摘 要：兵棋游戲的復(fù)雜性，增加了單一技術(shù)構(gòu)建的智能體，在兼顧粗粒度策略調(diào)整和細粒度行動控制方面的難度，限制了智能體效能。為此提出了面向兵棋的“意圖-任務(wù)-行動”多層級智能體架構(gòu)，旨在為兵棋游戲提供一種能夠整合多種技術(shù)優(yōu)長的智能體建模技術(shù)。該架構(gòu)通過自上而下的分解傳遞機制，將作戰(zhàn)策略逐步分解、轉(zhuǎn)化為可執(zhí)行的任務(wù)和動作。使用有限狀態(tài)機、聯(lián)盟博弈和行為樹等技術(shù)分別實現(xiàn)了智能體架構(gòu)的各層級架構(gòu)。當(dāng)前智能體適用范圍嚴格限定于陸戰(zhàn)戰(zhàn)斗環(huán)境。最后在兵棋平臺上與多個基準AI進行多輪次對抗實驗，驗證了該架構(gòu)的可行性和有效性。

關(guān)鍵詞：兵棋游戲;智能體;多層級;有限狀態(tài)機;聯(lián)盟博弈;行為樹

中圖分類號：TP18 文獻標(biāo)志碼：A DOI：10.3969/j.issn.1673-3819.2025.01.009

Multi-level agent architecture for war games

YU Xiaohan1， YUAN Duo1， YAO Changhua2

（1. Army Engineering University， Nanjing 210001;

2. Nanjing University of Information Science and Technology， Nanjing 210044， China）

Abstract：The complexity of war games poses challenges for single-technique-built agents， as it requires balancing between coarse-grained strategic adjustments and fine-grained action control， thus limiting agent performance. To address this， this paper proposes a multi-level agent architecture for military strategy games based on the \"Intent-Task-Action\" framework， aiming to integrate various technical strengths for intelligent agent modeling in these games. Through a top-down decomposition and propagation mechanism， this architecture progressively breaks down combat strategies into executable tasks and actions. Techniques such as Finite State Machines， Coalition Games， and Behavior Tree are employed to implement the different levels of the agent architecture. The application scope of the realized agent is preliminarily defined as the tactical level scenario of the land combat unit. Finally， through multi-round adversarial experiments with various benchmark AI on a war gaming platform， the feasibility and effectiveness of the proposed architecture are validated.

Key words：war games; agent; multilevel; finite state machines; coalition games; behavior tree

兵棋游戲作為一款軍事訓(xùn)練和決策模擬工具，已經(jīng)成為模擬戰(zhàn)爭的重要手段，開發(fā)兵棋智能體成為人工智能研究的一個重要方向［1-4］。

為了更真實模擬戰(zhàn)爭，兵棋游戲越發(fā)復(fù)雜龐大，涉及算子的類型越發(fā)多樣，行動越發(fā)細致，智能體的開發(fā)面臨著巨大策略空間和超長行動序列，單一的智能體技術(shù)很難兼顧總體局勢把控與精確行動控制。諸如有限狀態(tài)機的智能體方法［5-8］，能夠建模專家知識，實現(xiàn)作戰(zhàn)策略的結(jié)構(gòu)化表示，善于在局勢變化中產(chǎn)生優(yōu)秀策略，但這類方法難以在可控的復(fù)雜程度下細化到行動控制層面。近年來流行的深度強化學(xué)習(xí)智能體建模方法［9-10］，雖非常善于敏銳察覺態(tài)勢變化，為算子提供最佳作戰(zhàn)行動，但兵棋的超長行動序列加大了深度強化學(xué)習(xí)訓(xùn)練難度，限制了算子行動的遠期作用。單一智能體技術(shù)的不足，在越是復(fù)雜的兵棋游戲中，體現(xiàn)越是明顯。將不同優(yōu)勢的智能體技術(shù)整合在一起是解決該問題的一種思路。

