Journal of Command and Control

fa ارائه یک مدل ترکیبی از مدلسازی پیشرفته ریاضی و یادگیری تقویتی به منظور بهبود اثربخشی فرماندهی و تصمیم‌گیری در صحنه نبرد A Hybrid Model Combining Advanced Mathematical Modeling and Reinforcement Learning to Enhance Command Effectiveness and Decision-Making on the Battlefield فرماندهی Command پژوهشي Research 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.   Nowadays, the use of mathematical modeling and artificial intelligence methods in the analysis and simulation of battlefield scenarios plays an important role in improving decision-making processes and evaluating different strategies. One of the important challenges in this field is improving the decision-making and effectiveness of a team that is in a weaker position than its opponent in terms of combat capabilities and resources. In this study, a hybrid model based on mathematical modeling using game theory and reinforcement learning is proposed to improve the command and decision-making process of the weaker team. In the proposed model, the competitive interactions between two teams and their offensive and defensive decisions are simulated using a mathematical model based on game theory. Q-Learning and Deep Q-Network (DQN) algorithms are then employed to train an intelligent coach to select appropriate actions for the weaker team. The performance of the proposed model is evaluated in a conventional battlefield scenario over 1,000 simulation episodes based on the total accumulated reward and the remaining health of the team members. The simulation results show a positive and increasing trend in the total reward of the weaker team from approximately episode 400 onward. This improvement coincides with a reduction in the exploration rate (ε) to below 0.2 and increased exploitation of the learned policy, indicating the gradual improvement and stabilization of the intelligent coach's decision-making process.   مدلسازی ریاضی, یادگیری تقویتی, صحنه نبرد, فرماندهی و کنترل Mathematical Modeling, Reinforcement Learning, Battlefield, Command and Control. 1 12 http://ic4i-journal.ir/browse.php?a_code=A-10-563-2&slc_lang=fa&sid=1 محسن شکربیگی m.shekarbaigi@gmail.com 10031947532846002586 10031947532846002586 Yes سامان عرفا s.orafa@chmail.ir 10031947532846002587 10031947532846002587 No