|
ارائه یک مدل ترکیبی از مدلسازی پیشرفته ریاضی و یادگیری تقویتی به منظور بهبود اثربخشی فرماندهی و تصمیم‌گیری در صحنه نبرد
|
| محسن شکربیگی*، سامان عرفا |
|
|
|
چکیده: (4 مشاهده) |
امروزه بهره‌گیری از مدلسازی ریاضی و روش‌های هوش مصنوعی در تحلیل و شبیه‌سازی صحنه‌های نبرد، نقش مهمی در بهبود فرایند تصمیم‌گیری و ارزیابی راهبردهای مختلف ایفا می‌کند. یکی از چالش‌های مهم در این زمینه، نحوه تصمیم‌گیری و افزایش اثربخشی تیمی است که از نظر توان رزمی و منابع در شرایط ضعیف‌تری نسبت به حریف قرار دارد. در این مقاله، با هدف بهبود فرایند فرماندهی و تصمیم‌گیری تیم ضعیف‌تر، یک مدل ترکیبی مبتنی بر مدلسازی ریاضی نظریه بازی‌ها 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 بازی‌ها شبیه‌سازی شده و الگوریتم‌های Q-Learning و Deep Q-Network (DQN) برای آموزش یک مربی هوشمند به‌منظور انتخاب اقدامات مناسب برای تیم ضعیف‌تر به کار گرفته شده‌اند. عملکرد مدل پیشنهادی در قالب یک سناریوی نبرد متعارف و طی 1000 اپیزود شبیه‌سازی و بر اساس مجموع پاداش کسب‌شده و میزان سلامت باقی‌مانده اعضای تیم‌ها ارزیابی شده است. نتایج شبیه‌سازی نشان می‌دهد که از حدود اپیزود 400، روند افزایشی و مثبت در مجموع پاداش تیم ضعیف‌تر مشاهده شده است؛ این روند با کاهش نرخ اکتشاف (ε) به کمتر از 0.2 و افزایش بهره‌گیری از سیاست آموخته‌شده همراه بوده و بیانگر بهبود و تثبیت تدریجی فرایند تصمیم‌گیری مربی هوشمند است.
|
|
| واژه‌های کلیدی: مدلسازی ریاضی، یادگیری تقویتی، صحنه نبرد، فرماندهی و کنترل |
|
|
متن کامل [PDF 900 kb]
(9 دریافت)
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
فرماندهی
دریافت: 1403/11/28 | پذیرش: 1404/8/27 | انتشار: 1405/7/27
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
