شبیه سازی نبرد با استفاده از شبکه های عصبی زمان پیوسته

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 198

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_DFSR-3-10_001

تاریخ نمایه سازی: 19 خرداد 1400

چکیده مقاله:

این مقاله روی مدل سازی رفتار فرماندهان در شبیه سازی نبرد تمرکز می کند. یک ماموریت نظامی اغلب با اهداف متضاد چندگانه از جمله موفقیت در وظایف، زمان اتمام، نابودی دشمنان و بقای نیروهای خودی همراه است. در این مقاله با در نظر گرفتن سناریوهای غیردفاعی و دفاعی و با استفاده از بهینه سازی چند هدفی، مدلی به منظور کمینه سازی تلفات نیروهای خودی و بیشینه سازی نابودی دشمنان معرفی می شود. همچنین با استفاده از روش وزن دهی و شرایط بهینگی کاروش-کان-تاکر، یک مدل شبکه عصبی بازگشتی زمان پیوسته برای حل مساله ی بهینه سازی چند هدفی معرفی شده، طراحی می شود. ایده ی اصلی رهیافت شبکه عصبی برای مساله ی بهینه سازی چند هدفی معرفی شده، ایجاد یک دستگاه دینامیکی به صورت معادلات دیفرانسیل معمولی مرتبه اول است. شبکه عصبی معرفی شده نیاز به هیچ پارامتر تنظیم کننده ای ندارد و ساختار آن یک پیاده سازی سخت افزاری ساده را امکان پذیر می سازد. روش معرفی شده می تواند به عنوان یک مشاور برای فرماندهی که برای نیروهای تحت امر خود تصمیم می گیرد، عمل کند. در پایان، با استفاده از یک مثال اعتبار و کارایی مدل پیشنهادی نشان داده شده است.

نویسندگان

محمد مقدس

دانشجوی دکتری گروه ریاضی، دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد تهران مرکزی

حمید بیگدلی

پژوهشگر پژوهشکده عالی جنگ دانشگاه فرماندهی و ستاد آجا

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Bazaraa, M. S., Sherali, H. D. & Shetty, C. M. ...
  • Boutselis, P. & Ringrose, T.J. (۲۰۱۳). GAMLSS and neural networks ...
  • Bouzerdoum, A. & Pattison, T. R. (۱۹۹۳). Neural network for ...
  • Effati, S. & Moghaddas, M. (۲۰۱۶). A novel neural network ...
  • Effati, S., Ghomashi, A., & Abbasi, M. (۲۰۱۱). A novel ...
  • Gao, X. & Liao, L. Z. (۲۰۱۰). A new one-layer ...
  • Kennedy, M. & Chua, L. (۱۹۸۸). Neural networks for nonlinear ...
  • Kilmer, R. A. (۱۹۹۶). Applications of artificial neural networks to ...
  • Law, A. & Kelton, W. (۱۹۹۱). Simulation Modeling and Analysis, ...
  • Maa, C. Y. & Shanblatt, M. A. (۱۹۹۲). A two-phase ...
  • Miller, R. & Michel, A. (۱۹۸۲). Ordinary Differential Equations. Academic ...
  • Nazemi, A. & Effati, S. (۲۰۱۳). An application of a ...
  • Nazemi, A. (۲۰۱۲). A dynamic system model for solving convex ...
  • Oswalt, I. (۱۹۹۳). Current applications, trends, and organizations in the ...
  • Rodriguez-Vazquez, A., Dominguez-Castro, R., Rueda, A., Huertas, J., & Sanchez-Sinencio, ...
  • Sakawa, M‎.,) ۱۹۹۳. (Fuzzy Sets and Interactive Multiobjective Optimization. ‎Plenum ...
  • Tank, D. & Hopfield, J.J. (۱۹۸۶). Simple ’neural’ optimization networks: ...
  • Teng, T., Tan, A., Tan, Y., and Yeo, A. (۲۰۱۲). ...
  • Xia, Y. & Wang, J. (۲۰۰۴). A recurrent neural network ...
  • Xia, Y. & Wang, J. (۲۰۰۵). A recurrent neural network ...
  • Xia, Y., Leung, H., and Wang, J. (۲۰۰۲). A projection ...
  • Xue, Q. et al. (۲۰۱۰). Improved LMBP algorithm in the ...
  • Xue, X. & Bian, W. (۲۰۰۷). A project neural network ...
  • Yu, P.L. (۱۹۷۳). A class of solutions for group decision ...
  • Zhang, S. & Constantinides, A. (۱۹۹۲). Lagrange programming neural networks. ...
  • نمایش کامل مراجع