Generalized Intelligence for Tactical Decision-Making: Large Language Model-Driven Dynamic Weapon...
文章总结与翻译
一、主要内容
该文章聚焦现代航空航天防御系统中的动态武器-目标分配（WTA）问题，针对传统分配算法在动态、不确定战术环境下的局限性，提出了一种基于大型语言模型（LLM）的推理驱动框架，核心内容如下：
- 问题背景：现代军事对抗中，导弹技术、蜂群战术的发展使防御资源分配难度剧增。传统WTA算法（如匈牙利算法、混合整数线性规划、拍卖算法）存在依赖手动调优权重、忽略任务间耦合关系、动态适应性不足等问题，且WTA本质为NP完全问题，实时求解面临挑战。
- 框架设计：将战术决策转化为上下文推理任务，LLM直接解析任务相关信息（如拦截器与目标的相对位置/速度、目标威胁等级、受保护资产优先级、历史分配结果等），生成实时分配方案。框架保留了经典的分配-制导解耦结构，分配间隔内采用比例导航制导（PNG）确保拦截精度，同时通过结构化提示词设计和正则表达式验证，保证LLM输出的可行性与一致性。
- 仿真验证：在含3个受保护资产、10个来袭目标和10个拦截器的二维场景中进行测试，结果表明该框架能实现一致的分配决策、减少不必要的分配切换，成功拦截所有目标，且决策质量与传统优化算法相当，推理延迟（1-2秒）满足近实时决策需求。
- 方法对比：与传统集中式（匈牙利算法、MILP）和分布式（拍卖算法）方法相比，LLM驱动框架无需预定义成本权重，具备更强的上下文理解能力和可解释性，能实现类人化的优先级判断。