中国指挥与控制学会会刊 
现代战争形态在科技发展的持续推动下不断演变,战场环境日趋复杂多样,“战争迷雾”现象愈发显著,对指挥决策的科学性和时效性提出了严峻挑战[1]。智能作战任务规划作为衔接战略构想与战术执行的关键环节,是破解指挥控制难题的关键突破口,其以定量分析为支撑,依托智能化和工程化的技术手段,通过系统解析作战意图、智能解构战场态势、动态配置作战资源、精细设计作战行动,实现作战方案的多维优化与快速生成[2]。
作战任务规划起源于美军,1966年,美军提出了“联合作战规划系统(Joint Operation Planning System,JOPS)”研发项目,自此进入高速发展阶段,逐步建成体系化作战任务规划系统,随着“深绿”(Deep Green,简称DG)等计划的推进,美军的作战任务规划迈入智能化领域,旨在借助预测性大模型和人工智能技术,实现作战指挥实时决策[3-7]。我军的作战任务规划起步较晚,目前还没有代表性的作战任务规划系统,很多学者对此做了大量研究,曹雷等聚焦联合作战任务规划系统设计了总体框架[7],葛承垄等面向战中作战任务规划提出了一种平行仿真系统架构[8],辛斌等综述了有人/无人系统协同任务规划的方法[9]。本文基于当前研究现状,作者提出了一种智能作战任务规划的四层五维闭环模型架构,旨在为智能作战任务规划系统的建设提供参考。
1 智能规划闭环流程体系
1.1 理解任务、分析态势
理解任务、分析态势环节主要解决“达成什么作战目的,优势和劣势分别是什么”的问题,要点是确定作战目的,分析敌方态势、我方能力及战场环境。
作战目的是军事行动的总体方向,需基于上级战略意图精准确定,确保规划执行不偏离战略轨道。态势分析依托大数据、人工智能等技术手段,系统解析敌方兵力规模、兵种结构、装备性能、部署特征和攻防态势等核心要素,同步运用军事计算模型量化分析我方人员素质、武器效能、后勤保障等资源,实现敌我力量精确掌控。战场环境作为关键变量,综合地理地形、气象、电磁频谱、社会人文等多维动态要素,需构建全域感知体系,整合陆海空天多源感知平台,通过数据融合与智能算法实现战场态势实时监测、动态推演及威胁评估。全域态势感知系统将多域环境数据转化为可视化作战图谱,支撑指挥机构在瞬息万变的战场中快速识别关键节点、预判敌方动向。当战机出现时,系统同步触发多维预警,结合历史数据与实时情报生成最优应对策略,确保我方抢占决策先机,形成“感知-研判-决策-行动”的闭环链路,实现战略意图与战术执行的高度统一。
1.2 解构任务、分析需求
解构任务、分析需求环节主要解决“作战分几步完成,需要什么资源来支撑”的问题,要点是分解作战任务,抓住关键环节,明确各阶段重点,测算资源需求。
现代战争复杂程度持续攀升,衍生出多领域挑战,完成作战任务成为一项复杂繁重的系统工程,必须全面把握内在逻辑,精准定位关键环节,高效运用科学方法,结合战场实际,从时间序列、空间布局、军兵种特性和作战要素等维度系统解构总体任务,将宏大任务细化为具有明确指向性与专业性的分支任务,与专业作战力量精准对接,确保任务高效完成,达成各分支任务有序协同,共同服务于总体作战任务的战略格局。分支体系构建后,需深入解析各任务在不同时间阶段与作战场景的重难点,制定针对性解决方案,运用算法模型与仿真技术,精确测算人力、物力、财力等传统资源及信息、电磁频谱、作战空间等新型资源需求,实现资源优化配置,使有限资源产生最大效益。通过专业力量精准匹配、多要素动态协同,既保障分支任务专业化实施,又依托智能技术实现跨域联动,提升资源利用效率与整体作战效能。
1.3 分配任务、配置资源
分配任务、配置资源环节主要解决“分支任务由谁完成,谁获得多少资源”的问题,要点是进行任务匹配,组织任务分派,细化任务部署,完成资源派发。
