摘要

现代多领域冲突日益复杂，使得对其战术和战略的理解以及确定适当行动方案具有挑战性。作为概念开发和实验 (CD&E) 的一部分的建模和仿真提供了新的见解，以更快的速度和更低的成本比物理机动更易实现。其中，通过计算机游戏进行的人机协作提供了一种在各种抽象级别模拟防御场景的强大方法。然而，传统的人机交互非常耗时，并且仅限于预先设计的场景，例如，在预先编程的条件计算机动作。如果游戏的某一方面可以由人工智能来处理，这将增加探索行动过程的多样性，从而导致更强大和更全面的分析。如果AI同时扮演两个角色，这将允许采用数据农场方法，从而创建和分析大量已玩游戏的数据库。为此，我们采用了强化学习和搜索算法相结合的方法，这些算法在各种复杂的规划问题中都表现出了超人的表现。这种人工智能系统通过在大量现实场景中通过自我优化来学习战术和策略，从而避免对人类经验和预测的依赖。在这篇文章中，我们介绍了将基于神经网络的蒙特卡罗树搜索算法应用于防空场景和虚拟战争游戏中的战略规划和训练的好处和挑战，这些系统目前或未来可能用于瑞士武装部队。