شبیه‌سازی نبرد با استفاده از شبکه‌های عصبی زمان پیوسته

نوع مقاله: مقاله علمی- پژوهشی

نویسندگان

1 دانشجوی دکتری گروه ریاضی، دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد تهران مرکزی

2 پژوهشگر پژوهشکده عالی جنگ دانشگاه فرماندهی و ستاد آجا

چکیده

این مقاله روی مدل‌سازی رفتار فرماندهان در شبیه‌سازی نبرد تمرکز می‌کند. یک مأموریت نظامی اغلب با اهداف متضاد چندگانه از جمله موفقیت در وظایف، زمان اتمام، نابودی دشمنان و بقای نیروهای خودی همراه است. در این مقاله با در نظر گرفتن سناریوهای غیردفاعی و دفاعی و با استفاده از بهینه‌سازی چند هدفی، مدلی به‌منظور کمینه‌سازی تلفات نیروهای خودی و بیشینه‌سازی نابودی دشمنان معرفی می‌شود. همچنین با استفاده از روش وزن‌دهی و شرایط بهینگی کاروش-کان-تاکر، یک مدل شبکه عصبی بازگشتی زمان پیوسته برای حل مسأله‌ی بهینه‌سازی چند هدفی معرفی شده، طراحی می‌شود. ایده‌‌ی اصلی رهیافت شبکه عصبی برای مسأله‌ِی بهینه‌سازی چند هدفی معرفی شده، ایجاد یک دستگاه دینامیکی به صورت معادلات دیفرانسیل معمولی مرتبه اول است. شبکه عصبی معرفی شده نیاز به هیچ پارامتر تنظیم کننده‌ای ندارد و ساختار آن یک پیاده‌سازی سخت‌افزاری ساده را امکان‌پذیر می‌سازد. روش معرفی شده می‌تواند به عنوان یک مشاور برای فرماندهی که برای نیروهای تحت امر خود تصمیم می‌گیرد، عمل کند. در پایان، با استفاده از یک مثال اعتبار و کارایی مدل پیشنهادی نشان داده شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Combat simulation using continuous time neural networks

نویسندگان [English]

  • Mohammad Moghaddas 1
  • Hamid Bigdeli 2
1 PhD Student in Department of Mathematics, Faculty of Basic Sciences, Central Tehran Branch, Islamic Azad University, Tehran, Iran
2 Researcher in Institute for the Study of War, Army Command and Staff University,Tehran, Iran.
چکیده [English]

This paper focuses on modeling the behavior of commanders in a combat simulation. A military mission is often associated with multiple conflicting goals, including task success, completion time, enemies’ elimination, and own forces survival. In this paper, considering defensive and non-defensive scenarios, and using multi-objective optimization, a model is presented in order to minimize own forces loss and to maximize enemies’ elimination. Also, based on the weighting method and the Karush-Kuhn-Tucker optimality conditions, a continuous time feedback neural network model is designed for solving the proposed multi-objective optimization problem. The main idea of the neural network approach for the proposed multi-objective optimization problem is to establish a dynamic system in the form of first order ordinary differential equations. The proposed neural network does not require any adjustable parameter and its structure enables a simple hardware implementation. The proposed method can act as a consultant for the commander who decides for its forces. Finally, the validity and efficiency of the proposed model are demonstrated by an example.

کلیدواژه‌ها [English]

