与注册 |
| 6.2.3 感知器的开发与注册 |
| 6.3 行为控制机制测试 |
| 6.3.1 相关功能的配置与构建 |
| 6.3.2 行为控制机制运行测试 |
| 6.4 Ego与熟人交互测试 |
| 6.4.1 相关功能的配置与构建 |
| 6.4.2 交互测试 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（8）作战仿真知识体系的初步探索（论文提纲范文）
| 引言 |
| 1 作战仿真涉及的知识构成 |
| 2 作战仿真基础知识 |
| 3 作战仿真人才知识的要求 |
| 4 结论 |
（9）基于Unity3D引擎的第一人称射击游戏设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 游戏行业国内外发展现状 |
| 1.3 Unity3D国内外发展现状 |
| 1.4 第一人称射击类游戏的国内外发展现状 |
| 1.5 游戏管理系统的研究 |
| 1.6 本文研究工作 |
| 1.7 本文章节的安排 |
| 第二章 系统相关技术简介 |
| 2.1 平台架构 |
| 2.1.1 游戏架构的发展趋势 |
| 2.1.2 分层架构的应用 |
| 2.2 数据库 |
| 2.3 Unity3D射击游戏的关键技术 |
| 2.3.1 三维场景技术 |
| 2.3.2 碰撞检测和物理系统 |
| 2.3.3 AI |
| 2.3.4 粒子系统 |
| 2.4 本章小结 |
| 第三章 需求分析 |
| 3.1 系统概述 |
| 3.2 用户需求 |
| 3.2.1 游戏端 |
| 3.2.2 游戏管理平台 |
| 3.3 软件功能需求 |
| 3.3.1 用例图 |
| 3.3.2 流程需求分析 |
| 3.3.3 故障发现和预警 |
| 3.4 非功能性需求 |
| 3.4.1 可靠性 |
| 3.4.2 易用性 |
| 3.5 本章小结 |
| 第四章 Unity3D射击游戏的系统设计 |
| 4.1 整体架构 |
| 4.2 系统功能架构 |
| 4.2.1 游戏端 |
| 4.2.2 游戏管理平台 |
| 4.3 模块设计 |
| 4.3.1 游戏端 |
| 4.3.2 游戏管理平台 |
| 4.4 数据库设计 |
| 4.4.1 设计原则 |
| 4.4.2 表结构设计 |
| 4.4.3 命名规范 |
| 4.5 本章小结 |
| 第五章 Unity3D射击游戏的实现 |
| 5.1 支撑环境 |
| 5.1.1 硬件部署 |
| 5.1.2 开发环境 |
| 5.2 主要部分的实现 |
| 5.2.1 游戏端 |
| 5.2.2 游戏管理平台 |
| 5.3 本章小结 |
| 第六章 软件测试 |
| 6.1 测试情况 |
| 6.2 主要测试用例 |
| 6.3 试运行 |
| 6.4 本章小结 |
| 第七章 总结 |
| 致谢 |
| 参考文献 |
（10）面向计算机生成兵力的认知行为模型架构研究综述（论文提纲范文）
| 引言 |
| 1 认知行为模型架构 |
| 1.1 研究边界 |
| 1.2 抽象层次 |
| 1.3 架构分类 |
| 2 典型的认知行为模型架构 |
| 2.1 ACT-R |
| 2.2 Soar |
| 3 标准认知架构基础上的行为实现 |
| 4 结论 |
四、计算机生成兵力中的人工智能技术（论文参考文献）
- [1]国外典型作战仿真系统综述[A]. 张卿,刘金. 第三十三届中国仿真大会论文集, 2021
- [2]下一代兵棋系统模型引擎设计问题研究[J]. 唐宇波,沈弼龙,师磊,易星. 系统仿真学报, 2021(09)
- [3]进化行为树方法研究综述[J]. 杨杰,张琪,曾俊杰,尹全军. 系统仿真学报, 2021(10)
- [4]基于强化学习的作战辅助决策建模研究[J]. 朱宁龙,佟骁冶. 舰船电子工程, 2021(07)
- [5]步兵分队侦察模拟训练系统构建[J]. 聂文兵. 国防科技, 2021(03)
- [6]深度Q网络在炮兵连智能作战演练中的研究与应用[D]. 冯利. 中北大学, 2021(09)
- [7]AORBCO模型开发平台研究与实现[D]. 高志霖. 西安工业大学, 2021
- [8]作战仿真知识体系的初步探索[J]. 谢旭,邱晓刚,段红,黄柯棣. 系统仿真学报, 2021(04)
- [9]基于Unity3D引擎的第一人称射击游戏设计与实现[D]. 唐迪. 电子科技大学, 2021(01)
- [10]面向计算机生成兵力的认知行为模型架构研究综述[J]. 许凯,曾俊杰,杨伟龙,秦龙,尹全军. 系统仿真学报, 2021(02)