随着体系仿真技术不断发展,传统的效能评估分析方法已难以对海量的体系仿真数据进行充分挖掘和探索,导致相应的评估分析结论并不充分。此外,传统方法还难以支持对复杂的仿真实验设计空间进行搜索,以获得效能优化的仿真验方案,从而极大地影响了效能评估在体系建设和作战运用中的应用。解决上述问题的一个有效途径是借助人工智能技术,利用部分仿真数据构建基于深度学习的效能评估模型。然而将深度学习应用于效能评估还会产生以下两个难点:一是深度学习很难处理非时序性一维仿真数据,二是深度学习在小规模数据集上性能欠佳。论文围绕无人机集群作战这一背景,对体系作战效能的智能化评估展开研究,解决了常规的深度学习方法在效能评估领域难以适用的问题。主要包括以下几个方面:(1)建立了基于ABMS的无人机集群防御仿真系统,研究了红蓝双方无人机群空中作战的行为特点与规则,通过仿真来分析无人机集群作战的过程,并提出合理的指标进行评估,为今后类似的防御系统提供合理的工程设计建议。(2)提出了基于双路径模块的胶囊神经网络模型(DPCNet),通过结合双路径神经网络与胶囊神经网络(CapsNet)的优点,进一步提升分类精度,并在两个公开数据集上都取得了非常卓越的结果,不仅提高了模型在处理复杂数据集上的性能,而且减少了计算开销。(3)提出了基于DPCNet的效能评估通用框架,包括两部分:一是数据的循环堆叠操作,该方法实现了一维仿真数据的二维化,有助于深度学习模型从仿真数据中挖掘更多的关联信息;二是使用DPCNet来解决深度学习在小规模数据集性能不佳的问题。该框架为今后研究效能评估问题提供了新的理论方法和技术支持。(4)将基于DPCNet的效能评估框架应用于实际问题,为无人机集群防御作战仿真系统构建效能评估模型。以仿真实验因子集为网络输入,大量仿真得到的效能评估值为输出,训练了DPCNet模型。并与其它7种算法的分类效果进行对比,结果表明DPCNet模型在研究效能评估问题上具有优越性。为进一步提升预测精度,论文又提出了基于混合投票机制的效能评估模型,并使用数据集外的样本进行检验,实验结果再次验证了模型的有效性。最后利用该评估模型对庞大的样本空间进行搜索,获得一组满足示例要求的最优方案,从而为无人机集群作战系统提供了合理的工程设计与战术战法方面的建议。