鑒于此，本文提出了“意圖-任務(wù)-行動”的三層級智能體架構(gòu)，該架構(gòu)可整合有限狀態(tài)機、聯(lián)盟博弈、行為樹等技術(shù)，構(gòu)建多技術(shù)融合的智能體：有限狀態(tài)機建模上層作戰(zhàn)意圖，用于智能體調(diào)整作戰(zhàn)策略;聯(lián)盟博弈建模作戰(zhàn)任務(wù)的分配，用于促成算子間的協(xié)同與協(xié)作;行為樹建模算子行動方式，用于根據(jù)態(tài)勢變化精準控制算子行為。上述方法所實現(xiàn)智能體在未經(jīng)更廣泛場景驗證之前，其應(yīng)用范圍初步界定于陸戰(zhàn)戰(zhàn)斗環(huán)境，且主要聚焦于分隊?wèi)?zhàn)術(shù)層級的場景。為驗證本文提出架構(gòu)的實用性，在廟算兵棋平臺上的分隊級想定中進行了仿真實驗，實驗結(jié)果表明，本文架構(gòu)相較單一智能體技術(shù)有較大優(yōu)勢。

1 多層級智能體架構(gòu)設(shè)計

針對上述問題，提出面向兵棋游戲的“意圖-任務(wù)-行動”多層級智能體架構(gòu)。

1．1 整體架構(gòu)設(shè)計

在面對復(fù)雜的兵棋游戲想定時，做出有效決策需要考慮多種因素。將智能體分層，不同層級分別履行不同的職責(zé)，將復(fù)雜、模糊的決策問題分解為許多規(guī)模較小、界線清晰的子問題來處理，使得復(fù)雜的決策問題變得易于理解和解決。最終，決策由上到下，由粗到細，完成由總體策略到單個算子行為的決策過程。如圖1所示，本文設(shè)計的智能體架構(gòu)分為三層：作戰(zhàn)意圖層、任務(wù)分配層和算子行動層。

在三層架構(gòu)中，作戰(zhàn)意圖層負責(zé)產(chǎn)生我方總體策略，作戰(zhàn)意圖層分析判斷戰(zhàn)場整體態(tài)勢并制定作戰(zhàn)意圖，并將其傳遞給任務(wù)分配層進行進一步細化。任務(wù)分配層根據(jù)作戰(zhàn)意圖層的策略，通過戰(zhàn)場態(tài)勢，為算子分配目標(biāo)和任務(wù)，實現(xiàn)有組織、有協(xié)作的進攻或防御。算子行動層在接收任務(wù)后，生成符合態(tài)勢的具體行動，生成的算子行動輸入兵棋推演引擎中，推進戰(zhàn)場態(tài)勢變化。

三層架構(gòu)的多層分工將決策問題拆分成多個子問題，更加有助于解決問題。由于每一層都是相對獨立的模塊，單個層級的錯誤或異常不會影響其他層，從而降低了整個系統(tǒng)出現(xiàn)故障的風(fēng)險。這樣做還有助于提高智能體靈活性，各層級都可以根據(jù)需要選用合適的技術(shù)，在某個層級所采用技術(shù)達不到預(yù)期效果時，可在無需調(diào)整其他層級的基礎(chǔ)上，針對性地進行修改或替換。

1．2 作戰(zhàn)意圖層

作戰(zhàn)意圖層聚焦于總體決策，在對戰(zhàn)場的整體態(tài)勢進行判斷后決定下一步我方的總體策略。解決總體上的“做什么”問題。

作戰(zhàn)意圖層首先要進行的是對戰(zhàn)場整體態(tài)勢的判斷，通過收集、分析戰(zhàn)場數(shù)據(jù)，確定當(dāng)下戰(zhàn)場的各種關(guān)鍵因素的狀態(tài)和趨勢。具體實現(xiàn)中，可根據(jù)推演引擎發(fā)送的地形、我方算子狀態(tài)和敵方算子狀態(tài)等信息，分析得出敵我雙方目前實力對比、主要目標(biāo)情況以及上一個任務(wù)的完成情況等。

在完成態(tài)勢分析后，根據(jù)態(tài)勢分析結(jié)果進行決策以產(chǎn)生當(dāng)前我方策略。目前決策的方式基本是基于專家知識的，即結(jié)構(gòu)化地表示人類專家知識，基于此制定符合當(dāng)前態(tài)勢的策略。下節(jié)介紹了使用有限狀態(tài)機結(jié)構(gòu)化表示專家知識并從中產(chǎn)生策略的方法。

