智能火-飞-推综合控制系统的知识元

提出一种进行空战的决策方法,以攻防对策状态空间表达点捕获区、逃逸区及它们的界栅,给出了界栅表达式,讨论了如何利用界栅及相关知识进行空战结局预测、攻防策略的决策,是发展智能火-飞-推综合控制系统的知识元。     

软科学研究成果的评价标准和方法

软科学是一门高度综合性的新兴科学,也可以说是一类学科的总称。它综合利用现代自然科学、工程技术和社会科学的许多原理和方法,采用电子计算机等先进运算和测试手段,把定量分析同定性分析结合起来,去解决由于现代科学、技术、生产的发展而带来的各种复杂的社会现象和问题。研究经济、科学、技术、管理等社会环节之间的内在联系及其发展规律,从而为它们的发展提供可选择的满意方案,把决策工作建立在精确的科学论证基础上,以促进决策的科学化与民主化。     

基于CBR的民用飞机维修决策系统研究

基于CBR的智能维修决策技术,可以为新型国产飞机维修大纲制订人员提供有用的决策信息,提高制定飞机维修大纲的智能化水平和效率。研究的核心问题就是基于CBR的维修任务和维修间隔制订方法,它们为维修决策支持系统提供理论指导与核心算法。最后开发了基于CBR、以SQL Server作为后台数据库管理系统的民用飞机维修决策系统,并以新舟600（MA600）飞机ATA32起落架系统组件为实例进行验证,效果良好。     

环境与发展综合决策的伦理考量

确立环境伦理意识和环境伦理道德原则在政府环境与发展综合决策中的地位,是实现科学决策的必要措施,也是减少和避免决策失误导致生态破坏的一个基本环节。环境伦理应当为决策提供环境伦理方面的要求,从道德的角度规范决策行为,为政府实现科学决策提供生态文化支撑。为此,环境与发展综合决策必须树立生态文明观念,尊重生态环境的内在价值,遵循人与自然协同进化的价值原则,实现科学决策,实现人与自然、经济与社会的和谐共处与永续发展。     

机场协同决策的应用历史与研究趋势综述

机场协同决策可以有效提升机场的运行效率,进而提升整个民航运输网络的运行效率。本文查阅整理了机场协同决策的相关标准、政策文件与研究论文,梳理了机场协同决策的发展历程以及国内外学界业界有关协同决策的研究及应用现状;分析讨论了机场协同决策未来的发展趋势与当前时期协同决策所面临的挑战;同时基于我国的实际情况,给出了一些机场协同决策的发展建议;总结了机场协同决策的理论与应用价值以及协同决策在我国面临的问题与挑战。本文研究可以为提升机场与整个航空交通网络的运行效率与经济效益提供理论支撑和依据。     

载人航天领域决策研究方法初探

长期航天飞行任务中航天员在轨面临复杂决策的可能性大大增加.决策是心理学研究的热门领域,现有的决策理论和研究方法主要包括实验室决策研究与自然决策理论指导下的决策研究.总结梳理这些研究方法,有助于选择适用载人航天领域的决策研究方法,推动载人航天领域的决策研究发展,为航天员长期在轨决策提供科学支持.     

基于深度强化学习的空战机动决策试验

空战智能决策将极大改变未来战争的形态与模式。深度强化学习决策机可以挖掘飞行器潜力，是实现空战智能决策的重要技术范式，但其工程实现鲜有报道。针对基于深度强化学习的双机近距空战机动智能决策的工程实现问题，开发了适于应用的深度神经网络在线机动决策模型，发展了通过飞行控制律跟踪航迹导引决策指令的机动控制方案，并进一步开展了软硬件实现工作与人机对抗飞行试验，实现了智能空战从虚拟仿真到真实飞行的迁移。研究结果表明基于本文发展的近距空战机动决策及控制方法，智能无人机在与人类“飞行员”的对抗中能够迅速做出有利于己方的动作决策，通过机动快速占据态势优势。研究结果显示了深度神经网络智能决策技术在空战决策中的潜在应用价值。     

