智能作戰任務規劃四層五維閉環模型架構

中圖分類號：E211 文獻標志碼：A DOI：10.3969/j.issn.1673-3819.2025.04.003

引用格式：，，，等.智能作戰任務規劃四層五維閉環模型架構[J].指揮控制與仿真，2025，47（4）：15-22.WANGWD，UXHetaFor-disioalod-loodelciecurentellgenalioplanninglJ」.Command Controlamp;Simulation，2025，47（4） ：15-22.

Abstract：Inlightofthefactthatmodernwarfareplaceshigherdemandsonthescientificityandtimelinessofcommandand control，itisproposdtatinteligentoeraionalmissonplaingisteeyeaktroughtoolveeproblmsintefield of commandandcontrol.Firstly，theclosed-lopprocesssystemofintelligentoperationalmisionplanningissummarized， and the keyissuesandesentialcontents tobeaddressedineachlinkareelaborated.Then，basedontheclosed-loopprocess system，afour-layerfive-dimensionalclosed-lopmodelarchitectureforintellgentoperationalmisionplaningisputforward.Finally，thesupporting methods，keytechnologiesandengineeringimpementationkeypointsof thismodelariteture are expounded.

Key words：operationalmision planning;four-layer five-dimensional closed-loopmodel;intellgence；commandandcontrol

現代戰爭形態在科技發展的持續推動下不斷演變，戰場環境日趨復雜多樣，“戰爭迷霧”現象愈發顯著，對指揮決策的科學性和時效性提出了嚴峻挑戰[1]。智能作戰任務規劃作為銜接戰略構想與戰術執行的關鍵環節，是破解指揮控制難題的關鍵突破口，其以定量分析為支撐，依托智能化和工程化的技術手段，通過系統解析作戰意圖、智能解構戰場態勢、動態配置作戰資源、精細設計作戰行動，實現作戰方案的多維優化與快速生成[2]

作戰任務規劃起源于美軍，1966年，美軍提出了“聯合作戰規劃系統（JointOperation Planning System，JOPS）\"研發項目，自此進入高速發展階段，逐步建成體系化作戰任務規劃系統，隨著“深綠”（DeepGreen，簡稱DG）等計劃的推進，美軍的作戰任務規劃邁入智能化領域，旨在借助預測性大模型和人工智能技術，實現作戰指揮實時決策[3-7]。我軍的作戰任務規劃起步較晚，目前還沒有代表性的作戰任務規劃系統，很多學者對此做了大量研究，曹雷等聚焦聯合作戰任務規劃系統設計了總體框架[7]，葛承壟等面向戰中作戰任務規劃提出了一種平行仿真系統架構[8]，辛斌等綜述了有人/無人系統協同任務規劃的方法[9]。本文基于當前研究現狀，作者提出了一種智能作戰任務規劃的四層五維閉環模型架構，旨在為智能作戰任務規劃系統的建設提供參考。

1智能規劃閉環流程體系

智能作戰任務規劃以上級意圖或首長決心為主導，受領任務并啟動規劃，按照理解任務、分析態勢-解構任務、分析需求-分配任務、配置資源-設計行動、深化協同-評估行動、復核總結的流程組織鏈條式迭代規劃。智能化作戰任務規劃流程體系如圖1所示，規劃要點如圖2所示。

1.1 理解任務、分析態勢

理解任務、分析態勢環節主要解決“達成什么作戰目的，優勢和劣勢分別是什么”的問題，要點是確定作戰目的，分析敵方態勢、我方能力及戰場環境。

作戰目的是軍事行動的總體方向，需基于上級戰略意圖精準確定，確保規劃執行不偏離戰略軌道。態勢分析依托大數據、人工智能等技術手段，系統解析敵方兵力規模、兵種結構、裝備性能、部署特征和攻防態勢等核心要素，同步運用軍事計算模型量化分析我方人員素質、武器效能、后勤保障等資源，實現敵我力量精確掌控。戰場環境作為關鍵變量，綜合地理地形、氣象、電磁頻譜、社會人文等多維動態要素，需構建全域感知體系，整合陸海空天多源感知平臺，通過數據融合與智能算法實現戰場態勢實時監測、動態推演及威脅評估。全域態勢感知系統將多域環境數據轉化為可視化作戰圖譜，支撐指揮機構在瞬息萬變的戰場中快速識別關鍵節點、預判敵方動向。當戰機出現時，系統同步觸發多維預警，結合歷史數據與實時情報生成最優應對策略，確保我方搶占決策先機，形成“感知-研判-決策-行動\"的閉環鏈路，實現戰略意圖與戰術執行的高度統一。

