針對軍事（戰(zhàn)術(shù)級）作戰(zhàn)任務(wù)規(guī)劃面臨的戰(zhàn)場環(huán)境復(fù)雜、信息不完全、不確定性大、策略復(fù)雜度高等挑戰(zhàn),梳理了作戰(zhàn)任務(wù)規(guī)劃基本概念和流程框架,介紹了深度強化學(xué)習(xí)的基本原理和發(fā)展現(xiàn)狀,分析了深度強化學(xué)習(xí)在作戰(zhàn)任務(wù)規(guī)劃中場景識別、目標檢測、行為判斷、威脅評估、路徑規(guī)劃、火力分配等方面的應(yīng)用,為作戰(zhàn)任務(wù)規(guī)劃的智能化發(fā)展提供了新的研究思路。 

【文章來源】：飛航導(dǎo)彈. 2020,(04)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

作戰(zhàn)任務(wù)規(guī)劃OODA循環(huán)

2016年，麻省理工大學(xué)計算機科學(xué)與人工智能實驗室公開了場景數(shù)據(jù)集Places，包含百萬張不同場景圖片，同時用AlexNet、GoogleNet、VGGNet等深度網(wǎng)絡(luò)在該數(shù)據(jù)集上進行訓(xùn)練，得到的模型顯著提高了場景識別的準確率，并公開了網(wǎng)絡(luò)訓(xùn)練的模型參數(shù)，可將這些網(wǎng)絡(luò)模型作為預(yù)訓(xùn)練模型在小樣本戰(zhàn)場場景數(shù)據(jù)集上進行遷移學(xué)習(xí)，找出輸出結(jié)果可用的層，用這些層的輸出作為輸入對網(wǎng)絡(luò)結(jié)構(gòu)進行微調(diào)，訓(xùn)練一個參數(shù)量更小、規(guī)模也更小的網(wǎng)絡(luò)模型，提高模型準確率和魯棒性的同時縮短訓(xùn)練時長。3.1.2 目標檢測

本文從作戰(zhàn)任務(wù)規(guī)劃的概念和框架出發(fā)，簡要介紹了深度強化學(xué)習(xí)的原理和發(fā)展，分析了深度強化學(xué)習(xí)在作戰(zhàn)任務(wù)規(guī)劃中的應(yīng)用，為未來作戰(zhàn)任務(wù)規(guī)劃信息化、智能化發(fā)展提出了新的研究思路。1 作戰(zhàn)任務(wù)規(guī)劃框架

【參考文獻】：
期刊論文
[1]深度強化學(xué)習(xí)進展:從AlphaGo到AlphaGo Zero[J]. 唐振韜,邵坤,趙冬斌,朱圓恒.  控制理論與應(yīng)用. 2017(12)
[2]深度強化學(xué)習(xí)綜述[J]. 劉全,翟建偉,章宗長,鐘珊,周倩,章鵬,徐進.  計算機學(xué)報. 2018(01)



本文編號：3453116