طراحی و شبیه سازی معماری فرماندهی شناختی میدان نبرد مبتنی بر یادگیری تقویتی چندعاملی و بلاک چین تطبیقی برای مدیریت تهدیدات طیفی

در میدان های نبرد آینده ، پیچیدگی تهدیدات طیفی ، ناهمگنی منابع و پویایی تصمیم گیری ، سامانه های فرماندهی و کنترل سنتی را با چالش های جدی مواجه کرده است. تمرکزگرایی ، تاخیر در تصمیم گیری و آسیب پذیری در برابر حملات سایبری از جمله محدودیت های اصلی این سامانه ها محسوب می شوند. در این پژوهش یک معماری نوین برای فرماندهی شناختی میدان نبرد ارائه می شود که بر پایه ترکیب یادگیری تقویتی چند عاملی ، بلاک چین تطبیقی و مدل سازی تهدیدات طیفی طراحی شده است. در معماری پیشنهادی ، عامل های هوشمند با بهره گیری از یادگیری تقویتی چند عاملی قادر به اتخاذ تصمیمات محلی و هماهنگ در شرایط عدم قطعیت هستند. در حالی که لایه بلاک چین تطبیقی نقش تضمین انسجام ، امنیت و اعتماد پذیری تصمیمات را ایفا می کند. علاوه بر این ، یک مدل شناختی برای تحلیل و پیش بینی رفتار تهدیدات طیفی به سامانه افزوده شده است تا پاسخ های دفاعی به صورت پویا و هدفمند تنظیم شوند.جهت ارزیابی کارایی معماری پیشنهادی ، مجموعه ای از شبیه سازی ها در سناریوهای متنوع میدان نبرد انجام شده و عملکرد سامانه از نظر نرخ موفقیت ماموریت ، پایداری تصمیم گیری ، تاخیر اجماع و مقیاس پذیری مورد بررسی قرار گرفته است. نتایج حاصل نشان می دهد که معماری پیشنهادی در مقایسه با رویکردهای متمرکز و غیرشناختی ، بهبود معناداری در هماهنگی تصمیمات ، تاب آوری عملیاتی و کارایی پاسخ های طیفی ارائه می دهد. یافته های این پژوهش بیانگر آن است که ترکیب هوش مصنوعی چند عاملی با بلاک چین تطبیقی می تواند به عنوان یک راهکار موثر برای طراحی سامانه های فرماندهی و کنترل نسل آینده مورد استفاده قرار گیرد.

کلیدواژه ها:

فرماندهی شناختی میدان نبرد ، یادگیری تقویتی چند عاملی ، بلاک چین تطبیقی ، مدل سازی تهدیدات تطبیقی ، سامانه های خود مختار نظامی