中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2026 , Vol. 48 >Issue 4: 24 - 32

DOI: https://doi.org/10.3969/j.issn.1673-3819.2026.04.004

指挥控制

基于兵棋复盘数据的指挥决策风格分析方法*

  • 于本川 ,
  • 程恺 † ,
  • 邵天浩 ,
  • 安冉 ,
  • 刘从洋
展开
  • 陆军工程大学 指挥控制工程学院, 江苏 南京 210007
† 程 恺(1983—),男,副教授,博士,硕士生导师。

于本川(2003—),男,本科,研究方向为大数据工程。

收稿日期: 2025-04-06

  修回日期: 2025-04-20

  网络出版日期: 2026-07-30

基金资助

*国家自然科学基金(61806221)

收起

Analysis method of command decision-making styles based on wargame replay data

  • Yu Benchuan ,
  • Cheng Kai † ,
  • Shao Tianhao ,
  • An Ran ,
  • Liu Congyang
Expand
  • Army Engineering University of PLA, Nanjing 210007, China

Received date: 2025-04-06

  Revised date: 2025-04-20

  Online published: 2026-07-30

Fold

摘要

指挥员的指挥决策风格对作战的胜负有着重要影响,但现有关于指挥员指挥决策风格的研究缺乏客观量化分析方法。针对该问题,基于兵棋复盘数据,通过地形利用、武器使用和行动协同三类典型行为特征构建量化指标体系,并运用层次聚类算法实现指挥决策风格的无监督分类。研究识别出三类典型风格:地形与火力主导型、协同攻击高效型和均衡稳健型,其战术偏好呈现显著差异,并进一步针对不同风格提出了相应的对抗策略,为指挥决策优化和兵棋AI开发提供理论支持,对提升军事决策智能化具有积极的促进作用。

关键词： 指挥决策风格; 典型行为特征; 层次聚类; 对抗策略; 兵棋推演

本文引用格式

于本川 , 程恺 , 邵天浩 , 安冉 , 刘从洋 . 基于兵棋复盘数据的指挥决策风格分析方法*[J]. 指挥控制与仿真, 2026 , 48(4) : 24 -32 . DOI: 10.3969/j.issn.1673-3819.2026.04.004

Abstract

The command decision-making style of military commanders significantly impacts combat outcomes, yet existing research lacks objective quantitative analysis methods. To address this gap, this study establishes a quantitative index system through three behavioral dimensions derived from wargame replay data: terrain utilization, weapon deployment, and operational coordination. Utilizing hierarchical clustering algorithms, we achieve unsupervised classification of command decision-making styles. Three distinct tactical patterns are identified: terrain and firepower-dominant style, coordinated assault-efficient style, and balanced and steady style, each exhibiting marked disparities in tactical preferences. Corresponding counterstrategies are systematically proposed for each identified style. This research provides theoretical support for optimizing command decisions and developing wargame AI systems, demonstrating substantial potential for advancing intelligent military decision-making through data-driven style characterization.

Key words： command decision-making style; typical behavioral characteristics; hierarchical clustering; counter strategy; wargame

兵棋推演[1]作为研究战争的有效工具,其核心在于“人在回路决策”[2],是对O-O-D-A[3](观测-判断-决策-行动)指挥控制过程的模拟。计算机兵棋推演作为模拟实战的重要手段,其复盘数据蕴含着大量指挥人员关于地形利用、武器使用、行动协同等决策经验的高价值知识[4]。因此,如何从大量复盘数据中自动/半自动提取出指挥员的指挥决策风格,成为一个重要的研究方向[5]。
对于“指挥决策风格”的概念,目前还没有一个精确且权威的定义。一般来说,指挥决策风格是指挥员在指挥部队作战对抗中表现出的作风和特点[6]。通过量化分析指挥员的指挥决策风格,可以提高风格判定的科学性和准确性。指挥员在作战对抗中的作风和特点在兵棋推演中主要表现为如何利用地形、使用武器、组织行动协同等行为。在现代化战争背景下,指挥决策风格对作战效能的影响呈现非线性放大效应。例如,北约联合军事演习数据显示,风格适配的指挥员可使作战单元效能提升达210%[7]。
计算机兵棋推演记录了作战单位时空位置轨迹、武器操作等细粒度数据,为指挥决策风格的量化分析提供了数据基础。本文正是基于兵棋推演复盘数据,通过定义典型行为特征并构造特征数据集[8],利用层次聚类算法对指挥决策风格进行分析,并针对不同风格给出针对性策略[9],提出“数据知识混合驱动的特征发现—模式聚类决策分析—针对性策略生成”三位一体的研究路径[10]。研究数据来源于兵棋推演系统的实战复盘记录,包含了大量指挥员多个轮次的兵棋对抗复盘数据,较之既有研究的仿真数据具有更高的研究价值[11]。研究成果可为己方军事对抗提供情报支持,利于己方有针对性地进行决策,取得胜算优势,同时具体到兵棋推演,通过分析历史数据,掌握对手指挥决策风格,能够帮助己方指挥员高效决策,为兵棋AI开发[12]提供理论依据和方法指导,取得决策优势[13]。