最后作戰(zhàn)意圖層將產(chǎn)生的策略傳入任務(wù)分配層，進行下一步作業(yè)。

1．3 任務(wù)分配層

任務(wù)分配層的主要目標(biāo)是根據(jù)上層下達的策略制定作戰(zhàn)任務(wù)，為每個算子合理分配任務(wù)，解決“怎么做”“誰來做”的問題。

任務(wù)分配層首先根據(jù)上層下達的作戰(zhàn)策略，結(jié)合當(dāng)前態(tài)勢明確具體任務(wù)劃分和任務(wù)目標(biāo)。在對任務(wù)進行詳細分析的基礎(chǔ)上，包括分析任務(wù)的難度、所需的兵力、預(yù)計的完成時間等，將任務(wù)分配給具有相應(yīng)能力的算子，期間還要充分考慮算子之間的協(xié)作配合，提高完成任務(wù)的可能性。在推演進行中，還要能夠根據(jù)態(tài)勢變化，動態(tài)調(diào)整任務(wù)分配方案，增強智能體的應(yīng)變能力。

任務(wù)分配層的主要意義在于確保上層下達的作戰(zhàn)策略得到最優(yōu)落實，充分體現(xiàn)算子特長，考慮多個算子執(zhí)行任務(wù)時的協(xié)同與協(xié)作，提升整體作戰(zhàn)效能。下節(jié)中使用聯(lián)盟博弈，在優(yōu)化整體作戰(zhàn)效能的基礎(chǔ)上，完成算子任務(wù)分配。

1．4 算子行動層

算子行動層根據(jù)具體情況計劃算子的行動，即如何根據(jù)實時戰(zhàn)場態(tài)勢，為算子生成當(dāng)前最佳作戰(zhàn)行動，解決單個算子的“做什么”問題。

在廟算平臺的兵棋對抗中，單個算子的任務(wù)由移動、射擊、奪控等多種行動組合完成，在執(zhí)行這些行動時要考慮其機動路徑的安全性、對敵方算子的通視情況、是否在友軍算子的掩護下等因素。算子行動層就是在盡可能多地考慮戰(zhàn)場影響因素后，得出當(dāng)下最佳行動，即完成算子行為控制。算子行動層生成當(dāng)前最佳行動后，智能體將算子行動指令列表傳輸給兵棋游戲引擎，推動態(tài)勢演進。

2 架構(gòu)實現(xiàn)

上文闡述了多層級智能體架構(gòu)，本節(jié)將有針對性地選用合適方法作為框架中各層級的實現(xiàn)技術(shù)，并最終組合成一個可行的智能體。在架構(gòu)實現(xiàn)的過程中，也不難發(fā)現(xiàn)本文架構(gòu)的靈活性，各層級的方法都可分別替換成相同功能的其他方法。

為便于敘述，本節(jié)將在廟算陸戰(zhàn)兵棋平臺中具體闡述各層級的實現(xiàn)方法。廟算陸戰(zhàn)兵棋平臺有合理的規(guī)則、成熟的環(huán)境和生態(tài)，為人們廣泛熟知，是一個理想的兵棋游戲智能體開發(fā)平臺。

2．1 基于有限狀態(tài)機的策略制定

有限狀態(tài)機（finite state machine，F(xiàn)SM） 是構(gòu)建游戲智能體的智能和行為的常用建模方法之一。它本質(zhì)上是一個由事件觸發(fā)的在有限數(shù)量個狀態(tài)之間進行轉(zhuǎn)換的模型。它通過將復(fù)雜的智能體的決策抽象為不同的狀態(tài)以及狀態(tài)之間的轉(zhuǎn)換，讓每個狀態(tài)只需要管理自己的轉(zhuǎn)換條件，從而降低智能體決策的整體復(fù)雜度。由于其實現(xiàn)簡單且邏輯結(jié)構(gòu)清晰，有限狀態(tài)機技術(shù)被廣泛應(yīng)用到動作游戲的開發(fā)中。本文使用有限狀態(tài)機來對在戰(zhàn)場態(tài)勢發(fā)生變化時策略發(fā)生變化的情況進行建模，是實現(xiàn)多層級智能體架構(gòu)中作戰(zhàn)意圖層的方法。

