分布式人工智能在军事领域的应用

分布式人工智能在军事领域的应用分布式人工智能在军事领域的应用分布式人工智能在军事领域的应用分布式人工智能在军事领域的应用来源:互联网责编：大嘴作者:刘毅勇时间：2004-09-11【HYPERLINK”javascript：setfont（15）"大HYPERLINK”javascript:setfont(13）”中HYPERLINK”javascript：setfont(12）”小】分布式人工智能（DAI）是计算机科学的一个新分枝，它研究一组分布的、松散耦合的主体如何协同运用它们的知识、技能、信息,为尽可能好地实现各自的或全局的目标或规划，如何采取协作性的行动或对问题进行求解的手段和步骤。DAI所研究的系统通常叫做多主体系统（MAS)。其中主体(agent）通常是指一些逻辑上相对独立的节点处理机及运行于其上的进程。主体可以有应用程序、主动式信息资源以及在线网路服务功能等。它能在一定的环境下持续自主运行，能自学习、自增长，同时又可以和别的主体进行协商与协作，以便完成任务。主体要能够持续不断地感知它们周围的环境，并在一个限定的时间内对所受的感官刺激计算出合适的反应。

DAI是人工智能（AI）与分布式计算相结合的产物。但它与AI又有很大的区别.AI把心理学作为思想、动力或参照的源泉,而DAI则把社会学、经济学、管理科学作为动力;AI致力于个体,而DAI则致力于群体.分布式计算正好为这种针对群体的研究奠定了计算方面的基础。但DAI与分布式计算也有很大差别,在DAI系统或多主体系统中,主体可以为一个共同的全局目标工作，也可以为了各自不同的但却是相互作用的目标工作。这里协同是最为关键的,没有协同,交互作用的一切好处都会消失，而多主体系统也就会退化成为一群各自为政的主体组成的乌合之众。

一、分布式人工智能的研究内容

DAI所研究的不仅是智能系统的设计,还要通过对人类之间相互作用的透视与理解,实现人类为了改善自己的环境而组织成各种各样的群体以便协同行动这样一种智能化、社会化的机制。

1.DAI系统(或多主体系统)特性

（1)连贯性

连贯性(coherence）指DAI系统作为一个整体如何协同行动，使全局目标及求解过程中的各项性能指标更为合理（整体或局部的特性），它由全局解的效率、质量、清晰程度以及在出现局部失败时问题求解器稳妥地做出平滑衰减(degradegracefully）的能力来度量。

（2）协同性

协同性(coordination)指一组智能主体遂行集体行动时发生相互作用的性质，它表明各主体在实现主要目标的过程中避免有害的、相互作用和无关的活动的能力.有效的协调使主体之间可在一定程度上相互进行预测，进而减少冲突.

(3）协作性

协作性(cooperation）指各主体为了一个共同的全局目标而进行合作的性质。它比协同性更为广泛地反映多主体之间的相互作用特性。

迄今DAI的研究主要是沿着两个思路发展：①将单主体概念扩展到多主体，如信任度修改以及单调推理方法向多主体系统的推广等.②独立研究与单主体概念完全不同的多主体概念，如针对协商、协作、基于内容的通信的研究，以及设计能够确保自主、独立的主体有效进行交互作用的环境等。

2。DAI研究与探索主要致力于解决的问题

(1）任务的描述、分解与分配

描述即是关于问题的特征与属性以及如何解决问题的说明，包括对与环境有关的信息、问题领域的说明等;分解是将问题或任务分成一些较小的组成部分；问题的描述可为分解提供多种量纲或角度.分解过程必须使子问题的特征与某个主体的能力和资源对应起来。