作战任务规划中,任务匹配是任务分配的基础环节,需基于参战部队的编制体制、装备水平、专业特长、实战经验及战备状态等多元要素,建立分支任务与执行部队的对应关系,形成初始匹配方案集合。再结合任务紧急程度、战略价值、环境特性及效果标准等需求,通过智能算法筛选最优执行方案,实现任务与部队的精准适配。任务分派后,部队需根据任务特性和自身实际,快速完成作战计划制定、人员编组优化及后勤装备准备。指挥机构统筹资源调配,遵循效益最大化、保障关键环节、动态调整适配原则,差异化配置人力、装备、经费、信息、频谱等资源,确保各任务在资源充足且结构合理的条件下实施。通过“需求-能力”精准匹配、“任务-资源”动态耦合,既保障各环节专业化执行,又依托智能决策实现跨域资源协同,最终形成从规划到落地的闭环链路,支撑整体作战效能最大化。
1.4 设计行动、深化协同
设计行动、深化协同环节主要解决“各分队如何行动,如何避免冲突”的问题,要点是着眼分支任务设计行动,各任务部队内部组织协同,然后实施整体协同,消除矛盾冲突。
在复杂战争背景下,行动设计与组织协同成为决定战局的关键。行动设计需兼具科学性与时代性,科学性体现为基于战争规律与军事技术水平构建可行方案,并通过效能评估体系验证,时代性要求融合人工智能、无人作战等新兴技术,适应未来战争形态。组织协同需破解跨域联合作战难题,任务部队在接收任务后,根据时间约束、人员能力等要素制定行动原则,通过工程化与智能化方法形成初步方案,完成内部协同,确保作战单元在分工、节奏、信息交互上形成有机整体。在此基础上,分队间运用军事运筹学方法,围绕任务优先级与逻辑关系开展深度协同,统筹时空布局、目标分配、火力交叉等核心要素。通过建立“时间轴-空间域-资源链”三维联动机制,实现行动时序无缝衔接、空间部署精准匹配、资源调度动态优化,最终构建起互为支撑的作战体系,形成“分散执行-集中调控”的动态平衡,确保复杂战场环境下作战行动的高效性。
1.5 评估行动、复核总结
评估行动、复核总结环节主要解决“行动计划是否可行”的问题。要点是确定评估要素,给定评估标准,逐层递进评估,形成最终结论。
现代战争动态多变,初始方案难以完美契合实战需求,需通过评估机制多次迭代修正,精准测定计划与作战目的的契合度,逐步消除偏差,确保任务高效完成。评估环节过程中,专业团队综合地理、气候、敌我态势及装备等要素,设定毁伤度、伤亡数等关键指标并赋予权重,从模型库遴选适配算法进行量化分析,识别兵力分配失衡、火力协同不足、后装保障缺口等问题并反馈至指挥机构,指挥机构结合战略目标与战场实际,通过调整兵力部署、优化协同机制、重构保障策略等方式完善方案,增强科学性与适应性。通过“数据输入-仿真推演-问题诊断-方案迭代”的闭环链路,将静态计划转化为动态演进过程。指挥决策依托多维度反馈数据,在保留核心作战意图的同时,实现资源配置弹性优化与行动节奏精准调控,经过多轮“评估-修正”循环,推动作战行动精准匹配动态战场,达到作战效能最大化。
2 四层五维闭环模型架构
基于智能作战任务规划闭环流程体系,构建四层五维闭环模型架构,将系统划分为感知层、决策层、执行层与反馈层,分别由战场态势感知、任务分解重构、任务资源分配、行动设计协同、方案评估优选五大模型支撑。各层通过信息交互与循环迭代,形成“感知-决策-执行-反馈”的智能闭环,实现从战场态势认知到任务规划生成、行动执行及方案优化的全流程覆盖,确保规划过程的动态优化与智能演进。四层五维闭环模型架构如图3所示。
感知层以战场态势感知模型为核心,通过多源情报融合模块,整合传感器数据、敌我态势数据等异构信息,借助知识图谱构建模块,处理地理信息、气象水文等时空数据,利用深度强化学习模块,分析历史战例与训练数据。三者协同实现战场环境动态认知、时空关系构建及发展态势预测,为后续决策层提供精准、全面的情报支撑,奠定作战任务规划的信息基础,实现战场态势的深度理解与前瞻性研判。
