基于异构数据增强的连续置信规则库在高速飞行器集群效能评估中的创新应用

《Engineering Applications of Artificial Intelligence》：Differential evolution with dimensionally adaptive inheritance

本文针对高速飞行器集群（AVS）编队效能评估中存在的（数据不完整性）和（模型不可解释性）两大挑战，创新性地提出了（CBRB-HDA）框架。该框架通过异构数据增强（HDA）策略有效弥补数据缺失，并采用连续置信规则库（CBRB）模型确保评估过程的可解释性，为军事领域智能决策提供了兼具精度与透明度的解决方案。

　　

^亮点

^问题阐述

本文重点关注两个核心问题：编队效能数据的不完整性和编队效能评估的不可解释性。

问题1. 编队效能数据的不完整性

对于大多数高速飞行器集群（例如巡航导弹集群），沉重的资源开销使得通过一系列试飞来获取完整的编队效能数据变得不切实际，从而阻碍了编队效能评估的顺利进行。关于特定的高速飞行器集群，其目标编队配置（例如楔形编队配置）对应的效能数据可能是不完整的。换句话说，对于具有目标编队配置的高速飞行器集群，属于某些效能类别（例如“良好”和“差”）的数据是缺失的。这一事实对具有目标编队配置的高速飞行器集群的效能评估构成了巨大挑战。

问题2. 编队效能评估的不可解释性

在高速飞行器集群的编队效能评估中，评估结果需要为编队重构控制提供决策支持。因此，评估过程的可解释性至关重要。然而，许多流行的（人工智能）模型，尽管在准确性方面具有优势，但由于其“黑箱”特性，在需要高解释性的军事应用中受到限制。

^{解决方案设计}

CBRB-HDA框架中的两个组成部分，即HDA策略和CBRB模型的设计将在本节阐述。关于CBRB-HDA框架的工作流程，请参见图1。

^{解决方案验证}

本节包括四个部分：使用运动学建模的高超声速飞行器集群来模拟具有不同编队配置和效能类别的高速飞行器集群的真实飞行，从而收集相应数据；利用可用的领域知识和观测数据实施CBRB-HDA框架，并进行必要的比较检验；总结部分结束本节。

^结论

本文首次讨论了基于置信规则的系统（BRBS）作为符号（人工智能）的代表在高速飞行器集群编队效能评估工程中的应用。提出了一个缩写为CBRB-HDA的框架，其中包含两个组成部分：HDA策略和CBRB模型。HDA策略作为辅助组件来解决编队效能数据的不完整性问题，而CBRB模型作为核心组件来克服编队效能评估的不可解释性问题。