محاكاة ساحة المعركة
القيادة والتحكم الآلي في محاكاة ساحة المعركة باستخدام الشبكات العصبية الاصطناعية
ستيوارت إتش جونز وإيفان جاسزليكس وشيلا إل جاسزليك
باثفايندر سيستمز ، إنك.
ليكوود ، كولورادو 80228
الملخص
أصبحت محاكاة المعارك التفاعلية الموزعة المعاصرة كبيرة ومعقدة بشكل متزايد وبالتالي يصعب إدارتها. سيعتمد نجاح المشاريع المستقبلية ، جزئيًا ، على القدرة على إدارة جوانب القيادة والسيطرة على القوات بطريقة آلية ويمكن التنبؤ بها بدرجة كبيرة. يوفر الذكاء الاصطناعي بشكل عام والشبكات العصبية الاصطناعية بشكل خاص آليات جذابة لأتمتة القيادة والتحكم. طورت باثفايندر سيستمز شبكة عصبية اصطناعية نموذجية للتنشيط التفاعلي الخطي والمنافسة (LINIAC) ، وهي نموذج موجه للكائنات عالي السرعة ، لاستخدامه في العديد من عمليات محاكاة المعارك وأثبتت أن هذا تطبيق ممكن لهذه التكنولوجيا. تعتبر LINIAC مناسبة تمامًا لتوفير التحكم الآلي في القرار ووظائف إدارة المعركة لمجموعة متنوعة من عمليات محاكاة ساحة المعركة البناءة. إنه يحاكي وظائف صنع القرار لقادة الوحدات التكتيكية وموظفيهم ، كما يمثلها لاعب الأدوار / المراقبون في تمارين مركز القيادة. تستخدم LINIAC تصميمًا موجهًا للكائنات يتعرف على نمط الموقف ويوفر نتيجة مقابلة في مدى عدة عشرات أو عدة عشرات من الألف من الثانية. تتمثل الميزة الرئيسية لـ LINIAC في أن تدريبها يتم ترميزه وتهيئته من هيكل بيانات خارجي بدلاً من ترميزه الثابت كقواعد أو خوارزميات. لذلك من الممكن استبدال شبكات LINIAC أو إعادة تدريبها بسهولة لتلبية المتطلبات الجديدة دون تعديل التعليمات البرمجية. يستخدم تدريب LINIAC واجهة رسومية بحيث لا يحتاج المدربون إلى تدريب على لغة الكمبيوتر أو مهارات كمبيوتر خاصة. يمكن للخبراء ذوي المعرفة المتخصصة دمج معرفتهم في الشبكات العصبية مباشرة دون الحاجة إلى خدمات مهندس المعرفة. يمكن للمدرب عادة إدخال عشرين أو ثلاثين من الأمثلة التدريبية في الساعة. أثبتت Pathfinder Systems القدرة على استخدام الشبكات العصبية الاصطناعية LINIAC في العديد من برامج محاكاة المعركة لتوفير قيادة وتحكم آليين لجزء على الأقل من القوات في المحاكاة. أظهرت نتائج هذه المشاريع أن استخدام الشبكات العصبية LINIAC يمكن أن يحاكي بنجاح عنصر صنع القرار البشري في محاكاة المعركة بنتائج مكافئة لما يمكن أن يقدمه لاعبو الأدوار البشرية وقواعد القواعد الآلية.
مقدمة
من الاعتبارات الأساسية في تصميم محاكاة ساحة المعركة أنها تقترب من الواقعية بأمانة قدر الإمكان. تتمثل إحدى الصعوبات في محاكاة القيادة والسيطرة في ساحة المعركة في تكرار عملية صنع القرار التي تستند إليها. الغرض من العديد من عمليات المحاكاة هو تدريب جزء من جمهورها على اتخاذ قرارات معركة مقبولة. من المناسب هنا أن يقوم العاملون البشريون بأداء وظائف صنع القرار. ومع ذلك ، فإن استخدام لاعبي الأدوار البشرية لاتخاذ قرارات للقوات المتعارضة ، أو القوات المجاورة والخلفية الودية قد يؤدي إلى نتائج عكسية وقد يكون الأمر والتحكم الآليين مرغوبين للغاية. لتوفير مثل هذه الأتمتة ، تعتمد العديد من عمليات المحاكاة الحالية بشكل كبير على خوارزميات القرار وقواعد القواعد المقترنة بلعب الأدوار البشرية لتوفير العنصر البشري. قد تتطور المشكلات لأن الخوارزميات وقواعد القواعد قد لا تكون خالية من الأخطاء بشكل كافٍ ، كما يصعب أحيانًا السيطرة على موارد لاعب الأدوار البشرية. قد تفتقر الأتمتة التي تستخدم الخوارزميات وقواعد القواعد أيضًا إلى المرونة الكافية لتلبية متطلبات السيناريو المتغيرة دون برمجة تفصيلية. توفر الشبكات العصبية الاصطناعية (ANNs) بديلاً فعالاً من حيث التكلفة للخوارزميات وقواعد القواعد لتوليد أو تكرار عملية صنع القرار البشري. تعد شبكات ANN فعالة لأنها تستند إلى أمثلة ، بدلاً من عمليات التنفيذ المشفرة.
تصف هذه الورقة النهج الذي اتبعته شركة Pathfinder Systems، Inc. (PSI) لتطبيق شبكات ANN لأتمتة القيادة والتحكم في عمليات المحاكاة العسكرية. طورت PSI نموذج الشبكة العصبية LINIAC لمحاكاة قرارات القيادة والتحكم. تم استخدامه في العروض التوضيحية مع محاكاة معركة اللواء / الكتيبة (BBS) ، ضمن مشروع التشغيل البيني BBS-SIMNET لتوليد قرارات لقوات SIMNET شبه الآلية ، وفي ROLEPLAYER ، محاكاة ساحة معركة بسيطة للغاية ، والتي توضح الاستخدام العملي لـ شبكات LINIAC العصبية على مستوى الفصيلة والسرية والكتيبة. مثال آخر ، قيد التطوير حاليًا بواسطة PSI و MITER Corporation ، هو تطبيق ANNs على نموذج محاكاة معركة EAGLE. حاليًا ، تعتمد محاكاة EAGLE بشكل كبير على القرارات المستندة إلى القواعد. يهدف هذا المشروع إلى إثبات جدوى استبدال قواعد القواعد بأدنى مستوى من القيادة والسيطرة في محاكاة معقدة باستخدام الشبكات العصبية الاصطناعية.