1 相关工作

指挥决策风格分析历经三个阶段发展:早期研究受限于数据采集手段,多采用心理学量表进行主观测评,如 Henderson 指挥风格量表;中期转向作战日志的统计分析,但存在特征维度单一、数据真实性存疑等缺陷;近期随着兵棋推演系统的普及,开始尝试基于行为轨迹的客观建模[7]。在现有研究中,诸多学者从不同角度展开探索。张大永等人构建了面向兵棋推演复盘分析的机器学习数据集,该数据集整合了多源数据,为基于机器学习的兵棋推演复盘分析奠定了基础,提升了数据分析的可靠性与有效性,不过尚未涉及指挥决策风格的量化分类与对抗策略研究[8]。邢思远等人提出基于兵棋复盘数据的武器效用挖掘方法,通过对兵棋复盘数据的深入分析,挖掘武器在不同作战场景下的实际效用,为武器的合理运用提供了数据支持,一定程度上辅助了指挥决策,但未对指挥决策风格进行深入分析[4]。尹奇跃等人梳理了兵棋推演与主流人机对抗环境的区别,阐述了兵棋推演智能决策技术的发展现状,并分析了当前技术的局限与瓶颈,为兵棋推演智能决策技术研究提供了理论参考,但未针对指挥决策风格分析提出具体的量化方法[13]。杜伟基于 Agent个性对指挥风格进行研究,介绍了指挥风格的概念、意义及分类,通过对 Agent个性中内部意愿和自身行为准则的建模,模拟指挥风格,并利用遗传算法对个性参数进行优化,开展红蓝对抗个性优化仿真实验,展示了指挥风格建模研究过程,揭示了研究的现实意义,不过该研究缺乏对实际兵棋推演数据的应用,且未深入分析指挥决策风格的量化特征[6]。
可以看出,指挥决策风格分析的研究方法近年来呈现出多学科交叉趋势,但理论发展与实战需求之间仍存在方法论层面的结构性矛盾。传统研究多采用解耦式分析路径,将复杂的指挥决策行为解构为火力分配、路径选择等单一维度进行孤立建模,这种简化虽提升了模型可解释性,却难以捕捉多要素耦合作用下的真实决策机理[14]。更值得注意的是,现有文献中高达78%的研究数据源于实验室仿真系统,其预设规则与真实战场环境存在的语义鸿沟,直接影响研究结论的迁移效能。
既有研究将指挥决策风格划分为果敢型、慎思型、平和型和进取型等等,这些风格的指挥员在兵棋推演中会通过地形利用、武器使用、行动协同等典型行为表现出差异化特征。本研究通过基于层次的聚类量化分析发现,这些经典风格在兵棋推演场景下可进一步凝练为三类典型指挥决策风格,地形与火力主导型:对应传统分类中强调战场控制的进取型;协同攻击高效型:与传统分类中果敢型的快速协同决策特征高度契合;均衡稳健型:体现传统分类中慎思型的综合权衡特质。这种对应关系表明,本研究提出的量化分析体系既能保留传统理论的核心特征,又能通过典型行为的聚类分析,为既有研究框架提供实证支撑,从而增强了指挥决策风格分析的科学性与可信度。
研究突破传统单维度分析范式,基于兵棋复盘数据构建典型特征行为数据集,保留多要素的交互作用特征[15]。通过量化分析地形优势利用程度、武器使用能力、协同攻击三项复合指标,结合层次聚类得到指挥决策风格,最后提出针对性对抗策略[16]。

2 基于兵棋复盘数据的指挥决策风格分析

2.1 总体研究思路

本文按照“数据与知识混合驱动特征发现—模式聚类决策分析—针对性策略生成”的整体研究思路,如图1所示。
图1 总体研究框架

Fig.1 Overall research framework

本文首先结合兵棋复盘数据与包含 “地形利用”“武器使用”“行动协同” 的兵棋经验知识,定义基础特征,再构建复合特征,最终归纳并明确典型行为特征,形成涵盖地形利用、武器使用、行动协同的典型行为特征数据集。基于构建的典型行为特征数据集,运用层次聚类算法进行深度分析,识别出三类指挥决策风格:一是注重地形与火力运用的 “地形与火力主导型”,二是强调协同攻击效能的 “协同攻击高效型”,三是追求整体平衡的“均衡稳健型”。最后结合博弈均衡理论,针对不同指挥决策风格制定对抗策略:对“地形与火力主导型”,采取“削弱地形优势”策略;对“协同攻击高效型”,实施“分割协同单位”策略;对“均衡稳健型”,运用“虚实结合”策略,形成完整的指挥决策风格分析与对抗策略生成体系。

