指挥与控制（C2）规划面临着日益复杂的挑战，例如相关数据的可用性越来越高，以及如何在可用的时间范围内处理这些数据。通过了解 “红队”对 “蓝队”潜在行动方案（CoA）可能做出的反应，规划人员可以利用人工智能（AI）赋能兵棋推演的洞察力做出更好的战略决策。建模与仿真（M&S）工具与人工智能相结合，可以通过消耗和处理作战画面的观测数据，快速预测红方的行动方案（CoA）。我们介绍的 “红队反应”（RFR）是一种决策支持工具，它利用兵棋推演模拟器中的人工智能来寻找潜在的 “红队共同行动”。利用最先进的深度神经网络（DNN）算法，包括近端策略优化（PPO）和好奇心学习（Curiosity Learning），并将其集成到多智能体强化学习（MARL）环境中，RFR 智能体可根据奖励和行动选择多样性分别找到高性能和新型 CoA。在一个空中战术场景中，红方部队与优势蓝方部队进行了 17,587 次训练，取得了 91% 的胜率。这一概念展示了人工智能在 C2 规划中的有效应用、如何利用云计算有效地训练智能体，以及如何将这一概念扩展到更大的问题中。

建立 Dstl 机器速度指挥与控制 (MSC2) 项目的目的是通过在所有环境、领域和指挥层级实现更快、更有效的指挥与控制 (C2) 流程，从而改变指挥与控制 (C2)。这与利用建模和仿真技术优势促进北约国家国防相关能力发展、威胁缓解和安全态势的目标是一致的。MSC2 项目下的这项工作旨在探索使用人工智能（AI）技术控制兵棋推演模拟中的智能体行为的潜力，以确定引入复杂行为的可行性，这些行为与真实环境中的行为类似。这项工作的主要贡献在于概念性的 “人工智能助手 ”决策支持工具，它将有助于了解：1）可能对蓝方部队造成最大伤害的潜在敌对（红方部队）协同行动；2）可能的新型红方部队协同行动；3）可解释性技术，以帮助了解人工智能生成的红方部队协同行动的有效性和新颖性。我们展示的结果表明，机器学习在这一领域的应用非常有效。

在这一场景中，红方将协调由几种不同级别、不同载荷的飞机组成的大型攻击包，对蓝军重型装甲部队实施战术空中拦截任务。蓝军在防空保护下向两座关键桥梁推进，目的是夺取这两座桥梁。要想获胜，红方必须在蓝军夺取关键桥梁之前对其实施拦截。表 2 列出了各部队的组成，包括各部队的弹药容量。

RET 中模拟的所有平台、武器和传感器都是通用的，无意代表任何现实系统的性能。

图 2 显示了模拟中各单位的起始位置。图中各单位周围的圆圈表示各单位武器的最大水平射程。RET 中对目标射程的计算包括高度，因此模拟中的最大武器射程形成了一个围绕单位的影响范围，而不是一个二维圆圈。显示的圆圈还突出了各单位传感器的最大识别范围。RET 中的传感器有三个可信度级别。探测是可能的最低观测级别，只能显示物体的位置。识别可以分辨出设备类型。识别是最高级别的观测，可显示物体的隶属关系和伤亡状况。TAI 情景是在 200x100km 感兴趣区域内从 12:00 到 13:00 的一小时时间窗口内以 10s 的时间步长进行模拟的。