1.2解構任務、分析需求

解構任務、分析需求環節主要解決“作戰分幾步完成，需要什么資源來支撐”的問題，要點是分解作戰任務，抓住關鍵環節，明確各階段重點，測算資源需求。

現代戰爭復雜程度持續攀升，衍生出多領域挑戰，完成作戰任務成為一項復雜繁重的系統工程，必須全面把握內在邏輯，精準定位關鍵環節，高效運用科學方法，結合戰場實際，從時間序列、空間布局、軍兵種特性和作戰要素等維度系統解構總體任務，將宏大任務細化為具有明確指向性與專業性的分支任務，與專業作戰力量精準對接，確保任務高效完成，達成各分支任務有序協同，共同服務于總體作戰任務的戰略格局。分支體系構建后，需深入解析各任務在不同時間階段與作戰場景的重難點，制定針對性解決方案，運用算法模型與仿真技術，精確測算人力、物力、財力等傳統資源及信息、電磁頻譜、作戰空間等新型資源需求，實現資源優化配置，使有限資源產生最大效益。通過專業力量精準匹配、多要素動態協同，既保障分支任務專業化實施，又依托智能技術實現跨域聯動，提升資源利用效率與整體作戰效能。

1.3分配任務、配置資源

分配任務、配置資源環節主要解決“分支任務由誰完成，誰獲得多少資源”的問題，要點是進行任務匹配，組織任務分派，細化任務部署，完成資源派發。

作戰任務規劃中，任務匹配是任務分配的基礎環節，需基于參戰部隊的編制體制、裝備水平、專業特長、實戰經驗及戰備狀態等多元要素，建立分支任務與執行部隊的對應關系，形成初始匹配方案集合。再結合任務緊急程度、戰略價值、環境特性及效果標準等需求，通過智能算法篩選最優執行方案，實現任務與部隊的精準適配。任務分派后，部隊需根據任務特性和自身實際，快速完成作戰計劃制定、人員編組優化及后勤裝備準備。指揮機構統籌資源調配，遵循效益最大化、保障關鍵環節、動態調整適配原則，差異化配置人力、裝備、經費、信息、頻譜等資源，確保各任務在資源充足且結構合理的條件下實施。通過“需求-能力”精準匹配、“任務-資源”動態耦合，既保障各環節專業化執行，又依托智能決策實現跨域資源協同，最終形成從規劃到落地的閉環鏈路，支撐整體作戰效能最大化。

1.4 設計行動、深化協同

設計行動、深化協同環節主要解決“各分隊如何行動，如何避免沖突”的問題，要點是著眼分支任務設計行動，各任務部隊內部組織協同，然后實施整體協同，消除矛盾沖突。

在復雜戰爭背景下，行動設計與組織協同成為決定戰局的關鍵。行動設計需兼具科學性與時代性，科學性體現為基于戰爭規律與軍事技術水平構建可行方案，并通過效能評估體系驗證，時代性要求融合人工智能、無人作戰等新興技術，適應未來戰爭形態。組織協同需破解跨域聯合作戰難題，任務部隊在接收任務后，根據時間約束、人員能力等要素制定行動原則，通過工程化與智能化方法形成初步方案，完成內部協同，確保作戰單元在分工、節奏、信息交互上形成有機整體。在此基礎上，分隊間運用軍事運籌學方法，圍繞任務優先級與邏輯關系開展深度協同，統籌時空布局、目標分配、火力交叉等核心要素。通過建立“時間軸-空間域-資源鏈”三維聯動機制，實現行動時序無縫銜接、空間部署精準匹配、資源調度動態優化，最終構建起互為支撐的作戰體系，形成“分散執行-集中調控”的動態平衡，確保復雜戰場環境下作戰行動的高效性。