2.2 兵棋推演典型行为

本文基于中国科学院自动化研究所智能系统与工程研究中心自主研发的“庙算·陆地指挥官”战术兵棋平台,该平台将军事对抗抽象为棋子、棋盘和裁决规则3类要素。如图2所示,兵棋棋盘称为兵棋的地图,是对各种地理要素的量化,用六角网格表示,每个棋格都标出它的地形种类和对作战行动有影响的地理信息;兵棋棋子代表一定的作战单位和战场事件;裁决规则是指导兵棋推演实施的基本准则,是按照战争规律、概率原理等研究的裁决方法和规定。
图2 兵棋推演棋盘界面图

Fig.2 Interface diagram of wargame deduction board

在兵棋推演过程中,指挥员的复盘数据记录了其在模拟战场环境中的各类决策与行动。通过研究“2022年城镇居民地夺控战斗想定”的复盘数据,重点分析了指挥员在地形利用、武器使用和行动协同三方面的典型行为。
(1)地形利用
指挥员会根据作战区域的地形特点,如山地、平原、丛林和城市等,合理部署作战力量、规划行动路线以及选择攻击或防御位置。如图3所示,图中0405无人战车、0026无人战车和0101重型战车等算子占据高地地形,利用高差优势进行观察或掩蔽防御。
图3 兵棋推演中算子利用地形掩蔽界面

Fig.3 Interface of operators utilizing terrain masking in wargame deduction

(2)武器使用
指挥员的决策涵盖了对各类武器的选择、运用时机、攻击目标确定以及火力分配等过程。这包括根据不同作战距离、目标类型和战场态势选择合适的武器系统,并决定其射击频率、弹药消耗率等[4]。如图4所示,该重型坦克算子当前血量为最大血量3,携带编号为43和36的两种武器,剩余非导弹数为30。
图4 坦克算子武器使用指标图

Fig.4 Weapon usage indicator diagram of tank operator

(3)行动协同
指挥员需要组织协调多个作战单位之间在行动上的紧密配合和相互支援,以实现作战目标。如图5所示,战术选择上经常采用步兵与坦克协同作战的战术,图中0204步兵、0203 步兵等步兵单位可在复杂地形行动,能近距离侦察,为坦克提供周围敌情信息。还可清除隐藏的敌方步兵,保护坦克免受敌方单兵武器攻击。0062重型坦克、0063重型坦克等算子,具备强大的火力和防护力,能对敌方坚固工事、装甲目标进行打击,为步兵推进提供火力支援,还能用装甲为步兵抵挡敌方火力,开辟安全通道。
图5 兵棋推演中算子实行步坦协同战术界面

Fig.5 Interface of operators implementing infantry-tank coordination tactics in wargame deduction

2.3 典型特征行为定义

首先从兵棋推演的原始数据中直接提取或通过简单计算生成基础特征数据,覆盖地形利用、武器使用、协同行动三个维度,如表1所示。通过低复杂度的统计或规则判定如阈值判断、简单聚合,将原始数据如坐标、状态值、武器ID等转化为可量化的战术指标,为分析指挥员的战术行为提供数据支撑。例如,高度优势等级将连续地形数据离散化,便于快速评估地形优劣;火力强度将武器属性映射为直观的伤害总值,支撑武器使用分析。
表1 基础特征定义表

Tab.1 Basic features definition table

中文名 计算逻辑
地形保护 若算子当前处于掩体(掩体状态值=1)或位于堡垒化防御工事(堡垒状态值=1),则认为其受到地形保护,记为1;否则记为0
高度优势等级 根据地形高度差进行离散化分类:高度差≤-10标记为0,-10<高度差<10,标记为1,高度差≥10,标记为2
火力强度 一个算子配备所有武器的毁伤值之和
武器就绪率 通过反比例函数1 / (冷却时间+1)将武器冷却时间映射为[0,1]区间的动态指标
弹药消耗率 已消耗弹药量与当前步长的比值
协同攻击次数 统计同一目标被多个算子联合攻击的累计次数
本文通过对基础特征进行组合与标准化,从更高维度揭示指挥员的战术能力,进而构建了直观反映指挥员战术特长的复合指标,如表2所示。以地形优势利用能力为例,该指标将指挥员使用掩体、堡垒的频率与占据制高点的次数进行平均计算,若数值持续偏高,则表明其擅长依托山体掩蔽实施防御,或利用俯攻优势发动突袭。武器使用能力系统刻画指挥员对武器系统的综合调度能力。而协同攻击能力直接以联合作战次数的统计值作为依据,数值越高说明指挥员越倾向于采用步坦协同或空地联动的战术策略。这些复合指标将散落的作战数据转化为“善用地形巧攻”“猛攻与协同作战偏好”“均衡稳健”等战术标签,使指挥员的作战风格通过数据形成具象化呈现[17]。
表2 复合指标特征定义表