分配就是为解决某个子问题向问题求解器指派责任和资源。

(2)通信、交互作用语言与协议

问题的分解与分配方式决定了问题求解器之间的相互依赖关系，这些关系要求求解器通过共享信息、计划、目标、任务或资源来进行协同。为此我们必须解决交互作用及通信的问题。关于DAI系统的设计必须考虑以下问题：①交互作用单元。在什么层次上进行交互作用?某种交互作用行为的合成效应是什么？②交互作用的结构与进程。交互作用的模式包括：协商、论坛式讨论、科学团体理论形成、市场交易、合同式交互作用、主从关系、面向功能与产出的层次结构，等等。③协议与语言。对于前述交互作用的基本模式,往往要有专门的协议和语言来引导通信行为的实施。

(3）集体行为的连贯性

DAI系统面临的一个主要挑战是要在解决问题的过程中使所采取的行动具有连贯性。改进连贯性的技术包括：①组织化：通过定义一个组织的成员的角色、行为期望以及权限关系(如控制权限)等，为组织的行动与交互作用提供一个框架.DAI研究中常用的组织类型有中心化或层次化组织；市场型组织；兼职性团体;具有行为规则的团体；等等。②求解器相互依赖性的极小化，即通过降低或消除相互依赖来减少通信，从而改良系统的效率。③计划化，即按照全局性计划使行动同步以实现问题求解器的集体连贯性.④增加对背景情况的了解，即向主体提供更多的关于其他求解器的知识，使其能够对与知识、目标、计划以及行动有关的潜在冲突进行推理。⑤通信管理，对求解器之间的通信量和通信类型进行仔细规划可以改善系统的连贯性。⑥对资源使用进行管理，即通过资源分配对组织实施控制并使其集中力量。⑦增强适应性，即通过激活求解器之间的交互作用机制来使组织适应不断变化的环境，从而使组织在具有高度不确定性的环境中较容易获得连贯性。

（4)主体表示和主体模型

在DAI系统中，主体必须具有相互获取和利用其他主体的表示能力，这一点极为重要，它是协商、协作以及多主体学习的基础。所谓表示就是主体对所感知环境的反映。一种主体模型就是一种刻画与表示其他主体的方式，就是使主体能够在多变的环境中翻译、解释并预测其他主体的行动。一个主体模型应该包含以下典型的组成部分：承约、能力、所控制的资源、知识与信念、计划与目标及关于组织的知识等.

(5）多主体学习

多主体系统是开放的信息系统，对于这类系统的维护与信息扩展问题，学习是必不可少的.只有通过学习，新加入的成分才能了解现有的环境，现有的环境中的主体才能了解新加入的成份。

（6)主体间的不一致性

知识可以分布于不同的空间和时间,重要的是怎样集中多个知识源来对问题求解。由于对问题领域可能缺少全局性的认识，要保持诸种局部认识的同步和一致性可能是非常困难的。随着问题求解过程的展开，自然会出现不一致性。

关于知识，我们可以给出4种不一致性,即:当一个主体有某种知识而另一个主体没有时所发生的不完备性;当两个主体的知识库相矛盾时所发生的不一致性；当知识以不可比较的形式来表示时所发生的不兼容性；当知识用同一种形式表示,但语义解释不同时所发生的不可公度性。

可以通过全局透视来解决不一致性,即有一个“无所不知”的主体可以看见所有主体的状态，并能确定何处存在不一致性，知道怎样去解决它们。还可以采用局部透视来检测不一致性，但后者实现起来要更加困难一些,因为每个问题求解器必须依赖于环境世界以及其他求解器的模型.这些模型可以看作其他求解器相对于世界特定状态的知识、能力、计划以及行动的期望集，这一切都依赖于环境以及其他主体关于稳定性的承诺。

一个主体为消除所查明的不一致所做的决策严重依赖于该主体在系统的交互作用模式中所扮演的角色。

(7）DAI系统的实现

目前已有的DAI系统实现技术有：

①基于对象的并行编程。基于对象的系统非常适合于开发DAI系统，它为封装、对象组合以及报文通信提供了一定基础。

②黑板结构。许多DAI系统是在共享内存黑板结构下实现的,在此结构下，许多语义上不同的知识源借助称作“黑板”的共享数据层进行通信与同步。大多数黑板系统都有一些同步的规划器，这些规划器使用高层规划知识为每一个规划周期选择单一的知识源来进行规划，使具有黑板结构的求解器本质上按基于议程的控制机制运行。