1.5 評估行動、復核總結

評估行動、復核總結環節主要解決“行動計劃是否可行”的問題。要點是確定評估要素，給定評估標準，逐層遞進評估，形成最終結論。

現代戰爭動態多變，初始方案難以完美契合實戰需求，需通過評估機制多次迭代修正，精準測定計劃與作戰目的的契合度，逐步消除偏差，確保任務高效完成。評估環節過程中，專業團隊綜合地理、氣候、敵我態勢及裝備等要素，設定毀傷度、傷亡數等關鍵指標并賦予權重，從模型庫遴選適配算法進行量化分析，識別兵力分配失衡、火力協同不足、后裝保障缺口等問題并反饋至指揮機構，指揮機構結合戰略目標與戰場實際，通過調整兵力部署、優化協同機制、重構保障策略等方式完善方案，增強科學性與適應性。通過“數據輸入-仿真推演-問題診斷-方案迭代”的閉環鏈路，將靜態計劃轉化為動態演進過程。指揮決策依托多維度反饋數據，在保留核心作戰意圖的同時，實現資源配置彈性優化與行動節奏精準調控，經過多輪“評估-修正”循環，推動作戰行動精準匹配動態戰場，達到作戰效能最大化。

2 四層五維閉環模型架構

基于智能作戰任務規劃閉環流程體系，構建四層五維閉環模型架構，將系統劃分為感知層、決策層、執行層與反饋層，分別由戰場態勢感知、任務分解重構、任務資源分配、行動設計協同、方案評估優選五大模型支撐。各層通過信息交互與循環迭代，形成“感知-決策-執行-反饋”的智能閉環，實現從戰場態勢認知到任務規劃生成、行動執行及方案優化的全流程覆蓋，確保規劃過程的動態優化與智能演進。四層五維閉環模型架構如圖3所示。

感知層以戰場態勢感知模型為核心，通過多源情報融合模塊，整合傳感器數據、敵我態勢數據等異構信息，借助知識圖譜構建模塊，處理地理信息、氣象水文等時空數據，利用深度強化學習模塊，分析歷史戰例與訓練數據。三者協同實現戰場環境動態認知、時空關系構建及發展態勢預測，為后續決策層提供精準、全面的情報支撐，奠定作戰任務規劃的信息基礎，實現戰場態勢的深度理解與前瞻性研判。

決策層由任務分解重構模型與任務資源分配模型協同構建。任務分解重構模型中，總體任務分解模塊和分支任務重構模塊基于時間序列、空間布局，結合軍兵種特性、作戰要素分解總任務并重構子任務；資源需求測算模塊分析人力、物力、電磁頻譜等資源需求。任務資源分配模型通過任務適配分派模塊和資源統籌調配模塊，實現任務與資源的精準匹配，形成科學的決策方案，確保任務分解的合理性與資源分配的高效性。

執行層以行動設計協同模型為核心，包含行動設計原則模塊與跨域聯合協同模塊。行動設計原則模塊依據時空約束、任務部隊能力、戰爭法律規則等設計行動準則;跨域聯合協同模塊針對時空布局需求、目標分配原則、火力交叉矛盾等，整合多域作戰力量。二者協同將決策層的規劃方案轉化為實際作戰行動，確保各作戰單元在跨域環境下遵循規范原則協同執行任務，實現作戰行動的有序性與協同性。

反饋層以方案評估優選模型為核心，通過作戰行動仿真模塊構建仿真環境、設置時空約束、模擬作戰流程，利用問題發現診斷模塊進行效能評估分析，結合動態調整機制識別方案計劃缺陷，最終將結果反饋至執行層與決策層，形成“評估-診斷-優化”的迭代閉環，持續改進作戰任務規劃方案的科學性與適應性，提升規劃系統在實戰應用中的動態優化能力。

圖3智能作戰任務規劃四層五維閉環模型構架

Fig.3Four-layer five-dimensional closed-loop model framework for inteligent combat mission planning

3模型架構支撐方法

智能化、工程化的方法和技術是智能作戰任務規劃四層五維閉環模型架構實現的核心支撐。支撐方法如表1所示。

表1四層五維閉環模型架構支撐方法

Tab.1Support methods for the four-layer，five-dimensional closed-loopmodelframework

3.1戰場態勢分析方法

戰場環境瞬息萬變，準確且及時的態勢分析成為制勝關鍵。戰場態勢分析是在充分理解上級意圖和作戰任務基礎上，綜合運用知識圖譜、大數據分析、深度強化學習、時空維度分析、灰色系統理論與神經網絡等技術，預測戰場態勢、呈現戰場局勢的方法。