Tab.2 Composite indicator features definition table

特征中文名 计算逻辑
地形优势
利用能力		 由地形保护和高差优势等级的均值计算得出:(地形保护的均值+高度差的均值)/2。
武器使用能力 由火力强度、武器就绪率和弹药消耗率的均值计算得出:(火力强度的均值+武器就绪率的均值+弹药消耗率的均值)/3
协同攻击 直接使用协同攻击次数的平均值。

2.4 基于层次聚类指挥风格分析

指挥决策风格作为潜在类别标签,其本质存在于复盘数据的隐式行为模式中。由于复盘数据缺乏先验标注(unlabeled data),无监督的层次聚类[18]能够通过距离度量自主发现数据内在结构,有效克服传统分类方法对标签数据的依赖性,契合指挥决策风格的建模需求。考虑层次聚类在处理无标签数据时,不仅能够快速构建数据间的层次结构关系,且其可视化效果好,能够直观呈现不同决策风格间的层次差异与关联,助力深入洞察复盘数据特征,因此选用基于层次的指挥风格聚类方法。
凝聚法是一种基于自下而上策略的经典层次聚类方法,其核心思想是通过逐步合并相似的数据点或簇来构建层次化的聚类结构。本文基于凝聚法的指挥决策风格聚类算法伪代码如下:

Algorithm基于凝聚法的兵棋指挥决策风格聚类分析算法
Input:复盘数据集D={地形优势利用能力,武器使用能力,协同攻击次数},分簇数k=3
Output:三类指挥决策风格标签,合并过程树状图
1:clusters ←[{data: d} for d in D]
//初始化:每个战例作为独立簇
2:dendrogram ←记录初始簇
//记录初始簇状态
3:计算全连接距离矩阵M(基于三项指标综合距离)
//基于三项指标计算距离矩阵
4:while |clusters| > k do
//当簇数量大于设定的k时循环
5:(C1, C2) ← argmin(M)
//定位距离最小的簇对
6:C_new ← C1 ∪ C2
//合并簇C1和C2为新簇C_new
7:clusters ← clusters - {C1, C2} ∪ {C_new}
//更新簇集合,移除旧簇,添加新簇
8:更新距离矩阵M(按全连接准则)
//按全连接规则更新距离矩阵
9:dendrogram记录合并层级
//记录当前合并的层级信息
10:end while
11:for each cluster in clusters do
//对每个剩余簇进行风格判定
12:if地形优势利用能力↑且武器使用能力↑then
13:风格标签←“地形与火力主导型”
14:else if协同攻击次数↑且武器使用能力↑ then
15:风格标签←“协同攻击高效型”
16:else
17:风格标签←“均衡稳健型”
18:end if
19:end for each
20:return风格标签集合, end program
//返回最终风格标签集合与合并过程树状图
基于凝聚法的兵棋指挥决策风格聚类分析算法,以复盘数据集中的地形优势利用能力、武器使用能力、协同攻击三项指标为基础,目标是聚为三类风格并输出标签与合并树状图。首先,将每个数据点初始化为独立簇,记录初始状态并计算全连接距离矩阵。接着循环执行:定位距离最小的簇对合并,更新簇集合与距离矩阵,直至簇数为三,同时记录每步合并层级到树状图。最后,对最终三个簇按指标特征判定风格——地形与火力突出则为“地形与火力主导型”,协同攻击次数与效率高则为“协同攻击高效型”,其余为“均衡稳健型”,最终输出风格标签集合。通过将算法特性与军事分析需求深度结合,该方法实现了数据驱动与领域知识的双向验证,为指挥决策研究提供兼具科学性与实用性的分析框架[19]。

3 实验与结果分析

3.1 特征数据集构建

数据来源于“2022分队城镇居民地夺控战斗想定”的兵棋推演复盘数据,包括多场兵棋对抗的真实详细记录。复盘数据原始格式为JSON格式,包含行动数据(operators)、裁决数据(judge_info)、时间数据(time)等。
兵棋复盘数据的预处理是破解多源异构数据结构的关键攻坚环节,其复杂性主要源于战场实体嵌套逻辑与动态博弈特性。原始JSON数据呈多层嵌套特征,数据预处理阶段首先对原始JSON数据进行逐层展开,提取出分散在不同层级的数据。其次,清洗由系统误差和推演中断导致的异常数据,修复弹药量负值、高度差等级超过规定范围等级的数据,去除错误数据、重复数据和不完整数据。最后对数据进行标准化处理,确保不同场次、不同类型的数据在同一量纲下,例如将时间、距离、武器效能等数据进行归一化或标准化转换,以便后续分析。
从原始兵棋复盘数据中构建特征数据集的流程如图6所示。
图6 特征数据集构建流程图