  • Combat simulation
  • Neural network
  • Multi-objective optimization
  • Bazaraa, M. S., Sherali, H. D. & Shetty, C. M. (2005). Nonlinear Programming. John Wiley & Sons, Inc.
  • Boutselis, P. & Ringrose, T.J. (2013). GAMLSS and neural networks in combat simulation metamodelling: A case study. Expert Systems with Applications, 40(15): 6087-6093.
  • Bouzerdoum, A. & Pattison, T. R. (1993). Neural network for quadratic optimization with bound constraints. IEEE Transactions on Neural Networks, 4(2):  293–304.
  • Effati, S. & Moghaddas, M. (2016). A novel neural network based on NCP function for solving constrained nonconvex optimization problems. Complexity, 21(6):130–141.
  • Effati, S., Ghomashi, A., & Abbasi, M. (2011). A novel recurrent neural network for solving MLCPs and its application to linear and quadratic programming. Asia Pacific Journal of Operational Research, 28 (4): 523–541.
  • Gao, X. & Liao, L. Z. (2010). A new one-layer neural network for linear and quadratic programming. IEEE Transactions on Neural Networks, 21(6): 918–929.
  • Kennedy, M. & Chua, L. (1988). Neural networks for nonlinear programming. IEEE Transactions on Circuits and Systems, 35(5): 554–562.
  • Kilmer, R. A. (1996). Applications of artificial neural networks to combat simulations. Mathematical and Computer Modelling, 23(1–2): 91-99.
  • Law, A. & Kelton, W. (1991). Simulation Modeling and Analysis, McGraw-Hill, New York.
  • Maa, C. Y. & Shanblatt, M. A. (1992). A two-phase optimization neural network. IEEE Transactions on Neural Networks, 3(6):1003–1009.
  • Miller, R. & Michel, A. (1982). Ordinary Differential Equations. Academic Press, Inc.
  • Nazemi, A. & Effati, S. (2013). An application of a merit function for solving convex programming problems. Computers & Industrial Engineering, 66(2): 212–221.
  • Nazemi, A. (2012). A dynamic system model for solving convex nonlinear optimization problems. Communications in Nonlinear Science and Numerical Simulation, 17(4):1696-1705.
  • Oswalt, I. (1993). Current applications, trends, and organizations in the U.S. military simulation and gaming. Simulation and Gaming, 24(2):153-189.
  • Rodriguez-Vazquez, A., Dominguez-Castro, R., Rueda, A., Huertas, J., & Sanchez-Sinencio, E. (1990). Nonlinear switched capacitor ‘neural’ networks for optimization problems. IEEE Transactions on Circuits and Systems, 37(3): 384–398.
  • Sakawa, M‎.,) 1993. (Fuzzy Sets and Interactive Multiobjective Optimization. ‎Plenum Press‎, ‎New York and London‎‎.
  • Tank, D. & Hopfield, J.J. (1986). Simple ’neural’ optimization networks: An a/d converter, signal decision circuit, and a linear programming circuit. IEEE Transactions on Circuits and Systems, 33(5): 533–541.
  • Teng, T., Tan, A., Tan, Y., and Yeo, A. (2012). Self-organizing neural networks for learning air combat maneuvers, The 2012 International Joint Conference on Neural Networks (IJCNN), Brisbane, QLD, pp. 1-8.
  • Xia, Y. & Wang, J. (2004). A recurrent neural network for nonlinear convex optimization subject to nonlinear inequality constraints. IEEE Transactions on Circuits and Systems I: Regular Papers, 51(7): 1385–1394.
  • Xia, Y. & Wang, J. (2005). A recurrent neural network for solving nonlinear convex programs subject to linear constraints. IEEE Transactions on Neural Networks, 16(2): 379–386.
  • Xia, Y., Leung, H., and Wang, J. (2002). A projection neural network and its application to constrained optimization problems. IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications, 49(4), pp. 447–458.
  • Xue, Q. et al. (2010). Improved LMBP algorithm in the analysis and application of simulation data, International Conference on Computer Application and System Modeling (ICCASM 2010), Taiyuan, pp. 545–547.
  • Xue, X. & Bian, W. (2007). A project neural network for solving degenerate convex quadratic program. Neurocomputing, 70(13-15): 2449–2459.
  • Yu, P.L. (1973). A class of solutions for group decision problems. Management Science, 19: 936-946.
Zhang, S. & Constantinides, A. (1992). Lagrange programming neural networks. IEEE Transactions on Circuits and Systems II: Analog and Digital Signal Processing, 39(7): 441–452