知識圖譜技術可整合海量碎片化的戰場信息，構建起各要素間復雜關系網絡，實現地理環境信息到各作戰單位的裝備性能、兵力部署的直觀呈現關聯，使指揮員洞悉戰場全貌[\"]。大數據分析可深挖海量數據背后隱藏的規律，借助經典戰例戰斗走向、武器效能發揮效果等歷史數據，經處理后為當下決策提供極具價值的參考，預測敵軍可能的行動路線與攻擊重點[1]。深度強化學習技術助力系統自主學習最優決策策略，通過模擬不同作戰場景，反復訓練，使系統在面對實時戰場態勢時能迅速給出較優應對策略[12]。時空維度分析從時間進程與空間布局雙重角度出發，跟蹤部隊動態，結合地形空間限制，分析不同時段各區域的險惡程度和戰略價值，確保作戰資源合理投放[13]?；疑到y理論與神經網絡融合模型擅長處理信息不完全情況下的預測難題，在情報缺失、模糊的情況下，依據已有少量關鍵信息對戰場態勢走向做出合理預估，為指揮員決策提供依據，利于把握戰局主動權[14]

3.2任務分解重構方法

戰場情況紛繁復雜，作戰任務多種多樣，任務分解重構是在準確把握戰爭意圖的基礎上，綜合運用分層任務網絡（HierarchicalTaskNetwork，HTN）、聚類與時間耦合執行序列、美國國防部體系架構框架（DepartmentofDefenseArchitectureFramework，DoDAF）模擬、霍爾三維結構等關鍵技術對復雜任務進行解析重組，突出重點任務、分析任務需求、明確關鍵節點的方法。

HTN技術依據作戰的總體戰略方向，將宏大且繁雜的任務體系按照層次逐級拆解，使宏觀總任務向下分解為各個子任務，再將子任務細化為更加具體的任務模塊，推進作戰流程有條不紊地執行[15]。聚類與時間耦合執行序列技術先運用聚類算法，把性質相近、關聯緊密的任務聚合在一起，避免任務執行過程中的混亂與無序，再結合時間維度，精心編排任務的執行序列，精準分析出各時段對應的任務需求，保證任務執行的連貫性與時效性[16]。DoDAF模擬技術基于強大的架構模擬能力，全方位復現戰場環境與作戰流程，經多次模擬預演，深度挖掘作戰任務中的潛在問題與優化方向，為實際作戰提供直觀準確的任務需求參考，使指揮機構胸有成竹地應對復雜戰局[17]?；魻柸S結構技術從知識維、時間維、邏輯維三個維度對作戰任務進行深度剖析，全面解析任務，精準定位關鍵節點，保證復雜任務在三維交織的嚴謹架構下高效分解重構，推動作戰行動順利開展[18]

3.3任務資源分配方法

作戰力量的局限性和作戰任務的多樣性、戰場資 源的有限性和戰場消耗的巨大性矛盾如影隨形，任務 資源分配是綜合運用遺傳算法（GeneticAlgorithm， GA）多目標決策線性加權法（Multi-ObjectiveDecision LinearWeightingMethod，MODM）與遺傳算法（Genetic Algorithm，GA結合、基于進化計算的多智能體資源分 配算法（Evolutionary Computation-based Multi-Agent ValueEngineering forNetworked resource allocation，ECMAVEN）深度學習算法等技術，實現任務精準分配、 資源合理配置的方法。

GA通過交叉、變異操作產生新的優化方案，經過多輪迭代，逐步篩選出最契合戰場實際、最能平衡任務需求與資源供給的分配策略，實現任務精準分配與資源合理配置[19，20]。MODM與GA結合技術通過 MODM加權量化，利用GA在廣闊的解空間中搜索，突破局部局限，反復調整任務分配與資源配置方案，最終找到滿足多種作戰目標、實現整體最優的分配路徑，達成任務與資源的完美匹配[21]。EC-MAVEN將每個作戰單位視為一個智能體，并驅動其相互協作、自主協商資源分配，實現對戰場的實時響應，精準分配任務資源，保證作戰的流暢性與有效性[22]。深度學習技術依托過往戰役的任務資源分配實例、不同戰場環境下任務執行效果反饋、各類武器裝備在不同場景中的資源消耗等海量數據，構建深度神經網絡模型，提升任務資源分配的準確性與適應性，實現資源的科學合理配置[23]