2．2 基于聯(lián)盟博弈的協(xié)同任務(wù)分配

聯(lián)盟博弈是一種研究參與者之間的合作行為及其對收益影響的模型。在聯(lián)盟博弈中，參與者可以形成各種聯(lián)盟，形成聯(lián)盟是為了實現(xiàn)共同的目標(biāo)或增加整體的收益。特征函數(shù)是聯(lián)盟博弈中的一個重要概念，它為每個可能的聯(lián)盟指定一個值，這個值反映了聯(lián)盟成員通過合作能夠獲得的收益。通過定義特征函數(shù)，可以為聯(lián)盟的形成和擴大提供合理參考。

使用聯(lián)盟博弈來實現(xiàn)任務(wù)分配，將每個算子視為博弈的一個參與者，算子可以自由地組成聯(lián)盟來執(zhí)行指定任務(wù)。通過設(shè)定一個特征函數(shù)來為每個可能的聯(lián)盟計算出一個效能值，該值表示該聯(lián)盟完成任務(wù)的能力。這個特征函數(shù)需要反映聯(lián)盟成員本身的能力以及協(xié)同完成任務(wù)時的增益。通過求解最大聯(lián)盟值來得到最優(yōu)任務(wù)分配方式。

本文基于效能值和協(xié)作加成值設(shè)計聯(lián)盟博弈的特征函數(shù)。聯(lián)盟中算子協(xié)同執(zhí)行任務(wù)的總體效用的計算公式為

本文在上述計算聯(lián)盟效能值的基礎(chǔ)上，采用迭代優(yōu)化的方式形成穩(wěn)定聯(lián)盟組合，從而完成對所有算子的任務(wù)分配。使用聯(lián)盟博弈實現(xiàn)算子的任務(wù)分配，將任務(wù)分配問題轉(zhuǎn)化為了優(yōu)化問題，在理論上保證了解決方案的可行性。聯(lián)盟博弈允許動態(tài)形成和調(diào)整聯(lián)盟，這為任務(wù)分配提供了高度的靈活性，可根據(jù)戰(zhàn)場態(tài)勢動態(tài)調(diào)整。聯(lián)盟博弈幫助找到每個聯(lián)盟成員的最佳貢獻，從而提高整體性能，確保資源得到有效利用。

2．3 基于行為樹的算子行為控制

行為樹（behavior tree）是一種樹結(jié)構(gòu)，執(zhí)行時會從根節(jié)點開始按照指定的順序遍歷，直到終結(jié)狀態(tài)。行為樹通過子節(jié)點控制樹的遍歷順序：通過設(shè)置子節(jié)點的邏輯，可以指定特定的規(guī)則控制下一個遍歷的節(jié)點。而行為樹的葉子節(jié)點可以執(zhí)行具體的操作：通過設(shè)定葉子節(jié)點，可以執(zhí)行具體操作并返回一個狀態(tài)信息。

本文以步兵防御任務(wù)為例，給出算子執(zhí)行任務(wù)的行為樹構(gòu)建方法。考慮步兵算子具有以下特點：（1）相對其他算子來說機動能力較差，需要與戰(zhàn)車算子進行配合，搭乘戰(zhàn)車算子進行機動;（2）具備引導(dǎo)射擊的能力，在進攻時能夠有效引導(dǎo)后方算子打擊敵方;（3）步兵的抗打擊能力強，最適合防御已占領(lǐng)的奪控點。步兵防御任務(wù)行為樹如圖3所示。

在任務(wù)分配層為步兵算子下達防御任務(wù)后，首先在奪控點周圍推理防御的最佳位置（A1）。在完成防御位置推理后，檢測步兵是否正在車上（A2），如果步兵正在車上且戰(zhàn)車沒有進行其他任務(wù)，則向戰(zhàn)車發(fā)送運輸請求（A3）。如果不在戰(zhàn)車上則首先考慮任務(wù)目標(biāo)奪控點是否被敵軍占領(lǐng)或無人占領(lǐng)（A4），如果被敵軍占領(lǐng)則進行機動以占領(lǐng)奪控點（A5）。如果任務(wù)目標(biāo)奪控點被我方占領(lǐng)，則前往推理出的防御位置（A6），能轉(zhuǎn)入掩蔽狀態(tài)則轉(zhuǎn)入掩蔽狀態(tài)（A7），如果有敵人進入射擊范圍或引導(dǎo)射擊范圍，則進行射擊（A8）。