Fig.6 Flowchart for constructing feature dataset

首先从文件夹中取出一个文件,再按照时间顺序(即步长)读取每一条数据中的算子信息和裁决信息,抽取出相关的属性列,选择有关地形使用、武器利用、行动协同的行为,并根据时间关系将行动数据与裁决信息拼接为一张数据表。从复盘数据特征数据集计算不同数据的统计量,构建定义的新特征,并将特征数据标准化,便于后续聚类分析。

3.2 实验结果分析

本研究采用层次聚类算法对指挥决策风格进行无监督分类,通过分析兵棋推演中的多维行为特征数据,识别出三类典型指挥决策风格:地形与火力主导型、协同攻击高效型及均衡稳健型,如图7所示。
图7 玩家指挥决策风格饼状图

Fig.7 Pie chart of player command decision styles

从饼状图分析,地形与火力主导型以43.9%的占比成为主流的指挥决策风格,表明多数指挥在决策时更倾向于依托地形与火力优势展开战术布局;均衡稳健型占比41.5%,体现近四成的指挥决策注重各项要素的平衡与稳健推进;协同攻击高效型仅占14.6%,说明以协同配合为核心、追求攻击效率的决策风格在整体中占比较低,侧面反映指挥决策场景中,突出地形火力优势或均衡发展的策略选择更为普遍,而依赖协同攻击的高效策略应用相对较少。
在聚类分析基础上,针对不同风格类别的三项核心特征指标:地形优势利用能力、武器使用能力和协同攻击次数,进行均值计算,构建特征对比表,见表3。
表3 不同指挥风格特征指标对比表

Tab.3 Comparison of feature indicators for different command decision styles

不同指挥风格特征指标对比
特征指标 地形与火力
主导型		 均衡稳健型 协同攻击
高效型
地形优势利用能力 0.54 0.34 0.28
武器使用能力 0.50 0.31 0.62
协同攻击 0.14 0.4 0.79
为直观呈现不同决策风格的特征差异,研究引入雷达图可视化技术,将多维特征均值映射至极坐标系中,形成具有辐射状坐标轴的多变量对比视图,如图8所示。实验结果显示,地形与火力主导型在地形优势与武器使用维度具有显著峰值,而协同攻击高效型在协同攻击次数与武器使用维度表现突出,均衡稳健型则呈现各维度均值均衡分布的特征。该可视化方法有效揭示了不同指挥风格在战术偏好上的系统性差异,为后续对抗策略设计提供量化依据[20-21]。
图8 三类指挥决策风格三项特征均值雷达图

Fig.8 Radar chart of three characteristic means for three command decision styles

下面对每类指挥决策风格进行分析。
(1)地形与火力主导型:该类型指挥员在决策过程中高度重视地形因素对作战的影响,善于利用地形优势布置火力,最大化发挥武器的效能。在攻击时,通常会选择有利地形作为火力支撑点,集中优势火力打击敌方关键目标。该风格的决策特点表现为对地形特点的精细分析和对火力资源的集中调配,作战行动相对较为保守但具有较强的攻击力。此类风格在地形优势利用能力和武器使用能力两项指标上均值较高,说明其在这两方面有突出表现;而协同攻击指标相对没有那么突出,反映出其可能更侧重于利用地形和火力进行较为单一模式的攻击。
针对地形与火力主导型风格,关键在于削弱其地形优势及干扰火力部署。一方面,可通过工程兵或火力打击清除敌方关键地形,如掩体、高地等,降低其地形防护效能,迫使其暴露于不利地形;另一方面,运用佯攻或虚假目标诱骗敌方火力暴露,随后以远程火力或空中打击摧毁其关键火力单位,同时借助机动部队实施迂回包抄,切断其火力支援链,避免正面硬碰硬交锋。
(2)协同攻击高效型:这类指挥员注重作战单位之间的协同配合,能够灵活组织不同兵种、不同作战单元之间的联合行动。在作战中,强调各作战力量之间的紧密协作,实现多方向、多层次的协同攻击,迅速突破敌方防线或防御体系。其决策风格特点是具有较强的协调能力和对战场态势的动态把握能力,作战节奏较快,攻击效率高。协同攻击高效型在协同攻击和武器使用能力指标上均值较高,表明其在协同作战和武器使用方面优势明显;而地形优势利用能力没有那么突出,说明其作战重点不在于依靠地形,而是各作战单元的协同配合。
针对协同攻击高效型风格,核心是打破其协同机制。优先使用精确火力或特种部队打击敌方指挥节点,像指挥车、通信中心等,破坏协同指挥能力,再利用电子战手段干扰敌方通信系统,阻断单位间协同信息传递,还可通过设置伏击区或快速机动分割敌方协同单位,使其无法有效配合,进而逐个击破。
(3)均衡稳健型:此风格的指挥员在地形利用、武器使用和行动协同方面追求平衡发展,不过分依赖某一方面。在决策时,会综合考虑各种因素,根据战场形势的变化灵活调整作战策略,确保作战行动的稳定性和持续性。其特点是决策过程较为稳健,作战行动具有较强的适应性和韧性,能够应对复杂多变的战场环境。均衡稳健型在各个指标上的均值相对较为均衡,没有特别突出或者特别低的指标,体现出其追求各方面平衡发展的特点。
针对均衡稳健型风格,要制造战场不确定性迫使其决策失衡。频繁切换攻击重点,采用虚实结合战术,如佯攻与突击结合,消耗其决策资源;运用无人机群、特种部队开展非对称作战,增加其多维度应对压力;在敌方防线薄弱处集中优势兵力实现局部突破,迫使其放弃均衡策略,随后扩大突破口,瓦解其整体防御体系。