3.4行動設計協同方法

多維戰場相互交織、緊密關聯，作戰行動復雜多樣，各作戰單元在時空上的重疊與干擾問題層出不窮。行動設計協同是站在全局的高度，綜合運用超網絡理論、行動方案（CourseofAction，COA）本體、綜合勢能、改進狼群優化算法等關鍵技術，推進各項作戰行動有條不紊地展開，最大程度減少內部矛盾沖突，凝聚強大作戰合力的方法。

基于超網絡理論作戰行動計劃建模技術全面立體地描述復雜系統中的多層次、多類型交互關系，將作戰任務、作戰資源、作戰單位以及時間、空間等諸多要素均納入考量，構建起龐大而有序的超網絡模型，使指揮機構清晰掌握行動全貌[24]?；贑OA本體行動序列生成技術依托強大的知識表示與推理能力，對作戰領域知識進行深度梳理、結構化呈現，結合戰場實時態勢與作戰目標，利用智能推理算法生成連貫合理的行動序列，有效減少因行動不協調產生的沖突[25]。基于綜合勢能的作戰序列生成技術將戰場態勢中的諸多要素量化為不同勢能值，地形地勢的高低起伏、敵軍防御力量的強弱分布、我方作戰資源的集中程度等成為勢能計算的關鍵變量，作戰序列生成依據勢能高低與變化趨勢安排作戰行動，減少盲目行動引發的沖突[26]。改進狼群優化算法將每個作戰單位視為一個具有關鍵屬性的“狼”，“頭狼”代表最優作戰方案的引領，通過信息共享與動態調整機制，在廣闊的作戰決策空間中搜索，不斷優化各“狼”的任務分配與行動配合，根據態勢變化，調整“頭狼”引領方向，重新規劃行動路徑，確保整個作戰群體高效協同[7]

3.5方案評估優選方法

作戰任務規劃輸出的方案計劃是否可行是作戰行動勝利的關鍵。方案評估優選是綜合運用多準則決策、不確定信息下融入粗糙集理論、最佳-最差法與質量功能展開相結合（Best-WorstMethodcombinedwith

QualityFunctionDeployment，BWM-QFD）、層次分析法與模糊綜合評價相結合（AnalyticHierarchyProcesscombined with Fuzzy Comprehensive Evaluation，AHP-FCE）等技術，對方案計劃評估調整得到最優集的方法。

多準則決策技術通過構建嚴謹的決策矩陣，將不同維度、看似相互矛盾的準則納入考量，依據事先設定的權重分配，對各個方案在不同準則下的表現進行量化打分，精準篩選出在多個關鍵維度上綜合表現最優的方案雛形，為后續精細打磨提供基礎支撐[28]。不確定信息下融入粗糙集理論先對不完備的粗糙信息進行屬性約簡，剔除冗余干擾信息，提取關鍵特征，然后依據提純后的信息構建決策規則，判斷不同作戰方案在應對此類不確定性時的穩健性，進而篩選出對不確定性具有高適應性的可靠方案[29]。在BWM-QFD技術中，BWM部分專注于精準確定不同作戰目標和需求之間的相對重要性權重，QFD部分負責將需求權重轉化為對作戰方案具體特性和功能的詳細要求，二者結合，從需求端到方案端層層細化，保證選出的方案緊密貼合實戰核心訴求[30]。AHP-FCE 技術中AHP 基于層次結構模型，將復雜的作戰方案評估問題分解為目標層、準則層、方案層等多個層次，通過比較判斷矩陣，確定各層次元素間相對重要性權重，梳理出宏觀評價架構，FCE將戰場模糊概念量化，綜合各方面模糊評價信息，給出每個方案在整體上的優劣排序，助力遴選最適配戰場實際的方案[31]

4模型架構實現要點

智能作戰任務規劃四層五維閉環模型架構落地實施，需以多域協同規劃范式推進、人工智能賦能增效強化、動態實時調整能力深化為核心抓手。

4.1推進多域協同規劃范式

智能任務規劃系統要通過標準化接口協議與分布式協同算法，打破傳統軍種間信息孤島，實現火力、情報、后勤等資源，最大化作戰效能。核心目標是構建全域聯合作戰的任務解耦-重構模型，通過“標準化接口 + 智能算法\"雙輪驅動，破解陸、海、空、天、網、電等作戰域之間的能力壁壘，將各軍兵種專屬的偵察感知、火力打擊、電子對抗等能力抽象為可組合的“作戰能力組件”，選取合適的數據標準，實現異構系統間的語義互操作，同時建立虛實結合的多域殺傷鏈仿真平臺，利用數字孿生技術鏡像真實戰場環境，驗證規劃效能。