采用行為樹對算子行動邏輯進行抽象建模，將復(fù)雜的任務(wù)分解成多個小步驟，每個小步驟代表一個節(jié)點，最終將所有節(jié)點組合成一個行為樹，自頂向下地進行決策，實現(xiàn)了算子根據(jù)戰(zhàn)場情況靈活完成任務(wù)的目標(biāo)。

3 實驗

本文的實驗部分分為兩部分，第一部分是在兵棋游戲動態(tài)變化的環(huán)境中，展示智能體各層級如何感知并應(yīng)對態(tài)勢的變化。第二部分將展示本文構(gòu)建智能體和其他基準智能體在對抗過程中的整體表現(xiàn)。

3．1 智能體各層級效果展示

本節(jié)實驗以“廟算-陸戰(zhàn)指揮官”兵棋平臺中“2022分隊城鎮(zhèn)居民地奪控戰(zhàn)斗想定（人混）Ⅰ”對抗想定為場景進行仿真實驗，想定中紅藍雙方圍繞主要奪控點和次要奪控點進行戰(zhàn)斗，其主要奪控點位于坐標(biāo)3431，次要奪控點位于坐標(biāo)3729，對抗時長2 880 s。紅方配備坦克、戰(zhàn)車、無人機、步兵、巡飛彈等算子，藍方配備坦克、戰(zhàn)車、無人機、步兵等算子，雙方初始兵力部署情況見表3，想定初始態(tài)勢如圖4中C1所示。

本節(jié)將展示并分析兵棋游戲的態(tài)勢變化中智能體各層級的效果。首先，如圖4所示，以戰(zhàn)場態(tài)勢從C1（初始態(tài)勢：奪控點無人占領(lǐng)）變?yōu)镃2（我方占領(lǐng)主要奪控點，敵方占領(lǐng)次要奪控點）時為例，智能體各層級反應(yīng)如下所示：

在智能體作戰(zhàn)意圖層中，在C1態(tài)勢中，戰(zhàn)場態(tài)勢為奪控點無人占領(lǐng)，敵我兵力、分數(shù)差距不大，此時我方作戰(zhàn)意圖是進攻主要奪控點。而在C2態(tài)勢中，戰(zhàn)場態(tài)勢發(fā)生變化：我方占領(lǐng)主要奪控點，敵方占領(lǐng)次要奪控點，雙方兵力、分數(shù)差距不大，變化情況符合表2中的E1事件，有限狀態(tài)機重新進入進攻狀態(tài)，重新選擇奪控點作為目標(biāo)，即次要奪控點作為下一步進攻的目標(biāo)。

在作戰(zhàn)意圖層下達整體作戰(zhàn)意圖以及目標(biāo)后，任務(wù)分配層根據(jù)表3的流程開始形成執(zhí)行任務(wù)聯(lián)盟。

圖5展示的是C2態(tài)勢時的聯(lián)盟示意圖，當(dāng)前時刻共產(chǎn)生5個聯(lián)盟。

針對目標(biāo)點位3729形成以下聯(lián)盟：

（1） 進攻聯(lián)盟1。聯(lián)盟成員包括重型坦克算子（0058）執(zhí)行進攻任務(wù)、重型戰(zhàn)車算子（0048）執(zhí)行進攻任務(wù)、步兵算子（0050）執(zhí)行進攻任務(wù);

（2） 進攻聯(lián)盟2。聯(lián)盟成員包括無人戰(zhàn)車算子（0053）執(zhí)行進攻任務(wù)、無人戰(zhàn)車算子（0054）執(zhí)行偵察任務(wù);

（3） 偵察聯(lián)盟1。聯(lián)盟成員包括巡飛彈算子（0051）執(zhí)行偵察任務(wù)、巡飛彈算子（0052）執(zhí)行偵察任務(wù)。

針對目標(biāo)點位3431形成以下聯(lián)盟：

（1） 防御聯(lián)盟1。聯(lián)盟成員包括重型戰(zhàn)車算子（0047）執(zhí)行防御任務(wù)、步兵算子（0049）執(zhí)行防御任務(wù);

