军事任务规划是一项在不确定性与动态环境中开展的认知密集型工作。现有模拟器与决策支持工具常因战术逻辑固化，难以在新洞察涌现时及时调整，因而无法跟上瞬息万变的战场态势。这导致了规划人员的专业经验与既有系统中僵化模型之间的脱节。为弥补这一鸿沟，本文提出一种集成框架，融合可配置的贝叶斯信念网络（BBN）、融合地形数据的路径规划任务模拟器，以及基于交互式地图的操作界面。在该框架下，用户既可在模拟器中探索备选方案与作战条件，也可直接修改支配结果概率的贝叶斯信念网络逻辑。实验表明，调整假设或逻辑会导致预测结果及其可视化呈现出现可观测、可解释的差异，证明了系统在推演过程中捕捉并呈现不确定性的能力。上述成果凸显了基于概率推理与仿真的用户可配置决策支持的可行性，为开发更直接反映专家知识、支撑作战分析的工具体系迈出了关键一步。

图1：所提出决策支持系统的高层组件图，展示用户界面、评估框架（含任务模拟器与战术贝叶斯信念网络）及支撑服务。

军事任务规划是在时间紧迫、信息不完整及态势剧变条件下进行的认知密集型活动。尽管《盟军联合作战计划条令》¹等正式文件规定了对我方与敌方行动进行结构化分析的流程，但在实践中，指挥官及参谋人员在行动前往往仅能评估极少数方案²。面对海量信息超出处理能力、可行战术方案搜索空间极为庞大的现实³，即便经验丰富的规划人员也可能仅能探索有限的选项与风险组合，从而遗漏可行的替代方案。这一长期存在的挑战推动了计算机辅助决策支持工具的研发，以期减轻认知负担并拓宽方案考量范围。此类系统被嵌入规划工作流，并对显式的战术世界模型进行编码：涵盖兵力如何发挥效能、地形与天候如何影响机动与侦察，以及观测数据如何更新系统状态。然而，如何将军事专家的知识以可获取、可追溯且可快速编辑的形式加以固化，始终是一大难题。

过去二十年间，学界提出了大量智能决策支持系统（IDSS），以辅助不确定性环境下的军事规划⁴⁻⁶。FOX-GA是首批将遗传算法应用于军事规划的范例之一，其通过高效的兵棋推演模块生成并评估行动方案（COA），在运算速度与战场真实性之间取得平衡⁴⁻⁵。后续研究在FOX-BBE系统中拓展了相关理念，将遗传算法应用于更高保真度、更具可变性的仿真环境⁶。几乎同期，美国国防高级研究计划局（DARPA）“深绿”项目致力于提供持续性规划支持，通过融合草图式行动方案生成、快速多分辨率作战模型及实时监测，预判未来态势的演变趋势⁷⁻⁸。FOX-BBE与“深绿”均彰显了人工智能驱动仿真在拓展方案空间、加速规划进程方面的潜力。基于知识的工具，如案例设计工具（CADET），展示了自动化扩展作战计划的能力——其质量可媲美人类参谋工作，同时大幅缩短规划时间，尤其在联军行动背景下⁹。然而，此类系统普遍存在共性局限：其底层战术逻辑基本固化，军事专家难以在不（重新）编程的前提下快速调整。这造成了专业知识与模型行为之间的“模型—专家鸿沟”。

研究者亦探索了贝叶斯网络（BN）作为表征不确定性的规范方法，其应用涵盖预见性决策支持¹⁰及战役级重心分析（COGNET）¹¹等领域，后者利用因果贝叶斯网络模型映射薄弱环节并评估影响。此类工作印证了贝叶斯网络在捕捉专家知识、随新情报更新概率方面的灵活性。但此前的行动方案生成系统并未将实时概率推理与仿真相结合。将概率推理引入规划闭环极具吸引力，因其允许战术世界模型中的假设得以表达、检视，并能随证据输入而更新。

早期决策支持系统多依赖确定性仿真或启发式规则。相比之下，贝叶斯网络等概率方法为编码专家知识、随新证据更新信念、以及在复杂关联中传递不确定性提供了规范路径。这些技术能使规划人员更清晰地洞察假设、初始条件与决策选择如何交互并塑造任务结局。然而，现有方法仍鲜少允许领域专家在规划过程中直接调整战术世界模型，“模型—专家鸿沟”问题悬而未决。

本文通过构建一种集成决策支持系统，直面终端用户快速编辑战术世界模型的显性缺口。该系统融合用户可配置的贝叶斯信念网络、任务模拟器、地形分析模块及基于交互式地图的用户界面。在此设计中，贝叶斯信念网络充当关于战场关键假设的可编辑逻辑层，使专家无需修改源代码即可直接调整规则。本系统旨在为任务规划三个互补层面提供支持：一、比较战场模型与假设的不同表述（如损耗动力学或侦察逻辑）；二、探索当前态势的多元表征及情报与环境要素中的不确定性；三、评估与对比不同的任务方案。

该架构通过将概率推理与分步仿真相结合，明确支持上述三种应用模式，使得不确定性能够随推演进程持续更新与可视化。结果部分通过聚焦于三个层面的初步实验阐释了这一设计，展示了系统如何助力指挥官以统一方式探索模型假设、战场态势与战术选择。