4.2強化人工智能賦能增效

系統設計要強化人工智能賦能增效，突出自主學習與邏輯推理能力，輔助指揮員快速生成作戰方案。

核心目標在于通過數據驅動學習與推理機制，突破傳統規劃中經驗依賴性強、響應速度慢的瓶頸，提升規劃時效性。本文通過知識圖譜與自然語言處理技術，對歷史戰例中的作戰規則、典型戰術進行深度挖掘，構建覆蓋多場景的“戰術經驗庫”，利用強化學習算法提煉出適應不同戰場條件的決策范式[32]。同時集成衛星遙感、無人機偵察、電磁頻譜監測等多源異構數據，動態推演敵方兵力部署變化，結合貝葉斯網絡量化評估威脅等級與關鍵節點脆弱性，為指揮員提供概率化的戰場演進圖譜[33]

4.3深化動態實時調整能力

本文通過引入邊緣計算與實時數據鏈技術，深化動態實時調整能力，強化“感知-決策-執行-反饋”閉環機制。針對敵我態勢突變、裝備損毀等突發事件，實現作戰方案分鐘級動態重構，確保規劃方案與戰場實際高度適配。通過在前線作戰單元部署邊緣計算節點，構建分布式智能處理網絡，實現對雷達信號、電磁頻譜等高維戰場數據的近場實時處理，將原始數據到情報產品的轉化時延壓縮至毫秒級。依托低延時、高抗擾的戰術數據鏈，實現信息快速流轉與跨作戰域閉環鏈路高效運轉。

5 結束語

隨著生成式人工智能的迅猛發展，作戰任務規劃將在智能化浪潮的推動下不斷迭代優化，在指揮控制領域發揮更加關鍵的作用。研究人員依托大模型、虛擬仿真、數字孿生等前沿技術，可構建出高度逼真的戰場仿真環境，促使物理戰場與虛擬空間形成“雙環耦合”態勢，實現指揮員與智能系統協同開展“規劃-仿真-迭代”的循環驗證，同時借助多場景壓力測試充分暴露作戰任務規劃方案的潛在漏洞，進而優化任務規劃流程、方法和結果，提升智能作戰任務規劃系統的魯棒性。

參考文獻：

[1] 杜偉偉，陳小偉.戰術級任務規劃方法研究綜述[J].兵工學報，2024，45（10）：3341-3 355.DUWW，CHENXW.Reviewoftactical-level taskplan-ningmethod[J].Acta Armamentarii，2024，45（10）：3341-3 355.

[2] 趙國宏.作戰任務規劃若干問題再認識[J].指揮與控制學報，2017，3（4）：265-272.ZHAO G H. Operational mission planning：issues and re-view[J]. Journal of Command and Control，2017，3（4）：265-272.

[3］孫鑫，陳曉東，曹曉文，等.軍用任務規劃技術綜述與展望[J].指揮與控制學報，2017，3（4）：289-298.SUN X，CHEN X D， CAO X W， et al. Review and pros-pect of military mission planning technology[J]. Journalof Command and Control，2017，3（4） ： 289-298.

［4］耿松濤，操新文，李曉寧，等.美軍作戰任務規劃系統體系發展與啟示[J].兵工自動化，2018，37（12）：25-29.GENG S T，CAO XW，LIXN，et al. Development andenlightenment of US armed forces operational missionplanning systems[J].Ordnance IndustryAutomation，2018， 37（12） ： 25-29.

［5］吳小鵬，李亞雄，胡堯.美軍任務規劃系統發展歷程及啟示[J]．飛航導彈，2019（1）：59-63.WU XP，LI Y X，HU Y.Development course and en-lightenment of US military mission planning system[J].Aerodynamic Missile Journal，2019（1）：59-63.

[6]孫鑫，陳曉東，嚴江江.國外任務規劃系統發展［J].指揮與控制學報，2018，4（1）：8-14.SUN X，CHEN X D，YAN J J. Development of foreignmission planning systems[J]. Journal of Command andControl，2018，4（1） ：8-14.

［7］曹雷，孫或，陳希亮，等.聯合作戰任務智能規劃關鍵技術及其應用思考[J]．國防科技，2020，41（3）：49-56.CAO L， SUN Y，CHEN X L， et al. The key technology inintelligent planning for joint operations and its application[J].National Defense Technology，2020，41（3）：49-56.

