当今世界,随着人工智能技术在军事指挥领域的应用,战争形态已经发生了巨大的变化。在许多场景下,特别是无人机群作战场景下,战场形势瞬息万变,传统的依赖指挥官的指挥决策方式已经完全不能满足作战指挥的要求。必须针对各种场景研究指挥官辅助决策系统,为指挥官快速提供多套可行的作战方案,供指挥官选择。论文针对无人机群对地面目标的进攻作战和防空武器部署两个作战场景,研究指挥官辅助决策系统,决策系统具有指挥官意图识别功能。论文的主要贡献如下:针对无人机群打击地面目标的进攻作战场景,这是一种动态连续作战的场景,要求决策系统能快速给出多套对地攻击的优化的目标分配方案。经典的武器目标分配的优化目标一般为最大化毁伤效果,论文跟据实际作战需求,设计了综合考虑毁伤效果和效费比的目标函数。论文提出了一种基于神经网络的快速目标分配算法,相较于经典的遗传算法、匈牙利算法,该算法不仅将决策时间压缩到毫秒级,而且有些情况下的分配效能优于经典算法。该算法不仅运行时间快,而且灵活,可以很好地适应无人机群打击地面目标的作战场景。论文设计了基于蒙特卡洛法的效能评估方法,为指挥官提供决策支持。在指挥官意图识别算法部分,论文将指挥官的意图分为打击敌人和保存自己,具体来说就是毁伤效果和效费比的偏好程度,基于此设计了基于强化学习方法的意图识别算法。辅助决策系统通过和指挥官若干次交互,可以很好地学习的指挥官的意图。针对防空武器部署作战场景,决策系统主要是给出防空武器优化部署方案。论文提出了综合考虑掩护程度、部署消耗成本、部署所需时间的目标函数,将地图栅格化构建仿真实验环境,并分别设计遗传算法、差分进化算法、粒子群算法对部署问题进行优化求解。对比在特定场景下各个算法的优缺点,在多种不同的远程、中程、近程防空武器数量情况下,遗传算法给出了最优分配方案。论文设计了基于蒙特卡洛仿真的效能评估方法,进行了 1000次仿真实验,验证了决策系统的效能。通过效能评估,指挥官可以更直观的评价部署方案。在意图识别部分,将指挥官的意图抽象为对各个要素的重视程度,设计了基于强化学习的意图识别算法,辅助决策系统通过和指挥官不断交互,可以很好地学习到不同状态下指挥官的意图。最后,使用PyQt5界面设计工具,将仿真环境和辅助决策算法进行整合,设计实现了一个可扩展的的作战辅助决策系统,目前系统可针对无人机群对地进攻作战和对空防御作战进行辅助决策,智能地为指挥官提供作战方案。该系统界面清晰,操作简单,可在仿真环境下进行交互,识别指挥官意图。