上述参考资料，请扫描下面的二维码加入圈子后下载。
研究一：跨域杀伤网行动方案生成
在未来高度复杂的作战环境中，指挥官面对的不再是单一军种、单域作战的传统战场，而是由陆、海、空、天、网五大作战领域中的各种军事资产组成的军事物联网物体系。
基于这个军事物联网物体系，构成了由作战能力市场中的提供者、消费者和跨域虚拟联络官组成的联合全域的消费战场。
在这种背景下，如何在秒级时间内连接不同作战领域的资产，快速生成、评估并推荐最优的跨域行动方案，成为未来指控系统的核心挑战之一。
传统指控系统依赖人工规划或基于规则的自动化流程，往往需要数小时甚至数天才能完成。
1.1 这个研究要解决的问题是什么？
该研究的目标是解决跨域杀伤网中高维、实时行动方案生成的计算爆炸问题。
在现代联合作战中，一个作战请求（如摧毁时敏目标）可能涉及陆、海、空、天、网、电等多个域的数十种平台、武器和路径组合，导致候选行动方案数量呈指数级增长。
传统优化方法需对几乎所有方案进行高成本仿真评估，无法在秒级内完成，难以满足指挥官对实时性的要求。
1.2 这个问题的解决方案是什么？
这一解决方案在保持解质量（达理论最优90%以上）的同时，将计算时间减少约90%，实现了接近最优、多样化、人因兼容的实时决策支持。
系统采用基于分布式多智能体的微服务架构实现跨域指控，其核心围绕消费者 Agent、跨域虚拟联络官 Agent、供应者 Agent 三者展开。
请求发起与解析阶段：战斗管理者（作为军事物联网的消费者）通过消费者 Agent 提交效果请求，明确目标（如压制、干扰、摧毁）及任务类型（救援、防御、进攻等）。请求信息包括优先级、时间约束、期望效果等参数，构成 F2T2EA 杀伤链的输入。
方案生成与预筛选阶段：消费者 Agent 将效果请求转发给跨域虚拟联络官 Agent。后者接收请求后，首先从预案库（Playbook）中调用分层任务网络（HTN）模板，实例化潜在的行动方案（CoA）。每 个CoA 描述跨域资源组合的具体任务流程（如无人机抵近→传感器成像→数据传输→目标识别）。在此阶段，系统通过推荐系统元启发式算法对参数组合进行快速预排序，仅选择最有希望的 Top-K 候选行动方案进入详细计算，从而将高维的 NP-hard 问题的行动方案搜索空间降低约90%。
详细评估与排序阶段：对筛选后的候选 CoA 进行深度计算，通过多实体贝叶斯网络（MEBN）和实时仿真算法验证前提条件（如燃油量、弹药可用性、通信链路），并量化关键指标：目标达成概率（成功交战可能性）、蓝军风险（己方损耗概率）、机会成本（后备容量影响）、及时性（时间约束满足度）、附带损害（平民影响）及软约束。
推荐系统在此阶段综合四项度量指标，对候选行动方案进行最终排序和加权（见本文1.5部分）：基于用户偏好模型的加权评分、基于帕累托前沿的最优性评估、基于汉明/欧氏距离的方案多样性，以及基于历史数据与仿真结果的反馈预测。
协商与决策阶段：跨域虚拟联络官 Agent 向供应者 Agent 发送投标请求，获取跨域资源（卫星、舰艇、无人机、网络资产）的实时可用性确认信息。经协商细化后，系统向指挥官呈现排序后的CoA列表，附带可视化权衡分析（如牺牲部分及时性换取风险降低）。指挥官选择最终方案后，系统自动下发执行指令，并持续监控任务状态，将实战结果回流至推荐系统训练集，形成决策闭环。
整个流程在数秒内完成，支持动态应对突发威胁，实现从传统杀伤链向自适应跨域杀伤网的转型。
1.3 输入与特征构建
系统首先接收一个具体的作战请求（如摧毁某时敏目标），并融合以下多源上下文信息：
-
任务特征：目标类型、地理位置、时间窗、优先级等； -
资源状态：各作战域（陆、海、空、天、网、电）可用平台、武器、传感器的实时状态； -
用户偏好：指挥官设定的显式规则（如“避免使用高价值资产”）及历史选择行为（隐式偏好）。
输入数据包括如下内容，这些数据构成了输入向量：
|
|
|
|
|---|---|---|
| 每个行动方案详情
|
每个行动方案请求者的原始意图
|
|
|
|
||
|
|
||
|
|
||
|
|
||
|
|
||
| 每个行动方案的详情
|
|
|
|
|
||
|
|
||
|
|
||
|
|
||
| 人类反馈
|
行动方案的隐性数据 |
|
| 行动方案的显性数据 |
|
|
| 自动化系统反馈
|
代表性场景仿真结果 |
|
| 真实世界场景结果 |
|
1.4 候选行动方案生成与初步筛选
