作战任务智能规划系统设计及关键技术研究*

李小全，唐晓睿，李 畅，张 伟，王静静

（陆军炮兵防空兵学院南京校区，南京 211132）

0 引言

现代战争体系聚优、多域联合，陆、海、空、天、电磁、认知等全维战场上各项作战任务复杂多变、多行交错、异步展开。科学准确规划多域作战任务，可以明确作战目标、确定作战总体布局、选择作战路径、部署作战任务、配置作战资源，为实现跨域联合创造前提条件。针对信息化联合作战任务智能化规划需求，设计作战任务智能规划技术体系架构，提出支撑联合作战各层级、各领域、各场景作战任务规划逻辑结构，探究支撑作战任务智能规划系统的功能模块、技术方案和关键模型算法，为作战任务智能规划系统设计及运用提供参考。

1 任务智能规划系统技术架构

着眼联合作战任务智能规划联动运转内在规律，基于网络信息体系将广泛分布在陆、海、空、天、电、磁等空间作战单元产生的侦察情报、指挥控制、火力打击和作战保障等作战要素信息联为一体，形成了无缝链接的作战任务智能规划体系。综合运用云计算、大数据、人工智能等技术，设计任务智能规划系统技术架构，如图1 所示。主要包括：任务数据化模块、任务智能设计模块、任务价值排序模块、任务智能分配模块、任务效果评估模块、任务可视化模块技术方案手段、模型和算法等。

图1 任务智能规划系统技术架构Fig.1 Task intelligent planning system technical framework

2 任务智能规划系统功能流程

Step 1 任务数据化，聚焦将多域战场多类型标准化任务清单通过合理分解、析取、整合处理，最终转化为可用的格式化数据和非格式化流式数据，并存储到数据仓库，形成任务资源池。

Step 2 任务智能设计，以指挥信息系统为依托，综合考虑战场态势，运用智能化算法，抽取任务资源池中任务元，进行标准化处理与分解拆分，形成清晰直观可供调用的元任务。

Step 3 任务价值排序，基于任务价值评价模型，对当前作战任务作出科学评估，依托任务价值排序模型，结合当前任务的重要性、紧迫性和时敏性，自动生成任务清单。

Step 4 任务智能分配，以智能化的网络信息体系为依托，综合考虑当前可用作战单元及其作战能力，运用智能化算法，对作战任务逐次分解形成元任务并优选后，主动、智能分配给单个或若干可执行的作战单元。

Step 5 任务效果评估，以方案评估系统为依托，综合考虑任务行动方案的可行性、可接受性和不稳定性等指标因素，智能衡量对比分析“理想的任务行动方案”与“生成的任务行动方案”之间的相适性、差异性与优劣性，确定作战力量在执行阶段是否执行了正确的任务，并以正确的方式执行了该项任务。

Step 6 任务可视化，以指挥信息系统为依托，通过计算机图形，以热力图、云图、流动图等展现形式，可视化显示各项任务行动计划和后续计划以及任务行动效果。

3 任务智能规划系统实现关键技术

3.1 任务数据化

任务数据化，作战任务接受后，将进入任务等待队列，并实时根据任务权重因子、到达时间、等待时间等对其中的任务进行动态优先级排序，依次选取优先级最高的任务进入下一环节执行。下一环节并行计算、智能调度，由不同处理器同步处理，包括自然语言处理、图形图像处理、智能视频识别等专用处理器。任务数据随后将按照实时数据和离线数据，分别由数据仓库和实时计算平台接管，同时对离线数据进行挖掘，实现多维度、多层次任务向数据转化，最终落入到数据资源池。

根据任务类型，拟定作战任务由上级任务T1，本级任务T2，友邻任务T3，T4，…，Tn等n 个任务组成，每个任务均赋予相应优先级ω1，ω2，…，即总任务可表示为：T={ω1T1，ω2T2，ω3T3，…}。每个任务根据终端来源不同，对任务进行标记，上级文本任务（superior text task）记为Tst，上级图片任务（superior picture task）记为Tsp，本级图片任务（current level picture task）记为Tcp，本级视频流任务（current level video task）记为Tcv，友邻文本任务（neighbor text task）记为Tnt，友邻图片任务（neighbor picture task）记为Tnp，其他任务（例如下级请求任务）以此类推。最终任务被表示为：

T={ω1{Tst，Tsp，Tsv}，ω2{Tct，Tcp，Tcv}，ω3{Tnt，Tnp，Tnv}，…}

二阶优先级权重矩阵，处理流程具体如下：

Step 1 任务不同，权重不同。分别对上级、本级、友邻等任务赋予从（0.5，1）不等的权重，借助操作系统对进程优先级调度的思想，优先级的设置可以参照以下原则：

1）上级下达任务>本级拟定任务>友邻协商任务。上级下达的任务作为作战规划的首要任务，理应拥有最高的优先级。

2）复杂任务>简单任务，针对多域战场多种类任务情况，音视频等复杂任务处理往往需要更多资源来及时处理，而文本任务等在简单逻辑处理后，则不需要占用大量资源。因此，对复杂任务要给予资源和优先级倾斜。

