روش برنامه‌ریزی ریاضی برای حل و مدل‌سازی سناریوهای نبرد در سامانه پشتیبان تصمیم بازی جنگ تاکتیکی و عملیاتی

نوع مقاله : مقاله علمی- پژوهشی

نویسندگان

1 پژوهشگر پژوهشکده عالی جنگ، دانشگاه فرماندهی و ستاد آجا

2 استادیار گروه مهندسی صنایع، دانشگاه صنعتی بیرجند

چکیده

بازی جنگ یکی از فنون آینده‌پژوهی است که فرماندهان نظامی را در پیش‌بینی تهدیدات احتمالی آینده و نحوه تصمیم‌گیری در موقعیت‌های مختلف آماده می‌کند. سامانه پشتیبان تصمیم بازی جنگ در استفاده بهینه از نیروی انسانی، تجهیزات و همچنین انتخاب بهترین راهکار در مقابل راهکار حریف مورد استفاده قرار می‌گیرد. فرآیند تصمیم‌گیری در سامانه بازی جنگ شامل تصمیم‌گیرندگان و بازیکنان، عوامل محیطی، اهداف، راهکارها و معیارها است. در این مقاله فرآیند تصمیم‌گیری در سناریوهای بازی جنگ تاکتیکی و عملیاتی شرح داده‌ شده است. به این منظور به بررسی مدل بازی‌های مجموع صفر فازی در سامانه پشتیبان تصمیم بازی جنگ در سطح تاکتیکی و عملیاتی پرداخته‌ شده است. در این مدل از متغیرهای زبانی در تنظیم جدول عایدی بازی استفاده‌شده است. با به‌کارگیری - برش‌های اعداد فازی، ماتریس عایدی بازی با درایه‌های بازه‌ای به‌دست‌ آمده و عایدی مورد انتظار به‌صورت بازه‌ای و وابسته به  نوشته ‌شده است. با محاسبه امید ریاضی عایدی مورد انتظار، عایدی‌ها به‌صورت قطعی نوشته‌شده است. پس از ارزیابی اهداف و معیارها یک روش برنامه‌ریزی ریاضی برای هریک از بازیکنان پیشنهاد شده است. با حل این مسائل راهکارهای بهینه بازیکنان به دست می‌آید. درنهایت، نحوه مدل‌سازی یک سناریوی نبرد بازی جنگ بیان‌شده و به‌کارگیری و حل این مدل‌ها شرح داده‌شده است.

کلیدواژه‌ها

عنوان مقاله [English]

Mathematical programming approach to solve and model battle scenarios in decision support system of tactical and operational wargaming

نویسندگان [English]

  • hamid bigdeli 1
  • javad tayyebi 2
1 Researcher, Institute for the Study of War, army Command and Staff University,Tehran, I.R.Iran.
2 Department of Industrial Engineering, Faculty of Industrial and Computer Engineering,Birjand University of Technology, Birjand, I.R. Iran.
چکیده [English]

Wargaming is one of the techniques of futures studies that prepares military commanders to predict future threats and how to make decisions in different situations. The wargaming decision support system is used to optimize the use of manpower, equipment, and to choose the best solution against the opponent's strategy. The decision making process in the wargaming system includes decision makers and players, environmental factors, objectives, strategies and criteria. In this article, the decision making process in tactical and operational wargaming scenarios is described. To this end, the model of fuzzy zero sum games in the decision support system of tactical and operational wargaming is examined. In this model, linguistic variables are used to set the game's payoff table. By using alpha-cuts of fuzzy numbers, the payoff matrix of game with interval elements is obtained, and the expected payoff is written as interval and depend on alpha . By calculating expected value of expected payoff, payoffs as crisp are written. After evaluating objectives and criteria, a mathematical programming approach is proposed for each player. By solving these problems, optimal strategies of players are obtained. Finally, the modeling of a wargaming battle scenario is illustrated and the use and resolution of these models is described.