الحاجة إلى قيادة وتحكم مرن للذكاء الاصطناعي
هناك بعض الصعوبات الواضحة في استخدام الخوارزميات وقواعد القواعد لتكرار صنع القرار البشري. عادةً ما تكون مشفرة بشكل ثابت ويصعب تغييرها إذا تغيرت احتياجات المحاكاة. التطورات العسكرية العالمية الأخيرة ، مثل تفكك القوات السوفيتية والشرقية وظهور القوات العسكرية في العالم الثالث ، غيرت متطلبات القيادة والسيطرة لمحاكاة المعركة. اليوم يجب أن تكون مرنة بما يكفي لاستيعاب مجموعة متنوعة من المذاهب العسكرية وأنماط العمليات ، والتي تتطلب في كثير من الأحيان إعادة تشكيل سريعة. إذا كان من الضروري تنفيذ الخوارزميات وقواعد القواعد باستخدام لغات البرمجة أو إدخال البيانات الصارمة نحويًا ، فإن تطويرها يتطلب تقنيي البرمجة لترجمة متطلبات القيادة والتحكم إلى صيغة اللغة المناسبة. تقدم الخطوات المطلوبة لترجمة معرفة الخبراء إلى بناء جملة رسمي إمكانية سوء التواصل وسوء الفهم ، مما قد يؤدي إلى حدوث أخطاء في البرنامج. حتى في حالة وجود فهم جيد ، يمكن إنشاء أخطاء منطقية عن غير قصد. مطلوب قدر كبير من الاختبار لاكتشاف هذه الأخطاء وإزالتها. أخيرًا ، يجب أن تأخذ قواعد القواعد والخوارزميات في الاعتبار جميع الاحتمالات المحتملة عند تحليل مشكلة حتى لا تؤدي الظروف غير المحسوبة إلى نتائج غير مقصودة في المحاكاة. هناك حاجة إلى جهد هندسي كبير لضمان تمثيل جميع المواقف المعقولة في الكود.
يمكن أن يؤدي استخدام الشبكات العصبية الاصطناعية للقيادة والتحكم الآليين إلى التغلب على العديد من هذه القيود. يمكن تنفيذ ANNs كفئة كائن بواجهة قياسية وطرق اتخاذ القرار. يمكن للمحاكاة بعد ذلك إنشاء العديد من كائنات القرار لتلك الفئة ، ولكل منها بيئتها الفريدة التي تتكون من معلومات الإدخال و "مصفوفة الاتصال" التي تلخص سلوك ANN معين. طريقة القرار هي عملية رياضية بسيطة نسبيًا تصلح لمجموعة متنوعة من تطبيقات القرار. يمكن أن يستوعب كائن ANN المصمم جيدًا أي قاعدة قرار متوافقة ويكرر بأمانة التفكير المعرفي الذي تم تدريبه عليه.
من الممكن تصميم طرق تدريب لشبكات ANN باستخدام تقنيات واجهة رسومية قياسية لا تتطلب أي خبرة برمجية من جانب المدرب ، بحيث يمكن لخبراء المعرفة تدريبهم مباشرة دون الحاجة إلى الاعتماد على مترجم تقني. يمكن للخبراء أن يتعلموا بسرعة ، وبشكل حدسي في كثير من الأحيان ، كيفية استخدام مثل هذه الواجهات لتدريب الشبكات العصبية الاصطناعية مباشرة في جلسات لا تستغرق سوى ساعة أو ساعتين. يمكن للخبراء أيضًا تحديد متغيرات القيادة والسيطرة باستخدام الكلمات والعبارات الإنجليزية التي تكون منطقية لكل من المدرب والجمهور المتدرب. عند تدريب الشبكات العصبية الاصطناعية ، ليس من الضروري تقديم أمثلة لجميع مجموعات المدخلات الممكنة كما هو الحال عمومًا مع الخوارزميات وقواعد القواعد. قد تحتوي الشبكة العصبية على آلاف إلى مئات الآلاف من مجموعات المدخلات الممكنة ، ولكن عينة صغيرة تمثيلية من الإجمالي كافية للتدريب المناسب. الشبكات العصبية الاصطناعية جيدة جدًا في استقراء الأمثلة التي تم تدريبهم عليها لتغطية أمثلة أخرى مماثلة. إن مفتاح التدريب الجيد ، بالطبع ، هو تضمين أمثلة تغطي أوسع نطاق ممكن من شروط الإدخال.
إذا كان يجب أن تكون المحاكاة قادرة على استيعاب سيناريوهات متعددة لتعكس العقائد العسكرية المختلفة أو أنماط العمليات ، فمن الممكن تدريب شبكات ANN لكل سيناريو وتهيئة كائنات ANN المناسبة للسيناريو المحدد بالسلوك المطلوب عند بدء المحاكاة بدلاً من التعديل رمز المحاكاة. تنطبق هذه التقنية أيضًا على القيادة والتحكم الآليين لمستويات متعددة. قد يكون هيكل القرار للعديد من المستويات متشابهًا من حيث أن كل مستوى ينظر إلى نفس مجموعة الشروط ويتخذ قرارات مكافئة. قد يكون الاختلاف الوحيد هو أن كل مستوى قد يستخدم تفكيرًا مختلفًا للوصول إلى قرارات قابلة للمقارنة. لذلك من الممكن تطبيق هيكل قرار واحد على عدة مستويات ، ولكن كل مستوى يستخدم مجموعة من كائنات ANN المدربة بشكل فريد لتعكس تفكيرها الفردي.
أخيرًا ، من الممكن تدريب الشبكات العصبية بشكل تدريجي. إذا أظهرت ANN سلوكًا غير لائق داخل محاكاة ، فمن الممكن إعادة تدريبها بسرعة. في الواقع ، يعد التدريب من خلال سيناريوهات المحاكاة طريقة تدريب فعالة للغاية.