决策层由任务分解重构模型与任务资源分配模型协同构建。任务分解重构模型中,总体任务分解模块和分支任务重构模块基于时间序列、空间布局,结合军兵种特性、作战要素分解总任务并重构子任务;资源需求测算模块分析人力、物力、电磁频谱等资源需求。任务资源分配模型通过任务适配分派模块和资源统筹调配模块,实现任务与资源的精准匹配,形成科学的决策方案,确保任务分解的合理性与资源分配的高效性。
执行层以行动设计协同模型为核心,包含行动设计原则模块与跨域联合协同模块。行动设计原则模块依据时空约束、任务部队能力、战争法律规则等设计行动准则;跨域联合协同模块针对时空布局需求、目标分配原则、火力交叉矛盾等,整合多域作战力量。二者协同将决策层的规划方案转化为实际作战行动,确保各作战单元在跨域环境下遵循规范原则协同执行任务,实现作战行动的有序性与协同性。
反馈层以方案评估优选模型为核心,通过作战行动仿真模块构建仿真环境、设置时空约束、模拟作战流程,利用问题发现诊断模块进行效能评估分析,结合动态调整机制识别方案计划缺陷,最终将结果反馈至执行层与决策层,形成“评估-诊断-优化”的迭代闭环,持续改进作战任务规划方案的科学性与适应性,提升规划系统在实战应用中的动态优化能力。
3 模型架构支撑方法
智能化、工程化的方法和技术是智能作战任务规划四层五维闭环模型架构实现的核心支撑。支撑方法如表1所示。
表1 四层五维闭环模型架构支撑方法Tab.1 Support methods for the four-layer, five-dimensional closed-loop model framework |
| 规划方法 | 具体技术 |
|---|---|
| 战场态势 分析方法 | 知识图谱、大数据分析、深度强化学习、时空维度分析、灰色神经网络 |
| 任务分解 重构方法 | HTN、聚类与时间耦合执行序列、DoDAF模拟、霍尔三维结构 |
| 任务资源 分配方法 | GA、MDLS与GA结合、EC-MAVEN、深度学习 |
| 行动设计 协同方法 | 超网络理论、COA本体、综合势能、改进狼群优化算法 |
| 方案评估 优选方法 | 多准则决策、不确定信息下融入粗糙集理论、BWM-QFD、AHP-FUUY |
3.1 战场态势分析方法
战场环境瞬息万变,准确且及时的态势分析成为制胜关键。战场态势分析是在充分理解上级意图和作战任务基础上,综合运用知识图谱、大数据分析、深度强化学习、时空维度分析、灰色系统理论与神经网络等技术,预测战场态势、呈现战场局势的方法。
知识图谱技术可整合海量碎片化的战场信息,构建起各要素间复杂关系网络,实现地理环境信息到各作战单位的装备性能、兵力部署的直观呈现关联,使指挥员洞悉战场全貌[10]。大数据分析可深挖海量数据背后隐藏的规律,借助经典战例战斗走向、武器效能发挥效果等历史数据,经处理后为当下决策提供极具价值的参考,预测敌军可能的行动路线与攻击重点[11]。深度强化学习技术助力系统自主学习最优决策策略,通过模拟不同作战场景,反复训练,使系统在面对实时战场态势时能迅速给出较优应对策略[12]。时空维度分析从时间进程与空间布局双重角度出发,跟踪部队动态,结合地形空间限制,分析不同时段各区域的险恶程度和战略价值,确保作战资源合理投放[13]。灰色系统理论与神经网络融合模型擅长处理信息不完全情况下的预测难题,在情报缺失、模糊的情况下,依据已有少量关键信息对战场态势走向做出合理预估,为指挥员决策提供依据,利于把握战局主动权[14]。
3.2 任务分解重构方法
战场情况纷繁复杂,作战任务多种多样,任务分解重构是在准确把握战争意图的基础上,综合运用分层任务网络(Hierarchical Task Network,HTN)、聚类与时间耦合执行序列、美国国防部体系架构框架(Department of Defense Architecture Framework,DoDAF)模拟、霍尔三维结构等关键技术对复杂任务进行解析重组,突出重点任务、分析任务需求、明确关键节点的方法。