[8]葛承壟，賈晨星，明月偉.面向戰中作戰任務規劃的平行仿真框架[J/OL].指揮控制與仿真，2024：1-10.（2024-09-03）.GE C L， JIA C X， MING Y W. Mission planning in war-fare operations oriented parallel simulation framework[J/OL].Command Control amp; Simulation，2024：1-10.（2024-09-03）.

[9］辛斌，虞睿，張佳.有人/無人系統協同作戰任務規劃方法：綜述與展望[J]．電光與控制，2024，31（11）：1-9.XIN B，YU R，ZHANG J. Task planning methods formanned/unmanned system cooperative combat： review andprospect[J].Electronics Optics amp; Control，2024，31（11） ： 1-9.

［10］楊燚.基于知識圖譜的戰場關鍵態勢分析研究[D].西安：西安電子科技大學，2022.YANGY.Research on battlefield key situation analysisbased onknowledgegraph[D].Xi'an：XidianUniversity，2022.

［11］王秀娟，曹瑾，王建強，等.基于大數據分析技術的戰場太熱分析及預測「1］丘「自動化202）41（0）.WANG X J，CAO J， WANG J Q，et al. Battlefield situa-tion analysis and prediction based on big data analysistechnology[J]. Ordnance Industry Automation，2022，41（9） ： 60-64， 92.

[12］周松.基于深度強化學習的空戰態勢分析及決策研究[D].武漢：武漢理工大學，2022.ZHOU S. Research on air combat situation analysis anddecision making based on deep reinforcement learning[D]. Wuhan：Wuhan University of Technology，2022.

[13］方冰，張翠俠.基于時空維度分析的戰場態勢預測方法[J].指揮信息系統與技術，2017，8（1）：59-64.FANG B，ZHANG C X.Battlefield situation predictionmethod based on spatial-time dimension analysis[J].Command Information System and Technology，2017，8（1）： 59-64.

[14］王勁松，李宗育，隋雷.基于灰色神經網絡的戰場態勢分析及預測[J].電光與控制，2015，22（12）：15.WANG JS，LI Z Y， SUI L. Battlefield situation analysisand prediction based on grey neural network[J]. Electron-ics Optics amp; Control，2015，22（12）： 15.

[15］姜亦宏，余榮學，徐超，等.一種基于HTN 的作戰任務分解技術分析[J].集成電路應用，2024，41（9）：41-43.JIANGYH，YURX，XUC，et al.Analysis of a combattask decomposition technique based on HTN[J]. Applica-tion of IC，2024，41（9）： 41-43.

[16］龔雪，彭鵬菲，姜俊.基于聚類與時間耦合執行序列的任務分解方法［J].計算機測量與控制，2023，31（9）：207-212，227.GONG X，PENG P F，JIANG J. Task decompositionmethod based on clustering and time coupling executionsequence[J].Computer Measurement amp; Control，2023，31（9）：207-212，227.

[17］董亞卓，王成飛，鄭銳.DoDAF模擬在通用作戰任務分解與效能指標分析中的應用［J]．電子技術，2022，51（3） ： 31-35.DONG Y Z，WANG C F，ZHENG R. Application ofDoDAF simulation in task decomposition and effectivenessindex analysis of general combat[J]. Electronic Technolo-gy，2022，51（3）： 31-35.

[18］常青，劉德生，楊陽.作戰任務分解策略與規范化描述方法研究［J].指揮控制與仿真，2023，45（5）：84-91.CHANG Q，LIU D S， YANG Y. Research on operationalmissiondecompositionstrategyandstandardizeddescription method[J]. Command Control amp; Simulation，2023 45（5）.84-91

[19］劉建，陳桂明，李新宇.基于遺傳算法的作戰任務分配和資源調度問題研究［J]．兵工自動化，2023，42（7） ： 59-63， 73.LIU J，CHEN G M，LI X Y. Research on combat task as-signment and resource scheduling based on genetic algo-rithm[J]. Ordnance Industry Automation，2023，42（7）：59-63， 73.

[20］陳進，龔時雨.基于遺傳算法的作戰資源優化分配[J].科學技術與工程，2013，13（29）：8 647-8 650，8 656.CHENJ，GONG SY.A genetic algorithm-based methodfor combat resources assignment optimization[J]. ScienceTechnology and Engineering，2013，13（29）：8 647-8650，8 656.