نموذج التنشيط التفاعلي الخطي والمنافسة (LINIAC)
كجزء من بحثها في استخدام شبكات ANN لتطبيقات القيادة والتحكم ، طورت Pathfinder Systems، Inc. نموذج ANN للتنشيط التفاعلي الخطي والمنافسة (LINIAC). يوضح الشكل 1 كيف يتخذ نموذج LINIAC القرارات. يتكون كل LINIAC ANN من متجه إدخال ، يظهر على شكل أسهم تشير إلى أسفل ، ومتجه إخراج ، كما هو موضح في شكل أسهم تشير إلى اليمين ، ومصفوفة اتصال. يحدد متجه الإدخال مجموعة من شروط الإدخال ، حيث يمكن لكل شرط أن يفترض حالة من حالتين أو أكثر. العدد الفعلي للشروط والحالات لشبكة ANN معينة تعسفي ، ولكن لا يمكن تغييره بمجرد تدريب ANN دون الحاجة إلى إعادة التدريب. في نموذج LINIAC ، قد يفترض كل شرط حالة واحدة فقط ، يتم التعبير عنها بقيمة 1 ، بينما يتم التعبير عن جميع الحالات الأخرى لهذا الشرط بقيمة 0 (على الرغم من إمكانية القيم الرقمية المرجحة أيضًا). يتكون متجه الإخراج LINIAC من شرط واحد أيضًا مع عدد تعسفي من الحالات. تمثل النقاط السوداء ، الموضحة عند تقاطع كل سهم أفقي ورأسي ، الروابط العصبية بين عناصر متجه الإدخال والإخراج ، ويشير حجم كل نقطة إلى القوة النسبية أو "وزن" الاتصال. يحدد الوزن مدى قوة تأثير كل حالة إدخال على الحالة المقابلة لناقل الإخراج. يتم دائمًا تحديد قرار LINIAC كحالة الإخراج ذات القيمة التراكمية الأكبر. إن مفتاح التشغيل الناجح لـ LINIAC هو تحديد قيم مصفوفة الاتصال أثناء التدريب بحيث ينتج عن نمط الإدخال دائمًا النتيجة التي حددها المدرب.
الشكل 1. مفهوم الشبكة العصبية الاصطناعية LINIAC
تطبيق الشبكة العصبية على القيادة والتحكم الآلي
هناك العديد من الطرق لتطبيق الشبكات العصبية على القيادة والتحكم الآلي ، بدءًا من الشبكات العصبية المفردة إلى هياكل القرار المعقدة للغاية المكونة من طبقات من الشبكات العصبية. ستركز المناقشة المتبقية على العديد من الأمثلة / النماذج التي طورتها PSI أو قيد التطوير. تتمثل إحدى ميزات نهج الشبكة العصبية في القدرة على تجميع القرارات البسيطة نسبيًا في هيكل قرار معقد. هذا مشابه للطريقة التي يتم بها اتخاذ القرارات التنظيمية المعقدة عادة. ميزة أخرى هي أن هذا النهج يسمح للمصمم بتقسيم القرارات المعقدة إلى مكونات بسيطة يسهل تصميمها وفهمها وتدريبها.
يعتمد نجاح أو فشل استخدام الشبكات العصبية الاصطناعية بشكل كبير على صلاحية تصميم نموذج القرار. النموذج المعروض أدناه هو واحد من العديد من المفاهيم المحتملة. تكمن قيمة هذا النهج في أنه يمكن تصميم العناصر البسيطة وإعادة تصميمها وإعادة توصيلها في هيكل يمثل بدقة عملية اتخاذ القرار لوحدة عسكرية حقيقية. من المحتمل أن يكون هيكل القرار العملي مزيجًا من الخوارزميات والقواعد والشبكات العصبية التي تعمل معًا. الخوارزميات ضرورية لتحويل بيانات المحاكاة إلى أنواع بيانات (أي متغيرات القرار) المناسبة للإدخال في الشبكات العصبية الاصطناعية لهيكل القرار. لا يتم تنفيذ جميع أنواع القرارات بشكل أفضل من خلال الشبكات العصبية - عندما يكون عدد إمكانيات الإدخال وعدد النتائج صغيرًا ، تكون القواعد الحسابية عادةً خيارًا أفضل. نميل إلى استخدام الشبكات العصبية عندما يمكن أن تصل التوليفات الممكنة من المدخلات ، حتى لو لم تكن غامضة ، إلى الآلاف أو مئات الآلاف.
إن تدريب الشبكة يكاد يكون تافهاً إذا تم إجراؤه بواسطة خبير في الموضوع. ما هو مهم للغاية هو تحديد هيكل القرار العام لنشاط يمثله ANN (يمكن أن يكون هذا ، على سبيل المثال ، C2 بشريًا محددًا وظيفة ، مثل "درع BN S2 - تقييم الوضع الحالي"). من المتوقع أن يخضع تصميم هيكل القرار لعملية تطورية من شأنها تحسين الواقعية. تتضمن العناصر الرئيسية للتصميم مجموعة القرارات (شبكات ANN) التي تتطلبها المحاكاة في كل نقطة قيادة وتحكم ، وهيكل كل عملية قرار (شروط وحالات كل ANN) ، والتوصيلات بقاعدة بيانات المحاكاة و الترابط بين شبكات ANN المختارة. إن كيفية تدريب الشبكات العصبية الاصطناعية الفردية أقل أهمية في البداية ، حيث يمكن أن يحدث التدريب أو إعادة التدريب بعد التنفيذ.
نموذج لاعب الأدوار
طورت PSI في الأصل نموذج ROLEPLAYER لإثبات جدوى استخدام الشبكات العصبية الاصطناعية بدلاً من لاعبي الأدوار البشرية للتحكم في أجزاء من محاكاة المعركة. يوضح ROLEPLAYER التفاعل بين العديد من الكتائب الصديقة (الزرقاء) ، التي يسيطر عليها عامل بشري والعديد من الكتائب (الحمراء) المعارضة التي تسيطر عليها بشكل أساسي ANNs. يستخدم النموذج ست شبكات عصبية: ثلاثة على مستوى الكتيبة (راجع الشكل 2) ؛ اثنان على مستوى الشركة (راجع الشكل 3) ؛ وواحد على مستوى الفصيلة (راجع الشكل 4). تتلقى كل شبكة عددًا من شروط الإدخال ، والتي يتم سردها فوق كل مربع قرار ، وتنتج قيمة قرار نتيجة واحدة. يتم وصف كل شرط إدخال وقرار الإخراج كمجموعة من الحالات (غير معروضة في هذه الأرقام). قد يفترض كل شرط حالة واحدة ، أو لا شيء ، في المجموعة. تحدد الحالة المحددة قيمة التنشيط العصبي لحالتها. على سبيل المثال ، يمكن لشرط Enemy Move State ، وهو مدخل إلى جميع الشبكات العصبية الثلاثة ، أن يفترض إحدى الحالات: الزحف ، والهجوم ، والتوقف ، والدفاع ، والانسحاب. يوفر نموذج ROLEPLAYER قيم الحالة لهذه الشروط من خلال القواعد والخوارزميات المشفرة تقليديًا.