HTN技术依据作战的总体战略方向,将宏大且繁杂的任务体系按照层次逐级拆解,使宏观总任务向下分解为各个子任务,再将子任务细化为更加具体的任务模块,推进作战流程有条不紊地执行[15]。聚类与时间耦合执行序列技术先运用聚类算法,把性质相近、关联紧密的任务聚合在一起,避免任务执行过程中的混乱与无序,再结合时间维度,精心编排任务的执行序列,精准分析出各时段对应的任务需求,保证任务执行的连贯性与时效性[16]。DoDAF模拟技术基于强大的架构模拟能力,全方位复现战场环境与作战流程,经多次模拟预演,深度挖掘作战任务中的潜在问题与优化方向,为实际作战提供直观准确的任务需求参考,使指挥机构胸有成竹地应对复杂战局[17]。霍尔三维结构技术从知识维、时间维、逻辑维三个维度对作战任务进行深度剖析,全面解析任务,精准定位关键节点,保证复杂任务在三维交织的严谨架构下高效分解重构,推动作战行动顺利开展[18]。
3.3 任务资源分配方法
作战力量的局限性和作战任务的多样性、战场资源的有限性和战场消耗的巨大性矛盾如影随形,任务资源分配是综合运用遗传算法(Genetic Algorithm,GA)、多目标决策线性加权法(Multi-Objective Decision Linear Weighting Method,MODM)与遗传算法(Genetic Algorithm,GA)结合、基于进化计算的多智能体资源分配算法(Evolutionary Computation-based Multi-Agent Value Engineering for Networked resource allocation,EC-MAVEN)、深度学习算法等技术,实现任务精准分配、资源合理配置的方法。
GA通过交叉、变异操作产生新的优化方案,经过多轮迭代,逐步筛选出最契合战场实际、最能平衡任务需求与资源供给的分配策略,实现任务精准分配与资源合理配置[19,20]。MODM与GA结合技术通过MODM加权量化,利用GA在广阔的解空间中搜索,突破局部局限,反复调整任务分配与资源配置方案,最终找到满足多种作战目标、实现整体最优的分配路径,达成任务与资源的完美匹配[21]。EC-MAVEN将每个作战单位视为一个智能体,并驱动其相互协作、自主协商资源分配,实现对战场的实时响应,精准分配任务资源,保证作战的流畅性与有效性[22]。深度学习技术依托过往战役的任务资源分配实例、不同战场环境下任务执行效果反馈、各类武器装备在不同场景中的资源消耗等海量数据,构建深度神经网络模型,提升任务资源分配的准确性与适应性,实现资源的科学合理配置[23]。
3.4 行动设计协同方法
多维战场相互交织、紧密关联,作战行动复杂多样,各作战单元在时空上的重叠与干扰问题层出不穷。行动设计协同是站在全局的高度,综合运用超网络理论、行动方案(Course of Action,COA)本体、综合势能、改进狼群优化算法等关键技术,推进各项作战行动有条不紊地展开,最大程度减少内部矛盾冲突,凝聚强大作战合力的方法。
基于超网络理论作战行动计划建模技术全面立体地描述复杂系统中的多层次、多类型交互关系,将作战任务、作战资源、作战单位以及时间、空间等诸多要素均纳入考量,构建起庞大而有序的超网络模型,使指挥机构清晰掌握行动全貌[24]。基于COA本体行动序列生成技术依托强大的知识表示与推理能力,对作战领域知识进行深度梳理、结构化呈现,结合战场实时态势与作战目标,利用智能推理算法生成连贯合理的行动序列,有效减少因行动不协调产生的冲突[25]。基于综合势能的作战序列生成技术将战场态势中的诸多要素量化为不同势能值,地形地势的高低起伏、敌军防御力量的强弱分布、我方作战资源的集中程度等成为势能计算的关键变量,作战序列生成依据势能高低与变化趋势安排作战行动,减少盲目行动引发的冲突[26]。改进狼群优化算法将每个作战单位视为一个具有关键属性的“狼”,“头狼”代表最优作战方案的引领,通过信息共享与动态调整机制,在广阔的作战决策空间中搜索,不断优化各“狼”的任务分配与行动配合,根据态势变化,调整“头狼”引领方向,重新规划行动路径,确保整个作战群体高效协同[27]。
