fa پشتیبانی تصمیم گیری مبتنی بر یادگیری تقویتی عمیق در مانور نبردهای هوایی فرماندهی Command پژوهشي Research <span style="font-size:11pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="line-height:107%"><span calibri="" style="font-family:"><span arial="" lang="AR-SA" style="font-family:">در سال های اخیر، نبردهای هوایی گروهی و جمعی با استفاده از پهپادها در نیروهای مسلح کشورهای توسعه یافته رواج پیدا کرده است. در این گونه از نبردها انتظار می‌رود که پهپادها مانورهای چابک و ایمنی را با توجه محیط پویا و پیچیده میدان نبرد انجام دهند. تکنیک یادگیری تقویتی عمیق (</span>DRL<span arial="" lang="AR-SA" style="font-family:">)، که ابزاری مناسب برای تصمیم گیری های پیوسته در محیط های پویا می‌باشد، گزینه ای مناسب برای پشتیبانی تصمیم گیری در مانورهای نبردهای هوایی (</span>ACMD<span arial="" lang="AR-SA" style="font-family:">) خواهد بود. علیرغم مطالعات فراوان در سال های اخیر بر روی کارکردهای یادگیری تقویتی در پشتیبانی تصمیم، تاکنون نقشه راهی برای بکارگیری این تکنیک در پشتیبانی تصمیم نبردهای هوایی ترسیم نگردیده است. بنابراین در این مقاله ابتدا تصویر کاملی از موضوعات موجود در این حوزه ترسیم خواهد شد. ابتدا یادگیری تقویتی عمیق تشریح خواهد شد و سپس کارکرد آن در پشتیبانی تصمیم گیری نبردهای هوایی بیان خواهد شد. سپس یک تکنیک تصمیم گیری یک به یک برای پیروزی پهپادها در مانور نبردهای هوایی ارائه خواهد شد. در نهایت طراحی و ساخت مدل و ارزیابی آن نیز اجرا گردیده است. </span></span></span></span></span></span><br> &nbsp; <span style="font-size:11pt"><span style="line-height:95%"><span calibri="" style="font-family:"><span style="font-size:10.0pt"><span style="line-height:95%"><span new="" roman="" style="font-family:" times="">In recent years, group and collective air battles using drones have become popular in the armed forces of developed countries. In this kind of battles, drones are expected to perform agile and safety maneuvers according to the dynamic and complex environment of the battlefield. Deep reinforcement learning (DRL) technique, which is a suitable tool for continuous decision making in dynamic environments, will be a suitable option for decision support in air combat maneuvers (ACMD). Despite many studies in recent years on the functions of reinforcement learning in decision support, so far no road map has been drawn for using this technique in air combat decision support. Therefore, in this article, first, a complete picture of the issues in this field will be drawn. First, deep reinforcement learning will be described, and then its function in air combat decision support will be explained. Then a one-to-one decision making technique for winning drones in aerial combat maneuvers will be presented. Finally, the design and construction of the model and its evaluation have also been implemented.</span></span></span></span></span></span><br> &nbsp; یادگیری تقویتی عمیق, مانور هوایی, پشتیبانی تصمیم Deep reinforcement learning, aerial maneuvering, decision support 12 31 http://ic4i-journal.ir/browse.php?a_code=A-10-575-1&slc_lang=fa&sid=1 Mahdi Zolfaghari مهدی ذوالفقاری mahdizolfaghari@aut.ac.ir 10031947532846002531 10031947532846002531 No Amirkabir University of Technology دانشگاه صنعتی امیرکبیر Hojat Noormohammadi حجت نورمحمدی hz657091@gmail.com 10031947532846002532 10031947532846002532 Yes Skill National University دانشگاه فنی حرفه ای Gevork B. Gharehpetian گئورگ قره پتیان grptian@aut.ac.ir 10031947532846002533 10031947532846002533 No Amirkabir University of Technology دانشگاه صنعتی امیرکبیر حمید رادمنش radmanesh@ssau.ac.ir 10031947532846002534 10031947532846002534 No Shahid Sattari Aviation Science and Technology University دانشگاه علوم و فنون هوایی شهید ستاری