الشكل 2. هيكل قرار كتيبة لاعبي الأدوار
توفر الشبكة العصبية لتقييم الذكاء تقديرًا استخباراتيًا شاملاً للعدو بناءً على الملاحظات المشفرة في شروط الإدخال الخاصة به. تعمل هذه الشبكة بشكل دوري ، مرة كل خمس دقائق ، لإنتاج التقييم الحالي. كما يمكنها الاستجابة للأحداث التي تشير إلى تغييرات مفاجئة في الموقف التكتيكي. تحاكي الشبكة نشاط تقييم الموقف التكتيكي لضابط استخبارات الكتيبة (S2). سيكون الخبير المناسب في الموضوع لتدريب هذه الشبكة هو الكتيبة الفعلية S2. يوضح الجدول 1 ظروف وحالات هذه الشبكة العصبية. يحدد العمود الأول الشروط ("مجموعات الإدخال") وتصف جميع الأعمدة الموجودة على اليمين الحالات المحتملة التي يمكن أن يفترضها كل شرط. الصفوف العلوية هي مجموعة شروط الإدخال والصف السفلي هو قرار الإخراج. العديد من الشروط ، مثل حالة الهواء ونسبة القوة لديها تدابير تعسفية - على الرغم من الشروط التي من المرجح أن يأخذها صانع القرار البشري في الاعتبار. نموذج ROLEPLAYER قادر على ترجمة المقاييس الفعلية إلى هذه الفئات ، ولكن لتحسين فهم المستخدم ، فمن الأفضل على الأرجح تحديد نسبة القوة باستخدام حالات مثل "أقل من 1: 2" (منخفض) و "أكبر من 2: 1" (مرتفع ). لاحظ أن تقدير الذكاء ، "تقدير Intel" ، له أيضًا مسار تغذية مرتدة في الشبكة العصبية لتقييم الذكاء وهو مدخل في الشبكة العصبية للتخطيط التشغيلي. تمثل المدخلات في شبكة التخطيط التشغيلي الاتصالات من S2 إلى مسؤول العمليات (S3). تمثل التغذية الراجعة للتوصيات السابقة في الشبكة نفسها حقيقة أنه من غير المحتمل أن يتغير تقييم الوضع على الفور ، دون النظر في التقديرات السابقة. يجب أن تحتوي الشروط التي يتم إخراجها من إحدى الشبكات العصبية والمدخلات في شبكة أخرى على مجموعات متطابقة من الحالات الممكنة.
تتلقى الشبكة العصبية لتخطيط عمليات الكتيبة أوامر العمليات والأوامر التشغيلية المجزأة (أوامر التجزئة) من المقر الأعلى (راجع الجدول 2). إنه يأخذ في الاعتبار هذا الأمر إلى جانب الشروط الأخرى بما في ذلك ناتج تقدير الاستخبارات من الشبكة العصبية لتقييم الاستخبارات ويحدد مسار العمل الذي يجب اتخاذه على مستوى الكتيبة. يتم تنفيذ هذه الشبكة بشكل دوري ، مرة كل خمس دقائق أو استجابةً لتغيرات الظروف التكتيكية الحرجة ، لإنتاج مسار العمل الحالي. اعتمادًا على شروط الإدخال والتدريب المشفر ، ستوصي ANN بمواصلة تنفيذ المهمة الحالية ، أو اتباع مسار عمل آخر أكثر ملاءمة. إنه يحاكي بشكل أساسي عمليات إعادة تخطيط العمليات الفورية وأنشطة تحديد مسار العمل لضابط عمليات الكتيبة (S3). سيكون خبير الموضوع الأمثل لتدريب هذه الشبكة هو S3 الفعلي للقوات الزرقاء ، أو ضابط استخبارات على دراية بعقيدة العدو ومعداته وتكتيكاته للقوة المعارضة (OPFOR). تعتبر هذه الشبكة أيضًا توصيتها الأخيرة كأحد المدخلات ، وتقدم توصيتها إلى شبكة النظام التشغيلي المجزأ للكتيبة (Frag Order).
حالة
آخر تقدير
حالة الهواء
نسبة القوة
دولة تحرك العدو
العدو يحمل
انتشار العدو
المسافة إلى العدو
تقدير الذكاء
تنص على
لا تهديد
رئيس العدو
عالي
يمشي
امام
نعم
قريب
لا تهديد
تهديد بعيد
التكافؤ
متساوي
هجوم
الجناح
لا
بعيد
تهديد بعيد
العدو في الدفاع
سوبريور الودية
قليل
وقف
خلف
لا أحد
العدو في الدفاع
هجوم وشيك
الدفاع
هجوم وشيك
محاط
السحب
محاط
التهديد الخلفي
التهديد الخلفي
تهديد الجناح
تهديد الجناح
الجدول 1. يقيّم لاعب الأدوار بنية الشبكة العصبية للذكاء
تهديد الجناح
الدفاع
التخلي عن المهمة
Surrounded
فك الارتباط
التخلي عن المهمة
اغتنام الهدف
موقف الدفاع
هجوم وشيك
حركة تكتيكية
صوت محيط
موقف الدفاع
Reconnoiter
سوبريور الودية
هجوم
العدو في الدفاع
لا أحد
قليل
عالي
أحمر
وقف
خلف
هجوم
الدفاع
التكافؤ
تقليل التهديد
تهديد بعيد
بعيد
متساوي
واسطة
العنبر
هجوم
الجناح
تقليل التهديد
تنص على
مسيرة الطريق
رئيس العدو
تواصل المهمة
لا تهديد
قريب
عالي
قليل
أخضر
يمشي
امام
تواصل المهمة
حالة
أمر العملية
حالة الهواء
الخطة الحالية
أحدث المعلومات الاستخباراتية
التهديد الأرضي
نسبة القوة
الخسائر الخاصة
الخدمات اللوجستية
دولة تحرك العدو
العدو يحمل
مسار العمل
التهديد الخلفي
الجدول 2. لاعبي الأدوار كتيبة عمليات هيكل الشبكة العصبية
الشبكة العصبية للكتيبة Frag Order مسؤولة عن تحديد أوامر Frag التي سترسلها الكتيبة إلى قادة الشركة تحت قيادتها. يوضح الجدول 3 شروط الإدخال التي تراها هذه الشبكة وقرار الإخراج في الصف الأخير. يتم تنفيذه بشكل دوري ، مرة كل خمس دقائق ، أو استجابة لحالات الطوارئ التكتيكية ، لإنتاج أمر Frag جديد. وهي تعتبر قرار مسار العمل ، الذي أصدرته ANN لعمليات الكتيبة ، وكذلك أمر Frag الصادر سابقًا ، كرد فعل على تنفيذه السابق. النتيجة الأكثر شيوعًا من ANN هذه هي قرار "متابعة" ، مما يعني أنه لا يوجد تغيير في الأمر الذي يتم توجيه كل شركة لتنفيذه. مرة أخرى ، يعتمد القرار الذي تتخذه في الواقع على كيفية تدريب الشبكة. قد تلاحظ أن شروط الإدخال لكل من هذه الشبكات العصبية تبدو عشوائية. ما يتم تضمينه كشرط إدخال للشبكة العصبية هو قرار يجب على مصمم المحاكاة اتخاذه بالاشتراك مع خبراء مجال الموضوع العسكري.
