作戰任務管理

隨著作戰任務和系統的復雜性不斷增加，在正確的時間做出正確的作戰決策需要 （1） 實時態勢感知，以及 （2） 提供自動建議的決策支持系統。這兩項功能是作戰任務管理系統 （MMS） 的核心。

態勢狀態

作戰任務管理系統 （MMS）提供的態勢包括在作戰任務背景下與我軍及其周圍戰場的當前狀態有關的信息。例如，最新態勢信息可包括：

我方部隊和系統的狀態，以及友軍和敵軍部隊的狀態。

與我方部隊和系統有關的各種任務性能參數，包括過去的性能以及當前和未來的估計性能。

我方系統行為的異常情況，可能由故障、干擾或相互干擾、天氣條件等造成。

有關敵方部隊和系統的最新情報。

敵方活動的異常情況，包括其行動概念（CONOPS）和系統參數。

上述態勢通常來自對各種信息源數據的分析，例如

傳感器輸出，包括雷達、信號情報系統、光學/電光傳感器、聲學傳感器等。

指揮與控制（C2）輸出。

人類情報信息。

可以使用啟發式算法等傳統方法和機器學習（ML）和人工智能（AI）算法等最新方法進行分析。

自動建議

作戰任務管理系統 （MMS）會根據先驗情報信息（任務開始前）或任務期間的最新情況提出自動建議。這些建議的重點是部隊和系統可以采取的行動，例如可以包括

改變部隊部署。

平臺位置/軌跡變化。

系統配置更新，如頻率分配修改。

系統資源重新分配，即改變傳感器、效應器、發射器或平臺對目標和感興趣區域/體積的分配。

作戰任務管理系統的決策支持部分通常基于模擬和優化工具的結合。模擬用于估計在各種情況下會發生什么，而優化過程則決定應檢查哪些情況，并選擇最合適的配置。 此外，作戰任務管理系統的決策支持組件還可以采用邏輯算法，針對一組預定義事件提出建議的應對措施。例如，如果地基雷達測得某一空間區域和特定頻率范圍的噪聲水平增加，即使沒有干擾源的具體信息，也可以采取一些措施來緩解這一問題。這些措施可包括，例如，改變雷達的發射頻率、調整搜索模式或對某些角度范圍禁用軌跡初始化。邏輯算法可利用文獻中已知的方法，如決策樹和隨機森林。

多任務優化

目前可用的作戰任務管理系統大多針對單一任務。然而，多任務作戰任務管理系統(MM-MMS) 可以提高作戰任務的性能，因為它們可以管理多個任務共享的資源。 最突出的共享資源是電磁頻譜，它被任何發射或接收電磁輻射的系統所使用。這些系統包括無線通信系統、全球導航衛星系統（GNSS）接收器、雷達、信號情報系統、電子戰系統等。當今大多數作戰任務都嚴重依賴無線通信網絡和/或全球導航衛星系統接收器，因此很容易受到相互干擾、干擾或欺騙。確保持續共存的唯一方法是進行實時頻譜管理，同時考慮到區域內所有依賴頻譜的系統，這些系統可能用于多項任務。 共享資源的另一個例子是軍用運輸車，它可以為不同地點的不同單元服務，但在特定時間只能有一條路徑。 多任務作戰任務管理系統(MM-MMS)的主要技術挑戰是多任務優化。多任務優化的特點是

必須同時優化的自由度數量非常大，導致計算復雜度和內存需求高。

不同自由度背景下的多樣性。傳統的優化算法通常處理單一類型的問題，如部署、軌跡規劃或資源分配。多任務優化通常需要同時解決兩類或多類問題。

此外，定義目標函數對于多任務優化尤其困難。優化目標函數通過為每個檢查方案提供性能評分，決定了優化過程試圖優化的內容。對于多任務作戰任務管理系統(MM-MMS)，目標函數可能會考慮任務優先級和任務相互影響等問題。為了獲得有意義的結果，目標函數通常要通過廣泛的運籌學研究來校準。強化學習也可用于使目標函數適應作戰團隊的需要。

基于人工智能的態勢感知

如上所述，使用人工智能算法可以獲得態勢感知。 在作戰任務管理系統中，人工智能算法必須支持使用小型數據集進行模型訓練，以便靈活應對戰場上的快速變化。此外，算法應基于最少的假設，以減少模型失配并產生準確的結果。常見的人工智能算法通常只符合其中一項要求。例如，深度神經網絡（DNN）只需要很少的先驗信息，但卻需要大量的訓練數據集。 與此相反，高斯混合模型（GMM）和支持向量機（SVM）基于特定的模型假設，但小規模的訓練集通常就足夠了。 Omnisys 是為以色列國防和國土安全提供任務優化解決方案的領先供應商，其開發的專有算法套件之一被稱為 "敏捷統計建模"（ASM）。它是根據上述要求開發的。此外，ASM 還是一種白盒方法，即其模型易于可視化和手動調整。這一特性在處理戰略任務時非常重要，因為戰略任務的誤差往往是不可接受的，而提前估計系統在各種情況下的性能的能力則至關重要。

結論

在現代戰場上，作戰任務管理系統正逐漸成為成功完成作戰任務的關鍵，而現代戰場的特點是變化迅速，有無數的系統要滿足眾多的作戰需求。基于人工智能的態勢感知和多任務優化是這些系統持續發展的兩個關鍵驅動因素。

審核編輯：黃飛