系统不会穷举所有可能的行动方案，对每个行动方案进行评估。这样做计算工作量太大。
更好的做法是利用预训练的推荐系统算法模型（如神经协同过滤或深度排序网络），先筛选出少量的候选行动方案。
然后对高分推荐的 Top-K 个候选行动方案进行完整的实例化（即生成具体任务序列、资源分配、时序逻辑等），大幅压缩后续高成本深度评估的规模。
1.5 候选行动方案的多维度综合评估与重排序
因此，在前期智能筛选出少量候选行动方案后，需综合考虑以下四个关键因素：
-
最优性：采用帕累托网格方法评估行动方案在多目标空间中的近优程度，确保不偏离理论上的多目标最优解太远（如保持90%以上得分）。 -
多样性：推荐的行动方案集需包含战术上差异显著的多个选项（如不同打击路径、主要作战领域或平台组合）。多样性可增强指挥官应对突发变化（如资产被毁）的灵活性和杀伤网的鲁棒性。 -
用户反馈：根据用户反馈学习指挥官的历史选择行为（隐式偏好），确保推荐符合其决策习惯和信任模式。即使某行动方案客观性能略低，若更贴近用户反馈，也可能更具实战价值。 -
显式偏好：尊重指挥官在当前任务中设定的偏好（如“最小化附带损伤”“优先使用无人系统”），使行动方案不仅可行，而且满足指挥官的个人偏好。
这一机制确保推荐的行动方案既接近理论最优，又多样、符合指挥官偏好，实现人机协同下的高质量快速决策。
系统允许指挥官为四个关键指标分配权重：时效性、风险、目标达成、机会成本。例如，救援任务中指挥官可能将时效性权重设为 0.4，风险设为 0.3；而打击任务则可能反过来。
系统将排名靠前（如前10个）的行动方案按综合得分排序，呈现给指挥官，并附关键指标说明。指挥官可选择、修改或拒绝方案，其反馈又用于在线更新推荐模型，形成闭环学习。
1.6 基于遗传算法的全局参数优化机制
行动方案综合得分在加权求和时，要有四个维度指标的权重设置；同时各个维度指标，也各自都有相应的超参数。
这些参数的设置，对候选行动方案最终的量化得分得分会有很大影响。
这四个指标的目标可能存在冲突。例如，最优性指标权重设置过高会牺牲多样性；用户偏好权重过高会忽略从历史行动方案中学到的宝贵经验。
那么如何设置这些参数呢？
解决方案是引入一个全局优化层。为每个维度的指标分配一个全局权重，并通过遗传算法来自动寻找这些权重以及各指标内部的超参数（如最优性指标中帕累托网格的步长、多样性指标中定性/定量距离的权重等）的最优组合。
那么，遗传算法中进化的适应度函数的计算标准是什么呢？研究团队设计了一个巧妙的逆序分作为优化目标。即遗传算法的最优化目标是最大化逆序分——推荐的Top-K行动方案列表与各维度的理想排序的一致性。
逆序分的核心思想是：对于任何一个评估指标（比如最优性），我们都可以对所有候选方案按该指标单独排序，得到一个理想顺序。然后，我们将推荐系统给出的Top-K列表与这个理想顺序进行比较，计算其中有多少对方案的相对顺序是颠倒的（即逆序数）。逆序数越少，说明推荐列表在该指标上的排序质量越高，其逆序分也就越高。
遗传算法的进化目标就是最大化所有四个指标的加权逆序分之和。通过这种方式，系统能够在无需人工干预的情况下，自动找到一个在最优性、多样性、反馈和偏好之间取得最佳平衡的参数配置。
研究二、行动方案生成过程的人机编队
2.1 问题陈述
研究一介绍了如何用 AI 算法来生成、评估跨域杀伤网的行动方案。
那为什么要用 AI 呢？
这是因为考虑到跨域杀伤网的复杂性和时间要求，行动方案（COA）的生成、评估过程中的部分工作必须由 AI 来完成。
但是跨域杀伤网行动方案以及其他军事或商业领域的行动方案，其执行都会带来高后果。因此，AI 生成的行动方案，必须置于有意义的人类控制（MHC1）和有意义的人类指挥（MHC2）之下。
也就是说，行动方案的生成、评估和调整，必须是人类和 AI 组成的团队的联合活动。
2.2 人机编队协作的三种基本形态
在生成、评估和调整行动方案时，具体的任务（task）可以分为如下三类：
AI 独立完成的计算密集型任务
人机紧密协同的决策任务
人类独立进行的的高影响决策任务
2.2.1 AI 独立完成的任务：计算密集型与重复性工作
这类任务完全交给 AI，不仅提高效率，更释放了人类认知资源，使其能够专注于更高层次的决策。
2.2.2 人机联合任务：认知对齐与决策支持
第二类任务是人机联合执行的任务。例如，AI 向人类建议行动方案（COA），而人类同时根据自身的经验，进行选择和调整。
这种场景下，AI的角色是决策支持——通过验证或挑战人类的预期来辅助决策。