[21］王江峰.基于MDLS與GA的作戰任務資源分配算法研究［D].長沙：國防科學技術大學，2005.WANG JF. Research on algorithm of task resource distri-bution based on MDLS and GA[D]. Changsha：NationalUniversity of Defense Technology，2005.

[22］鐘孫健，張德平.基于EC-MAVEN算法的多智能體多約束作戰任務分配方法[J].火力與指揮控制，2024，49（9） ： 58-63.ZHONG SJ，ZHANG D P. Multi-agent and multi-constraint combat task allocation method based on EC-MAVEN algorithm[J]. Fire Control amp; Command Control，2024，49（9）：58-63.

［23］馬悅，王堯，孫杰.基于深度學習的作戰任務分配方法研究[J].軍事運籌與評估，2024，38（1）：68-74.MA Y，WANG Y， SUN J. A study on the method of oper-ational task assignment based on deep learning[J].Military Operations Research and Assessments，2024，38（1）： 68-74.

[24］何華.作戰行動計劃網絡化建模與優化方法研究［D].長沙：國防科技大學，2019.HE H.Research on network modeling and optimizationmethod for course of action planning generation[D].Changsha： National University of DefenseTechnology，2019.

[25］賈思涵.基于COA本體的行動序列生成方法研究［D].長春：吉林大學，2021.JIA S H. Research on generation of course of action basedon COA ontology[D]. Changchun：Jilin University，2021.

[26］董浩洋，張永亮，齊寧，等.基于綜合勢能的作戰行動序列生成方法研究［J].軍事運籌與系統工程，2020，34（3）：11-18.DONG H Y， ZHANG Y L， QI N， et al. Research on themethod of generating operational sequence based on com-prehensive potential energy[J]. Military Operations Re-search and Systems Engineering，2020，34（3）：11-18.

[27］李明瀚.基于改進狼群優化算法的作戰任務分配與沖突消解[D].大連：大連交通大學，2024.LI M H.Combat task allocation and conflict resolutionbased on improved wolf swarm optimization algorithm[D].Dalian：Dalian Jiaotong University，2024.

[28］于博文，呂明，張捷.基于多準則決策方法的作戰方案優選方法［J]．南京理工大學學報，2024，48（5）：626-634.YU B W，LV M，ZHANG J. Optimum operation schemeselection based on multi-criteria decision making method[J]. Journal of Nanjing University of Science and Tech-nology，2024，48（5）：626-634.

[29］宮琳，徐任杰，謝劍，等.不確定信息下融入粗糙集理論的作戰方案評估優選方法[J].兵器裝備工程學報，2022，43（8）：203-210.GONG L，XUR J， XIE J，et al. Evaluation method of op-eration scheme integrating rough set theory under uncertaininformation[J]. Journal of Ordnance Equipment Engineer-ing，2022，43（8）：203-210.

[30］尹星，彭紹輝，方冰.基于BWM-QFD的作戰方案優選方法[J].指揮控制與仿真，2025，47（1）：53-59.YIN X，PENG S H， FANG B. Optimization of operationalplans based on BWM-QFD method[J]. Command Controlamp; Simulation，2025，47（1）：53-59.

[31］李浩民，蘇學榮，王光源，等.基于AHP-FUUY法的作戰效能評估及方案優選研究［J].艦船電子工程，2023，43（7） ：129-133.LIHM，SUXR，WANGGY，et al.Research oncombat effectiveness evaluation and scheme optimizationbased on AHP-FUUY method[J]. Ship Electronic Engi-neering，2023，43（7）：129-133.

[32］王紀凱，豆亞杰，李婧，等.智能決策在軍事體系工程的研究綜述[J/OL].系統工程與電子技術，2024：1-28.（2024-03-08）.WANGJK，DOUYJ，LIJ，etal.ReviewonIntelligentDecision in the Military System of Systems EngineeringResearch[ J/OL]. Systems Engineering and Electronics ，2024：1-28.（2024-03-08）.

［33］白成超，張琦，謝旭東，等.面向復雜決策的OODA環：智能賦能與認知增強［J].指揮與控制學報，2024，10（3）：284-297.BAICC，ZHANGQ，XIE XD，et al.OODA ring theoryfor complex decision-making：intelligent empowerment andcognitive enhancement[J]. Journal of Command and Con-trol，2024，10（3）：284-297.

（責任編輯：胡前進）