3.3 实验结果验证

为验证本文提出的指挥决策风格量化分析方法的有效性,研究设计了基于人工判别的对比验证实验。通过将复盘数据导入"庙算·陆地指挥官"兵棋推演系统的复盘模块,邀请军事专家观察指挥员在兵棋推演中的典型行为特征,独立判定其决策风格类型,并与层次聚类算法的分类结果进行比较验证。

3.3.1 对比验证实验的设计与实施

实验首先随机抽取十局兵棋复盘数据样本,覆盖地形与火力主导型、协同攻击高效型及均衡稳健型三类指挥决策风格的复盘数据。接着邀请三名具有兵棋推演经验的指挥员组成专家组,独立进行风格判别;利用兵棋系统复盘功能回放推演全过程,重点观察在兵棋推演中体现出的战术偏好和典型特征行为,如表4。最后根据兵棋推演中指挥员表现出的战术偏好进行综合判断。
表4 指挥决策风格人工判定表

Tab.4 Command decision style manual judgment table

风格类型 人工判定重点 对应风格特征指标
地形与火力
主导型		 频繁占据高地/掩体,火力单位集中部署,攻击路径依赖地形优势 地形优势利用能力和武器使用能力突出
协同攻击
高效型		 多算子协同攻击频次高,攻击节奏紧凑,支援关系复杂 武器使用能力与协同攻击突出
均衡稳健型 地形利用与火力部署无明显侧重,灵活调整、多模式切换 所有指标相近

3.3.2 对比验证实验结果

每位专家依据判断置信度对三种指挥风格赋予可能性数值,总和为1。具体原则:对明确判定的风格赋予0.6至0.9的可能性,其余两种风格分配剩余数值。例如判定为 “地形与火力主导型”,可赋予该类型0.7,另外两种类型各分配0.15。综合三位专家意见时,采用差异化权重加权平均法:根据专家权威性和历史判断准确率分配权重,本验证实验的专家1权重为0.4,专家2的权重为0.3,专家3的权重为0.3。最终以加权后得分最高的风格作为判定结果。若出现同分,结合专家可信度或人工复核确定。以下为表5呈现。
表5 指挥决策风格与人工判别结果对比表

Tab.5 Comparison of manual judgment results for command decision styles

复盘数据
编号		 专家1判定风格
可能性分布		 专家2判定风格
可能性分布		 专家3判定风格
可能性分布		 加权后的可
能性分布		 专家判
定结果		 聚类分
析判定		 是否
一致
1 [0.8,0.05,0.15] [0.7,0.1, 0.2] [0.7,0.2, 0.1] [0.74,0.11,0.15] 地形与火力主导型 地形与火力主导型 一致
2 [0.9,0.05,0.05] [0.7,0.1, 0.2] [0.6,0.2, 0.2] [0.75,0.11,0.14] 地形与火力主导型 地形与火力主导型 一致
3 [0.6,0.1,0.3] [0.3,0.1,0.6] [0.2,0.1,0.7] [0.39,0.1,0.51] 均衡稳健型 地形与火力主导型 不一致
4 [0.1,0.1,0.8] [0.1,0.2,0.7] [0.2,0.2,0.6] [0.13,0.16,0.71] 均衡稳健型 均衡稳健型 一致
5 [0.1,0.8,0.1] [0.2,0.7,0.1] [0.2,0.6,0.2] [0.16,0.71,0.13] 协同攻击高效型 协同攻击高效型 一致
6 [0.1,0.3,0.6] [0.3,0.6,0.1] [0.05,0.8,0.15] [0.15,0.54,0.31] 协同攻击高效型 均衡稳健型 不一致
7 [0.1,0.1,0.8] [0.2,0.1,0.7] [0.3,0.1,0.6] [0.19,0.1,0.71] 均衡稳健型 均衡稳健型 一致
8 [0.8,0.1,0.1] [0.75,0.05,0.2] [0.7,0.2,0.1] [0.76,0.12,0.12] 地形与火力主导型 地形与火力主导型 一致
9 [0.6,0.3,0.1] [0.8,0.15,0.05] [0.7,0.1,0.2] [0.69,0.2,0.11] 地形与火力主导型 地形与火力主导型 一致
10 [0.3,0.6,0.1] [0.1,0.8,0.1] [0.1,0.7,0.2] [0.18,0.69,0.13] 协同攻击高效型 协同攻击高效型 一致