③集成系统。DAI系统是一种处于开放环境中的大型系统，这种系统需要综合利用多种问题求解模型、问题求解器与求解知识的高速组合和集成、多方位透视等等。为此，一些研究者提出并着手实现所谓的集成系统（integrativesystems)，将其作为分离的求解器的控制、通信和交互作用框架.这种系统具有灵活的交互作用模式，并且具有可以重组的结构.

④DAI的试验。DAI领域需要经过试验来检验理论研究的成果。试验必须同时在物理环境和计算环境下进行构造，但在这两方面都有相当的难度和强度。

（8）工程实践问题

在构造DAI系统时,核心问题是如何观察、理解和控制问题求解器群组之间的协同。这些问题是前面所提到的系统所共有的，也是构建DAI系统的困难所在.对此，我们必须回答以下问题：什么是协同?怎样衡量和观察协同性?依据哪些变量来判断一种行为比另一种行为的协同性更好?怎样估计一个系统在求解一个问题时的进展情况？等等.这些问题都是衡量我们在解决DAI的基本问题方面到底取得了多大进展的指标。

二、分布式人工智能在军事领域的应用

DAI的许多概念、模型和方法都是以企业及其经济行为作为对象的。在军事领域，一项军事行动从策划、实施到结束,无一不涉及到战场环境中的方方面面,任何部队都不可能孤立地执行作战任务，而是要与其他部队及环境发生交互作用。这与经济社会中的企业非常相似。具体地说,军事领域的研究具有以下特点：①许多问题都是以开放的信息系统为背景的。执行任务的部队或载体的行动以及它们对环境态势的感知都自然地呈分布式状态,指挥与控制也表现出一定的分布性。②它们彼此之间具有很大的依赖性.因为局部的决策可能会对全局产生很大的影响,而且部队或载体之间若是协同不好,便有可能造成不良的交互作用，从而产生有害的后果。③与军事任务有关的知识及执行军事任务的时间、目标、计划与行动均有比较清楚的结构性。④由于部队或载体对环境认识的局限性，情报或信息的交换还要受通信手段和时间的限制,因此它们不可能形成对环境的全面的认识,实行完全的控制，制定出完备的方案.然而行动、感知、权威或／和控制呈自然分布；主体之间的相互依赖性;时间、知识、通信、目标、计划或行动具有明晰的结构以及对环境认识的局限性等特点，正是DAI专家们用来判断一个实际系统是否适宜采用DAI方法来研究的几个基本条件，因此，军事领域的这些特点正好说明了DAI在军事领域具有广阔的应用前景。另一方面也说明，只有运用DAI的方法和技术，才能更好地解决军事领域的问题.笔者仅以军事情报获取与军事态势评估以及与分布式交互仿真相关的应用为例来说明。

2.1军事情报的获取与军事态势的评估

军事行动的指挥与决策首先依赖于军事情报和信息的收集，以及对情报、信息的解释与处理，然后根据所了解的情况对军事态势做出评估，并在态势评估的基础之上做出与其相适应的决策。

军事情报的收集依赖于对战场环境乃至更大范围的环境的监视与侦察，但侦察任务通常是由在空间上分散的部队或具有遂行侦察任务能力的载体对陆上、空中、水上、太空的大片区域或某些信息渠道进行灵敏的监视与侦察来完成。在军事上往往还要求部队或载体能够就最佳配置侦察器材制定可行的侦察方案，并且要能够对所侦察到的情报做一些自主性的综合分析，这些部队或载体需要与其他单位进行通信，就它们所处环境的情况、所发现的目标及其企图等交换信息，并需要彼此协作以便有效地处理信息，还要就如何获取更多信息的有效策略做出决策.

