面向空天防御体系的多任务可控涌现机制研究

doi:10.3969/j.issn.1009-086x.2023.03.005

现代防御技术 ›› 2023, Vol. 51 ›› Issue (3): 39-48.DOI: 10.3969/j.issn.1009-086x.2023.03.005

面向空天防御体系的多任务可控涌现机制研究

白宗磊¹^,²(), 刘秀华¹^,², 白天翔¹^,², 孙科武¹^,²

^1.航天科工集团智能科技研究院有限公司，北京 100043
^2.航天防务智能系统与技术科研重点实验室，北京 100043

收稿日期:2023-02-24 修回日期:2023-04-18 出版日期:2023-06-28 发布日期:2023-06-27
通讯作者: 白宗磊
作者简介:白宗磊(1993-)，男，山东淄博人。工程师，博士，研究方向为复杂系统，多智能体系统。
基金资助:
国家自然科学基金(62103386);青年人才托举工程(2022QNRC001)

Research on Multi-task Controllable Emergence Mechanism for Air and Space Defense System

Zonglei BAI¹^,²(), Xiuhua LIU¹^,², Tianxiang BAI¹^,², Kewu SUN¹^,²

^1.Intelligent Science & Technology Academy of CASIC, Beijing 100043, China
^2.Key Lab of Aerospace Defense Intelligent System and Technology, Beijing 100043, China

Received:2023-02-24 Revised:2023-04-18 Online:2023-06-28 Published:2023-06-27
Contact: Zonglei BAI

摘要/Abstract

摘要：

群体智能涌现研究对于人们理解自然界规律，优化社会管理，推进知识创新有重要作用，空天防御体系为群体智能涌现提供了研究和应用的新场景。然而，空天防御体系是典型的非线性系统，系统的可控涌现面临状态空间指数爆炸、动态过程建模复杂、性能分析困难等问题。面向战场防御场景，针对空天防御体系面临的大规模目标应对、复杂任务场景适配、多任务协调配合、复杂系统设计等问题，开展了面向空天防御体系的可控涌现机制研究，探究空天防御体系的涌现机制，为提升空天防御体系的多目标应对能力、场景快速适配能力和空天防御体系要素之间的有效协调配合能力提供新视角。

关键词: 群体智能涌现, 空天防御体系, 可控涌现, 复杂系统, 多智能体强化学习

Abstract:

The research on the emergence of swarm intelligence plays an important role in people's understanding of the laws of nature， optimizing social management， and promoting knowledge innovation. The air and space defense system provides a new scene for the research and application of swarm intelligence. However， the aerospace defense system is a typical nonlinear system， and the controllable emergence of the system faces problems such as exponential explosion of state space， complex dynamic process model， and difficult performance analysis. Aiming at the battlefield defense scenario， this paper carries out the research on the controllable emergence mechanism of intelligent defense system for large-scale target response， complex task scenario adaptation， multi-task coordination and cooperation， and complex system design faced by the air and space defense system， explores the emergence mechanism of the air and space defense system， and provides a new perspective for improving the multi-target response capability， rapid scenario adaptation ability and effective coordination and cooperation among the elements of the air and space defense system.

Key words: emergence of swarm intelligence, air and space defense system, controllable emergence, complex system, multi-agent reinforcement learning

中图分类号:

白宗磊, 刘秀华, 白天翔, 孙科武. 面向空天防御体系的多任务可控涌现机制研究[J]. 现代防御技术, 2023, 51(3): 39-48.

Zonglei BAI, Xiuhua LIU, Tianxiang BAI, Kewu SUN. Research on Multi-task Controllable Emergence Mechanism for Air and Space Defense System[J]. Modern Defense Technology, 2023, 51(3): 39-48.