（2） 偵察聯(lián)盟2。聯(lián)盟成員包括無人機算子（0032）執(zhí)行偵察任務(wù)。

在完成任務(wù)分配后，每個算子的任務(wù)以及任務(wù)目標(biāo)點都被下達到算子行動層，算子行動層開始根據(jù)任務(wù)和當(dāng)前態(tài)勢計算算子下一步行動。以步兵算子（0049）執(zhí)行針對目標(biāo)點位3431的防御任務(wù)為例（如圖6所示），根據(jù)2．3節(jié)中的步兵防御行為樹，此時步兵根據(jù)目標(biāo)點位推理防御位置，選取3432作為防御位置。當(dāng)前步兵算子正在搭乘重型戰(zhàn)車算子（0047），位于3434，與目標(biāo)防御位置距離只有2格，不需要繼續(xù)運輸，開始下車。目標(biāo)奪控點已經(jīng)被我方占領(lǐng)，步兵算子下車后直接機動至防御位置3432。

智能體在廟算平臺的分隊級想定“2022分隊城鎮(zhèn)居民地奪控戰(zhàn)斗想定（人混）Ⅰ”上成功運行，表明上述方法實現(xiàn)的智能體適用于處理擁有多個算子（如21個算子）和多個奪控點（如2個奪控點）的復(fù)雜分隊級想定。然而，必須明確界定的是，在未在更復(fù)雜想定中進行實驗驗證的情況下，當(dāng)前智能體的適用范圍嚴格限定于陸戰(zhàn)戰(zhàn)斗環(huán)境，且最高不超過分隊?wèi)?zhàn)術(shù)層級的場景。這一限定基于智能體所依賴的特定方法論，在未經(jīng)更廣泛場景驗證前，其適用性具有明確的邊界。

3．2 智能體表現(xiàn)

進行智能體之間的對抗比賽是評估其優(yōu)越性的一種常用方法。通過讓不同的智能體進行對抗，觀察它們在戰(zhàn)斗中的表現(xiàn)，以評估它們的優(yōu)劣。本節(jié)實驗采用了“廟算-陸戰(zhàn)指揮官”兵棋平臺中的兩個典型想定——“2022分隊城鎮(zhèn)居民地奪控戰(zhàn)斗想定（人混）Ⅰ”（簡稱“想定I”）與“2022分隊城鎮(zhèn)居民地奪控戰(zhàn)斗想定（人混）II” （簡稱“想定II”），以智能體對智能體的方式進行了測試。為了實現(xiàn)對抗的多樣性，我們引入了多個平臺內(nèi)置的AI模型作為對手，包括人機混合練習(xí)AI-激進型、人機混合練習(xí)AI-保守型、人機混合基準AI-靈活型以及人機混合基準AI-保守型，分別控制紅、藍方形成了八種不同的對抗方案。

在每一種仿真方案中，本文均執(zhí)行了十次獨立的重復(fù)實驗，并詳細記錄了智能體在每次對決中的勝負情況。與不同智能體對抗勝率統(tǒng)計如表4所示。

在廟算平臺中，凈勝分是將己方占領(lǐng)奪控點的得分、剩余算子的分數(shù)以及擊毀敵方算子的得分進行求和，然后減去對方這三個數(shù)值的加和所得。因此，凈勝分是評估智能體表現(xiàn)的關(guān)鍵指標(biāo)之一。以在“想定I”中進行的對抗實驗為例，我方智能體凈勝分箱型圖如圖7所示，折線圖如圖8所示。

分析對抗結(jié)果和對抗復(fù)盤可以發(fā)現(xiàn)，本文智能體擁有較高的勝率。在面對多種采取不同策略的智能體時，基于本文架構(gòu)實現(xiàn)的智能體能夠迅速分析戰(zhàn)場態(tài)勢，采取合理策略，通過合理的任務(wù)分配和算子行為控制方式有效地利用每個算子，提高了對抗的比分和勝率。