对这样的情报获取系统,不难用多主体系统模型来刻画，每一个侦察单位可以看成一个主体。它们通过一定的通信手段连接起来形成多主体的网络，在网络上可并入共享的分布式数据库与知识库,使主体能够进行基于知识的协作式推理。数据库和知识库可以与主体在一起也可与之相分离，系统模型中还必须融入能够描述战场环境的各有关成分,以及交互作用机制.

采用多主体系统概念来设计和开发军事情报获取系统能使其具有可容错的优越性，也就是说,如果一个主体无法有效地执行一项给定的任务,那么这项任务还可以通过其他主体的协作来完成。而且，这些主体既可以共同承担全局性的任务,也可以单独承担局部性的任务，并可同时协作完成多项任务.这些主体所具有的自主性使它们能够就如何与动态世界中不断变化的战场环境进行交互作用实施推理.

军事态势的评估是军事决策的重要前提，有了完善的军事情报获取系统和信息分析手段，正确的军事态势评估就有了可靠的保证。多主体系统中主体的态势评估与军事态势评估有许多相似之处，所以DAI在这一方面的应用也是非常直接和自然的。

不失一般性，我们设想军事态势评估问题的军事背景为对实施阵地防御之敌进行进攻作战,当面之敌是师级或者旅级单位。

这样，我们可以按以下方式对军事态势的评估问题进行分解，将其分解成11个子问题，即对敌指挥所的叛定，对敌主要防御方向的判定,对敌炮兵阵地的判定,对敌防御阵地的判定，对敌防空兵的判定，对敌战斗航空旅的判定，对敌后勤机关的判定，对敌电子战机构的判定,对敌兵力部署的判定，对敌反冲击方向的判定,对敌防御接合部、间隙、暴露翼侧的判定等。这样，在多主体系统中，我们可以把这11个子问题作为11项子任务分配给11个相应的主体.此外，上述11个态势要素之上，还有一个综合态势判定的问题。因此,军事态势评估多主体系统可以设计成12个主体组成的系统,其结构如图1所示。

这12个主体在分布式网络环境下联成一个有机联系的整体，通过独立求解、交互作用、协作求解等机制，形成一个具有多主体系统结构的军事态势评估系统.

2。2分布式交互作用仿真与DAI技术

分布式交互作用仿真(DIS）技术是将分布式计算技术应用于作战仿真领域的结果。前面已经说过，DAI是AI与分布式计算相结合的产物，因此，从分布式交互作用作战仿真过渡到分布式人工智能作战仿真(DAICS)应该是件自然而直接的事情。事实上，DIS技术的发展以及DIS系统的实现已经为DAICS完成了物质上的准备,也解决了许多技术上的难题。从一个抽象的DIS模型我们不难得出一个抽象的DAICS模型。图2所表示的是一个战术级DIS模型。它由8个仿真实体组成。在此模型中各仿真实体之间的交互作用要通过管理控制与指挥控制模型(MCC)来实现。对应于每一个仿真实体，在MCC实体中都有一个相应的管理模块，负责向所对应的实体下达命令,和它交换信息，并处理它与整个仿真系统及其他实体间的交互作用等。在此模型中,每个主体与战场环境的联系都是通过MCC实体从局域网I上获取和交换信息来实现.这种通过中心控制来实现交互作用以及与外部环境的交流的做法会造成网上的通信负载过高，从而会对网络的传输速度提出更高的要求，也使实时动态仿真的实现具有很大的难度.此外,网上通信速度和通信容量的限制也会大大制约这类作战仿真系统的规模与性能.

从图2所表示的分布式交互作用仿真模型出发，我们加上虚线部分，便可以得到一个战术级的分布式人工智能作战仿真模型（图3）。改变后的模型与原来的模型有很大的不同:①通过在每