AI 不是要替代人类的判断，而是通过提供不同的视角来扩展人类的认知边界。
当 AI 的建议与人类预期一致时，它提供了确认；当 AI 提出意外方案时，它创造了认知惊喜，促使人类重新评估假设。
这种动态交互使得行动方案的决策质量，超越了人类或 AI 单一主体的能力。
2.2.3 人类专属任务：高风险决策的最终权威
第三类任务是人类专属任务，涉及具有重大操作影响的决策和行动。
这种分级授权机制体现了风险-信任权衡原则，保留了人类对高风险决策的最终控制权。
2.3 绩效评估的客观基准
我们不仅需要对行动方案本身进行量化评估，还需要基于人机编队的行动方案生成、评估和调整过程进行绩效评估，并建立相应的指标体系。
这样，我们才能客观、定量地比较纯人类团队与人机混合团队在生成、评估和调整行动方案的效能差异。
2.4 人类团队的角色分类
人类操作员可分为三种核心角色：
整体协调员：负责决策权威，他们掌握最终的选择权；
监控支持人员：负责数据筛选和异常识别；
领域专家：提供特定情境下的深度分析，如情报、作战、后勤、电子战等。
这种角色分解反映了复杂系统中必然存在的劳动分工——没有人能够同时掌握全局态势感知、细节数据分析和专业领域知识。
这种结构确保了人类认知资源的最优配置，避免了认知过载导致的关键信息遗漏。
2.5 AI 团队的角色分类
与人类角色对应，AI 团队成员也被分解为不同的软件 Agent，采用微服务架构实现。比如行动方案评估 Agent、行动方案生成 Agent 等。
这种基于微服务的多智能体架构具有重要的工程意义。微服务架构使得AI Agent 能力可以独立开发、部署、升级和扩展，某个服务的故障不会导致整个系统崩溃。
此外，还需要支持强化反馈机制——各个 AI Agent 微服务之间可以相互交互，并且 AI Agent 还可以与人类 Agent 交互，通过持续学习优化性能。
一个优秀的 AI Agent 微服务不仅要提供正确答案，还要学会理解特定操作员的偏好、工作习惯和认知风格。用户输入和情境信息的结合，使这些 AI Agent 微服务能够随时间改进表现，并学会针对特定人类团队成员定制交互方式。这种自适应能力是人机协作系统从工具进化为队友的关键标志。
2.6 人机交互
人机交互需具备持续自适应能力、排除解释能力（说明资源未使用原因）、一致性的行动方案集的生成能力、个性化交互能力（针对特定操作员的人类偏好）。
2.6.1 从即时响应到持续自适应
人类操作员对 AI Agent 团队成员有多重期望，这些期望定义了系统设计的性能基准。
首先，AI Agent 必须能够在秒级时间内行动。
其次，AI Agent 必须避免抖动（Thrashing），即避免因环境噪声导致的频繁计划变更。
第三，AI Agent 需要基于动态演化的环境条件持续更新计划和预测。
最后，AI Agent 生成的结果必须通过直观、不杂乱且完全集成的用户界面展示。
2.6.2 行动方案可解释性：资产排除逻辑的透明化
指挥官会对这个问题非常关注：AI 需要解释为什么某些资产未被包含在推荐的行动方案中。
这种问题的出现，暗示了人类对资源利用完整性的关注。一个看似完美的行动方案，如果排除了人类认为应该参与的资产，就会引发不信任感。
此外，为了在不同行动方案之间展示权衡，少量高级指标就足以传达重要信息：例如及时性、成功概率、附带损害和机会成本。这四个维度构成了一个多维指标空间，使得复杂的行动方案比较变得可视化、可理解。
2.6.3 人类偏好模型的嵌入
行动方案生成的另一个关键特性是允许人类指定偏好模型。
这意味着人类团队成员能够表达他们对及时性、成功概率等指标的偏好。随后，AI Agent 能够根据提供的偏好模型生成和优化行动方案选项。
这种机制体现了人在环内的设计理念。AI Agent 会在理解人类价值观的基础上，将计算资源集中于探索最符合人类偏好的行动方案子集。
这种设计尊重了人类的价值判断，同时利用了 AI 的计算和学习优势。AI Agent 通过人类指挥官的偏好模型学习这些个体差异，提供定制化的决策支持。
2.7 监控活动
系统需对行动方案的生成、评估和调整过程进行持续监控，并在异常时报警。
对于监控活动，主要绩效指标包括生成警报的能力、提供资产和环境的有意义的上下文信息。
这些指标看似简单，实则蕴含复杂的系统设计要求。有效的警报系统必须平衡灵敏度和特异度——漏报可能导致严重后果，而虚警则会导致操作员的警报疲劳。
上述参考资料，请扫描下面的二维码加入圈子后下载。
