بهینه سازی چند هدفه در معماری های فرماندهی تطبیقی میدان نبرد با استفاده از یادگیری تقویتی چند لایه و سیستم های فرومغزی ترکیبی

در میدان نبرد آینده، معماری های فرماندهی و کنترل نیازمند قابلیت تصمیم گیری تطبیقی، چند لایه و چند هدفه در برابر تغییرات سریع محیطی، تهدیدات پویا و تعاملات چند عاملی هستند. پژوهش حاضر یک چارچوب نوین برای بهینه سازی چند هدفه در معماری های فرماندهی تطبیقی ارائه می کند که بر پایه یادگیری تقویتی چند لایه و سیستم های فرومغزی ترکیبی طراحی شده است. در این رویکرد، تصمیم گیری در سطح عملیاتی و تاکتیکی از طریق لایه های واکنشی مبتنی بر مدل های فرومغزی (الهام گرفته از آمیگدالا و عقده های قاعده ای) انجام می شود، در حالی که بهینه سازی بلند مدت اهداف ماموریتی از طریق لایه های تحلیلی و شناختی مبتنی بر RL چند هدفه صورت می گیرد. چارچوب پیشنهادی قادر است اهداف حیاتی فرماندهی-شامل حداکثرسازی موفقیت ماموریت، حداقل سازی ریسک عملیاتی، مدیریت منابع، هماهنگی میان عاملی و حفظ پایداری تصمیم را به صورت همزمان و سازگار بهینه سازی کند. نتایج شبیه سازی های انجام شده در محیط های چند عاملی میدان نبرد نشان می دهد که مدل ارائه شده با ۳۸% افزایش موفقیت ماموریت، ۲۷% کاهش زمان واکنش، و بیش از ۴۱% بهبود هماهنگی میان عاملی نسبت به روش های مرجع مبتنی بر RL تک هدفه عملکرد بهتری دارد. تحلیل ابلیشن نیز نقش حیاتی لایه فرومغزی و ماژول بهینه سازی چند هدفه را در پایداری و کارایی تصمیم گیری تایید می کند. این پژوهش نشان می دهد که بهره گیری از معماری های سلسله مراتبی و الهام گرفته از کارکرد مغز می تواند نسل جدیدی از سامانه های فرماندهی تطبیقی را شکل دهد که در محیط های پیچیده و ناهموار جنگی، قادر به تصمیم گیری مقاوم، سریع، چند هدفه و خود تکاملی هستند.

کلیدواژه ها:

بهینه سازی چندهدفه ، یادگیری تقویتی چندهدفه ، فرماندهی تطبیقی میدان نبرد ، سیستم های فرومغزی ترکیبی