通过以上对二阶优先级权重矩阵进行处理后得到任务优先级和执行顺序排序。

Step 2 排序后战场上的多任务，需要进入不同的任务处理器进行数据化处理。根据任务标签识别不同任务不同优先级在不同的任务处理器队列依次执行。文本类数据将进入自然语言处理任务处理器执行，图片类等数据进入视觉处理器中执行，音视频等数据将进入音视频识别任务处理器中执行。任务在该阶段得到数据化处理。

Step 3 任务数据化后，统一放置到数据仓库（离线）或者云计算平台（实时）保管，为进一步提高数据利用率，发现作战任务规律性，为后续智能规划提供数据支撑和关联性分析预测。对数据仓库中的数据进行数据挖掘，输出结果保管在数据平台。

实现途径如图2 所示。

图2 任务数据化途径Fig.2 Task data process

3.2 任务智能设计

任务智能设计，以“人在环内”“人在环上”和“人不在环”的形式，能动地将任务资源池中数据化了的作战任务，转化为可执行的元任务序列。其技术实质是建立标准化作战元任务（元任务是最小的子任务，对应具体的作战单元和明确的作战行动）与任务元之间的动态映射关系（在战前筹划阶段根据战场态势综合分析建立，在战中行动控制阶段由实时战场态势综合分析建立），即明确不同战场态势下，标准化元任务与任务元之间的对应关系。

任务智能设计模块统一了标准化作战元任务语义框架，描述了标准化作战元任务与作战单元元任务之间的动态映射关系，构建了作战任务关联性分析模型和任务规划设计模型，运用任务模糊聚类分析算法等求解策略的思路，可提高任务智能设计方案的合理性和实用性，以解决标准化元任务设计、复杂任务分解、任务路径规划等问题。

算法流程：

Step 1 数据标准化。首先设定TCM（任务协同度矩阵）为作战任务之间关联关系的矩阵，TCM=［TCij］n×n，TC（任务协同度）主要包括DC（直接关联度）和IDC（间接关联度）两个方面，任务协同度定义为TCij=μ1DCij+μ2IDCij。DCij表示任务Ti对任务Tj的直接关联程度，用以衡量任务Ti的输出对任务Tj的输入的直接满足程度，IDCij表示任务Ti对任务Tj间接关联程度，DCM 的第i 行表示任务Ti对其他任务的直接关联度，第i 列表示其他任务对任务Ti的直接关联度，通过Jaccard 相似系数［1］可以来定义任务之间的间接关联度。

Step 4 进行聚类。对于FEM 中的元素可以在任意阈值λ∈［0，1］上进行分类，λ 的取值越大，表示任务聚类的区分度越细，随着λ 的取值变化，可以形成动态聚类的结果图。实现途径如图3 所示。

图3 任务智能设计实现途径Fig.3 Task intelligent design process

3.3 任务价值排序

标准化作战元任务在经过任务智能设计系统处理后，形成了协同关系紧密的任务链，通过对标准化任务设置起始点和终结点，明确标准化任务的起始任务和终结任务，然后借助任务关联度引入任务之间的距离概念，将任务的价值排序问题转化成路径选择问题。起始任务和终结任务即为路径的起点和终点，任务树上的每个节点即为路径需要到达的已知点，形成的路径选择结果不是单向遍历的路径树，而是多向并进的路径图，形成有先后顺序有层次的价值排序结论。流程如下。

Step 1 数据初始化。为任务规划设计模型设定两个资源池，分别对应作战任务启动所需要的物质资源和信息资源，为作战任务树的每个节点设置TIS 和TOS（作战任务Tj执行需要满足一定的前提条件，包括信息流和物质流，这些条件共同构成了作战任务的需求输入流，记为TISi，作战任务Tj执行完成之后，会对外输出信息流和物质流，这些条件共同构成了作战任务的输出流，记为TOSi。），当任务的TIS 不满足时，设定为自动阻断，当任务完成时，将其TOS 放入任务资源池中。

Step 2 生成随机路径。先设置任务树的根节点M0，再全树随机采样生成随机点M1，查找M1的最近邻点M2，到达M2后判断是否触发设置的阻断条件，不触发阻断条件则生成新节点M1，并且从起点M0和新节点M1出发再次寻找随机点，如果触发阻断条件则删除M1，进行重新采样，直到完成所有子任务集。如果从M0出发遍历了所有随机点都无法走完所有节点，则删除根节点M0，重新选择根节点。

