雷达发射塔 来源摄图网

摘要：仿真建模作为一种模型驱动的机理建模, 一直是武器装备系统采办、设计和评估等工作的主要手段. 随着大数据和人工智能的深入应用, 数据驱动的数据建模越来越受到关注. 首先从模型驱动、数据驱动和模数驱动三个方面对武器装备作战建模方法进行概述, 分析单独使用仿真建模或数据建模在应对当前武器装备作战建模工作的不足, 提出一种模数驱动的数字化建模方法. 该方法核心是模数驱动架构的设计, 在此基础上运用功能决策树表示作战行为模型, 对于行为模型中的决策环节, 基于深度强化学习训练和嵌入数智Agent. 通过构建弹道导弹突防过程中的多目标分配场景, 对比仿真实验显示, 采用智能网络决策比传统基于规则脚本的目标命中率有显著提高.
关键词：模数驱动；行为建模；效能仿真；深度强化学习

一、研究背景与意义

近年来，大数据、人工智能等前沿科技加速应用于军事建模仿真领域，促使智能武器装备数字工程的迅速发展。为了系统地论证武器装备这个日益复杂的系统，世界各军兵种的研究部门都将作战仿真作为武器装备系统论证的主要手段，着力搭建作战体系对抗仿真环境，据此评估新型或改型的武器装备在各种典型对抗环境和条件下的作战效能。要实现高水平的武器装备作战效能仿真，模型的构建是其重要基础。针对模型的构建，国内外军用建模仿真领域开展了大量的研究工作，取得了许多比较成熟的装备作战建模方法，大致可以分为模型驱动和数据驱动两种类型。

对于模型驱动的方法，传统仿真建模致力于建设统一的标准化模型规范、建模范式和仿真协议作为技术支撑，或聚焦于特定的应用领域将该领域内的有关模型约束起来。再者，仿真建模由于其基于领域知识的本质属性，当前的知识体系下未必有可行的物理原理或作战行为模型，如复杂度非常高、计算量非常大的复杂非线性系统。而且，模型是对现实世界的简化表示，是针对问题某一侧面的描述，再加上建模人员的建模能力与偏好，仿真模型通常会受到许多理想的假设或主观因素的影响，甚至有可能会遗漏掉至关重要的因素。反观数据驱动的方法，基于数据建立数据模型，并通过不断的训练对数据模型进行优化，从而使其逐渐逼近真实系统，能较好地应对智能化建模问题。虽然，数据建模能绕开领域知识直接回答问题，但也具有一定的局限性：首先，数据建模并不能有效应对突发事件，比如政策的干预使得数据模型所预测到的结果往往与真实情况不符。再者，数据建模依赖于客观数据的本质决定其难以对数据采集困难或采集代价高昂的系统进行建模，特别是军事领域的许多数据不公开，导致完全基于数据建模的方法并不可行。

鉴于上述单独使用模型驱动或数据驱动方法的不足，本文结合仿真建模和数据建模的优势，提出一种模数驱动的数字化建模方法，通过设计模数驱动架构，在此基础上开发功能决策树以表示作战行为模型，对于行为模型中的决策环节，基于深度强化学习训练和嵌入数智Agent，最后以弹道导弹突防想定场景中的多目标分配环节为例，进行仿真对比实验，验证了智能决策相对于传统规则决策的优越性，为开展智能化时代下的武器装备作战建模与仿真提供可行的技术途径以及探索新的方法。

二、主要内容

作为装备体系仿真的基础性工作，装备作战建模一直受到国内外许多研究机构和学者的广泛关注，涌现出了许多行之有效的研究成果，可以大致分为模型驱动的仿真建模、数据驱动的数据建模，以及模数驱动的数字化建模三种类型。鉴于以模型为主、数据为辅的模数驱动方式比较适用于长期从事于仿真建模实践、已积累大量领域模型和仿真资源的系统，再加上军事领域武器装备作战训练数据的敏感性，本文选取该方式作为模数驱动的数字化建模基础，重点围绕以下三个方面进行展开：

一是提出了智能装备作战仿真的模数驱动架构。该架构主要包括物理域、认知域和数据样本三大模块，与传统武器装备效能仿真建模相比，其智能化建模能力主要体现在对数据样本的利用，以及认知域建模部分。装备仿真模型用C++编写为动态链接库，行为模型由python脚本编写，其中集成和调用PyTorch神经网络模型。

二是开发了功能决策树装备作战行为建模方法。针对传统基于状态图的装备作战行为模型描述复杂、模块化不好、表达能力有限等问题，本文参考AFSIM中训练的Alpha AI，采用树形分层结构，从功能的视角描述行为，不需要维护大量的状态、事件等变量，易于维护和扩展，且高度抽象，能够兼容其他诸如状态机、神经网络等仿真建模方法。

