Lentotiedustelutietoon perustuva tykistön tulenkäytön optimointi (valmiin työn esittely) Tuukka Stewen 1.9.2017 Ohjaaja: DI Juho Roponen Valvoja: prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään.
Motivaatio Osa laajempaa tutkimusta, jossa vastakkainasettelullista riskianalyysia hyödynnetään taistelutilanteiden analyysissä Tutkimuksen esimerkkitapaus
Tausta 1/3 Huoltokomppania on perustanut huoltokeskuksen Koostuu 23 yksiköstä Eri määrä jalkaväkeä ja muita varusteita kuten ajoneuvoja
Tausta 2/3 Hyökkääjä osoittaa tykistölle maaleja miehittämättömillä ilma-aluksilla (unmanned aerial vehicle, UAV) Tiedustelutulokset satunnaismuuttujia Hyökkääjä voi käyttää tykistötulta
Tausta 3/3 Vaikutuskaavioesitys Huoltokomppanian tappiot Tiedustelutulokset Tykistötuliparametrit
Tavoitteet Millainen hyökkääjän tulenkäyttö on tehokasta, kun huoltokomppaniasta ei ole täydellistä tietoa? Miten puolustavan huoltokomppanian maksimitappiot riippuvat ammusmäärästä ja tähtäyspisteiden lukumäärästä? Mitä hyötyä hyökkääjä saa kustannustehokkuusmielessä, kun ammuksia käytetään optimaalisesti? (Hyöty = Tuotetut tappiot Ammusten kustannukset)
Menetelmät Datan viljely Tuottaa tietoa, kuinka lopputulos riippuu varioitavista parametreista Datan jatkoanalysointi
Datan viljely 1/2 Tukeudutaan Puolustusvoimien tutkimuslaitoksen kehittämään operaatioanalyysityökaluun (Sandis) Varioitavat parametrit Tykistön tähtäyspisteet 10 eri tähtäyspistettä Käytettävät ammukset ja niiden lukumäärät Raskaan raketinheittimistön sirpaloituva taistelukärki 0-25 yhtä tähtäyspistettä kohden (5 ammuksen välein) 155 mm tykistökranaatti 0-200 yhtä tähtäyspistettä kohden (25 ammuksen välein) Tykistökranaatilla räjähdyskorkeus on joko 0m, 2m, 4m, 6m 8m, 10m (sama jokaisella tähtäyspisteellä)
Datan viljely 2/2 Tehdään kaksi eri laskentaa Laskenta 1: Raskaan raketinheittimistön sirpaloituva taistelukärki Laskenta 2: 155 mm tykistökranaatti Kombinaatioiden lukumäärä Laskenta 1: 6 10 Laskenta 2: 6. 9 10 Liikaa yhdistelmiä jokaisen läpikäymiseksi
Datan viljelyn nopeuttaminen 1/2 Tutkitaan tähtäyspisteiden vaikutusta eri yksikköihin Tähtäyspisteet, jotka eivät vaikuta merkittävästi tietyn yksikön tappioihin voidaan jättää huomiotta Esimerkki Yksikölle tappioita kolmesta tähtäyspisteestä Loppujen seitsemän tähtäyspisteen parametrien arvot merkityksettömiä
Datan viljelyn nopeuttaminen 2/2 Tarkastellaan jokaista yksikköä vuorotellen Näistä saadaan varioitua parametrit datan viljelyyn Tutkitaan kuhunkin yksikköön vaikuttavat parametriyhdistelmät Tuloksia yhdistelemällä voidaan tutkia kaikki yhdistelmät riittävällä tarkkuudella
Viljellyn datan jatkoanalysointi 1/2 Tutkitaan muuttuvien parametrien vaikutus kohteen tappioihin 1. Tehdään monitavoiteoptimointina eri tähtäyspisteiden yhdistelmille (Matlab) Maksimoidaan hyökkääjän tuottamat tappiot ja minimoidaan käytetyt ammukset 2. Lasketaan optimiratkaisujen tuottamat hyödyt Skaalataan yksiköiden varusteiden arvoilla ja huomioidaan ammusten kustannukset