فك الارتباط
فك الارتباط
حالة
أمر العملية
آخر جزء تم إصداره
مسار العمل
دولة تحرك العدو
العدو يحمل
ترتيب تراج
تنص على
مسيرة الطريق
متابعة
تواصل المهمة
يمشي
امام
يكمل
الدفاع
وقف
تقليل التهديد
هجوم
الجناح
وقف
Reconnoiter
يمشي
هجوم
وقف
خلف
هجوم
اغتنام الهدف
هجوم
موقف الدفاع
حركة تكتيكية
محاط
هجوم
موقف الدفاع
التخلي عن Mission
فك الارتباط
موقف الدفاع
سحب Fighting
الدفاع
انسحاب القتال
الجدول 3. فريق عمل لاعب الأدوار هو هيكل الشبكة العصبية من الترتيب الهش
تشتمل وظائف القيادة والتحكم في شركة ROLEPLAYER على شبكتين عصبيتين: أحدهما يصدر أوامر Frag إلى الفصائل تحت قيادة الشركة ويصدر الآخر طلبات الدعم الناري عند الحاجة (راجع الشكل 3). الشبكة العصبية Company Frag Order مسؤولة عن تحديد أوامر Frag التي سيصدرها قائد الشركة إلى فصائله. إنه يحاكي وظيفة قائد الشركة في السيطرة التكتيكية الفورية على الفصائل التابعة (راجع الجدول 4). يتم تنفيذه مرة واحدة تقريبًا كل دقيقتين ، أو استجابة لحالات الطوارئ التكتيكية ، لإنتاج أمر Frag جديد. وهي تنظر في أمر الكتيبة الذي أصدره قائد فرقة العمل وستصدر بشكل عام أمر Frag مقابل الفصائل ما لم يوجهها تدريبها للقيام بغير ذلك ، اعتمادًا على ظروف الإدخال الحالية. تقوم محاكاة Roleplayer بتقييم الظروف ، مثل نسبة القوة ، بالنسبة لقوة شركة العدو المنافس كما هو متصور حاليًا في المحاكاة. نتيجة "متابعة" تؤدي إلى استمرار الفصيل في نشاطه الحالي. إذا أصدرت الشركة أمر Frag جديدًا ، فإن الشبكة العصبية للفصيلة ستقرر عمومًا اتباع هذا الأمر ما لم تتطلب الشروط الأخرى قرارًا مختلفًا.
تقوم الشبكة العصبية لطلب الدعم من الحرائق للشركة بتقييم الحاجة إلى الدعم الخارجي (راجع الجدول 5). الدعم الذي قد يتم تلقيه في حدود قدرات ROLEPLAYER هو إما نيران غير مباشرة أو دعم جوي. إنه يحاكي وظائف فريق دعم حريق الشركة. سيكون قرارها ، "الإجراء" إما أنه لا توجد حاجة حاليًا إلى دعم ناري ، أو أنه كذلك. إذا تم طلب الدعم ، فإنه يتسبب في قيام ROLEPLAYER بتمرير طلب الدعم الناري إلى شبكة عصبية اصطناعية إضافية (غير معروضة) ، شبكة تنسيق دعم الحرائق الخاصة بالكتيبة (شبكة FSC). شبكة FSC ، اعتمادًا على الأصول المتاحة وتقييم مستوى الكتيبة للوضع التكتيكي ، إما ستوافق على الطلب أو ترفضه. إذا تم منح الطلب ، تقرر شبكة FSC أيضًا تخصيص الأصول المناسبة (النيران غير المباشرة أو الدعم الجوي) وتضبط تنفيذ نشاط الدعم في الحركة. يرجع التأخير الزمني بين الموافقة على طلبات الدعم والدعم الفعلي إلى عوامل قد تكون جزءًا مباشرًا من المحاكاة (مثل حركة الطائرة) ، والعوامل المدرجة بشكل غير مباشر في المحاكاة (تأخيرات C3 الإضافية ، والوقت المطلوب لتحويل الحرائق ، وقت إقلاع الطائرات الجاهزة ، وما إلى ذلك).
الشكل 3. هيكل قرار شركة ROLEPLAYER
الشبكة العصبية Platoon Frag Order (راجع الشكل 4) هي المسؤولة عن تحديد أوامر Frag التي سيصدرها قائد الفصيل. إنه يحاكي وظيفة التحكم التكتيكي الفوري لزعيم الفصيل. يتم تنفيذه مرة واحدة تقريبًا كل دقيقة لإنتاج أمر Frag جديد. يوضح الجدول 6 شروط الإدخال لهذه الشبكة العصبية. يُظهر الصف السفلي قرار الإخراج. نتيجة "متابعة" تؤدي إلى استمرار الفصيل في نشاطه الحالي. إذا أصدرت الشركة أمر Frag جديدًا ، فإن الشبكة العصبية للفصيلة ستقرر عمومًا اتباع هذا الأمر ما لم تتطلب الشروط الأخرى قرارًا مختلفًا. عندما تصدر الفصيلة الأمر ، ستتبع جميع الوحدات في الفصيلة هذا الأمر ، ما لم يتم تجميدها أو تدميرها.
فك الارتباط
فك الارتباط
حالة
تم استلام طلب التجزئة
حالة الهواء
التهديد الأرضي
نسبة القوة
الخسائر الخاصة
الخدمات اللوجستية
دولة تحرك العدو
العدو يحمل
فعل
تنص على
يكمل
رئيس العدو
قريب
عالي
قليل
أخضر
يمشي
امام
متابعة
وقف
التكافؤ
بعيد
متساوي
واسطة
العنبر
هجوم
ترك للأمام
وقف
يمشي
سوبريور الودية
لا أحد
قليل
عالي
أحمر
وقف
إلى الأمام
يمشي
هجوم
الدفاع
الجناح الأيسر
هجوم
موقف الدفاع
الانسحاب
الجهة اليمنى
موقف الدفاع
انسحاب القتال
خلف
انسحاب القتال
شظايا متعددة
الجدول 4. هيكل شبكي عصبي لشركة Roleplayer
لا شيء_ d04a07d8-9cd1-3239-9149-20813d6c673b_
قليل
عالي
أحمر
آخر
أبعد من 800 متر
متساوي
واسطة
العنبر
لا
الدفاع
دعم الاتصال
تنص على
في نطاق 800 متر
عالي
قليل
أخضر
نعم
هجوم
لا داعي للدعم
حالة
التهديد الأرضي
نسبة القوة
الخسائر الخاصة
الخدمات اللوجستية
على تواصل
حالة النقل الخاصة
فعل
الجدول 5. طلب الدعم الناري لشركة Roleplayer للشبكة العصبية net
تطبيق الشبكة العصبية لنموذج قرار EAGLE
تشارك PSI حاليًا في تكييف الشبكات العصبية لاتخاذ بعض القرارات منخفضة المستوى في محاكاة معركة EAGLE. EAGLE هو نموذج قتالي على مستوى الفيلق / الفرقة مع دقة كتيبة المناورة ، وهو مصمم للاستخدام كأداة لتحليل التطوير القتالي. تم تحديد مجالين مرشحين على الأقل لاتخاذ قرارات الشبكة العصبية. أحدهما يخطط للنشاط التشغيلي الحالي والآخر يحدد موعد الانتقال إلى الهدف التالي.
