CORALS : Aide à la décision sous incertitude dans un contexte naval Éric Beaudry, Ph.D. Systèmes daides à la décision RDDC – Valcartier 6 juin 2011 IFT615.

Présentation au sujet: "CORALS : Aide à la décision sous incertitude dans un contexte naval Éric Beaudry, Ph.D. Systèmes daides à la décision RDDC – Valcartier 6 juin 2011 IFT615."— Transcription de la présentation:

1 CORALS : Aide à la décision sous incertitude dans un contexte naval Éric Beaudry, Ph.D. Systèmes daides à la décision RDDC – Valcartier 6 juin 2011 IFT615 – Intelligence artificielle

2 2 MISE EN CONTEXTE

3 3 Missions canadiennes Missions humanitaire et de maintien de la paix de lONU Supporter nos engagements dans lOTAN Protéger les navires commerciaux des pirates en mers Combattre le terrorisme

4 4 Conflit en Libye (2011)

5 5 Menaces Différentes menaces (cruise missiles, bombs, shoulder-launched rockets, etc.) Les menaces peuvent être coordonnées et provenir de lair, en mer ou du sol

6 6 Moyens de défenses

7 7 Défis Volume important dinformations 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 8 Buts et contraintes But : –Maximiser la survie du navire –Protéger des volumes dintérêts Contraintes –Zones aveugles –Règles dengagement –Coordination des ressources –Ressources limitées

9 9 Efficacité probabiliste des moyens de défense

10 10 CORALS Un système daide à la décision

11 11 La solution : CORALS Système daide à la décision pour suggérer les moyens de défenses face aux menaces

12 12 Plans de défense

13 13 Algorithme de planification Résolution de conflits par une recherche dans un espace de plans

14 14

15 15 HEURISTIQUES

16 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 17 If LowerBound(n0)=L, then there exists at least a node n in {n1,n2,n3} were Quality(n) >= L n0n0 n0n0 n2n2 n2n2 n1n1 n1n1 n3n3 n3n3 Idée : estimer une borne inférieure sur la qualité des plans …

18 18 Heuristiques H1 – Retrait des actions en conflits H2 – Retrait arbitraire dactions pour éliminer les conflits H3 – Retrait des actions avec la plus faible probabilité de succès H4 – Retrait des actions selon le contexte

19 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 406080100120 4. HK / GUN57(40%) 7. HK / CIWS : CIWS(55%) 1 1 2 2

20 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 406080100120 4. HK / GUN57 (40%) 7. HK / CIWS : CIWS (55%) 85% 96.25% 85% * 96.25% = 81.81%

21 21 H2 – Retrait arbitraire dactions 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 406080100120 4. HK / GUN57 (40%) 7. HK / CIWS : CIWS (55%) 91% 97.79% 91% * 97.79% = 89.12%

22 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 406080100120 4. HK / GUN57 (40%) 7. HK / CIWS : CIWS(55%) 85% 99.07% 85% * 99.07% = 84.21%

23 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 406080100120 4. HK / GUN57(40%) 7. HK / CIWS : CIWS (55%) 94.6% 96.25% 94.6% * 96.25% = 91.05%

24 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 BoundAlgorithm (For each conflict) Computation Cost (c = nb conflicts n = nb actions; t=nb target) Value of Example Plan V1 (CORALS 4.2) Remove all conflicts actions O(c)81.81 % V2Keep arbitary actionsO(n * c)89.12 % V3Keep best actionsO(n * c)84.21 % V4Keep the action that have the highest gain. O(t * n * c)91.05 %

25 25 STRATÉGIE DE RECHERCHE ENFORCED HILL CLIMBING (EHC)

26 26 1 1 2 2 6 6 4 4 5 5 7 7 8 8 Example Enforced Hill Climbing with a depth parameter of 3

27 27 Complexité (coût) des heuristiques Maximum planning time set to 10 secondes. 25 runs on scenarios with 10 targets.

28 28 Performance

29 29 Réactivité Maximum planning time set to 10 secondes. 25 runs on scenarios with 10 targets.

30 30 À CONSIDÉRER

31 31 Travaux futures Interaction avec opérateurs –Interfaces multi-touch Single-Ship Multi-Ship

32 32 CES DÉFIS VOUS INTÉRESSENT ?

33 33 Stage YRD0 01 01 [Automne 2011]

34 34 QUESTIONS ?

35 35