綜上所述，實驗證明了本文提出的面向兵棋游戲的多層級智能體架構(gòu)具有較高的實用性，與現(xiàn)有的基準AI對抗具有較高的勝率。

4 結(jié)束語

本文提出了基于“意圖-任務(wù)-行動”的三層智能體架構(gòu)，并使用有限狀態(tài)機、聯(lián)盟博弈、行為樹等方法構(gòu)建了智能體。在實驗中，智能體展現(xiàn)出了優(yōu)越的性能，證明了這種多元化技術(shù)整合架構(gòu)的有效性和可行性。實驗結(jié)果揭示了智能體在復(fù)雜游戲環(huán)境中的適應(yīng)性和競爭力，同時也突顯了其在策略制定和決策執(zhí)行方面的優(yōu)越性。我們的研究為兵棋游戲的AI設(shè)計提供了新的視角，展示了如何通過技術(shù)和方法的融合來克服單一技術(shù)可能遇到的局限性。此外，我們的智能體架構(gòu)為未來研究者提供了一個堅實的基礎(chǔ)，可以在此基礎(chǔ)上進一步探索和優(yōu)化。未來的工作可以集中在更深入地理解各種技術(shù)之間的相互作用，將新技術(shù)應(yīng)用到架構(gòu)之中，以及如何在不斷變化的游戲動態(tài)中維持和提升智能體的性能。

參考文獻：

[1] 孫李程，馬宏賓.從兵棋推演看人工智能發(fā)展［J］.軍事文摘，2024（11）：66-70.SUN L C， MA H B. Development of artificial intelligence from war games［J］. Military Abstracts，2024（11）：66-70.

［2］ 胡曉峰， 榮明. 作戰(zhàn)決策輔助向何處去——“深綠” 計劃的啟示與思考［J］. 指揮與控制學(xué)報， 2016， 2（1）： 22-25.HU X F， RONG M. Where do operation decision support systems go： inspiration and thought on deep green plan［J］. Journal of Command and Control， 2016， 2（1）： 22-25.

［3］ 胡曉峰， 賀筱媛， 陶九陽. Alpha Go 的突破與兵棋推演的挑戰(zhàn)［J］. 科技導(dǎo)報， 2017， 35（21）： 49-60.HU X F， HE X Y， TAO J Y. Alpha Gos break-through and challenges of war gaming［J］. Science ＆ Technology Review， 2017， 35（21）： 49-60.

［4］ 聶凱， 曾科軍， 孟慶海， 等. 人機對抗智能技術(shù)最新進展及軍事應(yīng)用［J］. 兵器裝備工程學(xué)報， 2021， 42（6）： 6-11， 26.NIE K， ZENG K J， MENG Q H， et al. Recent advances in intelligent technologies of human-computer gaming and its military applications［J］. Journal of Ordnance Equipment Engineering， 2021， 42（6）： 6-11， 26.

［5］ SALES D O， CORREA D O， FERNANDES L C， et al. Adaptive finite state machine based visual autonomous navigation system［J］. Engineering Applications of Artificial Intelligence， 2014（29）： 152-162.

［6］ QUINLAN J R. Generating production rules from decision trees［C］. International Joint Conference on Artificial Intelligence， 1987（87）： 304-307.

［7］ NICOLAU M， PEREZ-LIEBANA D， ONEILL M， et al. Evolutionary behavior tree approaches for navigating platform games［J］. IEEE Transactions on Computational Intelligence and AI in Games， 2017， 9（3）： 227-238.

［8］ 尤岳， 黃昱申， 陳科. 無人潛航器交戰(zhàn)行為分層建模方法［J］. 數(shù)字海洋與水下攻防， 2023， 6（5）： 622-628.YOU Y， HUANG Y S， CHEN K. A hierarchical modeling method of UUV combat actions［J］. Digital Ocean ＆ Underwater Warfare， 2023， 6（5）： 622-628.

［9］ 崔文華， 李東， 唐宇波， 等. 基于深度強化學(xué)習(xí)的兵棋推演決策方法框架［J］. 國防科技， 2020， 41（2）： 113-121.CUI W H， LI D， TANG Y B， et al. Framework of wargaming decision-making methods based on deep reinforcement learning［J］. National Defense Technology， 2020， 41（2）： 113-121.

［10］VINYALS O， BABUSCHKIN I， CZARNECKI W M， et al. Grandmaster level in StarCraft II using multi-agent reinforcement learning［J］. Nature， 2019（575）： 350-354.

（責(zé)任編輯：許韋韋）