ارائه یک مدل ترکیبی از مدلسازی پیشرفته ریاضی و یادگیری تقویتی به منظور بهبود اثربخشی فرماندهی و تصمیم گیری در صحنه نبرد

امروزه بهره گیری از مدل سازی ریاضی و روش های هوش مصنوعی در تحلیل و شبیه سازی صحنه های نبرد، نقش مهمی در بهبود فرایند تصمیم گیری و ارزیابی راهبردهای مختلف ایفا می کند. یکی از چالش های مهم در این زمینه، نحوه تصمیم گیری و افزایش اثربخشی تیمی است که از نظر توان رزمی و منابع در شرایط ضعیف تری نسبت به حریف قرار دارد. در این مقاله، با هدف بهبود فرایند فرماندهی و تصمیم گیری تیم ضعیف تر، یک مدل ترکیبی مبتنی بر مدل سازی ریاضی نظریه بازی ها و یادگیری تقویتی ارائه شده است. در مدل پیشنهادی، تعاملات رقابتی دو تیم و تصمیمات حمله و دفاع با استفاده از یک مدل ریاضی مبتنی بر نظریه بازی ها شبیه سازی شده و الگوریتم های Q-Learning و Deep Q-Network (DQN) برای آموزش یک مربی هوشمند به منظور انتخاب اقدامات مناسب برای تیم ضعیف تر به کار گرفته شده اند. عملکرد مدل پیشنهادی در قالب یک سناریوی نبرد متعارف و طی ۱۰۰۰ اپیزود شبیه سازی و بر اساس مجموع پاداش کسب شده و میزان سلامت باقی مانده اعضای تیم ها ارزیابی شده است. نتایج شبیه سازی نشان می دهد که از حدود اپیزود ۴۰۰، روند افزایشی و مثبت در مجموع پاداش تیم ضعیف تر مشاهده شده است؛ این روند با کاهش نرخ اکتشاف (ε) به کمتر از ۰.۲ و افزایش بهره گیری از سیاست آموخته شده همراه بوده و بیانگر بهبود و تثبیت تدریجی فرایند تصمیم گیری مربی هوشمند است.

کلیدواژه ها:

Mathematical Modeling ، Reinforcement Learning ، Battlefield ، Command and Control. ، مدلسازی ریاضی ، یادگیری تقویتی ، صحنه نبرد ، فرماندهی و کنترل