يتطلب التخطيط والترتيب تقييم الوضع الحالي والخيارات المحتملة لخطة جديدة ، ثم إصدار أوامر جديدة لتنفيذ الخطة الجديدة. على مستوى القسم / الفيلق ، يتطلب التخطيط / إعادة التخطيط تحديد تسلسل من العمليات المرحلية ، وضمن كل مرحلة ، تحديد أهداف ومهام متعددة للوحدات المختلفة في المستويات الدنيا. على مستوى الكتيبة (أدنى مستوى في EAGLE) ، تقوم كل وحدة بتنفيذ الأوامر التي تم تمريرها إليها فقط. ومع ذلك ، يجب أن تتمتع الكتائب بحرية إعادة التخطيط إلى الحد الذي يمكنها فيه الابتعاد عن تلك الأوامر ، عند الاقتضاء ، للدفاع عن النفس أو عندما يكون مسار العمل المختلف أكثر فعالية في تحقيق هدفها. على مستويي التقسيم واللواء ، تتكون إعادة التخطيط من توضيح أوامر التقسيم إلى حد أنها تقسم الأوامر العريضة إلى مهام وأهداف أكثر تفصيلاً يمكن تخصيصها لوحدات المستوى الأدنى.
الشكل 4. هيكل قرار فصيلة لعب الأدوار
شظية متعددة
انسحاب القتال
انسحاب القتال
موقف الدفاع
موقف الدفاع
هجوم
هجوم
يمشي
قليل
عالي
أحمر
يمشي
وقف
متساوي
واسطة
العنبر
لا
لا
وقف
تنص على
يكمل
عالي
قليل
أخضر
نعم
نعم
متابعة
حالة
تم استلام طلب التجزئة
نسبة القوة
الخسائر الخاصة
الخدمات اللوجستية
على تواصل
العدو في نطاق 1000 متر
قرار العمل
فك الارتباط
فك الارتباط
الجدول 6. هيكل الشبكة العصبية لفصيلة لاعب الأدوار
تستخدم محاكاة EAGLE المزيد من متغيرات القرار على مستوى الكتيبة أكثر مما يجب أن تعالجها شبكة عصبية واحدة ضمن نموذجنا المجسم للغاية (لأن المدرب البشري لا يمكنه اعتبارها جميعًا بسهولة في نفس الوقت). لتبسيط المعالجة ، يُنصح بتقسيم عملية اتخاذ القرار إلى عدة طبقات شبكية عصبية (راجع الشكل 5). تقوم الطبقة العليا بإجراء تقييمات أساسية للظروف الداخلية والخارجية مثل الفعالية الحالية للوحدة ومستوى التهديد الحالي وكثافة القتال الحالية والوضع الحالي للمهمة. تغذي هذه الشبكات قراراتها بشأن هذه الظروف في شبكة ذات مستوى أدنى تعتبرها جنبًا إلى جنب مع النشاط التشغيلي الحالي للوحدة والنية الذاتية والمهمة الموكلة إليها للتوصل إلى قرار بشأن النشاط التشغيلي الذي ستستمر في متابعته.
على مستوى الكتيبة ، تحتفظ EAGLE بعدد من عناصر قاعدة البيانات التي تتعلق بالحالة اللوجستية الحالية لكل كتيبة. تجمع الشبكة العصبية للتقييم الذاتي هذه العناصر معًا لإجراء تقييم يقيس الفعالية الإجمالية للوحدة وقدرتها حاليًا على الاستمرار في مهمتها.
تحدد الشبكة العصبية لتقييم القتال مستوى القتال الجاري حاليًا ، إن وجد. يقيس مستوى القتال على النحو التالي: لا اشتباك ، اشتباك خفيف ، اشتباك متوسط أو اشتباك ثقيل. كما تأخذ شبكتا تقييم التهديدات وتقييم المهام في الاعتبار نتيجة هذه الشبكة كجزء من مدخلات القرار.
تقوم الشبكة العصبية لتقييم التهديدات بتقييم الحالة الضمنية للتهديد. تأخذ هذه الشبكة في الاعتبار معلومات مثل الموقع النسبي للعدو ونشاط العدو وتصل إلى تقييم شامل للتهديد. يقدم مستوى التهديد احتمالية الاشتباك إذا استمرت الوحدة في متابعة مهمتها الحالية.
الشكل 5. تقييم EAGLE هيكل قرار النشاط التشغيلي
تقوم الشبكة العصبية لتقييم المهمة بتقييم الحالة الحالية لمهمة الوحدة التي تنطوي عليها ظروف مثل مدى مشاركة الوحدة حاليًا مع العدو ، وحالة المهمة بالنسبة إلى هدفها ، ونشاط الوحدة الحالي. تحدد هذه الشبكة الحالة العامة للبعثة. تنتج الطبقة الثانية من الشبكة الناتج الأساسي لهيكل القرار: القرار بشأن ما يجب متابعته كنشاط تشغيلي. تتلقى هذه الشبكة العصبية مدخلات من تقييم القتال وتقييم التهديدات وتقييم المهمة والتقييم الذاتي للشبكات العصبية من الطبقة الأولى والمتغيرات الإضافية النشاط التشغيلي (توفير التغذية الراجعة من القرارات السابقة) وحالة النقل والنية الذاتية والمهمة. يفترض أن المهمة توفر العملية الحالية أو ترتيب التجزئة من أمر المستوى الأعلى. ناتج هذه الشبكة هو نشاط تشغيلي ، والذي يحدد النشاط الذي ستتبعه الوحدة بعد ذلك.