三是开展了数智Agent攻防博弈对抗仿真实验。本文采用神经网络对数智Agent中的目标分配策略进行拟合，通过构造多分类LOSS函数，以及双层DDPG深度强化学习算法，实现了智能攻防博弈对抗仿真训练，所训练出来的武器装备在同一想定中，目标击毁率明显优于默认的规则脚本。

三、主要结论及政策建议

作为武器装备作战效能仿真的基础性工作，装备作战建模一直受到国内外许多研究机构和学者的广泛关注，涌现出了许多行之有效的研究成果，可以大致分为模型驱动的仿真建模、数据驱动的数据建模，以及模数驱动的数字化建模三种类型。本文在分析单独使用仿真建模或数据建模在应对当前武器装备作战建模工作的不足，提出一种模数驱动的数字化建模方法并设计面向装备作战仿真的模数驱动架构，在此基础上结合深度强化学习丰富装备作战行为模型，通过设计弹道导弹攻防博弈对抗仿真实验，论证得出“采用智能网络决策比传统基于规则脚本的目标命中率有显著提高”的结论。为加强装备作战仿真领域数智决策稳健落地，应当立足于本单位军事建模仿真具体实践，从问题出发，建立科学合理的智能化装备作战建模仿真框架。主要政策建议包括以下三点：

一是遵循软件建设规律，及时响应需求变更。仿真系统是一类特殊的软件，在进行智能化拓展时应当符合客观的软件建设规律，即时响应使用过程中的新需求和新情况，遵循“智能仿真是建出来的、更是用出来的”，以及“建用相长”等仿真系统建用规律。

二是提高模型研发质量，减少外军仿真依赖。目前智能化攻防博弈对抗仿真框架的设计思路大多都是在认知决策行为模型上着力，重点放在大模型、大数据等前沿科技的应用或二次开发，有可能会忽视对武器装备仿真模型本身的进一步应用和校核工作，应当进一步提高仿真模型的应用和研发质量。

三是实现代码安全可控，促进软件生态建设。由于数据驱动的多数智能建模算法属于黑箱建模，可解释性差，不利于智能行为模型在作战指挥员间的广泛应用，应当实现智能算法源码可控，并在开发过程中注重知识产权和各类文档撰写，将有助于构建智能仿真系统自主生长的良性可循环生态。

四、边际贡献与未来拓展

模数驱动的数字化建模方法是传统仿真科学在适应数据科学蓬勃发展时代背景下的进一步拓展。本文首先概述当前武器装备作战建模方法的相关研究，分别从模型驱动、数据驱动和模数驱动三个方面分类进行阐述。模数驱动的建模方法由于兼具模型驱动和数据驱动的优势，能够有效应对武器装备作战建模仿真在大数据和人工智能背景下所面临的诸多挑战。对于模型和数据如何双轮驱动的内在机理，本文提出了智能武器装备作战仿真的模数驱动架构，重点是在传统武器装备作战大量仿真建模实践中揭示如何利用仿真大数据训练数智Agent模型，并有效嵌入到功能决策树行为模型中，形成仿真建模和数据建模的有效闭环。运用所提出方法，本文以多弹头弹道导弹突防过程中的多目标分配环节为例，通过构建红蓝对抗场景并设计智能仿真实验，验证了智能网络决策相对于传统规则决策的优越性，可以为其他领域的建模仿真智能化拓展提供重要参考。由于军事建模仿真领域的特殊性，指挥人员不太可能直接应用决策“黑箱”，下一步工作将聚焦智能作战行为模型可解释的研究。

五、写作、投稿过程的心得体会

在军事建模仿真领域，模型驱动或数据驱动的概念由来已久，但是，模数驱动的数字化建模方法并不多见。类似模数驱动的建模方法概念还包括：灰箱建模，混合建模，互补式协作建模，知识计算，可解释人工智能，机理和数据融合等等。立足长期军事建模仿真实践，结合新一代人工智能发展趋势，我们对装备作战仿真进行了智能化拓展尝试，形成了比较完备的智能化装备作战建模仿真框架，遂形成了本篇论文。论文投稿后，审稿专家从研究贡献、研究意义、研究创新、仿真模型、实验验证等多个方面提出了宝贵且富有建设性的意见，对稿件质量的进一步提高有很大的帮助。因此，我们认真对待和珍惜每一位专家的专业性意见，诚恳接受批评和指正，并对论文进行了针对性的修订。在认真总结专家意见并逐条回复修改后，文章质量得到实质提升，最终使得本文顺利录用。整个过程也使作者对研究问题有了更深刻的理解，借此机会向评审专家致以诚挚的感谢！同时，我们也感谢编辑部老师高效细致的工作！

本文摘编自《系统工程理论与实践》2024年,第44卷,第3期论文《模数驱动的智能武器装备作战建模方法》（点击题目链接全文）；
作者：朱智¹, 讲师,博士,研究方向:建模仿真,机器学习；杨松¹；王涛¹；王维平¹；赵月华²
       1. 国防科技大学 系统工程学院, 长沙 410073;
       2. 南京大学 信息管理学院, 南京 210033