马尔柯夫分析模型在计算机预测系统中的应用

计算机技术的迅速发展,极大推动了企业的进步与发展,这要求有与之相适应的企业管理模式,并能对变化的市场及时准确地做出科学预测、决策。马尔柯夫分析模型是一种预测模型,作为一种企业管理的工具,现在已成功地应用在各种各样的计算机预测、决策及模拟系统中。     

协同多目标攻击空战决策及其神经网络实现

提出了一种超视距多目标空战决策方法——协同优先权算法。它能给出多机协同攻击多目标的目标配对。然后对２∶４空战,用３层Ｂ－Ｐ网络实现该算法,并用ＳＯＦＭ网络实现对目标的攻击排序。因它们具有很强的适应、容错能力和实时性,故这种实现将有助于复杂动态环境下飞行员的空战决策,以及提高航空武器系统的作战效能。仿真结果证实了上述思想的正确性。     

新产品开发组织问题研究

新产品开发是生产经营决策的首要内容,关系到企业的生存与发展,新产品开发的组织机构,是新产品开发成功的基本保证。本文结合国内实际对新产品开发组织机构的决策实质、组织形式、组织结构等问题进行了探讨。     

关于决策与决策科学化

决策有时简单称为“决策”或“拍板”它是日常生活，经营管理中普遍存在的现象，是人类生存和发展过程中必然要产生的活动，是人们认识世界，改造世界的客观要求，本文拟就决策一般要为什么决策需要科学化及如何进行决策科学化做一简单的介绍，以便为关心公司发展的人们提供一些浅显的思路。     

基于多智能体的多机型协同作战决策系统模型研究

多机型协同作战决策系统开发是一项很复杂的工程,各组成要素之间的活动很难进行定量分析和描述,战场情况也复杂多变,具有不可预见性和不可再现性。文中基于目前多机协同作战仿真的发展现状,运用多智能体(Multi-agent)技术,提出了多机型协同作战复杂系统分析与设计决策仿真模型;介绍了运用群建模和开发工具对基于Multi-agent的多机型协同作战决策系统仿真的实现。     

两种群决策模式对决策效果的影响

在分析决策问题本身及多人决策复杂性基础上,提出群决策3种模式,并针对合作型一般群决策和协同决策问题,设计一海军编队对空防御案例,根据其结构建立决策规则模型,并进行求解。最后,将两种群决策模式对决策的影响进行了比较与分析。结果表明：不同群决策模式是通过其决策规则来影响最终决策的,且协同决策模式要比群决策模式对决策的影响复杂。     

自主空战连续决策方法

未来空战正朝着无人化、自主化方向发展,自主空战决策方法是未来空战的重要支撑手段之一。传统空战决策方法由于维度限制,存在无法处理连续动作与远视决策的问题。基于Actor-Critic 方法提出空战连续决策的统一架构,依据空战训练经验对状态空间、动作空间、奖励及训练科目进行合理设计,测试多种连续动作空间强化学习算法在高不确定性空战场景下的学习效果并进行可视化验证。结果表明：基于本文提出的方法架构,可以实现连续动作下的远视价值寻优,智能体可以在复杂空战态势下做出最优决策,对随机机动飞行目标有较高的击杀率,且空战机动轨迹具有较高的合理性。     

自主空战机动决策方法综述

自主空战机动决策是基于数学优化、人工智能等方法,模拟飞行员空战决策,自动生成飞行控制指令的过程。它在空战仿真、飞行员辅助决策和无人战斗机自主飞行等领域广泛运用。根据求解思路的不同,综合论述了两类自主空战机动决策方法:针对基于对策的空战决策方法,阐述了从追逃对策到双目标对策的发展脉络和内在联系,并着重分析了两类重要的双目标对策模型——矩阵对策和影响图对策;针对基于人工智能的空战决策方法,系统论述了基于专家系统的机动决策、基于遗传学习系统的机动决策、基于人工免疫系统的机动决策和基于神经网络的机动决策,明确了各种决策的建模方法、适用条件、改进途径等问题。总结了各个空战机动决策方法的优点及不足,指出了自主空战机动决策的进一步研究思路。     

