corals : aide à la décision sous incertitude dans un contexte naval
DESCRIPTION
CORALS : Aide à la décision sous incertitude dans un contexte naval. Éric Beaudry, Ph.D . Systèmes d’aides à la décision RDDC – Valcartier. 6 juin 2011 IFT615 – Intelligence artificielle . Mise en contexte. Missions canadiennes. Missions humanitaire et de maintien de la paix de l’ONU - PowerPoint PPT PresentationTRANSCRIPT
CORALS : Aide à la décision sous incertitude dans un contexte naval
Éric Beaudry, Ph.D.
Systèmes d’aides à la décisionRDDC – Valcartier
6 juin 2011IFT615 – Intelligence artificielle
2
MISE EN CONTEXTE
3
Missions canadiennes
• Missions humanitaire et de maintien de la paix de l’ONU
• Supporter nos engagements dans l’OTAN• Protéger les navires commerciaux des pirates en mers• Combattre le terrorisme
4
Conflit en Libye (2011)
5
Menaces• Différentes menaces (cruise missiles, bombs,
shoulder-launched rockets, etc.)
• Les menaces peuvent être coordonnées et provenir de l’air, en mer ou du sol
6
Moyens de défenses
7
Défis• Volume important d’informations• Incertitude
– Données imparfaites de plusieurs sources– Interprétation humaine
• Facteurs temporels:– Temps de réaction très court– Prise de décisions sous pression– Environnement dynamique : la situation
évolue dans le temps
8
Buts et contraintes
• But :– Maximiser la survie du navire– Protéger des volumes d’intérêts
• Contraintes– Zones aveugles– Règles d’engagement– Coordination des ressources– Ressources limitées
9
Efficacité probabiliste des moyens de défense
10
CORALSUn système d’aide à la décision
11
La solution : CORALS
• Système d’aide à la décision pour suggérer les moyens de défenses face aux menaces
12
Plans de défense
13
Algorithme de planification
• Résolution de conflits par une recherche dans un espace de plans
14
15
HEURISTIQUES
16
Solution en tout temps (anytime)
• Contraintes de temps réel• Pas toujours possible de garantir une solutions
optimale ou proche optimal• Heuristiques et stratégies de recherche
17
If LowerBound(n0)=L, then there exists at least a node n’ in {n1,n2,n3} were Quality(n’) >= L
€
LowerBound(n) <=n '∈reachale(n )max Quality(n)
LowerBound(n) <=n '∈successors(n )
max LowerBound(n)
n0
n2n1 n3
Idée : estimer une borne inférieure sur la qualité des plans …
18
Heuristiques
H1 – Retrait des actions en conflitsH2 – Retrait arbitraire d’actions pour éliminer les conflits H3 – Retrait des actions avec la plus faible probabilité de
succèsH4 – Retrait des actions selon le contexte
19
Exemple de plan avec 2 conflits (4 actions en conflits)
Target 1 1. SK / CWJamming : Jamming (75%)
2. HK / ESSM : (40%)
3. HK / CIWS : CIWS (40%)
Target 2 5. SK / CWJamming : Jamming (75%)
6. HK / ESSM : (85%)
8. HK / GUN57 (45%)
0 20 40 60 80 100 120
4. HK / GUN57 (40%)
7. HK / CIWS : CIWS (55%)
1
2
20
H1 – Retrait des actions en conflits
Target 1 1. SK / CWJamming : Jamming (75%)
2. HK / ESSM : (40%)
3. HK / CIWS : CIWS (40%)
Target 2 5. SK / CWJamming : Jamming (75%)
6. HK / ESSM : (85%)
8. HK / GUN57 (45%)
0 20 40 60 80 100 120
4. HK / GUN57 (40%)
7. HK / CIWS : CIWS (55%)
85%
96.25%
85% * 96.25% = 81.81%
21
H2 – Retrait arbitraire d’actions pour éliminer les conflits
• If two or more actions are conflictual, one of them is arbitary choosen to be enabled.
Target 1 1. SK / CWJamming : Jamming (75%)
2. HK / ESSM : (40%)
3. HK / CIWS : CIWS (40%)
Target 2 5. SK / CWJamming : Jamming (75%)
6. HK / ESSM : (85%)
8. HK / GUN57 (45%)
0 20 40 60 80 100 120
4. HK / GUN57 (40%)
7. HK / CIWS : CIWS (55%)
91%
97.79%
91% * 97.79% = 89.12%
22
H3 – Retrait des actions avec la plus faible probabilité de succès
• If two or more actions are conflictual, we keep the best one.
Target 1 1. SK / CWJamming : Jamming (75%)
2. HK / ESSM : (40%)
3. HK / CIWS : CIWS (40%)
Target 2 5. SK / CWJamming : Jamming (75%)
6. HK / ESSM : (85%)
8. HK / GUN57 (45%)
0 20 40 60 80 100 120
4. HK / GUN57 (40%)
7. HK / CIWS : CIWS (55%)
85%
99.07%
85% * 99.07% = 84.21%
23
H4 – Retrait des actions selon le contexte
• If two or more actions are conflictual, we keep the one that will give the highest global result.
Target 1 1. SK / CWJamming : Jamming (75%)
2. HK / ESSM : (40%)
3. HK / CIWS : CIWS (40%)
Target 2 5. SK / CWJamming : Jamming (75%)
6. HK / ESSM : (85%)
8. HK / GUN57 (45%)
0 20 40 60 80 100 120
4. HK / GUN57 (40%)
7. HK / CIWS : CIWS (55%)
94.6%
96.25%
94.6% * 96.25% = 91.05%
24
Summary of Exemple
• Even LowerBoundV4 produce better lower bound estimation, its computation cost is much higher because partial sub-plan have to be re-estimated on each action with conflicts. Its means that fewer nodes per seconds could be generated.
• In fact, * log(n) is implicitly added for all since plans are balanced trees that require log(n) for each action removal.
Lower Bound Algorithm(For each conflict)
Computation Cost(c = nb conflictsn = nb actions; t=nb target)
Value of Example Plan
V1 (CORALS 4.2) Remove all conflicts actions
O(c) 81.81 %
V2 Keep arbitary actions O(n * c) 89.12 %
V3 Keep best actions O(n * c) 84.21 %
V4 Keep the action that have the highest gain.
O(t * n * c) 91.05 %
25
STRATÉGIE DE RECHERCHE ENFORCED HILL CLIMBING (EHC)
26
1
2 6
4
5
7
8
Example Enforced Hill Climbingwith a depth parameter of 3
27
Complexité (coût) des heuristiques
Maximum planning time set to 10 secondes.25 runs on scenarios with 10 targets.
V1 V2 V3 V40
5
10
15
20
25
30
35
40
45
GeneratedVisited
Lower Bound Algorithm
Nod
es (0
00)
28
Performance
V1 (CORALS 4.2) V2 V3 V4 (CORALS 4.3)0%
10%
20%
30%
40%
50%
60%
70%
80%
Qua
lity
(Sur
viva
l Pro
babi
lity)
29
Réactivité
Maximum planning time set to 10 secondes.25 runs on scenarios with 10 targets.
0 1 2 3 4 5 6 7 8 9 100
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
V1
V2
V3
V4
Planning Time
Qua
lity
(Sur
viva
l Pro
babi
lity)
30
À CONSIDÉRER
31
Travaux futures
• Interaction avec opérateurs– Interfaces multi-touch
• Single-Ship Multi-Ship
32
CES DÉFIS VOUS INTÉRESSENT ?
33
Stage YRD0 01 01 [Automne 2011]
34
QUESTIONS ?
35