مدیریت نبردهای پویا با استفاده از الگوریتم‌های فوق‌یافتاری، سیستم‌های استنتاج فازی و درخت تصمیم

امروزه تهدیدات ناشی از اهداف هوایی از مهم‌ترین چالش‌ها به شمار می‌آیند. دو مولفه اصلی در مدیریت این تهدیدات، تصویرسازی و تصمیم‌گیری بر اساس تصاویر ترسیم شده از آن‌ها است. در این فرآیند، تصمیمات بر اساس مدل‌سازی انجام شده از ارزیابی تهدیدات و تخصیص منابع اتخاذ می‌شوند. در همین راستا، به‌منظور تصویرسازی دقیق‌تر شرایط، ماهیت دنباله‌ای تخصیص منابع درنظر گرفته می‌شود. از این رو مدلی چند هدفه چند مرحله‌ای بر اساس سامانه استنتاج فازی و درخت تصمیم ارائه شده است. مهم‌ترین مزیت سامانه استنتاج فازی در قابلیت کار کردن آن با مقادیر زبانی نهفته است. مزیت اصلی درخت‌های تصمیم نیز ساختار گرافیکی و توانایی کار کردن آن‌ها با داده‌ها غیر کامل یا غیر استاندارد است. همچنین، از دو الگوریتم nsga-ii و spea-ii برای یافتن راه‌حل‌های پارتو استفاده می‌شود. هر دو الگوریتم‌ با استفاده سه معیار فاصله نسلی به‌عنوان معیار همگرایی، گستردگی به‌عنوان معیار تنوع و زمان محاسبات واقعی مقایسه می‌گردند. در پایان از روش topsis جهت انتخاب تصمیم نهایی استفاده می‌شود، در حالی که نتایج با استفاده از یک سناریو شبیه‌سازی شده مورد تحلیل و بررسی قرار خواهند گرفت. نتایج شبیه‌سازی نشان می‌دهد که spea-ii دارای همگرایی و تنوع بهتری است، درحالی‌که nsga-ii سریع‌تر بوده و زمان اجرای آن دارای میزان انحراف از معیار کمتری است. ما معتقد هستیم که استفاده از سیستمسامانه استنتاج فازی برای کاربردهای عملی این حوزه‌ مناسب‌تر از درخت‌‌ تصمیم است. قطعاً در مواردی که با کمبود یا عدم‌هماهنگی در داده‌های ورودی روبه‌رو هستیم، درخت‌ تصمیم می‌تواند انتخاب ارجح باشد.

dynamic battle management using meta-heuristic algorithms, fuzzy inference systems and the decision tree

nowadays, the threats caused by aerial targets are among the most critical challenges. two main components in threat management are visualization and decision-making based on compiled pictures. in this process, the decisions are made based on threat evaluation and resource allocation modelling. to do so, the sequential nature of resource allocation is considered to provide a more accurately visualized situation. here, a multi-stage multi-objective model is constructed based on the fuzzy inference system and the decision tree. also, nsga-ii and spea-ii are used to find pareto solutions. both algorithms have been compared based on generational distance as a convergence measure, spread as a diversity measure, and the actual computational time. ultimately, the topsis method is used to make the final decision while the results are reported using a simulated scenario. the simulation results show that the spea-ii has better convergence and spread, while nsga-ii is faster and has less standard deviation in the execution time. we believe that the fuzzy inference system is more suitable than the decision tree in practical applications. nevertheless, when facing data shortage or incompatibility, the decision tree would be the preferred choice.