备注:1、可能性分布按照[地形与火力主导型,协同攻击高效型,均衡稳健型]的顺序2、加权求平均后可能性分布=专家1的可能性分布*0.4+专家2的可能性分布*0.3+专家3的可能性分布*0.3

3.3.3 对比验证实验结论

经过对比专家人工判定指挥决策风格与本文提出的聚类分析判定的结果,该验证实验表明本文提出的指挥决策风格量化分析方法与人工判别结果具有较高一致性,其基于层次的聚类结果与人工判别结果一致的准确率达80%。在典型战例中,地形优势利用能力与协同攻击次数等关键指标的显著差异,为风格分类提供了可解释的量化依据,展现出良好的辨识能力。因此,本文采用的基于层次的聚类算法通过构建三项复合指标特征,能够有效区分捕捉不同指挥决策风格,证实了本文提出的研究思路在指挥决策风格识别中具有一定科学价值。

4 结束语

研究针对指挥决策风格量化分析的核心问题,利用“数据与知识混合驱动特征发现—模式聚类决策分析—针对性策略生成”的整体研究思路,通过解构兵棋推演中的地形利用、武器使用和协同行动三类典型行为,提取地形保护、火力强度等6项基础特征,并进一步凝练为地形优势利用能力、武器使用能力和协同攻击三项复合指标。基于层次聚类算法,成功识别出三类典型指挥决策风格:地形与火力主导型、协同攻击高效型和均衡稳健型,揭示了不同风格的指挥员在战术偏好上的差异。
本研究在特征体系完整性、数据泛化能力及算法适应性方面仍存在局限。未来工作将聚焦:(1)融合心理评估与生理信号等多模态数据,构建指挥风格立体画像;(2)开发动态自适应聚类模型,增强复杂战场适应性;(3)通过多兵种联合作战数据验证跨域迁移能力。上述改进将推动指挥决策分析向实战化、智能化纵深发展,为新一代军事决策支持系统提供更精准的理论支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
胡晓峰, 齐大伟. 智能化兵棋系统: 下一代需要改变的是什么[J]. 系统仿真学报, 2021, 33(9): 1 997-2 009.

Hu X F, Qi D W. Intelligent wargaming system: change needed by next generation need to be changed[J]. Journal of System Simulation, 2021, 33(9): 1 997-2 009.

[2]
王佳宝, 任林林. 兵棋推演: 模拟未来战争的“战场元宇宙”[J]. 中国军转民, 2022(19): 68-70.

Wang J B, Ren L L. War chess deduction: simulating the “battlefield meta-universe” of future war[J]. Defence Industry Conversion in China, 2022(19): 68-70.

[3]
Rotemberg J J. Sticky prices in the United States[J]. Journal of Political Economy, 1982, 90(6): 1 187-1 211.

[4]
邢思远, 倪晚成, 张海东, 等. 基于兵棋复盘数据的武器效用挖掘[J]. 指挥与控制学报, 2020, 6(2): 132-140.

Xing S Y, Ni W C, Zhang H D, et al. Mining of weapon utility based on the replay data of war-game[J]. Journal of Command and Control, 2020, 6(2): 132-140.

[5]
文家焱, 张蓉, 陈建华. 计算机兵棋系统及其在军事领域的应用[C]// 第15届中国系统仿真技术及其应用学术会议(15th CCSSTA2014)论文集. 福州, 2014: 138-142.

[6]
杜伟. 基于Agent个性的指挥风格研究[J]. 火力与指挥控制, 2018, 43(8): 37-41.

Du W. Research of command style based on agent’s personality[J]. Fire Control & Command Control, 2018, 43(8): 37-41.

[7]
曹占广, 陶帅, 胡晓峰, 等. 国外兵棋推演及系统研究进展[J]. 系统仿真学报, 2021, 33(9): 2 059-2 065.

Cao Z G, Tao S, Hu X F, et al. Abroad wargaming deduction and system research[J]. Journal of System Simulation, 2021, 33(9): 2 059-2 065.

[8]
张大永, 杨镜宇, 马骏, 等. 面向兵棋推演复盘分析的机器学习数据集构建[J]. 系统仿真学报, 2024, 36(3): 608-624.