Step 3 寻找最优解。将生成的随机路径的长度L1作为新的阻断条件，迭代进行运算，新的随机路径一旦超过L1则立刻触发阻断条件，重新选择路径。设定迭代的次数λ，完成迭代之后生成最优解。

实现途径如下页图4 所示。

图4 任务价值排序实现途径Fig.4 Task value ranking process

3.4 任务智能分配

任务价值排序形成有先后顺序有层次的价值排序结论后，根据任务的排序优先级逐次进行智能分配。作战任务智能分配，是指以智能化的网络信息体系为依托，根据当前可用作战单元及其作战能力，运用智能化算法，对作战任务逐次分解优选后，分配给单个或若干作战单元执行的过程。

Step 1 任务决策向量编码模型。利用智能编码算法，把作战任务分配这个NP 难问题，转换成可在有限时间、有限资源处理的DE 算法求解问题。智能编码算法的核心，是根据决策变量及取值范围进行染色体编码，染色体的基因数目为“作战任务”的数目；而各基因的取值范围，取决于基因所对应的作战能力需求［3］。

Step 2 任务分配方案解码模型。进化染色体分别对应一个作战任务分配方案，基因数值为执行相应“作战任务”的作战单元类型组合的编码。基因解码需要根据对应作战单元的类型及数目。当为作战任务分配一定数目的某类型作战单元时，按照优先级顺序，依次进行判断。

Step 3 任务分配方案适应值函数模型。结合目标函数，建立DE 算法的适应值函数，提高目标求解效率和求解精度。

Step 4 任务分配智能行为树算法（AIBT）［4］。智能行为树包括监控AI 子树和规划AI 子树，其中，监控AI 子树负责监控实时的战场态势并创建约束条件，规划AI 子树负责根据实时战场环境、己方作战能力进行约束条件判断。

Step 5 任务分配GCS 智能仿生算法［5］。采用GCS 对感知的云服务优化组合问题进行求解时，先设计基于整数的基因编码方式，将服务组合流程中每个任务对应的候选服务按顺序进行编号，由候选服务编号构成的染色体即成为一个服务组合方案。

实现途径如图5 所示。

图5 任务智能分配实现途径Fig.5 Task intelligent allocation process

3.5 任务效果评估

任务效果评估通过衡量任务完成的相关指标，以确定作战力量在执行阶段是否执行了正确的任务，并以正确的方式执行了这些任务，作战人员能够评估任务行动方案的可行性、可接受性和不稳定性，以确定最佳的任务行动方案。

Step 1 建立评估指标体系。分析任务池中每个任务完成影响因素，选取影响任务效果的主要因素，基于聚类-因子分析方法［6］能够建立全面衡量任务效果的评估指标体系，根据指标体系确定指标集。

Step 2 评估指标量化。利用最小偏差组合赋权模型［7］将影响效果评估的指标集从模糊数据转变成定量数据。

Step 3 深度学习训练。将量化的评估数据作为测试样本，将专家经验数据作为测试样本，利用深度学习模型［8］对量化的评估数据进行训练，通过设置迭代次数和调整参数得到任务阶段的理想任务方案。

Step 4 智能对比分析。将得到的理想任务方案作为新的测试样本，将任务智能分配的方案作为新的训练样本，利用设置的训练误差区间确定评估效果和任务行动方案。

实现途径如图6 所示。

图6 任务效果评估实现途径Fig.6 Task effect evaluation process

3.6 任务可视化

任务可视化，基于多域战场作战行动需求，将任务智能设计、任务价值排序、智能分配任务与评估任务行动效果，通过可视化技术手段，实时集成并以合理方式展现。

战场任务按照种类有上级任务T1、本级任务T2、友邻任务T3等多种任务。任务呈现多种类、多样式，错综复杂，任务与任务之间前后依赖，交叉执行，每个任务内部可能会包含多个子任务，子任务之间也会相互依赖。为防止递归对时间复杂度和空间复杂度有指数级的影响，假设包含子任务的层级数最大为3，任务种类数最大为3（上级任务T1，本级任务T2，友邻任务T3），那么在复杂情况下，任务三维矩阵最大有9 种组合。针对多任务交叉组合、多点采集、多端可视需求，构建基于流转和调度的多任务可视化引擎，在此基础上，结合可视化视觉适配引擎，让多任务智能调度、投送到多终端，以多种展现方式，适配最优效果，完成任务可视化。

4 结论

信息化联合作战中各层级、各领域、各场景上作战任务异步交叉、多线程进行，需要精确筹划、科学规划。从技术架构、功能模块和技术方案的角度探究了作战任务规划联动运转内在规律，从多元数据整合处理形成任务资源池，到聚类分析构建作战任务链，通过路径选择方法形成多向的作战任务图，根据任务智能分配形成可执行的作战任务链，最后经过评估优化分析形成最优方案，并以可视化的形式显示任务规划成果，为指挥员决策提供依据。