هناك وظيفة أخرى يتطلبها نموذج EAGLE وهي تحديد موعد الانتقال إلى هدف جديد. تحدد الشبكة العصبية لتقييم الهدف التالي ما إذا كانت الوحدة بحاجة إلى الانتقال من النشاط المخصص لها إلى نشاط آخر (راجع الشكل 6). تشمل أسباب الانتقال الحاجة إلى دفاع أفضل عن النفس وأساليب أفضل لتحقيق الهدف. تتضمن شروط الإدخال النشاط التشغيلي الحالي ، ومستوى التهديد ، وفعالية الوحدة ، وكثافة القتال وتقييمات حالة المهمة التي أجراها تقييم هيكل قرار النشاط التشغيلي. تحدد هذه الشبكة ما إذا كان يجب على الوحدة الانتقال إلى هدف جديد وإرجاع اسم الوظيفة التي ستحدد الهدف المحدد. تشمل النتائج المحتملة: الاستمرار في الهدف الحالي (أي عدم التغيير) ، والحصول على الهدف المخطط التالي ، والحصول على الهدف النهائي ، والحصول على موقع معركة متسارع ، ومهاجمة أكبر تهديد لعدو ، والحصول على هدف جهة الاتصال ، والحصول على وحدة أرضية متنقلة أقرب موضوعية.
الشكل 6. تقييم EAGLE الهدف التالي هيكل القرار
تحديد وتدريب شبكات LINIAC العصبية
قبل أن تعمل الشبكة العصبية بشكل صحيح ، يجب تدريبها. يحدد التدريب قيم الاتصال "العصبية" (الأوزان) بين عناصر ناقل الإدخال والإخراج للشبكة. تحتفظ LINIAC ANN بتدريبها عن طريق حفظ المعلومات الأساسية في ملف نصي خارجي. هذا الملف مفيد سواء لتهيئة مثيل للشبكة العصبية في تطبيق العميل أو لإعادة الدخول في برنامج التدريب للمراجعة أو التدريب الإضافي. تتم تهيئة العميل عن طريق تحميل معلومات مصفوفة الاتصال من الملف إلى مخزن البيانات الذي تحتفظ به ANN في تطبيق العميل. بالإضافة إلى مصفوفة الاتصال ، يحتوي هذا الملف على معلومات لتمكين محرك الشبكة العصبية من تعيين قيم حالة الإدخال والإخراج إلى المواقع الصحيحة في متجهات الإدخال والإخراج. يحتوي أيضًا على الأمثلة المستخدمة للتدريب ، والتي يمكن أن تكون مفيدة للمراجعة أو إعادة التدريب لاحقًا.
طورت Pathfinder Systems برنامج مخطط مسار العمل (COAP) كبرنامج تفاعلي قائم على الرسوم لتوفير القدرة على تحديد الشبكات العصبية وتدريبها بسهولة. توفر طريقة عرض واحدة إمكانية التعريف الصافي ، بينما توفر طريقة العرض الثانية القدرة على التدريب. تظهر مربعات حوار مختلفة على كل شاشة لتوفير خيارات لسيناريو تدريب كامل. يؤدي برنامج COAP وظيفتين أساسيتين ؛ تمكن المستخدم من تحديد مجموعة الشروط والدول التي تشكل الشبكة وتمكن المستخدم من تدريب أو تقييم الشبكة العصبية. يتكون التدريب من تقديم مجموعة من الأمثلة وإصدار الأوامر لـ COAP لتعلم السلوك المحدد في تلك الأمثلة.
تعريف الشبكة العصبية
توفر نافذة تعريف COAP مربعين أساسيين للحوار (راجع الشكل 7). يمكّن المربع الموجود على اليسار المستخدم من تحديد مجموعة الشروط التي ستأخذها الشبكة العصبية في الاعتبار ويمكّن المربع الموجود في أقصى اليمين المستخدم من تحديد الحالات التي قد يفترضها كل شرط. تستخدم الشروط والدول الأسماء الرمزية ، والتي يتم استخدامها باستمرار خلال عملية التعريف والتدريب وللتنفيذ الفعلي للشبكة العصبية في تطبيقها.
الشكل 7. واجهة تعريف الشبكة العصبية COAP
تحدد هذه الأسماء الرمزية الشروط وحالاتها باستخدام مصطلحات طبيعية للمستخدم. إن مهمة مبرمج التطبيق هي تكييف واجهة الشبكة العصبية مع المصطلحات التي قدمها مصمم الشبكة ؛ ومع ذلك ، فإن ملف إدخال LINIAC يتضمن جميع الأسماء الرمزية المستخدمة من قبل الشبكة العصبية ، مما يبسط هذه المهمة إلى حد كبير. بالطبع ، يجب توخي الحذر للتأكد من أن الشبكة العصبية تستخدم المعلومات التي يمكن للتطبيق توفيرها بشكل ملائم وأن حالات النتيجة مفيدة أيضًا لها. للمستخدم الحرية في إضافة وتعديل الشروط والحالات حتى يقتنع بأن المجموعة تمثل متغيرات القرار المطلوبة بشكل مناسب. بمجرد بدء التدريب ، يمكن تغيير الأسماء الرمزية ؛ ومع ذلك ، فإن إضافة أو حذف الشروط أو الحالات يلغي كل التدريب السابق ويتطلب إعادة التدريب من البداية. بمجرد تحديده ، يحتفظ COAP بمجموعة أسماء الحالات والحالات وأمثلة التدريب وقيم الاتصال (التدريب) في الملف النصي. يجب استيراد هذا الملف إلى التطبيق المستخدم لتهيئة مصفوفة الاتصال.
تدريب الشبكة العصبية
توفر نافذة تدريب COAP أوضاع التدريس والمراجعة (راجع الشكل 8). يوفر وضع التدريس أوضاع تشغيل على الإنترنت (تدريب مباشر) وخلفية (واجبات منزلية). يتقدم التدريب من خلال تحديد مجموعة من قيم الإدخال وطلب قرار من الشبكة بالنقر فوق الزر "إظهار النتائج". قد يقبل المدرب قرار عودة الشبكة ، ولكن إذا كان القرار غير مرغوب فيه ، يحدد المدرب القرار الصحيح ويوجه الشبكة العصبية إلى "تعلم" السلوك الجديد. قد يحدد المستخدم أن التعلم يحدث عبر الإنترنت أو قد يتم وضعه في قائمة الانتظار كـ "واجب منزلي" لمعالجة الدُفعات لاحقًا. يتطلب التدريب عبر الإنترنت عادةً من بضع ثوانٍ إلى عدة دقائق لكل مثال للمعالجة. يعتمد طول الوقت بشكل أساسي على عدد الأمثلة المدرجة بالفعل في الشبكة ومدى قرب تكرار مثال جديد لمثال تم تعلمه مسبقًا. نظرًا لأن من ثلاثين إلى خمسين مثالًا قد تكون كافية لتقديم قرارات إخراج مقبولة على نطاق واسع من شروط الإدخال ، فقد يكون المستخدم قادرًا على تدريب شبكة خلال فترة عدة ساعات. في حالات نادرة ، من الممكن أن يمثل مثالان تدريبيان أنماطًا غير متسقة بحيث لا تتمكن خوارزمية التدريب من حل الاختلافات (أي لا يمكن لخوارزمية الانتشار الخلفي أن تتقارب مع حل). إذا حدث هذا ، فمن الضروري مراجعة أمثلة التدريب ، والقضاء على الحالات الشاذة وإعادة تدريب الشبكة.