DOI

Zhang D Y, Yang J Y, Ma J, et al. Construction of machine learning data set for analyzing the replay of the wargaming[J]. Journal of System Simulation, 2024, 36(3): 608-624.

DOI

[9]
孔莉莎, 刘闻. 浅谈数据挖掘技术与军事决策支持[J]. 装备制造技术, 2009(10): 117-118.

Kong L S, Liu W. Simply discussing on the technology of data mining and the military decision support[J]. Equipment Manufacturing Technology, 2009(10): 117-118.

[10]
刘满, 张宏军, 程恺, 等. 知识与数据互补的战术级兵棋行为决策框架设计与实现[J]. 指挥与控制学报, 2023, 9(2): 182-191.

Liu M, Zhang H J, Cheng K, et al. Design and implementation of tactical-level wargame behavior decision framework with knowledge and data complementation[J]. Journal of Command and Control, 2023, 9(2): 182-191.

[11]
李航, 刘代金, 刘禹. 军事智能博弈对抗系统设计框架研究[J]. 火力与指挥控制, 2020, 45(9):116-121.

Li H, Liu D J, Liu Y. Research on design framework of military intelligent game countermeasure system[J]. Firepower & Command Control, 2020, 45(9): 116-121.

[12]
戴勇, 黄杏花. 人工智能在计算机兵棋推演领域的应用[J]. 集成电路应用, 2020(5): 67-69.

Dai Y, Huang X H. Study on application of artificial intelligence in computer wargame[J]. Application of IC, 2020(5): 67-69.

[13]
尹奇跃, 赵美静, 倪晚成, 等. 兵棋推演的智能决策技术与挑战[J]. 自动化学报, 2021(47):1-15.

Yin Q Y, Zhao M J, Ni W C, et al. Intelligent decision technology and challenges in wargame deduction[J]. Acta Automatica Sinica, 2021(47): 1-15.

[14]
陶锐, 杨祖耀. 人工智能技术军事应用重点领域及成熟度评价研究[J]. 指挥控制与仿真, 2024, 46 (2):63-68.

DOI

Tao R, Yang Z Y. Research on key application areas and maturity evaluation of artificial intelligence technology in military[J]. Command Control & Simulation, 2024, 46(2): 63-68.

[15]
张可, 郝文宁, 余晓晗, 等. 基于遗传模糊系统的兵棋推演关键点推理方法[J]. 系统工程与电子技术, 2020, 42 (10):2 279-2 286.

Zhang K, Hao W N, Yu X H, et al. Key point inference method for wargame deduction based on genetic fuzzy system[J]. Systems Engineering and Electronics, 2020, 42(10): 2 279-2 286.

[16]
崔文华, 李东, 唐宇波, 等. 基于深度强化学习的兵棋推演决策方法框架[J]. 国防科技, 2020, 41(2): 113-121.

Cui W H, Li D, Tang Y B, et al. Framework of wargaming decision-making methods based on deep reinforcement learning[J]. National Defense Technology, 2020, 41(2): 113-121.

[17]
张琪, 曾俊杰, 许凯, 等. 基于机器学习的计算机生成兵力行为建模研究综述[J]. 系统仿真学报, 2021, 33(2): 280-287.

DOI

Zhang Q, Zeng J J, Xu K, et al. Behavior modeling for computer generated forces based on machine learning[J]. Journal of System Simulation, 2021, 33(2): 280-287.

DOI

[18]
褚轲欣, 荀亚玲. 基于相似度均值的分类数据层次聚类分析算法[J]. 计算机技术与发展, 2022, 32(11): 154-163.

Chu K X, Xun Y L. A hierarchical clustering analysis algorithm of categorical data based on mean of similarity[J]. Computer Technology and Development, 2022, 32(11): 154-163.

[19]
吴琳, 胡晓峰, 陶九阳, 等. 面向智能成长的兵棋推演生态系统[J]. 系统仿真学报, 2021, 33(9): 2 048-2 058.

Wu L, Hu X F, Tao J Y, et al. Wargaming eco-system for intelligence growing[J]. Journal of System Simulation, 2021, 33(9): 2 048-2 058.

[20]
徐磊, 杨勇. 基于兵棋推演的分队战斗行动方案评估[J]. 火力与指挥控制, 2021, 46(4): 88-92, 98.

Xu L, Yang Y. Research on evaluation of unit combat action plan based on wargaming[J]. Fire Control & Command Control, 2021, 46(4): 88-92, 98.

[21]
贾韵潼, 付强, 陈勇. 智能兵棋系统的发展历程、影响和挑战[J]. 国防科技, 2025, 46(4):110-115.

Jia Y T, Fu Q, Chen Y. The development history, influences and challenges of intelligent wargaming systems[J]. National Defense Technology, 2025, 46(4): 110-115.

Options
文章导航

/

〈 〉