-
题名作战推演中智能博弈对抗算法水平评估模型研究
被引量：1
- 1
-
-
作者
韩超
-
机构
海装沈阳局驻大连地区第一军事代表室
-
出处
《舰船电子工程》
2020年第9期27-30,共4页
-
文摘
在作战推演中,决策者需要确定使用哪个智能博弈对抗算法参与作战推演。此时,决策者要了解智能博弈对抗算法的对抗水平,以及其做出的决策是否可用、可信。因此,需要制定一套客观、公正、完整的智能博弈对抗算法的评价标准和评价方法。论文针对智能博弈对抗算法提出了评估指标体系构建原则、评估指标体系以及评估模型,对指导智能博弈算法的改进有着现实意义。
-
关键词
作战推演
智能博弈对抗
深度学习
评估
-
Keywords
combat deduction
intelligent game confrontation
deep learning
evaluation
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名面向博弈对抗的多智能体强化学习建模与迁移技术
- 2
-
-
作者
李渊
刘运韬
徐新海
万珂嘉
-
机构
军事科学院
-
出处
《指挥与控制学报》
CSCD
北大核心
2024年第2期226-231,共6页
-
基金
国家自然科学基金(61902425)资助。
-
文摘
多智能体博弈对抗问题涉及智能体之间的协作配合,传统基于博弈论等方法的解决方案并不适用于复杂场景的博弈对抗问题。基于强化学习的多智能体协同训练机制是近年来的研究热点。针对中国电子科技集团发布的多智能体博弈对抗问题,设计基于值分解的多智能体深度强化学习方法,为每个智能体独立构建网络模型,通过引入混合网络连接各个智能体,训练时以混合网络指导各智能体网络更新,执行时各智能体网络独立运行,实现集中式学习、分散式执行的训练模式。针对同构异构场景,设计一种高效的迁移训练技术,提升多智能体强化学习方法在不同场景下的快速训练效率。对同构和异构博弈对抗问题分别进行测试,实验结果表明基于值分解的多智能体强化学习方法和迁移技术,能够有效提升智能体的协作行为以及训练效率。
-
关键词
多智能体对抗博弈
深度强化学习
迁移学习
值分解
混合网络
训练效率
-
Keywords
multi-agent confrontation game
deep reinforcement learning
transfer learning
value decomposition
hybrid network
training efficiency
-
分类号
E86
[军事—战术学]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于Q学习的自适应电子战博弈对抗系统总体设计
- 3
-
-
作者
韩如明
马献德
郭波
李光启
-
机构
南京电子技术研究所
-
出处
《舰船电子工程》
2024年第9期83-86,共4页
-
文摘
针对传统电子战系统面临的新挑战,基于人工智能技术构建实现动态干扰决策和自适应干扰生成的博弈对抗系统是电子战技术的重要发展方向之一。论文基于Q学习技术,设计了具有智能学习能力的博弈对抗系统,完成了系统总体设计,开发了仿真分析软件,针对博弈对抗场景开展了仿真分析,分析结果表明所设计的博弈对抗系统能够在复杂场景下完成雷达信号侦察、动态干扰决策和自适应干扰生成。
-
关键词
Q学习
智能博弈对抗
自适应干扰生成
-
Keywords
Q-learning
adversarial intelligent game
self-adaptive jamming generation
-
分类号
TN95
[电子电信—信号与信息处理]
-