图/表 7

图1 多智能体要素分布图

Fig. 1 Multi-agent elements distribution diagram

图2 多智能体分布与响应范围

Fig. 2 Multi-agent distribution and response range

图3 基于贪婪规则的多智能体系统架构

Fig. 3 Multi-agent system architecture based on greedy rule

图4 感知、控制、执行三层网络模型

Fig. 4 Three-layer network model of perception， control， and execution

图5 基于规则的涌现过程示意图

Fig. 5 Illustration of rule-based emergence process

图6 多智能体与同一环境交互示意图

Fig. 6 Illustration of interactions between multi-agents and same environment

图7 去中心化的部分可观测马尔可夫过程

Fig. 7 Decentralized partially observable Markov process

参考文献 16

1	LEITÃO P， KARNOUSKOS S. Industrial Agents： Emerging Applications of Software Agents in Industry［M］. Amsterdam， Netherlands： Elsevier， 2015.
2	KUBERA Y， MATHIEU P， PICAULT S. Everything Can Be Agent！［C］∥Proceedings of the 9th International Conference on Autonomous Agents and Multiagent Systems. Richland， SC： International Foundation for Autonomous Agents and Multiagent Systems， 2010： 1547-1548.
3	CUCKER F， SMALE S. On the Mathematics of Emergence［J］. Japanese Journal of Mathematics， 2007， 2（1）： 197-227.
4	王涵，俞扬，姜远. 基于通信的多智能体强化学习进展综述［J］. 中国科学（信息科学）， 2022， 52（5）： 742-764.
	WANG Han， YU Yang， JIANG Yuan. Review of the Progress of Communication-Based Multi-agent Reinforcement Learning［J］. Scientia Sinica（Informationis）， 2022， 52（5）： 742-764.
5	NIAZI M， HUSSAIN A. Agent-Based Computing from Multi-agent Systems to Agent-Based Models： A Visual Survey［J］. Scientometrics， 2011， 89（2）： 479-499.
6	PANAIT L， LUKE S. Cooperative Multi-agent Learning： The State of the Art［J］. Autonomous Agents and Multi-agent Systems， 2005， 11（3）： 387-434.
7	ANDERSON P W. More is Different［J］. Science， 1972， 177（4047）： 393-396.
8	BOGUÑÁ M， BONAMASSA I， DE DOMENICO M， et al. Network Geometry［J］. Nature Reviews Physics， 2021， 3（2）： 114-135.
9	WOOLDRIDGE M. An Introduction to Multi Agent Systems［M］.John Wiley & Sons， 2002： 366.
10	ROGERS A， DAVID E， JENNINGS N R， et al. The Effects of Proxy Bidding and Minimum Bid Increments Within eBay Auctions［J］. ACM Transactions on the Web， 2007， 1（2）： 9-es.
11	郑健，陈建，朱琨. 基于多智能体强化学习的无人集群协同设计［J］. 指挥信息系统与技术， 2020， 11（6）： 26-31.
	ZHENG Jian， CHEN Jian， ZHU Kun. Unmanned Swarm Cooperative Design Based on Multi-agent Reinforcement Learning［J］. Command Information System and Technology， 2020， 11（6）： 26-31.
12	柏晓祉. 强化学习在多智能体协同中的研究与应用［D］. 成都：电子科技大学， 2020.
	BAI Xiaozhi. Research and Application of Reinforcement Learning in Multi-agent Collaboration［D］. Chengdu： University of Electronic Science and Technology of China， 2020.
13	孙清. 基于强化学习的多智能体协同机制研究［D］. 杭州：浙江工业大学， 2015.
	SUN Qing. Research of Multi-agent Cooperation Mechanism Based on Reinforcement Learning［D］. Hangzhou： Zhejiang University of Technology， 2015.
14	陈亮，梁宸，张景异，等. Actor-Critic框架下一种基于改进DDPG的多智能体强化学习算法［J］. 控制与决策， 2021， 36（1）： 75-82.
	CHEN Liang， LIANG Chen， ZHANG Jingyi， et al. A Multi-agent Reinforcement Learning Algorithm Based on Improved DDPG in Actor-Critic Framework［J］. Control and Decision， 2021， 36（1）： 75-82.
15	曹雷. 基于深度强化学习的智能博弈对抗关键技术［J］. 指挥信息系统与技术， 2019， 10（5）： 1-7.
	CAO Lei. Key Technologies of Intelligent Game Confrontation Based on Deep Reinforcement Learning［J］. Command Information System and Technology， 2019， 10（5）： 1-7.
16	葛志欣. 基于深度强化学习的多智能体协同决策研究［D］. 大连：大连理工大学， 2021.
	GE Zhixin. Research on Collaborative Decision of Multi-agent Based on Deep Reinforcement Learning［D］. Dalian： Dalian University of Technology， 2021.

[1]	袁博文, 朱丰, 刘兆鹏, 王立伟, 黄润宇. 知识图谱的预警探测体系探测效能贝叶斯评估方法[J]. 现代防御技术, 2022, 50(1): 74-80.
[2]	熊娜, 梅天宇, 李飞. 基于区间贝叶斯网络的复杂系统可靠性分析[J]. 现代防御技术, 2021, 49(6): 90-97.
[3]	谢冉. 复杂系统建模方法综述[J]. 现代防御技术, 2020, 48(3): 31-36.

面向空天防御体系的多任务可控涌现机制研究

Research on Multi-task Controllable Emergence Mechanism for Air and Space Defense System

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 16

相关文章 3

编辑推荐

Metrics

本文评价