يمكّن وضع المراجعة ، غير المبين في الشكل 8 ، المدرب من مراجعة جميع التدريبات السابقة. نظرًا لأن برنامج COAP يحتفظ بجميع أمثلة التدريب في ملفه النصي الخارجي ، فمن الممكن تقسيم التدريب إلى جلسات متعددة. وبالتالي يجوز للمدرب مراجعة التدريب السابق في جلسة لاحقة للتحقق من صحته أو لتجنب المدخلات الزائدة عن الحاجة. يتيح هذا أيضًا للمستخدم إعادة التدريب أو توفير تدريب إضافي للشبكة العصبية إذا ثبت أن التدريب الأولي غير صحيح أو غير مناسب للتطبيق المقصود.
يقوم برنامج COAP بتكوين نافذة التدريب والتقييم لإظهار جميع شروط الإدخال في الجزء الأيسر العلوي من النافذة. أسفل كل اسم شرط ، يعرض COAP جميع الولايات التي تحدد هذا الشرط. أثناء جلسة التدريب ، يختار المستخدم حالة لكل شرط لمثال تدريب محدد ، ثم يختار وظيفة إظهار النتائج. يستجيب COAP من خلال عرض حالة الإخراج المقابلة التي "حفظتها" حاليًا. قد يرد المدرب بإحدى الطرق الثلاث: قبول النتيجة إذا كانت متوافقة مع النتائج المرجوة ، أو رفض النتيجة أو تجاهلها. إذا رفض المدرب النتيجة ، يوفر COAP الفرصة لتحديد الاستجابة الصحيحة ثم يطالب المدرب ببدء التعلم. يحدث التعلم عن طريق تعديل قيم مصفوفة الاتصال بحيث تنتج الشبكة النتيجة المرجوة للحافز المحدد دون انتهاك السلوك الذي تم تعلمه مسبقًا. نظرًا لأن الشبكات العصبية يمكنها استقراء الأنماط التي تم تعلمها سابقًا لمطابقة أنماط الإدخال المماثلة ، فليس من الضروري للمدرب تقديم العديد من الأنماط المتشابهة لتدريب الشبكة بشكل فعال. هذه القدرة على الاستقراء تقلل من وقت التدريب بشكل كبير وتجعل الشبكة العصبية أداة فعالة للغاية من حيث التكلفة.
الشكل 8. واجهة تدريب الشبكة العصبية COAP
وظيفة COAP الأخرى المتوفرة في وضع المراجعة هي خيار اختبار الأداء. ينفذ هذا الخيار عددًا من عمليات التنفيذ المتسلسلة للشبكة العصبية ويعرض متوسط وقت التنفيذ للمستخدم. سوف يختلف متوسط الوقت من بضعة ميلي ثانية إلى بضع عشرات من المللي ثانية على جهاز كمبيوتر 33 ميجا هرتز 80486 ، اعتمادًا على مدى تعقيد الشبكة العصبية. يتناقض هذا بشكل إيجابي مع العديد من تطبيقات الشبكة العصبية الحالية الأخرى ، والتي تتطلب أوقات حساب كبيرة. تجعل سرعة دورة حساب LINIAC جذابة للغاية للعديد من التطبيقات حيث يمكنها عادةً تنفيذ واحد إلى عدة أوامر من حيث الحجم أسرع من عمليات التنفيذ القائمة على القواعد أو الخوارزمية.
استنتاج
قدمت هذه الورقة مقاربة عملية لاستخدام الشبكات العصبية الاصطناعية لأداء صنع القرار الآلي في سياق المحاكاة القتالية. يمكن أن تكون الشبكات العصبية أسهل بكثير في التصميم والتنفيذ من الخوارزميات المماثلة أو قواعد القواعد. يمكن لمحرك شبكي عصبي واحد أن يعمل كخادم لعدد عشوائي من الشبكات العصبية. يمكن تغليف "الكود" المطلوب لتنفيذ شبكة عصبية في ملف بيانات خارجي ، بما في ذلك مصفوفة الاتصال وتعريفات الحالة / الحالة لمتجهات الإدخال والإخراج. بسبب هذا الترميز الخارجي ، يمكن تعديل سلوك العميل ببساطة عن طريق استبدال ANN المدربة بشكل مختلف دون تغيير كود المصدر. هذا يقلل بشكل كبير من مقدار الوقت والنفقات المطلوبة لتصميم وتنفيذ وصيانة منطق / رمز القرار للقوى الآلية. يوفر هذا في عمليات المحاكاة مرونة أساسية لأن سلوك القوات الآلية قد يحتاج إلى التغيير ليعكس سيناريوهات مختلفة. هذا يجعل من الممكن أيضًا استبدال الشبكات العصبية التي قد يحتوي تدريبها الأولي على عيوب.
نظرًا لأنه من الممكن تدريب الشبكات العصبية باستخدام واجهة رسومية بسيطة نسبيًا ، فمن الممكن أن يقوم "خبراء" بتدريبهم بسرعة وبشكل مباشر دون الحاجة إلى موظفين تقنيين متوسطين قد يدخلون عن غير قصد تحيزات شخصية في قاعدة القرار. توفر واجهة المستخدم هذه أيضًا القدرة على مراجعة تدريب وسلوك الشبكة العصبية ، وبالتالي توفر التحقق من المستوى الأول لسلوك الشبكة. تعكس الشبكات العصبية أمثلة التدريب الخاصة بهم بأمانة شديدة وتتجنب الأخطاء غير الضرورية التي تسببها الانحرافات الترميزية. كما أنهم جيدون جدًا في عكس السلوك الذي يستقراء الأمثلة المكتسبة لتغطية الظروف التي ليس لديهم تدريب منفصل عليها ، مما يقلل بشكل كبير من الوقت الذي يجب أن يقضيه الخبراء في تدريبهم. يمتلك تطبيق LINIAC للشبكة العصبية سرعة تنفيذ عالية جدًا ، وحتى بنية الشبكات العصبية المتعددة التي تعمل بالتتابع لإنتاج قرار واحد قد تتفوق بسهولة على تنفيذ خوارزمي أو تطبيق قائم على القواعد. أخيرًا ، تحققت PSI من أدائها وموثوقيتها ودقتها في العديد من المشاريع الإيضاحية.