کلیدواژه‌ها [English]

  • Future Studies
  • zero sum game
  • wargaming
  • fuzzy theory
  • scenario

مراجع

  • Aplak, H., Kabak, M. & Kose, E. (2014). ‎‎‎A two person zero sum game oriented to integration of objectives, Journal of Military Studies‎, 5 (2)‎.
  • Bazaraa, M.S. & ‎Jarvis, J.J. (1997). ‎‎‎Linear Programming and Network Flows, John Wiley & Sons‎, ‎Inc.‎, ‎NewYork ‎.
  • Bigdeli, H. & Hassanpour, H. (2016). ‎‎A satisfactory strategy of multiobjective two person matrix games with fuzzy payoffs, Iranian Journal of Fuzzy Systems, 13, 17-33.
  • Bigdeli, H. & Hassanpour, H. (2018). ‎‎Modeling and solving multiobjective security game problem using multiobjective bilevel problem and its application in metro security system, Journal of  Electronical & Cyber Defence (In Persian).
  • Bigdeli, H., Hassanpour, H. & Tayyebi, J. (2016). ‎‎The optimistic and pessimistic solutions of single and multiobjective matrix games with fuzzy payoffs and analysis of some of military problems, Defence Sci & Tech, Acceptd, (In Persian).
  • Bigdeli, H., Hassanpour, H. & Tayyebi, J. (2018). Constrained Bimatrix Games with Fuzzy Goals and its Application in Nuclear Negotiations.
  • Bigdeli, H., Hassanpour, H. & Tayyebi, J. (2018). Multiobjective security game with fuzzy payoffs, Iranian Journal of Fuzzy Systems.
  • Brown, G., Carlyle, M., Kline, J. & Wood, K. (2005). ‎‎A Two-Sided Optimization for Theater Ballistic Missile Defense,  in Operations Research, 53: 263–275‎.
  • Brown, M., An, B., Kiekintveld, C., Ordóñez, F. & Tambe M. (2014). ‎‎An extended study on multi-objective security games, Auton Agent Multi-Agent Syst, 28:31–71.
  • Brynielsson, J. (2007). Using AI and games for decision support in command and control, Decision Support Systems, 43: 1454 –1463.
  • Gatti, N. (2008). Game Theoretical Insights in Strategic Patrolling: Model and Algorithm in Normal-Form, in ECAI-08, pp. 403–407‎.
  • Guillarme,N. L., Mouaddib, A., Lerouvreur, X. & Gatepaille, S. (2015). A Generative Game-Theoretic Framework for Adversarial Plan Recognition, Journées Francophones sur la Planification, la Décision et l’Apprentissage.
  • Haywood, O‎. ‎G‎. (1989). ‎‎Military Decision and Game Theory, Wiley‎, ‎‎Journal of the Operations Research Society of America‎, 2 (4): 365-385‎.
  • Kheirkhah, A. S., Navidi, H. R., & Bidgoli, M. M. (2017). Modeling and Solving the Hazmat Routing Problem under Network Interdiction with Information Asymmetry, Journal of transportation engineering, 9 (1): 17-36.
  • Lye, K. & Wing, J.M. (2005).Game Strategies in Network Security, International Journal of Information Security, (1–2): 71–86.
  • Mchugh, F.J. (1969), Fundamentals of wargaming, United states naval college.
  • Neumann, .J‎V‎. &‎ ‎Morgenstern, O‎. (1944). Theory of Games and Economic Behavior,Wiley‎, ‎New York.
  • ‎Owen, G. (1995). ‎‎Game Theory, Academic Press‎, ‎San Diego‎, ‎Third Edition‎.
  • Sakawa, M. & Nishizaki, I. (2009). ‎‎Cooperative and Noncooperative Multi-Level Programming, Springer, New York and london.
  • Sakawa, M. (1993). ‎‎Fuzzy sets and interactive multiobjective optimization, Plenum press, New York and london.
  • Sandler, T. & D.G.A.M. (2003). Terrorism and Game Theory, Simulation and Gaming, 34 (3): 319–337.
  • Tambe, M. (2012). ‎‎Security and game theory, algorithms, deployed systems, lessons learned, Cambridge university press‎.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار