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.