可视化协同决策平台在兵器领域的应用模式

分析了可视化协同决策技术的背景及发展方向,对兵器领域及相关行业的应用现状进行了剖析,分析了可视化协同决策平台在企业的应用重点,并结合企业的应用现状及未来的发展方向,阐述了可视化协同决策平台在兵器领域企业的实际工程应用模式.     

基于启发式强化学习的空战机动智能决策

空战机动智能决策一直是研究热点,现有的空战机动决策主要采用优化理论和传统的人工智能算法,是在相对固定的环境下进行决策序列计算研究。但实际空战是动态变化的,且有很多不确定性因素。采用传统的理论方法进行求解,很难获取与实际情况相符的决策序列。提出了基于启发式强化学习的空战机动智能决策方法,在与外界环境动态交互的过程中,采用"试错"的方式计算相对较优的空战机动决策序列,并采用神经网络方法对强化学习的过程进行学习,积累知识,启发后续的搜索过程,很大程度上提高了搜索效率,实现空战决策过程中决策序列的实时动态迭代计算。最后仿真实验结果表明本文提出的算法所计算的决策序列与实际情况相符。     

基于近端策略优化的空战决策算法研究

面对未来有/无人机协同作战场景,实时准确的空战决策是制胜的关键。复杂的空中环境、瞬变的态势数据以及多重繁琐的作战任务,使有/无人机协同作战将替代单机作战成为未来空战的发展趋势,但多智能体建模和训练过程却面临奖励分配困难、网络难收敛的问题。针对5v5 有/无人机协同的空战场景,抽象出有人机和无人机智能体的特征模型,提出基于近端策略优化算法的空战智能决策算法,通过设置态势评估奖励引导空战过程中有/无人机智能体的决策行为向有利态势发展,实现在与环境的实时交互中,输出空战决策序列。通过仿真实验对所提空战决策算法进行验证,结果表明：本文提出的算法在经过训练学习后,能够适应复杂的战场态势,在连续动作空间中得到稳定合理的决策策略。     

柔性决策

提出了柔性决策的思想,并对决策科学的发展进行了回顾。为解决柔性决策问题,提出了极大－极小方法、人机交互方法和集包含方法。     

一种基于相邻模块化加权D-S的融合诊断方法

常规D-S (Dempster-Shafter)决策融合方法由于其自身理论不足,不能很好直接处理决策结果偏差大、冲突大的传感器融合问题,因而对于信息高冲突情况下的转子微弱故障融合诊断存在着失效问题。针对该类问题与不足,借鉴复杂网络的舆论传播、社会学习理论及多智能体一致性决策的相关概念与思路,从避免决策结果冲突大的传感器直接进行融合的角度进行改进,提出相邻模块化加权D-S融合方法。该方法首先根据初步结果进行相邻节点与模块划分,只有决策距离在相邻界限值范围内的相邻模块节点才能进行决策融合;对于同一模块内相邻节点,根据各节点决策权重及初步决策结果采用加权D-S融合方法进行决策融合;针对融合结果再进行相邻节点模块划分与融合,依此步骤进行循环划分与融合,直到所有模块与节点均不相邻;最后采用专家权威决策方法确定权重和最大的模块融合结果作为最终的传感器网络一致性决策结果。通过多传感器网络的转子故障模拟实验对所提方法进行验证,应用结果表明:所提方法可以较好解决少数传感器诊断正确、而多数诊断错误的信息高冲突条件下的局部微弱故障融合诊断问题。