Viljellyn datan jatkoanalysointi 2/2 Optimoidaan geneettisellä algoritmilla (Matlab gamultiobj) Data on epäjatkuvaa ja perustuu simulaatiotuloksiin Heuristinen globaali optimointimenetelmä, jossa numeerisesti pyritään edellisistä ratkaisuista kohti parempaa Parhaista ratkaisuista muodostetaan uusia mahdollisia ratkaisuja mutaation avulla [a,b,c,d,e,f,g,h] [1,2,3,4,5,6,7,8] [a,b,3,4,e,6,7,8]
Tulokset 1/3 Raskaan raketinheittimistön sirpaloituva taistelukärki Optimaalisten hyökkäyksien keskiarvo käytettyjen ammuksien ja tähtäyspisteiden lukumääristä 200 180 Utility 200 180 Losses 10 4 12 160 160 10 Total ammunition used 140 120 100 80 60 Total ammunition used 140 120 100 80 60 8 6 4 2 0 40 20 0 1 2 3 4 5 6 7 8 9 10 Number of aiming locations 40 20 0 1 2 3 4 5 6 7 8 9 10 Number of aiming locations -2-4
Tulokset 2/3 155 mm tykistökranaatti 1600 Optimaalisten hyökkäyksien keskiarvo käytettyjen ammuksien ja tähtäyspisteiden lukumääristä Optimaalinen räjähdyskorkeuksien keskiarvo käytettyjen ammuksien ja tähtäyspisteiden lukumääristä Utility 1600 Losses 10 4 1600 10 1400 1400 10 1400 9.5 Total ammunition used 1200 1000 800 600 400 Total ammunition used 1200 1000 800 600 400 8 6 4 Total ammunition used 1200 1000 800 600 400 9 8.5 8 7.5 200 200 2 200 7 0 1 2 3 4 5 6 7 8 9 10 Number of aiming locations 0 1 2 3 4 5 6 7 8 9 10 Number of aiming locations 0 0 1 2 3 4 5 6 7 8 9 10 Number of aiming locations
Tulokset 3/3 Huomioidaan yksiköiden tunnistamisen todennäköisyys Esim. Pareto-optimaalinen sirpaloituvien taistelukärkien käyttö, kun yksiköiden tunnistamistodennäköisyys on joko 50% tai 75% Toiset tähtäyspisteet tunnistetaan todennäköisemmin kuin toiset, mikäli niiden lähellä on enemmän huoltokomppanian yksiköitä 10 4 10 4 9 9 Utility gained 8 7 6 5 4 3 2 Expected pareto front considering the number of aiming locations Expected pareto front overall 2 3 4 5 6 7 10 9 8 Utility gained 8 7 6 5 4 3 2 Expected pareto front considering the number of aiming locations Expected pareto front overall 2 3 4 5 6 10 9 8 7 1 1 1 1 0 0 20 40 60 80 100 Total ammunition used 0 0 20 40 60 80 100 Total ammunition used
Yhteenveto Taistelumallinnukset tuottavat tietoa päätöksenteon ja erityisesti resurssien allokoinnin tueksi Hyökkääjä: 1. Ammusten optimaalinen käyttö 2. UAV-portfolion valinta ja valinnan vaikutukset Puolustus: 1. Yksiköiden sijoittaminen 2. Suojausportfolion valinta ja sen vaikutukset Tätä tietoa voidaan käyttää esimerkiksi vastakkainasettelullisessa riskianalyysissä
Tietolähteet Lappi, E. 2012. Computational Methods for Tactical Simulations. Maanpuolustuskorkeakoulu, Taktiikan laitos. 189 s. ISBN 978-951-25-2317-7. Deb, K. 2001. Multi-Objective Optimization Using Evolutionary Algorithms, volume 16. John Wiley & Sons, New York, Yhdysvallat. Horne, G., & Seichter, S. 2013. MSG-088 Data farming in support of NATO. Final Report. NATO Science and Technology Organization (STO), Modeling and Simulation Coordination Office, Pariisi, Ranska.