3.5 方案评估优选方法
作战任务规划输出的方案计划是否可行是作战行动胜利的关键。方案评估优选是综合运用多准则决策、不确定信息下融入粗糙集理论、最佳-最差法与质量功能展开相结合(Best-Worst Method combined with Quality Function Deployment,BWM-QFD)、层次分析法与模糊综合评价相结合(Analytic Hierarchy Process combined with Fuzzy Comprehensive Evaluation,AHP-FCE)等技术,对方案计划评估调整得到最优集的方法。
多准则决策技术通过构建严谨的决策矩阵,将不同维度、看似相互矛盾的准则纳入考量,依据事先设定的权重分配,对各个方案在不同准则下的表现进行量化打分,精准筛选出在多个关键维度上综合表现最优的方案雏形,为后续精细打磨提供基础支撑[28]。不确定信息下融入粗糙集理论先对不完备的粗糙信息进行属性约简,剔除冗余干扰信息,提取关键特征,然后依据提纯后的信息构建决策规则,判断不同作战方案在应对此类不确定性时的稳健性,进而筛选出对不确定性具有高适应性的可靠方案[29]。在BWM-QFD技术中,BWM部分专注于精准确定不同作战目标和需求之间的相对重要性权重,QFD部分负责将需求权重转化为对作战方案具体特性和功能的详细要求,二者结合,从需求端到方案端层层细化,保证选出的方案紧密贴合实战核心诉求[30]。AHP-FCE技术中AHP基于层次结构模型,将复杂的作战方案评估问题分解为目标层、准则层、方案层等多个层次,通过比较判断矩阵,确定各层次元素间相对重要性权重,梳理出宏观评价架构,FCE将战场模糊概念量化,综合各方面模糊评价信息,给出每个方案在整体上的优劣排序,助力遴选最适配战场实际的方案[31]。
4 模型架构实现要点
智能作战任务规划四层五维闭环模型架构落地实施,需以多域协同规划范式推进、人工智能赋能增效强化、动态实时调整能力深化为核心抓手。
4.1 推进多域协同规划范式
智能任务规划系统要通过标准化接口协议与分布式协同算法,打破传统军种间信息孤岛,实现火力、情报、后勤等资源,最大化作战效能。核心目标是构建全域联合作战的任务解耦-重构模型,通过“标准化接口+智能算法”双轮驱动,破解陆、海、空、天、网、电等作战域之间的能力壁垒,将各军兵种专属的侦察感知、火力打击、电子对抗等能力抽象为可组合的“作战能力组件”,选取合适的数据标准,实现异构系统间的语义互操作,同时建立虚实结合的多域杀伤链仿真平台,利用数字孪生技术镜像真实战场环境,验证规划效能。
4.2 强化人工智能赋能增效
4.3 深化动态实时调整能力
本文通过引入边缘计算与实时数据链技术,深化动态实时调整能力,强化“感知-决策-执行-反馈”闭环机制。针对敌我态势突变、装备损毁等突发事件,实现作战方案分钟级动态重构,确保规划方案与战场实际高度适配。通过在前线作战单元部署边缘计算节点,构建分布式智能处理网络,实现对雷达信号、电磁频谱等高维战场数据的近场实时处理,将原始数据到情报产品的转化时延压缩至毫秒级。依托低延时、高抗扰的战术数据链,实现信息快速流转与跨作战域闭环链路高效运转。
5 结束语
随着生成式人工智能的迅猛发展,作战任务规划将在智能化浪潮的推动下不断迭代优化,在指挥控制领域发挥更加关键的作用。研究人员依托大模型、虚拟仿真、数字孪生等前沿技术,可构建出高度逼真的战场仿真环境,促使物理战场与虚拟空间形成“双环耦合”态势,实现指挥员与智能系统协同开展“规划-仿真-迭代”的循环验证,同时借助多场景压力测试充分暴露作战任务规划方案的潜在漏洞,进而优化任务规划流程、方法和结果,提升智能作战任务规划系统的鲁棒性。